一种心理声学特征的齿轮箱声振信息融合诊断方法及系统

1.本发明涉及行星齿轮箱声振信号融合监测与故障诊断技术领域，尤其涉及一种应用于实际工程机械系统的行星齿轮箱缺齿故障在线监测诊断方法。


背景技术：

2.行星齿轮箱应用广泛，是风力发电机、减速器、飞机登机廊桥等机械设备的关键部件，因此对行星齿轮箱进行状态监测和故障诊断非常重要。三级行星齿轮箱，具有低速重载的特点，并且其周围包裹着轮胎，且其独特的行星结构使行星齿轮箱的振动信号成分复杂，具有强烈的非平稳性和耦合调制特征，增加了故障诊断的难度；由于目前，监测和诊断方法主要基于振动测量(齿轮箱的加速度)，因此在进行传统的振动信号故障检测时，加速度计无法直接安装在行星齿轮箱上；这导致一旦发生故障，维修起来不但要花费大量时间和费用，还会影响实际工作。近年来，基于声学的故障诊断技术越来越受到关注，声学信号的测量采用非接触式测量方法，更加方便快捷。然而，行星齿轮箱的声学信号通常与其他部件的干扰噪声混合，如反射声和重叠声，很难准确识别行星齿轮箱的故障。
3.针对大型三级行星齿轮箱，在传统振动信号、声信号检测的基础上，提出声振信息融合的诊断方法，解决传统声振信号单独进行测量时准确率不高、测量不方便的问题；利用基于心理声学的特征，提升了识别的准确率，解决了传统峭度特征下准确度不高的问题；与现有技术相比，本发明提出的基于心理声学特征的行星齿轮箱声振信息融合诊断方法，具有良好的识别准确率。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.因此，提供一种基于心理声学特征的齿轮箱声振信息融合诊断方法，旨在解决传统声振信号单独进行测量时准确率不高、测量不方便的问题，考虑在传统振动信号、声信号检测的基础上，利用基于心理声学的特征，提出声振信息融合的诊断方法提升了识别的准确率。
7.为解决上述技术问题，本发明提供如下技术方案，一种基于心理声学特征的齿轮箱声振信息融合诊断方法，包括：
8.在测量振动信号的基础上，增加测量声信号，获取声振融合信号；
9.采用eemd对声振融合信号进行分解；
10.从信号提取特征参数信息后，基于提取到的特征参数信息对故障进行分类；
11.对信号分解后，选取分量大的相关系数，并计算心理声学特征及识别齿轮箱声振信息。
12.作为本发明所述的基于心理声学特征的齿轮箱声振信息融合诊断方法的一种优选方案，其中：所述获取声振融合信号包括，采取非接触式测量，利用加速度计粘贴在机械结构表面，以测量振动信号，将声压传感器放置在距离行星齿轮箱1厘米处。
13.作为本发明所述的基于心理声学特征的齿轮箱声振信息融合诊断方法的一种优选方案，其中：所述eemd对信号进行分解包括，将一个具有标准正态分布的白噪声ni(t)加到原始信号x(t)上产生一个信号，对所得含噪声的信号xi(t)分别进行emd分解，得到各自imf总和的格式，重复产生信号和emd分解并进行总体平均次数m次，每次分解加入幅值不同的白噪声信号得到imf的集合，利用不相关序列的统计平均值为0的原理，将对应的imf进行集合平均运算，得到eemd分解后最终的imf。
14.作为本发明所述的基于心理声学特征的齿轮箱声振信息融合诊断方法的一种优选方案，其中：所述eemd对信号进行分解还包括，产生信号表示为：
15.xi(t)＝x(t)+ni(t)
16.emd分解得到各自的imf集合表示为：
[0017][0018]c1，j
(t)，c
2，j
(t)，
…cm，j
(t)，j＝1，2，
…j[0019]
eemd分解后最终的imf表示为：
[0020][0021]
ni(t)表示第i次加性白噪声序列，x(t)为原始信号，xi(t)表示第i次实验的附加噪声信号，c
i，j
(t)是第i次加入白噪声后分解得到的第j个imf，r
i，j
(t)是残余函数，代表信号的平均趋势，j是imf的数量，cj(t)是eemd分解的第j个imf。
[0022]
作为本发明所述的基于心理声学特征的齿轮箱声振信息融合诊断方法的一种优选方案，其中：所述对故障进行分类包括，通过分类模型支持向量机、反向传播神经网络、随机森林对训练样本进行训练，利用测试样本来验证分类的效果。
[0023]
作为本发明所述的基于心理声学特征的齿轮箱声振信息融合诊断方法的一种优选方案，其中：所述进行齿轮箱声振信息识别包括，峭度特征的表达式为：
[0024][0025]
其中，x时域波形离散序列点对应的振动幅值，μ为离散序列的平均幅值，n为离散序列点数。
[0026]
作为本发明所述的基于心理声学特征的齿轮箱声振信息融合诊断方法的一种优选方案，其中：所述进行齿轮箱声振信息识别还包括，尖锐度特征的表达式为：
[0027]
[0028][0029]
其中，s为尖锐度特征，n
*
是特征响度，z是临界频带，g(z)是加权函数，其拐点在16bark处。
[0030]
本发明的另外一个目的是提供一种基于心理声学特征的齿轮箱声振信息融合诊断方法的系统，其针对大型三级行星齿轮箱，在传统振动信号、声信号检测的基础上，提出声振信息融合的诊断方法，解决传统声振信号单独进行测量时准确率不高、测量不方便的问题。
[0031]
一种基于心理声学特征的齿轮箱声振信息融合诊断系统，其特征在于，包括，数据采集模块，特征预处理模块，故障分类模块，信号识别模块，人机可视化模块。
[0032]
所述数据采集模块，负责在测量振动信号的基础上，增加测量声信号，获取齿轮箱声振融合信号。
[0033]
所述特征预处理模块，对采集到的数据进行初步处理：去噪、滤波，提取声振信号中的心理声学特征。
[0034]
所述故障分类模块，从信号中提取特征参数信息后，采取支持向量机、反向传播神经网络、随机森林的分类方法进行训练，基于提取的特征参数信息对故障进行分类。
[0035]
所述信号识别模块，采用eemd对信号进行分解后，选取前四个相关系数大的分量，计算峭度特征、心理声学特征进行识别。
[0036]
所述人机可视化模块，提供可视化的界面，对系统的实时运行状态进行监控和管理，同时向系统发出指令和请求。
[0037]
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现一种基于心理声学特征的齿轮箱声振信息融合诊断方法的步骤。
[0038]
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种基于心理声学特征的齿轮箱声振信息融合诊断方法的步骤。
[0039]
本发明的有益效果：本发明针对大型三级行星齿轮箱，在传统振动信号、声信号检测的基础上，提出声振信息融合的诊断方法，解决传统声振信号单独进行测量时准确率不高、测量不方便的问题；利用基于心理声学的特征，提升了识别的准确率，解决了传统峭度特征下准确度不高的问题；与现有技术相比，本发明提出的基于心理声学特征的行星齿轮箱声振信息融合诊断方法，具有良好的识别准确率。
附图说明
[0040]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
[0041]
图1为本发明一个实施例提供的一种基于心理声学特征的齿轮箱声振信息融合诊断方法的工作方法流程示意图。
[0042]
图2为本发明一个实施例提供的一种基于心理声学特征的齿轮箱声振信息融合诊断方法的基于心理声学特征的齿轮箱声振信息融合诊断方法的流程图。
[0043]
图3为本发明一个实施例提供的一种基于心理声学特征的齿轮箱声振信息融合诊断方法的正转300rpm正常状态下的振动信号原始波形图。
[0044]
图4为本发明一个实施例提供的一种基于心理声学特征的齿轮箱声振信息融合诊断方法的正转300rpm正常状态下的声信号原始波形图。
[0045]
图5为本发明一个实施例提供的一种基于心理声学特征的齿轮箱声振信息融合诊断方法的反转300rpm正常状态下的振动信号原始波形图。
[0046]
图6为本发明一个实施例提供的一种基于心理声学特征的齿轮箱声振信息融合诊断方法的反转300rpm正常状态下的声信号原始波形图。
[0047]
图7为本发明一个实施例提供的一种基于心理声学特征的齿轮箱声振信息融合诊断系统的工作流程示意图。
具体实施方式
[0048]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细地说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0049]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0050]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性地与其他实施例互相排斥的实施例。
[0051]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0052]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0053]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0054]
实施例1
[0055]
参照图1，为本发明的第一个实施例，该实施例提供了一种基于心理声学特征的齿轮箱声振信息融合诊断方法，包括：
[0056]
s1：在测量振动信号的基础上，增加测量声信号，获取声振融合信号。
[0057]
更进一步的，利用加速度计粘贴在机械结构表面，以测量振动信号，将声压传感器放置在距离行星齿轮箱1厘米处。
[0058]
应说明的是，本例在实验时采取非接触式测量，而声压传感器是一种用于测量声音强度和频率的传感器。对于非接触式测量，最佳的测量距离要考虑多个因素，包括传感器灵敏度、背景噪声水平、环境温度等，如果噪声水平很高，那么传感器需要放置得更靠近测量对象才能准确测量；综合以上因素，在实际实验中选择在1cm处。
[0059]
非接触式测量技术可以在不接触被测物体的情况下进行测量，这有助于避免对被测物体造成损坏或干扰；由于非接触式测量技术具有更高的稳定性和精度，因此可以更准确地测量各种类型的参数，如距离、形状、温度等；不受环境、温度、湿度等外部条件的影响，因此可以在各种环境中进行测量；非接触式测量技术通常可以在更短的时间内进行测量，这有助于提高生产效率并节省时间；可以使用无线传输技术进行数据传输，使得被测量的数据可以在远程位置进行监测和处理。但具体位置的选择应根据现场情况、具体环境进行调整。
[0060]
s2：采用eemd对信号进行分解。
[0061]
更进一步的，采集到信号后，会存在各种类型的干扰信息，需要对信号进行分解；采用的eemd方法的本质是一种叠加高斯白噪声的多次经验模式分解，利用了高斯白噪声具有频率均匀分布的统计特性，通过每次加入同等幅值的不同白噪声来改变信号的极值点特性，之后对多次emd得到的相应imf进行总体平均来抵消加入的白噪声，从而有效抑制模态混叠的产生。
[0062]
应说明的是，设定总体平均次数m，将一个具有标准正态分布的白噪声ni(t)加到原始信号x(t)上产生一个信号表示为：
[0063]
xi(t)＝x(t)+ni(t)
[0064]
对所得含噪声的信号xi(t)分别进行emd分解，得到各自imf和的格式表示为：
[0065][0066]
重复产生信号和emd分解并进行m次，每次分解加入幅值不同的白噪声信号得到imf的集合
[0067]c1，j
(t)，c
2，j
(t)，
…cm，j
(t)，j＝1，2，
…j[0068]
利用不相关序列的统计平均值为0的原理，将上述对应的imf进行集合平均运算，得到eemd分解后最终的imf表示为：
[0069][0070]
其中，ni(t)表示第i次加性白噪声序列，x(t)为原始信号，xi(t)表示第i次实验的附加噪声信号，i＝1，2，
…
m，c
i，j
(t)是第i次加入白噪声后分解得到的第j个imf，r
i，j
(t)是残余函数，代表信号的平均趋势，j是imf的数量，cj(t)是eemd分解的第j个imf，i＝1，2，
…
m，j＝1，2
…
j。
[0071]
s3：从信号提取特征参数信息后，基于提取到的特征参数信息对故障进行分类。
[0072]
更进一步的，通过分类模型对训练样本进行训练，然后利用测试样本来验证分类的效果：采取支持向量机、反向传播神经网络、随机森林的分类方法进行训练。
[0073]
应说明的是，支持向量机(svm)是一种分类模型，通过使用核函数映射到高维空间，使用核函数来解决，支持向量机算法对缺失数据、参数和核函数的选择很敏感；反向传播神经网络(bpnn)，通过添加隐藏层可以提高bpnn的性能，具有任意复杂的模式分类能力和出色的多维函数映射能力，使用网络误差的平方作为目标函数，并利用梯度下降法计算目标函数的最小值；随机森林(rf)包含多个决策树的分类器，它使用多棵树来训练和预测样本，产生高度准确的分类器、处理大量的输入变量、在确定类别时评估变量的重要性。
[0074]
s4：对信号分解后，选取前四个相关系数大的分量，计算心理声学特征，并进行齿轮箱声振信息识别。
[0075]
更进一步的，分析特征，为了对比心理声学特征的准确率，增加峭度特征进行对比分析，峭度特征的表达式为：
[0076][0077]
其中，x时域波形离散序列点对应的振动幅值，μ为离散序列的平均幅值，n为离散序列点数。
[0078]
应说明的是，计算模型分别是zwicker模型和aures模型，由于aures模型对响度有很大依赖，因此，在本发明中选择zwicker模型计算尖锐度特征，尖锐度特征的表达式为：
[0079][0080][0081]
其中，选择zwicker模型计算尖锐度特征，0.104为所取的加权系数，n
*
是特征响度，z是临界频带，g(z)是加权函数，其拐点在16bark处。
[0082]
还应说明的是，bark刻度为听阈带的宽度划分标准，将声音频率按照人耳对其的感知程度进行了划分；在刻度下，16bark左右是高、低频成分感知的临界点；zwicker模型的计算结果表明，在16bark左右达到一个峰值，超过这个频率后，敏感程度会降低；因此，在zwicker模型中，尖锐度特征的加权函数拐点被设定在16bark处，以更好地反映对声音高频成分的敏感程度。
[0083]
实施例2
[0084]
参照图2-图6，为本发明的一个实施例，提供了一种基于心理声学特征的齿轮箱声振信息融合诊断方法，为了验证本发明的有益效果，通过实验进行科学论证。
[0085]
本发明实施例以一个实际工程应用中的三级行星齿轮箱为例，采用本发明提出的方法对该三级行星齿轮箱进行声振信息融合诊断，具体包括以下步骤：
[0086]
首先，采集声振信号：利用声压传感器测量距离三级行星齿轮箱1cm位置处的声压
信号，测量振动信号时，需要将加速度计粘贴在机械结构表面，采样频率为25.6khz，声压传感器灵敏度为-25.8db(0db＝1v/pa，at 1khz)，加速度计的灵敏度为500mv/g。
[0087]
此外，测量到的声压信号需要进行去重项和去平均等预处理，以消除其他干扰噪声的影响。该行星齿轮箱可进行正转及反转，由于采集的实验数据量较多，表1-4仅展示部分数据：
[0088]
表1反转高速振动信号g1
[0089][0090]
表2反转高速声信号v1
[0091][0092][0093]
表3正转高速振动信号g2
[0094][0095]
表4正转高速声信号v2
[0096]
[0097]
其次，利用eemd法，对信号进行一个分解：设定总体平均次数m，将一个具有标准正态分布的白噪声ni(t)加到原始信号x(t)上产生一个信号，而后对所得含噪声的信号xi(t)分别进行emd分解，得到各自imf和的格式，重复产生信号和emd分解并进行m次，每次分解加入幅值不同的白噪声信号得到imf的集合，利用不相关序列的统计平均值为0的原理，将上述对应的imf进行集合平均运算，得到eemd分解后最终的imf。
[0098]
再者，从信号中提取特征参数信息后，基于提取的特征参数信息对故障进行分类：通过分类模型对训练样本进行训练，然后利用测试样本来验证分类效果；为了比较不同故障诊断分类方法的性能，采用以下三种分类方法：svm、bpnn、rf；在实验中，测试了四种不同条件，包括：1、轴承正常状态下；2、严重磨损故障状态下；3、内齿圈四处掉齿故障状态下；4、内齿圈两处掉齿状态下。
[0099]
最后，采用eemd采用eemd对信号进行分解后，选取前四个相关系数大的分量，计算峭度特征、心理声学特征，并使用svm、bpnn、rf三种方法进行识别。
[0100]
本实例中，最后计算结果，在正转条件下，融合诊断的准确率比仅使用振动信号方法相比提高了72％，与仅使用声学信号方法相比增加了34.5％；心理声学特征能够准确地识别故障，并且优于传统的峭度特征，平均准确度比峭度特征提高了28％；基于心理声学特征的声振信号融合诊断方法在rf分类方法下，准确率可达96.32％。
[0101]
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
[0102]
实施例3
[0103]
本发明第三个实施例，其不同于前两个实施例的是：
[0104]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0105]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0106]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编辑只读存储器(eprom或闪速存储器)、光纤装置以及便携式光盘只读存
储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0107]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0108]
实施例4
[0109]
参照图7，为本发明的第四个实施例，该实施例提供了一种基于心理声学特征的齿轮箱声振信息融合诊断系统，包括：数据采集模块，特征预处理模块，故障分类模块，信号识别模块，人机可视化模块。
[0110]
数据采集模块负责在测量振动信号的基础上，增加测量声信号，获取齿轮箱声振融合信号。
[0111]
特征预处理模块对采集到的数据进行初步处理：去噪、滤波，提取声振信号中的心理声学特征。
[0112]
故障分类模块从信号中提取特征参数信息后，采取支持向量机、反向传播神经网络、随机森林的分类方法进行训练，基于提取的特征参数信息对故障进行分类。
[0113]
信号识别模块采用eemd对信号进行分解后，选取前四个相关系数大的分量，计算峭度特征、心理声学特征进行识别。
[0114]
人机可视化模块提供可视化的界面，对系统的实时运行状态进行监控和管理，同时向系统发出指令和请求。
[0115]
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于心理声学特征的齿轮箱声振信息融合诊断方法，其特征在于：包括，在测量振动信号的基础上，增加测量声信号，获取声振融合信号；采用eemd对声振融合信号进行分解；从信号提取特征参数信息后，基于提取到的特征参数信息对故障进行分类；对信号分解后，选取分量大的相关系数，并计算心理声学特征及识别齿轮箱声振信息。2.如权利要求1所述的一种基于心理声学特征的齿轮箱声振信息融合诊断方法，其特征在于：所述获取声振融合信号包括，采取非接触式测量，利用加速度计粘贴在机械结构表面，以测量振动信号，将声压传感器放置在距离行星齿轮箱1厘米处。3.如权利要求2所述的一种基于心理声学特征的齿轮箱声振信息融合诊断方法，其特征在于：所述eemd对信号进行分解包括，将一个具有标准正态分布的白噪声n
i
(t)加到原始信号x(t)上产生一个信号，对所得含噪声的信号x
i
(t)分别进行emd分解，得到各自imf总和的格式，重复产生信号和emd分解并进行总体平均次数m次，每次分解加入幅值不同的白噪声信号得到imf的集合，利用不相关序列的统计平均值为0的原理，将对应的imf进行集合平均运算，得到eemd分解后最终的imf。4.如权利要求3所述的一种基于心理声学特征的齿轮箱声振信息融合诊断方法，其特征在于：所述eemd对信号进行分解还包括，产生信号表示为：x
i
(t)＝x(t)+n
i
(t)emd分解得到各自的imf集合表示为：c
1，j
(t)，c
2，j
(t)，
…
c
m，j
(t)，j＝1，2，
…
jeemd分解后最终的imf表示为：其中，n
i
(t)表示第i次加性白噪声序列，x(t)为原始信号，x
i
(t)表示第i次实验的附加噪声信号，c
i，j
(t)是第i次加入白噪声后分解得到的第j个imf，r
i，j
(t)是残余函数，代表信号的平均趋势，j是imf的数量，c
j
(t)是eemd分解的第j个imf。5.如权利要求4所述的一种基于心理声学特征的齿轮箱声振信息融合诊断方法，其特征在于：所述对故障进行分类包括，通过分类模型支持向量机、反向传播神经网络、随机森林对训练样本进行训练，利用测试样本来验证分类的效果。6.如权利要求5所述的一种基于心理声学特征的齿轮箱声振信息融合诊断方法，其特征在于：所述进行齿轮箱声振信息识别包括，峭度特征的表达式为：其中，x时域波形离散序列点对应的振动幅值，μ为离散序列的平均幅值，n为离散序列点数。
7.如权利要求6所述的一种基于心理声学特征的齿轮箱声振信息融合诊断方法，其特征在于：所述进行齿轮箱声振信息识别还包括，尖锐度特征的表达式为：征在于：所述进行齿轮箱声振信息识别还包括，尖锐度特征的表达式为：其中，s为尖锐度特征，n
*
是特征响度，z是临界频带，g(z)是加权函数，拐点在16bark处。8.一种采用如权利要求1～7任一所述的基于心理声学特征的齿轮箱声振信息融合诊断方法的系统，其特征在于：包括，数据采集模块，特征预处理模块，故障分类模块，信号识别模块，人机可视化模块；所述数据采集模块，负责在测量振动信号的基础上，增加测量声信号，获取齿轮箱声振融合信号；所述特征预处理模块，对采集到的数据进行初步处理：去噪、滤波，提取声振信号中的心理声学特征；所述故障分类模块，从信号中提取特征参数信息后，采取支持向量机、反向传播神经网络、随机森林的分类方法进行训练，基于提取的特征参数信息对故障进行分类；所述信号识别模块，采用eemd对信号进行分解后，选取前四个相关系数大的分量，计算峭度特征、心理声学特征进行识别；所述人机可视化模块，提供可视化的界面，对系统的实时运行状态进行监控和管理，同时向系统发出指令和请求。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本发明涉及行星齿轮箱声振信号融合监测与故障诊断技术领域，公开了一种基于心理声学特征的齿轮箱声振信息融合诊断方法包括，在测量振动信号的基础上，增加测量声信号，获取声振融合信号；采用EEMD对声振融合信号进行分解；从信号提取特征参数信息后，基于提取到的特征参数信息对故障进行分类；对信号分解后，选取分量大的相关系数，并计算心理声学特征及识别齿轮箱声振信息。本发明提出的基于心理声学特征的声振信息融合诊断的方法具有良好的故障识别准确率。故障识别准确率。故障识别准确率。


技术研发人员：姚家驰 王祎颜 王衍学
受保护的技术使用者：北京建筑大学
技术研发日：2023.06.07
技术公布日：2023/10/8