本發(fā)明涉及一種復(fù)雜周轉(zhuǎn)輪系的監(jiān)測技術(shù)，具體涉及一種復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測系統(tǒng)及方法。

背景技術(shù)：

以行星齒輪箱為代表的周轉(zhuǎn)輪系，具有傳動比大、傳動效率高、結(jié)構(gòu)緊湊、承載能力大、工作可靠等優(yōu)點。復(fù)雜周轉(zhuǎn)輪系是指多個單一周轉(zhuǎn)輪系串聯(lián)或并聯(lián)，包含兩對及以上軸線周轉(zhuǎn)的回轉(zhuǎn)副，優(yōu)點更多，廣泛應(yīng)用于雷達(dá)穩(wěn)定平臺、風(fēng)電裝備、現(xiàn)代履帶車輛等工程機械中。復(fù)雜周轉(zhuǎn)輪系是典型復(fù)合運動，其故障診斷與狀態(tài)監(jiān)測相對傳統(tǒng)定軸輪系或單一周轉(zhuǎn)輪系更為復(fù)雜，難度更大，主要表現(xiàn)為：1)復(fù)合運動導(dǎo)致振動呈現(xiàn)多模式混淆干擾；2)多對齒輪嚙合的振動相互耦合造成振動非線性明顯；3)振動傳輸路徑復(fù)雜導(dǎo)致故障響應(yīng)微弱；4)微弱故障癥狀不明顯難以識別；5)低頻和超低頻故障特征提取一直是機械故障診斷領(lǐng)域挑戰(zhàn)性難題。

新興多小波變換是小波理論新發(fā)展。多小波兼?zhèn)涠喾N優(yōu)良性質(zhì)與多個時頻特性差異的基函數(shù)，通過矢量內(nèi)積實現(xiàn)故障特征提取與識別。特別地，自適應(yīng)多小波可實現(xiàn)基函數(shù)按需構(gòu)造與故障特征最優(yōu)匹配，為空間復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測提供靈活有效解決方案。

近年來，多小波變換在信號降噪與故障診斷等領(lǐng)域展現(xiàn)出明顯優(yōu)勢。跟本發(fā)明較為接近的專利包括：1)專利CN201210361717公開了一種采用提升多小波變換實現(xiàn)行星齒輪箱復(fù)合故障分離與識別方法；2)專利CN201310069498.2公開了一種多小波與云模型結(jié)合的風(fēng)機在線狀態(tài)監(jiān)測評估技術(shù)；3)專利CN201510608424.0公開了一種多小波包與最小二乘支持向量機結(jié)合的風(fēng)電場風(fēng)速和功率滾動預(yù)測方法；4)專利CN201210361690公開了一種利用多小波自適應(yīng)分塊閾值降噪技術(shù)的齒輪箱損傷時域診斷方法；5)專利CN201510856762.6公開了一種利用標(biāo)準(zhǔn)化多小波與多小波包變換的機械故障定量提取新技術(shù)，應(yīng)用于電力機車等機械設(shè)備早期損傷和復(fù)合故障精確診斷。

以上專利中，專利1)～4)雖然采用了性能優(yōu)良的多小波變換用于行星齒輪箱等機械設(shè)備故障識別，但由于受到基函數(shù)構(gòu)造和能量誤差傳播等因素影響，以上多小波變換的故障提取與診斷中存在明顯的故障特征幅值失真現(xiàn)象，無法保證微弱故障特征的定量提取。同時，它們所采用的多小波大多為雙正交基函數(shù)，難以保證故障信息獨立化、無泄漏提取，難以為復(fù)雜周轉(zhuǎn)輪系微弱故障的定量提取與退化監(jiān)測提供實用可靠手段。專利5)對傳統(tǒng)多小波變換結(jié)果進(jìn)行類比、標(biāo)定和標(biāo)準(zhǔn)化處理以實現(xiàn)分解誤差控制與特征定量提取，但它無法確保所采用的多小波基函數(shù)具有正交性、對稱性等信號處理優(yōu)良性質(zhì)，難以實現(xiàn)復(fù)雜周轉(zhuǎn)輪系微弱故障識別與精密診斷。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測系統(tǒng)及方法，達(dá)到復(fù)雜周轉(zhuǎn)輪系微弱故障識別目的，準(zhǔn)確揭示機械故障部位、種類和損傷程度，有效揭示復(fù)雜周轉(zhuǎn)輪系可靠性漸變趨勢。

為實現(xiàn)上述目的，本發(fā)明提供一種復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測方法，其特點是，該方法包含：

以對稱正交多小波構(gòu)造條件為約束，構(gòu)造標(biāo)準(zhǔn)多小波基函數(shù)；

根據(jù)標(biāo)準(zhǔn)多小波基函數(shù)，選擇與待測故障信號相匹配的最佳多小波；

根據(jù)最佳多小波，提取與識別復(fù)雜周轉(zhuǎn)輪系動態(tài)信號微弱故障；

以特征融合指標(biāo)對復(fù)雜周轉(zhuǎn)輪系進(jìn)行健康狀態(tài)和性能退化監(jiān)測。

上述構(gòu)造標(biāo)準(zhǔn)多小波基函數(shù)包含：

根據(jù)式(1)、(2)、(3)、(4)獲取多小波低通濾波器{H_k,k＝0,1,2,3}：

H₂＝SH₁S (3)

H₃＝SH₀S (4)

根據(jù)式(5)、(6)、(7)、(8)獲取多小波高通濾波器{G_k,k＝0,1,2,3}：

G₀＝-H₃A (5)

G₁＝H₂A (6)

G₂＝-H₁A (7)

G₃＝H₀A (8)

上述式中，自由參數(shù)a∈[-1,1]且b＝±1，轉(zhuǎn)換矩陣且

上述選擇與待測故障信號相匹配的最佳多小波包含：

計算歸一化能量熵最小值、歸一化奇異熵最小值和全局峭度最大值；

根據(jù)歸一化能量熵最小值、歸一化奇異熵最小值和全局峭度最大值，選擇與待測故障信號相匹配的最佳多小波。

上述計算歸一化能量熵最小值包含：

對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀；

采用構(gòu)造的不同自由參數(shù)的標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,

計算不同分析結(jié)果的歸一化能量熵f₁；

采用遺傳算法作為優(yōu)化手段，以歸一化能量熵f₁的最小化原則為目標(biāo)函數(shù)計算出歸一化能量熵最小值

上述計算歸一化奇異熵最小值包含：

對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀；

采用構(gòu)造的不同自由參數(shù)的標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,

計算不同分析結(jié)果的歸一化奇異熵f₂；

采用遺傳算法作為優(yōu)化手段，以歸一化奇異熵f₂的最小化原則為目標(biāo)函數(shù)計算出歸一化奇異熵最小值

上述計算全局峭度最大值包含：

對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀；

采用構(gòu)造的不同自由參數(shù)的標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,

計算相應(yīng)結(jié)果峭度{ku_i,i＝1,2,…2^m}，選擇峭度結(jié)果中局部峭度最大值ku_max；

采用遺傳算法作為優(yōu)化手段，以局部峭度最大值ku_max的最大化原則為目標(biāo)函數(shù)計算出全局峭度最大值

上述選擇與待測故障信號相匹配的最佳多小波包含：

對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀；

采用構(gòu)造的不同自由參數(shù)的標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,

根據(jù)式(9)計算不同分析結(jié)果的信息熵與峭度聯(lián)合指標(biāo)fk；

采用遺傳算法作為優(yōu)化手段，以聯(lián)合指標(biāo)fk的最小化原則為目標(biāo)函數(shù)優(yōu)選出標(biāo)準(zhǔn)多小波中最優(yōu)自由參數(shù)a^*和b^*，從而獲得與待測故障信號s相匹配的最佳多小波{H^*}和{G^*}；

式(9)中，f₁為歸一化能量熵，為歸一化能量熵最小值，f₂為歸一化奇異熵，為歸一化奇異熵最小值，ku_max為局部峭度最大值，為全局峭度最大值。。

上述提取與識別復(fù)雜周轉(zhuǎn)輪系動態(tài)信號微弱故障包含：

對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀；

采用最佳多小波{H^*}和{G^*}進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果

輸出局部峭度最大值ku_max所對應(yīng)的自適應(yīng)標(biāo)準(zhǔn)多小波分析結(jié)果，以提取與識別復(fù)雜周轉(zhuǎn)輪系動態(tài)信號微弱故障。

上述性能退化監(jiān)測包含：

對長周期監(jiān)測的復(fù)雜周轉(zhuǎn)輪系動態(tài)信號{s_i,i＝1,2,…}分別計算每組信號的峭度因子k、脈沖因子I、裕度因子Y以及其自適應(yīng)標(biāo)準(zhǔn)多小波分析結(jié)果的歸一化能量熵f₁和歸一化奇異熵f₂，并組成特征矩陣F＝[k；I；Y；f₁；f₂]；

采用馬氏距離方法對F進(jìn)行距離測度分析與指標(biāo)降維融合，計算得到各動態(tài)信號的特征融合指標(biāo)RF；

以特征融合指標(biāo)RF為評價指標(biāo)對復(fù)雜周轉(zhuǎn)輪系進(jìn)行健康狀態(tài)和性能退化監(jiān)測。

一種復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測系統(tǒng)，其特點是，該系統(tǒng)包含：

標(biāo)準(zhǔn)多小波構(gòu)造模塊，其以對稱正交多小波構(gòu)造條件為約束，構(gòu)造標(biāo)準(zhǔn)多小波基函數(shù)；

標(biāo)準(zhǔn)多小波優(yōu)選模塊，其輸入端連接標(biāo)準(zhǔn)多小波構(gòu)造模塊，根據(jù)標(biāo)準(zhǔn)多小波基函數(shù)，選擇與待測故障信號相匹配的最佳多小波；

故障提取識別模塊，其輸入端連接標(biāo)準(zhǔn)多小波優(yōu)選模塊，根據(jù)最佳多小波，提取與識別復(fù)雜周轉(zhuǎn)輪系動態(tài)信號微弱故障；

性能退化監(jiān)測模塊，其輸入端連接故障提取識別模塊，以特征融合指標(biāo)對復(fù)雜周轉(zhuǎn)輪系進(jìn)行健康狀態(tài)和性能退化監(jiān)測。

本發(fā)明復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測系統(tǒng)及方法和現(xiàn)有技術(shù)相比，其優(yōu)點在于，本發(fā)明涉及復(fù)雜周轉(zhuǎn)輪系微弱故障識別與復(fù)雜周轉(zhuǎn)輪系性能退化監(jiān)測兩方面，在復(fù)雜周轉(zhuǎn)輪系微弱故障識別中，對待測故障信號利用自適應(yīng)標(biāo)準(zhǔn)多小波進(jìn)行微弱故障特征提取、損傷識別與故障定位，在復(fù)雜周轉(zhuǎn)輪系性能退化監(jiān)測中，對長周期監(jiān)測的復(fù)雜周轉(zhuǎn)輪系動態(tài)信號{s_i,i＝1,2,…}進(jìn)行無量綱統(tǒng)計指標(biāo)與自適應(yīng)標(biāo)準(zhǔn)多小波的信息熵聯(lián)合指標(biāo)的融合，采用融合特征指標(biāo)對復(fù)雜周轉(zhuǎn)輪系連續(xù)運行狀態(tài)進(jìn)行性能退化監(jiān)測；

本發(fā)明所構(gòu)造的標(biāo)準(zhǔn)多小波基函數(shù)兼?zhèn)湔恍浴ΨQ性、高階消失矩與能量守恒等優(yōu)良特性，其中正交性能保證故障信息獨立化與無泄漏提取，對稱性可避免因相位失真產(chǎn)生分解誤差并減少邊界畸變，高階消失矩保證奇異點檢測能力，能量守恒可實現(xiàn)故障特征定量提取，以上標(biāo)準(zhǔn)多小波的優(yōu)良特性為復(fù)雜周轉(zhuǎn)輪系微弱故障提取的準(zhǔn)確性、全面性和定量性提供前提；

本發(fā)明所利用的聯(lián)合指標(biāo)將歸一化能量熵指標(biāo)、歸一化奇異熵指標(biāo)和峭度指標(biāo)相結(jié)合，既能反映分析結(jié)果跨越特征子空間的演變規(guī)律，又能揭示分析結(jié)果在線性無關(guān)特征空間的模式分布，同時還能增強局部故障特征檢測能力，更加有利于優(yōu)選出具備微弱故障提取能力的自適應(yīng)標(biāo)準(zhǔn)多小波；

本發(fā)明所采用的自適應(yīng)標(biāo)準(zhǔn)多小波可實現(xiàn)與待測故障信號的最佳匹配，增強強背景噪聲干擾下微弱故障特征定量提取、奇異性檢測、相位鎖定與時頻局部化能力，從而實現(xiàn)復(fù)雜周轉(zhuǎn)輪系微弱故障的特征定量提取與識別，準(zhǔn)確揭示機械故障部位、種類和損傷程度；

本發(fā)明所應(yīng)用的特征融合指標(biāo)綜合了峭度因子、脈沖因子、裕度因子三個無量綱統(tǒng)計特征指標(biāo)以及自適應(yīng)標(biāo)準(zhǔn)多小波的歸一化能量熵、歸一化奇異熵兩個歸一化信息熵特征指標(biāo)。該融合指標(biāo)對故障發(fā)展與性能退化敏感且穩(wěn)定性好。通過對該評價指標(biāo)長周期監(jiān)測可以有效表征復(fù)雜周轉(zhuǎn)輪系的健康狀態(tài)與性能退化情況，從而有效揭示復(fù)雜周轉(zhuǎn)輪系可靠性漸變。

附圖說明

圖1為本發(fā)明復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測方法的流程圖；

圖2為本發(fā)明復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測方法的具體實施步驟圖；

圖3為雷達(dá)穩(wěn)定平臺復(fù)雜周轉(zhuǎn)輪系末級齒輪組運行示意圖；

圖4為雷達(dá)穩(wěn)定平臺復(fù)雜周轉(zhuǎn)輪系振動信號；

圖5為對圖4的復(fù)雜周轉(zhuǎn)輪系振動信號利用本發(fā)明的自適應(yīng)標(biāo)準(zhǔn)多小波分析結(jié)果；

圖6為對圖4的復(fù)雜周轉(zhuǎn)輪系振動信號利用Db6小波分析結(jié)果；

圖7對軸承全壽命試驗信號的性能退化監(jiān)測結(jié)果。

具體實施方式

以下結(jié)合附圖，進(jìn)一步說明本發(fā)明的具體實施例。

本發(fā)明公開一種復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測方法，它繼承傳統(tǒng)多小波變換優(yōu)點，采用兼?zhèn)湔恍浴ΨQ性、高階消失矩與能量守恒等優(yōu)良特性的標(biāo)準(zhǔn)多小波基函數(shù)以及信息熵與峭度的聯(lián)合指標(biāo)最小化原則實現(xiàn)自適應(yīng)標(biāo)準(zhǔn)多小波構(gòu)造與優(yōu)選，達(dá)到復(fù)雜周轉(zhuǎn)輪系微弱故障識別目的，準(zhǔn)確揭示機械故障部位、種類和損傷程度。

同時，本發(fā)明采用敏感性強且穩(wěn)定性好的無量綱統(tǒng)計指標(biāo)與自適應(yīng)標(biāo)準(zhǔn)多小波的信息熵聯(lián)合指標(biāo)組成的融合特征指標(biāo)對復(fù)雜周轉(zhuǎn)輪系進(jìn)行健康狀態(tài)和性能退化監(jiān)測從而有效揭示復(fù)雜周轉(zhuǎn)輪系可靠性漸變趨勢。

如圖1并結(jié)合圖2所示，為一種復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測方法的實施例一。不失一般性，假設(shè)故障信號為s，該方法具體包含以下步驟：

S1、對故障信號s以對稱正交多小波構(gòu)造條件為約束，構(gòu)造標(biāo)準(zhǔn)多小波基函數(shù)。

以對稱正交多小波構(gòu)造條件為約束，構(gòu)造兼?zhèn)湔恍浴ΨQ性、高階消失矩與能量守恒等優(yōu)良特性的標(biāo)準(zhǔn)多小波基函數(shù)。具體的：

根據(jù)式(1)、(2)、(3)、(4)獲取多小波低通濾波器{H_k,k＝0,1,2,3}：

H₂＝SH₁S (3)

H₃＝SH₀S (4)

根據(jù)式(5)、(6)、(7)、(8)獲取多小波高通濾波器{G_k,k＝0,1,2,3}：

G₀＝-H₃A (5)

G₁＝H₂A (6)

G₂＝-H₁A (7)

G₃＝H₀A (8)

上述式中，自由參數(shù)a∈[-1,1]且b＝±1，轉(zhuǎn)換矩陣且

S2、根據(jù)標(biāo)準(zhǔn)多小波基函數(shù)，計算歸一化能量熵最小值、歸一化奇異熵最小值和局部峭度最大值；根據(jù)歸一化能量熵最小值、歸一化奇異熵最小值和全局峭度最大值，選擇與待測故障信號相匹配的最佳多小波。

S2.1、計算歸一化能量熵最小值：對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀；采用構(gòu)造的不同自由參數(shù)的標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,這里逼近預(yù)濾波的后處理為逼近預(yù)濾波的前處理對應(yīng)的逆變換；計算不同分析結(jié)果的歸一化能量熵f₁；采用遺傳算法作為優(yōu)化手段，以歸一化能量熵f₁的最小化原則為目標(biāo)函數(shù)計算出歸一化能量熵最小值

S2.2、計算歸一化奇異熵最小值：對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀；采用構(gòu)造的不同自由參數(shù)的標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,計算不同分析結(jié)果的歸一化奇異熵f₂；采用遺傳算法作為優(yōu)化手段，以歸一化奇異熵f₂的最小化原則為目標(biāo)函數(shù)計算出歸一化奇異熵最小值

S2.3、計算全局峭度最大值：對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀；采用構(gòu)造的不同自由參數(shù)的標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,計算相應(yīng)結(jié)果峭度{ku_i,i＝1,2,…2^m}，選擇峭度結(jié)果中局部峭度最大值ku_max；采用遺傳算法作為優(yōu)化手段，以局部峭度最大值ku_max的最大化原則為目標(biāo)函數(shù)計算出全局峭度最大值

S2.4、選擇與待測故障信號相匹配的最佳多小波：對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀；采用構(gòu)造的不同自由參數(shù)的標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,根據(jù)式(9)計算不同分析結(jié)果的信息熵與峭度聯(lián)合指標(biāo)fk；采用遺傳算法作為優(yōu)化手段，以聯(lián)合指標(biāo)fk的最小化原則為目標(biāo)函數(shù)優(yōu)選出標(biāo)準(zhǔn)多小波中最優(yōu)自由參數(shù)a^*和b^*，從而獲得與待測故障信號s相匹配的最佳多小波{H^*}和{G^*}：

式(9)中，f₁為歸一化能量熵，為歸一化能量熵最小值，f₂為歸一化奇異熵，為歸一化奇異熵最小值，ku_max為局部峭度最大值，為全局峭度最大值。

S3、根據(jù)最佳多小波，提取與識別復(fù)雜周轉(zhuǎn)輪系動態(tài)信號微弱故障。

S3.1、對待測故障信號s實施逼近預(yù)濾波的前處理獲得矢量輸入信號sc₀。

S3.2、采用最佳多小波{H^*}和{G^*}進(jìn)行m層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果

S3.3、輸出局部峭度最大值ku_max所對應(yīng)的自適應(yīng)標(biāo)準(zhǔn)多小波分析結(jié)果，以提取與識別復(fù)雜周轉(zhuǎn)輪系動態(tài)信號微弱故障。

S4、以特征融合指標(biāo)對復(fù)雜周轉(zhuǎn)輪系進(jìn)行健康狀態(tài)和性能退化監(jiān)測。

S4.1、對長周期監(jiān)測的復(fù)雜周轉(zhuǎn)輪系動態(tài)信號{s_i,i＝1,2,…}分別計算每組信號的峭度因子k、脈沖因子I、裕度因子Y以及其自適應(yīng)標(biāo)準(zhǔn)多小波分析結(jié)果的歸一化能量熵f₁和歸一化奇異熵f₂，并組成特征矩陣F＝[k；I；Y；f₁；f₂]。

S4.2、采用馬氏距離方法對F進(jìn)行距離測度分析與指標(biāo)降維融合，計算得到各動態(tài)信號的特征融合指標(biāo)RF。

S4.3、以特征融合指標(biāo)RF為評價指標(biāo)對復(fù)雜周轉(zhuǎn)輪系進(jìn)行健康狀態(tài)和性能退化監(jiān)測，從而有效揭示復(fù)雜周轉(zhuǎn)輪系可靠性漸變。

本發(fā)明還公開了一種復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測系統(tǒng)，該系統(tǒng)包含：標(biāo)準(zhǔn)多小波構(gòu)造模塊、標(biāo)準(zhǔn)多小波優(yōu)選模塊、故障提取識別模塊和性能退化監(jiān)測模塊。

標(biāo)準(zhǔn)多小波構(gòu)造模塊用于以對稱正交多小波構(gòu)造條件為約束，構(gòu)造標(biāo)準(zhǔn)多小波基函數(shù)；

標(biāo)準(zhǔn)多小波優(yōu)選模塊輸入端連接標(biāo)準(zhǔn)多小波構(gòu)造模塊，用于根據(jù)標(biāo)準(zhǔn)多小波基函數(shù)，選擇與待測故障信號相匹配的最佳多小波；

故障提取識別模塊輸入端連接標(biāo)準(zhǔn)多小波優(yōu)選模塊，用于根據(jù)最佳多小波，提取與識別復(fù)雜周轉(zhuǎn)輪系動態(tài)信號微弱故障；

性能退化監(jiān)測模塊輸入端連接故障提取識別模塊，用于以特征融合指標(biāo)對復(fù)雜周轉(zhuǎn)輪系進(jìn)行健康狀態(tài)和性能退化監(jiān)測。

如圖3所示，為本發(fā)明一種復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測方法的實施例二。

以下以雷達(dá)穩(wěn)定平臺復(fù)雜周轉(zhuǎn)輪系實施案例來詳細(xì)描述本發(fā)明在復(fù)雜周轉(zhuǎn)輪系微弱故障識別效果。某雷達(dá)穩(wěn)定平臺俯仰傳動通道是典型復(fù)雜周轉(zhuǎn)輪系，包含三級小模數(shù)圓柱齒輪組減速，其末級扇齒是輪系中的太陽輪且連接在穩(wěn)定平臺上帶動平臺相對轉(zhuǎn)動，其它齒輪在旋轉(zhuǎn)嚙合同時也圍繞扇齒公轉(zhuǎn)。為監(jiān)測該復(fù)雜周轉(zhuǎn)輪系健康狀態(tài)，在輪系軸承座上加裝微型加速度傳感器采集輪系運行信號。試驗中，采樣頻率設(shè)置為2000Hz，穩(wěn)定平臺以24r/min轉(zhuǎn)速近似均勻往復(fù)運行(即末級扇齒轉(zhuǎn)頻為0.4Hz)，相對轉(zhuǎn)角范圍為-30°～+30°。扇齒與末級小齒輪嚙合示意圖如圖3所示。在該運行工況下，計算可知扇齒和末級小齒輪中各有16個輪齒參與嚙合，即圖3中扇齒A至B以及小齒輪C至D。如圖4所示，為本實施例中的復(fù)雜周轉(zhuǎn)輪系第三級振動信號。以下按照圖2所示的流程對振動信號進(jìn)行分析。

首先，以對稱正交多小波構(gòu)造條件為約束，構(gòu)造兼?zhèn)湔恍?、對稱性、高階消失矩與能量守恒等優(yōu)良特性的標(biāo)準(zhǔn)多小波基函數(shù)，其相應(yīng)多小波低通濾波器{H_k,k＝0,1,2,3}和多小波高通濾波器{G_k,k＝0,1,2,3}如步驟S1所述。

其次，對振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用不同標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行7層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,ms₁₂₈，計算不同分析結(jié)果的歸一化能量熵f₁。采用遺傳算法，以歸一化能量熵f₁的最小化原則為目標(biāo)函數(shù)計算出歸一化能量熵最小值

然后，對振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用不同標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行7層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,ms₁₂₈，計算不同分析結(jié)果的歸一化奇異熵f₂。采用遺傳算法，以歸一化奇異熵f₂的最小化原則為目標(biāo)函數(shù)計算出歸一化奇異熵最小值

接著，對振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用不同標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行7層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,ms₁₂₈，并計算相應(yīng)結(jié)果峭度{ku_i,i＝1,2,…128}，選擇峭度結(jié)果中局部峭度最大值ku_max。采用遺傳算法，以局部峭度最大值ku_max的最大化原則為目標(biāo)函數(shù)計算出全局峭度最大值

然后，對振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用不同標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行7層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,ms₁₂₈，計算不同分析結(jié)果的信息熵與峭度聯(lián)合指標(biāo)fk。采用遺傳算法，以聯(lián)合指標(biāo)fk的最小化原則為目標(biāo)函數(shù)優(yōu)選出標(biāo)準(zhǔn)多小波中最優(yōu)自由參數(shù)a^*＝0.7887和b^*＝1，從而獲得與振動信號相匹配的最佳多小波{H^*}和{G^*}。

最后，對振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用最佳多小波{H^*}和{G^*}進(jìn)行7層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果輸出局部峭度最大值ku_max所對應(yīng)的第3頻帶分析結(jié)果作為自適應(yīng)標(biāo)準(zhǔn)多小波分析結(jié)果，獲得如圖5所示的本發(fā)明復(fù)雜周轉(zhuǎn)輪系微弱故障識別的最終分析結(jié)果。從圖5中可以看到呈現(xiàn)出強弱不等的周期性沖擊序列x、y和z。其中，周期性特征序列x和y對應(yīng)于雷達(dá)穩(wěn)定平臺運行瞬時換向時所產(chǎn)生的沖擊，結(jié)合齒輪故障機理可知周期性特征序列z為小齒輪輕微磨損故障所引發(fā)。若將特征x對應(yīng)于圖3中小齒輪極限位置C處沖擊，特征y對應(yīng)于極限位置D處沖擊，根據(jù)特征z間隔周期及其與特征x、y的間隔距離計算可知該故障位置為小齒輪零位O處右側(cè)1個輪齒左側(cè)面，與實際故障部位、種類和損傷程度相吻合，驗證了本發(fā)明在復(fù)雜周轉(zhuǎn)輪系微弱故障識別方面的有效性與實用性。

將圖4的振動信號采用Db6傳統(tǒng)單小波變換進(jìn)行對比分析，同樣進(jìn)行7層小波包分解，獲得如圖6所示的第3頻帶分析結(jié)果作為對比分析結(jié)果。對比圖6和圖5，難以從圖6中有效提取和識別出呈現(xiàn)周期性間隔和規(guī)律性幅值強弱變化的雷達(dá)穩(wěn)定平臺瞬時換向沖擊特征x、y，以及小齒輪磨損故障所引發(fā)的微弱故障特征z，無法為雷達(dá)穩(wěn)定平臺復(fù)雜周轉(zhuǎn)輪系的合理確診提供有力依據(jù)。

如圖7所示，為本發(fā)明一種復(fù)雜周轉(zhuǎn)輪系微弱故障識別與性能退化監(jiān)測方法的實施例三。

下面以軸承全壽命試驗實施案例來詳細(xì)描述本發(fā)明在復(fù)雜周轉(zhuǎn)輪系性能退化監(jiān)測效果。模擬復(fù)雜周轉(zhuǎn)輪系運行工況，搭建并開展軸承全壽命試驗。試驗中，采樣頻率為25.6kHz，每10s存儲一組數(shù)據(jù)，每組數(shù)據(jù)2560個點，至軸承失效共采集2803組。以下按照圖2所示的流程對每組軸承振動信號進(jìn)行分析。

首先，以對稱正交多小波構(gòu)造條件為約束，構(gòu)造兼?zhèn)湔恍浴ΨQ性、高階消失矩與能量守恒等優(yōu)良特性的標(biāo)準(zhǔn)多小波基函數(shù)，其相應(yīng)多小波低通濾波器{H_k,k＝0,1,2,3}和多小波高通濾波器{G_k,k＝0,1,2,3}如步驟S1所述。

其次，對每組軸承振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用不同標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行3層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,ms₈，計算不同分析結(jié)果的歸一化能量熵f₁。采用遺傳算法，以歸一化能量熵f₁的最小化原則為目標(biāo)函數(shù)計算出歸一化能量熵最小值

然后，對每組軸承振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用不同標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行3層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,ms₈，計算不同分析結(jié)果的歸一化奇異熵f₂。采用遺傳算法，以歸一化奇異熵f₂的最小化原則為目標(biāo)函數(shù)計算出歸一化奇異熵最小值

接著，對每組軸承振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用不同標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行3層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,ms₈，并計算相應(yīng)結(jié)果峭度{ku_i,i＝1,2,…8}，選擇峭度結(jié)果中局部峭度最大值ku_max。采用遺傳算法，以局部峭度最大值ku_max的最大化原則為目標(biāo)函數(shù)計算出全局峭度最大值

然后，對每組軸承振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用不同標(biāo)準(zhǔn)多小波基函數(shù)進(jìn)行3層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果ms₁,ms₂，…,ms₈，計算不同分析結(jié)果的信息熵與峭度聯(lián)合指標(biāo)fk。采用遺傳算法，以聯(lián)合指標(biāo)fk的最小化原則為目標(biāo)函數(shù)優(yōu)選出標(biāo)準(zhǔn)多小波中最優(yōu)自由參數(shù)a^*和b^*，從而獲得與每組軸承振動信號相匹配的最佳多小波{H^*}和{G^*}。

接著，對每組軸承振動信號實施逼近預(yù)濾波的前處理獲得矢量輸入信號，采用最佳多小波{H^*}和{G^*}進(jìn)行3層多小波包分解與逼近預(yù)濾波的后處理獲得的分析結(jié)果

最后，對2803組軸承測試數(shù)據(jù){s_i,i＝1,2,…2803}分別計算峭度因子{k_i,i＝1,2,…2803}、脈沖因子{I_i,i＝1,2,…2803}、裕度因子{Y_i,i＝1,2,…2803}以及每組自適應(yīng)標(biāo)準(zhǔn)多小波分析結(jié)果的歸一化能量熵{f_1,i,i＝1,2,…2803}和歸一化奇異熵{f_2,i,i＝1,2,…2803}，并組成2803×5的特征矩陣F＝[k；I；Y；f₁；f₂]。采用馬氏距離對F進(jìn)行距離測度分析與指標(biāo)降維融合，計算得到各動態(tài)信號的特征融合指標(biāo)RF，繪制如圖7所示。從圖7可以看到，軸承全壽命周期運行狀態(tài)分為4個階段：1)P1階段軸承正常運行，指標(biāo)RF趨于恒定值；2)P2階段軸承出現(xiàn)微弱故障并隨著軸承運行緩慢擴展，指標(biāo)RF較慢增長；3)P3階段軸承故障發(fā)展到中期并呈現(xiàn)“自平衡”和“自愈合”趨勢，指標(biāo)RF出現(xiàn)輕微下降；4)P4階段軸承故障開展迅速擴展并至最終失效，指標(biāo)RF急劇增長?？梢?，特征融合指標(biāo)RF很好地表征了軸承全壽命周期的健康狀態(tài)演變過程與性能退化趨勢，真實反映出軸承可靠性漸變過程。

盡管本發(fā)明的內(nèi)容已經(jīng)通過上述優(yōu)選實施例作了詳細(xì)介紹，但應(yīng)當(dāng)認(rèn)識到上述的描述不應(yīng)被認(rèn)為是對本發(fā)明的限制。在本領(lǐng)域技術(shù)人員閱讀了上述內(nèi)容后，對于本發(fā)明的多種修改和替代都將是顯而易見的。因此，本發(fā)明的保護范圍應(yīng)由所附的權(quán)利要求來限定。