多特征参数融合的减速器齿轮箱健康状态评估系统及方法与流程

1.本发明涉及直升机健康与使用监测技术领域，具体涉及一种多特征参数融合的减速器齿轮箱健康状态评估系统。


背景技术：

2.常规单旋翼带尾桨构型直升机的传动系统主要由主减速器、中间减速器、尾减速器、主传动轴和尾传动轴等组成，减速器是由轴、齿轮(含锥齿轮)和轴承等部件构成，其负责将发动机的功率传递给旋翼和尾桨以及各个附件，同时将旋翼的载荷传递到机身结构，其复杂程度和集成程度较高，属于无冗余的单通道复杂结构，一旦发生故障将导致灾难性的后果。据统计，由直升机机械故障而导致的飞行事故中，发动机和传动系统故障约占68％。因此，尽早获取直升机传动系统关键动部件的健康状态是十分必要的。
3.目前，针对直升机传动系统齿轮箱的故障诊断研究，国内外主要采用基于结构振动响应分析的损伤诊断方法。该方法能够监测到传动系统齿轮箱较为严重的故障状态，但受直升机复杂运行环境中强烈背景噪声干扰的影响，早期故障征兆发现能力不足，难以充分有效地制定维护决策。随着60年代工业界对监测与诊断技术的需求，特别是70年代初，铁谱分析技术的问世，滑油磨屑监测技术开始飞速发展。滑油磨屑监测技术已成为故障诊断技术体系中与振动监测、温度监测、性能参数监测共同发展的主要方法之一，并朝着多种方法集成、在线与离线并举、监测诊断维修管理一体化与仪器智能化方向发展，该方法能够发现早期故障征兆，但也存在难以准确定位故障位置和判别故障程度的问题。


技术实现要素：

4.本发明的目的：提出了一种多特征参数融合的减速器齿轮箱健康状态评估系统及方法，通过新型的滑油磨屑传感器和振动传感器采集试验台减速器齿轮箱的滑油磨屑计数信号和振动信号，选用“小型滑油磨屑颗粒累积总量g(t)”状态指标来表征滑油磨屑计数信号的故障特征，选用“齿轮振动均方根值rms
gear”、“齿轮振动峭度k”、“轴承振动均方根值rms
bearing”、“轴承振动统计量6阶m6a”、“轴振动一阶谐波om1”和“轴振动二阶谐波om2”等状态指标来表征振动信号的故障特征，在上述状态指标中选取合适的故障特征作为输入信号，通过t－s模糊神经网络模型进行融合分析，以此实现直升机尾传动系统锥齿轮的早期故障诊断。
5.本发明的技术方案：
6.一种多特征参数融合的减速器齿轮箱健康状态评估系统，包括试验台架，所述的试验台架上设置有输入电机、输出电机、齿轮箱，所述的输入电机通过输入轴与设置在齿轮箱内部的输入齿轮连接，所述的输出电机通过输出轴与设置在齿轮箱内部的输出齿轮连接，输入齿轮与输出齿轮啮合传动，所述的齿轮箱内部设置有用于支撑输入轴的输入轴承和用于支撑输出轴的输出轴承，所述的齿轮箱与滑油系统连通，所述的试验台架上设置光电转速传感器，所述的光电转速传感器正对输入轴，所述的齿轮箱表面设置有若干个振动
传感器，所述齿轮箱与滑油系统连通的回油管路上设置滑油磨屑传感器，光电转速传感器、滑油磨屑传感器、振动传感器与数据采集系统连接，数据采集系统与上位机连接。
7.进一步，所述的振动传感器有6个，分别布置在齿轮箱表面，并一一对应齿轮箱内的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴。
8.多特征参数融合的减速器齿轮箱健康状态评估系统的方法，包括以下步骤：
9.步骤1：起动多特征参数融合的减速器齿轮箱健康状态评估系统，稳定运行一段时间后，光电转速传感器采集输入轴的转速信号，滑油磨屑传感器采集回油管路的滑油磨屑颗粒信号，振动传感器采集输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴的振动信号，直至多特征参数融合的减速器齿轮箱健康状态评估系统运行出现明显异常时，停车拆卸检查齿轮箱健康状况；
10.步骤2：提取滑油磨屑传感器采集回油管路的滑油磨屑颗粒信号的特征参数；
11.步骤3：对振动传感器采集输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴的振动信号进行时域同步平均预处理；
12.步骤4：提取时域同步平均预处理后的振动信号的特征参数；
13.步骤5：构建“t－s模糊神经网络”模型，并定义“t－s模糊神经网络”模型的输入空间、输出空间和模糊逻辑模型规则；
14.步骤6：对“t－s模糊神经网络”模型进行训练优化，输入数据进行齿轮箱的故障诊断分析。
15.进一步，步骤2具体是，首先根据滑油磨屑传感器的感知能力，将滑油磨屑颗粒按尺寸大小进行分类，定义为：大型滑油磨屑颗粒，粒径大于401微米；中型滑油磨屑颗粒，粒径在201～400微米之间；小型滑油磨屑颗粒，粒径在125～200微米之间；然后从滑油磨屑传感器采集的回油管路的滑油磨屑颗粒信号中计算提取“小型滑油磨屑颗粒累积总量g(t)”特征参数。
16.进一步，步骤3具体是利用“时域同步平均tsa”方法对6个振动传感器采集到的振动信号进行预处理，首先根据光电转速传感器采集输入轴的转速信号对振动信号x(t)按转动周期进行分割，得到各转动周期的振动信号，每个转动周期中振动信号数据点数不同，需要对每个转动周期内的振动数据进行重采样，再进行时域同步平均处理即可得到时域同步平均信号，计算过程如式(1)所示：
[0017][0018]
式中，j为时域同步平均信号数据点数，x
tsa
(j)为时域同步平均信号，n为转动周期，即平均次数，l为每个转动周期包含的振动数据点数，ts为采样间隔，i为次数，i＝1,2,3,
……
,n-1。
[0019]
进一步，步骤4提取时域同步平均预处理后的振动信号的特征参数包括：
[0020]
(a)利用式(1)得到的时域同步平均信号x
tsa
(j)计算输入齿轮和输出齿轮的“齿轮振动均方根值rms
gear”特征参数，计算公式如式(2)所示：
[0021]
[0022]
式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度。
[0023]
(b)用式(1)得到的时域同步平均信号x
tsa
(j)计算输入齿轮和输出齿轮的“齿轮振动峭度值k”特征参数，计算公式如式(3)所示：
[0024][0025]
式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度，为时域同步平均信号x
tsa
的均值，σ为标准差。
[0026]
(c)用式(1)得到的时域同步平均信号x
tsa
(j)计算输入轴承和输出轴承的“轴承振动均方根值rms
bearing”特征参数，计算公式如式(4)所示：
[0027][0028]
式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度。
[0029]
(d)用式(1)得到的时域同步平均信号x
tsa
(j)计算得到输入轴承和输出轴承的“轴承振动统计量6阶m6a”特征参数，计算公式如式(5)所示：
[0030][0031]
式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度，d为时域同步平均信号x
tsa
的差分信号，dj为差分信号d第j个数据点的值，为差分信号d的均值。
[0032]
(e)用式(1)时域同步平均信号x
tsa
(j)进行快速傅里叶变换，计算得到输入轴和输出轴的“轴振动一阶谐波分量om1”特征参数，om1计算公式如式(6)所示：
[0033][0034]
式中，n为输入端或输出端轴的转速，f1为一阶谐波频率。
[0035]
i)用式(1)时域同步平均信号x
tsa
(j)进行快速傅里叶变换，计算得到输入轴和输出轴的“轴振动二阶谐波分量om2”特征参数，om2计算公式如式(7)所示：
[0036][0037]
式中，n为输入端或输出端轴的转速，f2为二阶谐波频率。
[0038]
进一步，步骤5中：
[0039]
确定“t－s模糊神经网络”模型的输入和输出空间，其中输入空间隶属度定义为：
[0040]
1)低损伤，表示为dl：齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件过磨合期后的状态，不影响使用；
[0041]
2)一般损伤，表示为dm：齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、
输入轴及输出轴及其连接附件运行很长一段时间后，有轻微划痕损伤表征，不影响使用；
[0042]
3)严重损伤，表示为dh：齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件发生损伤变形；不能继续运转。
[0043]
根据各特征参数随时间变化历程图来计算以下特征参数的隶属度：
[0044]
1)小型滑油磨屑颗粒累积总量g(t)含dl、dm、dh的损伤特征；
[0045]
2)齿轮振动均方根值rms
gear
含dl、dh的损伤特征；
[0046]
3)齿轮振动峭度值k含dl、dh的损伤特征；
[0047]
4)轴承振动均方根值rms
bearing
含dl、dh的损伤特征；
[0048]
5)轴承振动统计量6阶m6a含dl、dh的损伤特征；
[0049]
6)轴振动一阶谐波分量om1含dl、dh的损伤特征；
[0050]
7)轴振动二阶谐波分量om2含dl、dh的损伤特征。
[0051]
输入空间的输入数据选取小型滑油磨屑颗粒累积总量g(t)和步骤4中提的振动信号的特征参数中两个最为敏感的振动特征参数。
[0052]
输出空间的隶属度定义为齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件的状态，利用“t－s模糊神经网络”模型预测的齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件状态识别隶属度为：
[0053]
1)齿轮箱无齿轮损伤，表示为ok；
[0054]
2)齿轮箱包括初始/轻微划痕/破坏性凹坑损伤，表示为检查；
[0055]
3)齿轮箱包括严重磨损/破坏性凹坑损伤，表示为停车。
[0056]
进一步，“t－s模糊神经网络”模型规则定义，其中选取的两个最为敏感的振动特征参数设为v1和v2，小型滑油磨屑颗粒累积总量特征参数设为g(t)，规则定义如下：
[0057]
1)如果v1是dl、v2是dl、g(t)是dl，那么输出是ok；
[0058]
2)如果v1是dh、v2是dh、g(t)是dh，那么输出是停车；
[0059]
3)如果v1是dl、v2是dl、g(t)是dm，那么输出是检查；
[0060]
4)如果v1是dl、v2是dh、g(t)是dl，那么输出是ok；
[0061]
5)如果v1是dl、v2是dl、g(t)是dh，那么输出是检查；
[0062]
6)如果v1是dh、v2是dl、g(t)是dl，那么输出是ok；
[0063]
7)如果v1是dh、v2是dl、g(t)是dm，那么输出检查；
[0064]
8)如果v1是dh、v2是dh、g(t)是dl，那么输出是检查；
[0065]
9)如果v1是dh、v2是dl、g(t)是dh，那么输出是停车；
[0066]
10)如果v1是dh、v2是dh、g(t)是dm，那么输出是检查；
[0067]
11)如果v1是dl、v2是dh、g(t)是dh，那么输出是停车；
[0068]
12)如果v1是dl、v2是dh、g(t)是dm，那么输出是检查。
[0069]
进一步，步骤6：对“t－s模糊神经网络”模型进行训练优化，输入数据进行齿轮箱的故障诊断分析，具体是：
[0070]
t－s模糊逻辑模型构建完毕，训练输入空间的输入数据即可完善“t－s模糊神经网络”模型，模型完善后即可用于输入数据进行齿轮箱的故障诊断分析。
[0071]
本发明的有益效果：本发明提供了一种多特征参数融合的减速器齿轮箱健康状态
评估系统及方法，采用时域同步平均方法，能够增强与目标齿轮相关的振动信号特征，同时降低背景噪声和其它成分的干扰；从时域、频域和复杂度度量角度提取了滑油磨屑信号和振动信号的多维特征参数，不同的特征参数对不同的部件故障模式的敏感程度也不一样，对比选取了能够较好的表征齿轮箱的健康状态的特征参数作为t－s模糊逻辑模型的输入参数；通过该模型将不同传感器测量得到的数据以及各种诊断专业知识综合到一个系统中，经过融合分析判断传动系统的健康状态，最终能够为终端用户提供清晰的决策信息。
附图说明
[0072]
图1为模型试验台减速器齿轮箱健康状态评估系统结构示意图；
[0073]
图2为全尺寸滑油磨屑颗粒累积总量随运行时间的变化曲线图；
[0074]
图3为输出端齿轮振动均方根值rms
gear
特征参数随运行时间的变化曲线图；
[0075]
图4为输出端齿轮振动峭度k特征参数随运行时间的变化曲线图；
[0076]
图5为输出端轴承振动均方根值rms
bearing
特征参数随运行时间的变化曲线图；
[0077]
图6为输出端轴承振动统计量6阶m6a特征参数随运行时间的变化曲线图；
[0078]
图7为输出端轴振动一阶谐波om1特征参数随运行时间的变化曲线图；
[0079]
图8为输出端轴振动二阶谐波om2特征参数随运行时间的变化曲线图；
[0080]
图9为输入空间输入参数小型滑油磨屑累积总量g(t)的隶属度图；
[0081]
图10为输入空间输入参数齿轮振动均方根值rms
gear
的隶属度图；
[0082]
图11为输入空间输入参数轴振动一阶谐波om1的隶属度图；
[0083]
图12为输出空间减速器齿轮箱状态隶属度图；
[0084]
图13为t－s模糊神经网络模型输出结果图。
[0085]
其中，1、模型试验台台架，2、输入电机，3、输出电机，4、减速器齿轮箱，5、光电转速传感器，6、振动传感器，7、滑油磨屑传感器，8、进油管路，9、回油管路，10、数据采集系统。
具体实施方式
[0086]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
[0087]
如图1所示，一种多特征参数融合的减速器齿轮箱健康状态评估系统，包括试验台架1，所述的试验台架1上设置有输入电机2、输出电机3、齿轮箱4，所述的输入电机2通过输入轴与设置在齿轮箱4内部的输入齿轮连接，所述的输出电机3通过输出轴与设置在齿轮箱4内部的输出齿轮连接，输入齿轮与输出齿轮啮合传动，所述的齿轮箱4内部设置有用于支撑输入轴的输入轴承和用于支撑输出轴的输出轴承，所述的齿轮箱与滑油系统连通，所述的试验台架1上设置光电转速传感器5，所述的光电转速传感器5正对输入轴，所述的齿轮箱4表面设置有若干个振动传感器6，所述齿轮箱4与滑油系统连通的回油管路9上设置滑油磨屑传感器7，光电转速传感器5、滑油磨屑传感器7、振动传感器6与数据采集系统10连接，数据采集系统10与上位机连接。其中，所述的振动传感器6有六个，分别布置在齿轮箱4表面，并一一对应齿轮箱内的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴。
[0088]
多特征参数融合的减速器齿轮箱健康状态评估系统的方法，包括以下步骤：
[0089]
步骤1：起动多特征参数融合的减速器齿轮箱健康状态评估系统，稳定运行一段时间后，光电转速传感器5采集输入轴的转速信号，滑油磨屑传感器7采集回油管路9的滑油磨屑颗粒信号，振动传感器6采集输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴的振动信号，直至多特征参数融合的减速器齿轮箱健康状态评估系统运行出现明显异常时，停车拆卸检查齿轮箱4健康状况；
[0090]
具体的，在步骤一中，控制输入轴转速稳定在3450rpm/min，控制输出端扭矩为总的输出扭矩的95％，减速器齿轮箱4选用完好试验件，每开机一次稳定状态下运行120min，每间隔10min进行一次振动数据采集，每次数据采集2min，采样率为20khz，数据采集系统10全程数据采集，采样率为1hz，中途不停车，出现异常情况下拆卸检查，满20小时常规拆卸检查。
[0091]
步骤2：提取滑油磨屑传感器7采集回油管路9的滑油磨屑颗粒信号的特征参数；具体是，首先根据滑油磨屑传感器7的感知能力，将滑油磨屑颗粒按尺寸大小进行分类，定义为：大型滑油磨屑颗粒，粒径大于401微米；中型滑油磨屑颗粒，粒径在201～400微米之间；小型滑油磨屑颗粒，粒径在125～200微米之间；然后从滑油磨屑传感器7采集的回油管路9的滑油磨屑颗粒信号中计算提取“小型滑油磨屑颗粒累积总量g(t)”特征参数，全尺寸滑油磨屑颗粒累积总量随运行时间的变化曲线图，如图2所示。
[0092]
步骤3：对振动传感器6采集输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴的振动信号进行时域同步平均预处理；具体是利用“时域同步平均tsa”方法对六个振动传感器6采集到的振动信号进行预处理，首先根据光电转速传感器5采集输入轴的转速信号对振动信号x(t)按转动周期进行分割，得到各转动周期的振动信号，每个转动周期中振动信号数据点数不同，需要对每个转动周期内的振动数据进行重采样，再进行时域同步平均处理即可得到时域同步平均信号，计算过程如式(1)所示：
[0093][0094]
式中，j为时域同步平均信号数据点数，x
tsa
(j)为时域同步平均信号，n为转动周期，即平均次数，l为每个转动周期包含的振动数据点数，ts为采样间隔，i为次数，i＝1,2,3,
……
,n-1。
[0095]
步骤4：提取时域同步平均预处理后的振动信号的特征参数；
[0096]
步骤4提取时域同步平均预处理后的振动信号的特征参数包括：
[0097]
(a)利用式(1)得到的时域同步平均信号x
tsa
(j)计算输入齿轮和输出齿轮的“齿轮振动均方根值rms
gear”特征参数，计算公式如式(2)所示：
[0098][0099]
式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度，输出端齿轮振动均方根值rms
gear
特征参数随运行时间的变化曲线图，如图3所示。
[0100]
(b)用式(1)得到的时域同步平均信号x
tsa
(j)计算输入齿轮和输出齿轮的“齿轮振动峭度值k”特征参数，计算公式如式(3)所示：
[0101][0102]
式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度，为时域同步平均信号x
tsa
的均值，σ为标准差，输出端齿轮振动峭度k特征参数随运行时间的变化曲线图，如图4所示。
[0103]
(c)用式(1)得到的时域同步平均信号x
tsa
(j)计算输入轴承和输出轴承的“轴承振动均方根值rms
bearing”特征参数，计算公式如式(4)所示：
[0104][0105]
式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度，轴承振动均方根值rms
bearing
特征参数随运行时间的变化曲线图，如图5所示。
[0106]
(d)用式(1)得到的时域同步平均信号x
tsa
(j)计算得到输入轴承和输出轴承的“轴承振动统计量6阶m6a”特征参数，计算公式如式(5)所示：
[0107][0108]
式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度，d为时域同步平均信号x
tsa
的差分信号，dj为差分信号d第j个数据点的值，为差分信号d的均值，输出端轴承振动统计量6阶m6a特征参数随运行时间的变化曲线图，如图6所示。
[0109]
(e)用式(1)时域同步平均信号x
tsa
(j)进行快速傅里叶变换，计算得到输入轴和输出轴的“轴振动一阶谐波分量om1”特征参数，om1计算公式如式(6)所示：
[0110][0111]
式中，n为输入端或输出端轴的转速，f1为一阶谐波频率，输出端轴振动一阶谐波om1特征参数随运行时间的变化曲线图，如图7所示。
[0112]
i)用式(1)时域同步平均信号x
tsa
(j)进行快速傅里叶变换，计算得到输入轴和输出轴的“轴振动二阶谐波分量om2”特征参数，om2计算公式如式(7)所示：
[0113][0114]
式中，n为输入端或输出端轴的转速，f2为二阶谐波频率，输出端轴振动二阶谐波om2特征参数随运行时间的变化曲线图，如图8所示。
[0115]
步骤5：构建“t－s模糊神经网络”模型，并定义“t－s模糊神经网络”模型的输入空间、输出空间和模糊逻辑模型规则。
[0116]
确定“t－s模糊神经网络”模型的输入和输出空间，其中输入空间隶属度定义为：
[0117]
1)低损伤，表示为dl：齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件过磨合期后的状态，不影响使用；
[0118]
2)一般损伤，表示为dm：齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件运行很长一段时间后，有轻微划痕损伤表征，不影响使用；
[0119]
3)严重损伤，表示为dh：齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件发生损伤变形；不能继续运转。
[0120]
根据各特征参数随时间变化历程图来计算以下特征参数的隶属度：
[0121]
1)小型滑油磨屑颗粒累积总量g(t)含dl、dm、dh的损伤特征；
[0122]
2)齿轮振动均方根值rms
gear
含dl、dh的损伤特征；
[0123]
3)齿轮振动峭度值k含dl、dh的损伤特征；
[0124]
4)轴承振动均方根值rms
bearing
含dl、dh的损伤特征；
[0125]
5)轴承振动统计量6阶m6a含dl、dh的损伤特征；
[0126]
6)轴振动一阶谐波分量om1含dl、dh的损伤特征；
[0127]
7)轴振动二阶谐波分量om2含dl、dh的损伤特征。
[0128]
输入空间的输入数据选取小型滑油磨屑颗粒累积总量g(t)和步骤4中提的振动信号的特征参数中两个最为敏感的振动特征参数。
[0129]
其中，输入空间输入参数小型滑油磨屑累积总量g(t)的隶属度图如图9所示，输入空间输入参数齿轮振动均方根值rms
gear
的隶属度图如图10所示，输入空间输入参数轴振动一阶谐波om1的隶属度图如图11所示。
[0130]
输出空间的隶属度定义为齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件的状态，利用“t－s模糊神经网络”模型预测的齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件状态识别隶属度为：
[0131]
1)齿轮箱无齿轮损伤，表示为ok；
[0132]
2)齿轮箱包括初始/轻微划痕/破坏性凹坑损伤，表示为检查；
[0133]
3)齿轮箱包括严重磨损/破坏性凹坑损伤，表示为停车。
[0134]
其中，输出空间减速器齿轮箱状态隶属度图如图12所示。
[0135]
进一步，“t－s模糊神经网络”模型规则定义，其中选取的两个最为敏感的振动特征参数设为v1和v2，小型滑油磨屑颗粒累积总量特征参数设为g(t)，规则定义如下：
[0136]
1)如果v1是dl、v2是dl、g(t)是dl，那么输出是ok；
[0137]
2)如果v1是dh、v2是dh、g(t)是dh，那么输出是停车；
[0138]
3)如果v1是dl、v2是dl、g(t)是dm，那么输出是检查；
[0139]
4)如果v1是dl、v2是dh、g(t)是dl，那么输出是ok；
[0140]
5)如果v1是dl、v2是dl、g(t)是dh，那么输出是检查；
[0141]
6)如果v1是dh、v2是dl、g(t)是dl，那么输出是ok；
[0142]
7)如果v1是dh、v2是dl、g(t)是dm，那么输出检查；
[0143]
8)如果v1是dh、v2是dh、g(t)是dl，那么输出是检查；
[0144]
9)如果v1是dh、v2是dl、g(t)是dh，那么输出是停车；
[0145]
10)如果v1是dh、v2是dh、g(t)是dm，那么输出是检查；
[0146]
11)如果v1是dl、v2是dh、g(t)是dh，那么输出是停车；
[0147]
12)如果v1是dl、v2是dh、g(t)是dm，那么输出是检查。
[0148]
步骤6：对“t－s模糊神经网络”模型进行训练优化，输入数据进行齿轮箱的故障诊断分析，具体是：
[0149]
t－s模糊逻辑模型构建完毕，训练输入空间的输入数据即可完善“t－s模糊神经网络”模型，模型完善后即可用于输入数据进行齿轮箱的故障诊断分析，t－s模糊神经网络模型输出结果图如图13所示。
[0150]
以上所述，仅为本发明的具体实施例，对本发明进行详细描述，未详尽部分为常规技术。但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种多特征参数融合的减速器齿轮箱健康状态评估系统，其特征在于：包括试验台架，所述的试验台架上设置有输入电机、输出电机、齿轮箱，所述的输入电机通过输入轴与设置在齿轮箱内部的输入齿轮连接，所述的输出电机通过输出轴与设置在齿轮箱内部的输出齿轮连接，输入齿轮与输出齿轮啮合传动，所述的齿轮箱内部设置有用于支撑输入轴的输入轴承和用于支撑输出轴的输出轴承，所述的齿轮箱与滑油系统连通，所述的试验台架上设置光电转速传感器，所述的光电转速传感器正对输入轴，所述的齿轮箱表面设置有若干个振动传感器，所述齿轮箱与滑油系统连通的回油管路上设置滑油磨屑传感器，光电转速传感器、滑油磨屑传感器、振动传感器与数据采集系统连接，数据采集系统与上位机连接。2.根据权利要求1所述的一种多特征参数融合的减速器齿轮箱健康状态评估系统，其特征在于：所述的振动传感器有6个，分别布置在齿轮箱表面，并一一对应齿轮箱内的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴。3.根据权利要求1－2任意一条权利要求所述多特征参数融合的减速器齿轮箱健康状态评估系统的方法，其特征在于，包括以下步骤：步骤1：起动多特征参数融合的减速器齿轮箱健康状态评估系统，稳定运行一段时间后，光电转速传感器采集输入轴的转速信号，滑油磨屑传感器采集回油管路的滑油磨屑颗粒信号，振动传感器采集输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴的振动信号，直至多特征参数融合的减速器齿轮箱健康状态评估系统运行出现明显异常时，停车拆卸检查齿轮箱健康状况；步骤2：提取滑油磨屑传感器采集回油管路的滑油磨屑颗粒信号的特征参数；步骤3：对振动传感器采集输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴的振动信号进行时域同步平均预处理；步骤4：提取时域同步平均预处理后的振动信号的特征参数；步骤5：构建“t－s模糊神经网络”模型，并定义“t－s模糊神经网络”模型的输入空间、输出空间和模糊逻辑模型规则；步骤6：对“t－s模糊神经网络”模型进行训练优化，输入数据进行齿轮箱的故障诊断分析。4.根据权利要求3所述多特征参数融合的减速器齿轮箱健康状态评估系统的方法，其特征在于，步骤2具体是，首先根据滑油磨屑传感器的感知能力，将滑油磨屑颗粒按尺寸大小进行分类，定义为：大型滑油磨屑颗粒，粒径大于401微米；中型滑油磨屑颗粒，粒径在201～400微米之间；小型滑油磨屑颗粒，粒径在125～200微米之间；然后从滑油磨屑传感器采集的回油管路的滑油磨屑颗粒信号中计算提取“小型滑油磨屑颗粒累积总量g(t)”特征参数。5.根据权利要求3所述多特征参数融合的减速器齿轮箱健康状态评估系统的方法，其特征在于，步骤3具体是利用“时域同步平均tsa”方法对6个振动传感器采集到的振动信号进行预处理，首先根据光电转速传感器采集输入轴的转速信号对振动信号x(t)按转动周期进行分割，得到各转动周期的振动信号，每个转动周期中振动信号数据点数不同，需要对每个转动周期内的振动数据进行重采样，再进行时域同步平均处理即可得到时域同步平均信号，计算过程如式(1)所示：
式中，j为时域同步平均信号数据点数，x
tsa
(j)为时域同步平均信号，n为转动周期，即平均次数，l为每个转动周期包含的振动数据点数，t
s
为采样间隔，i为次数，i＝1,2,3,
……
,n-1。6.根据权利要求5所述多特征参数融合的减速器齿轮箱健康状态评估系统的方法，其特征在于，步骤4提取时域同步平均预处理后的振动信号的特征参数包括：(a)利用式(1)得到的时域同步平均信号x
tsa
(j)计算输入齿轮和输出齿轮的“齿轮振动均方根值rms
gear”特征参数，计算公式如式(2)所示：式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度。(b)用式(1)得到的时域同步平均信号x
tsa
(j)计算输入齿轮和输出齿轮的“齿轮振动峭度值k”特征参数，计算公式如式(3)所示：式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度，为时域同步平均信号x
tsa
的均值，σ为标准差。(c)用式(1)得到的时域同步平均信号x
tsa
(j)计算输入轴承和输出轴承的“轴承振动均方根值rms
bearing”特征参数，计算公式如式(4)所示：式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度。(d)用式(1)得到的时域同步平均信号x
tsa
(j)计算得到输入轴承和输出轴承的“轴承振动统计量6阶m6a”特征参数，计算公式如式(5)所示：式中，j为时域同步平均信号数据点数，m为时域同步平均信号数据长度，d为时域同步平均信号x
tsa
的差分信号，d
j
为差分信号d第j个数据点的值，为差分信号d的均值。(e)用式(1)时域同步平均信号x
tsa
(j)进行快速傅里叶变换，计算得到输入轴和输出轴的“轴振动一阶谐波分量om1”特征参数，om1计算公式如式(6)所示：
式中，n为输入端或输出端轴的转速，f1为一阶谐波频率。i)用式(1)时域同步平均信号x
tsa
(j)进行快速傅里叶变换，计算得到输入轴和输出轴的“轴振动二阶谐波分量om2”特征参数，om2计算公式如式(7)所示：式中，n为输入端或输出端轴的转速，f2为二阶谐波频率。7.根据权利要求5所述多特征参数融合的减速器齿轮箱健康状态评估系统的方法，其特征在于，步骤5中：确定“t－s模糊神经网络”模型的输入和输出空间，其中输入空间隶属度定义为：1)低损伤，表示为dl：齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件过磨合期后的状态，不影响使用；2)一般损伤，表示为dm：齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件运行很长一段时间后，有轻微划痕损伤表征，不影响使用；3)严重损伤，表示为dh：齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件发生损伤变形；不能继续运转。根据各特征参数随时间变化历程图来计算以下特征参数的隶属度：1)小型滑油磨屑颗粒累积总量g(t)含dl、dm、dh的损伤特征；2)齿轮振动均方根值rms
gear
含dl、dh的损伤特征；3)齿轮振动峭度值k含dl、dh的损伤特征；4)轴承振动均方根值rms
bearing
含dl、dh的损伤特征；5)轴承振动统计量6阶m6a含dl、dh的损伤特征；6)轴振动一阶谐波分量om1含dl、dh的损伤特征；7)轴振动二阶谐波分量om2含dl、dh的损伤特征。输入空间的输入数据选取小型滑油磨屑颗粒累积总量g(t)和步骤4中提的振动信号的特征参数中两个最为敏感的振动特征参数；输出空间的隶属度定义为齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件的状态，利用“t－s模糊神经网络”模型预测的齿轮箱内部的输入轴承、输出轴承、输入齿轮、输出齿轮、输入轴及输出轴及其连接附件状态识别隶属度为：1)齿轮箱无齿轮损伤，表示为ok；2)齿轮箱包括初始/轻微划痕/破坏性凹坑损伤，表示为检查；3)齿轮箱包括严重磨损/破坏性凹坑损伤，表示为停车。8.根据权利要求7所述多特征参数融合的减速器齿轮箱健康状态评估系统的方法，其特征在于，“t－s模糊神经网络”模型规则定义，其中选取的两个最为敏感的振动特征参数设为v1和v2，小型滑油磨屑颗粒累积总量特征参数设为g(t)，规则定义如下：1)如果v1是dl、v2是dl、g(t)是dl，那么输出是ok；2)如果v1是dh、v2是dh、g(t)是dh，那么输出是停车；3)如果v1是dl、v2是dl、g(t)是dm，那么输出是检查；4)如果v1是dl、v2是dh、g(t)是dl，那么输出是ok；
5)如果v1是dl、v2是dl、g(t)是dh，那么输出是检查；6)如果v1是dh、v2是dl、g(t)是dl，那么输出是ok；7)如果v1是dh、v2是dl、g(t)是dm，那么输出检查；8)如果v1是dh、v2是dh、g(t)是dl，那么输出是检查；9)如果v1是dh、v2是dl、g(t)是dh，那么输出是停车；10)如果v1是dh、v2是dh、g(t)是dm，那么输出是检查；11)如果v1是dl、v2是dh、g(t)是dh，那么输出是停车；12)如果v1是dl、v2是dh、g(t)是dm，那么输出是检查。9.根据权利要求8所述多特征参数融合的减速器齿轮箱健康状态评估系统的方法，其特征在于，步骤6：对“t－s模糊神经网络”模型进行训练优化，输入数据进行齿轮箱的故障诊断分析，具体是：t－s模糊逻辑模型构建完毕，训练输入空间的输入数据即可完善“t－s模糊神经网络”模型，模型完善后即可用于输入数据进行齿轮箱的故障诊断分析。

技术总结
本发明涉及一种多特征参数融合的减速器齿轮箱健康状态评估系统及方法，系统包括试验台架，试验台架上设置有输入电机、输出电机、齿轮箱，输入电机通过输入轴与设置在齿轮箱内部的输入齿轮连接，输出电机通过输出轴与设置在齿轮箱内部的输出齿轮连接，输入齿轮与输出齿轮啮合传动，齿轮箱内部设置有用于支撑输入轴的输入轴承和用于支撑输出轴的输出轴承，齿轮箱与滑油系统连通，试验台架上设置光电转速传感器，光电转速传感器正对输入轴，齿轮箱表面设置有若干个振动传感器，齿轮箱与滑油系统连通的回油管路上设置滑油磨屑传感器，光电转速传感器、滑油磨屑传感器、振动传感器与数据采集系统连接，数据采集系统与上位机连接。数据采集系统与上位机连接。数据采集系统与上位机连接。


技术研发人员：张先辉 熊天旸 胡坚 李新民 金小强
受保护的技术使用者：中国直升机设计研究所
技术研发日：2023.04.11
技术公布日：2023/7/22