[0001] 本申请涉及传动装置相关技术领域，具体涉及一种行星齿轮减速装置的健康监测与故障诊断方法。

[0002] 行星齿轮减速装置作为广泛应用于风电、机械制造、矿山开采等领域的重要设备，其健康监测和故障诊断对于设备的可靠运行至关重要。然而，由于其工作环境复杂，减速装置的关键部件在长时间的运行中容易受到外部因素如高温、高载荷等的影响，导致设备产生磨损或故障。现有的监测手段往往依赖单一的信号监测，难以对设备运行状态进行全面的实时评估，故障识别的准确性和及时性较低。

[0003] 因此，在现有技术中行星齿轮减速装置难以实时、准确地监测和诊断关键部件故障，导致故障识别不及时，影响设备运行的安全性和可靠性的技术问题。

[0016] 上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

[0017] 为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步的详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

[0018] 在以下的描述中，涉及“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合，所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序。术语“包括”和“具有”以及任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。

[0019] 本申请实施例提供了一种行星齿轮减速装置的健康监测与故障诊断方法，如图1所示，所述方法包括：对目标行星齿轮减速装置进行关键部位识别，获得减速装置关键部位集合，并在所述减速装置关键部位集合上布设传感器组，获得减速装置工作感知模块；通过所述减速装置工作感知模块监测获取减速装置关键部位工作数据流集合，并对所述减速装置关键部位工作数据流集合进行分布式预处理和故障特征提取，获取关键部位故障工作特征集合；
对目标行星齿轮减速装置进行关键部位识别，获得减速装置关键部位集合。并在所述减速装置关键部位集合上布设传感器组，传感器组用于实时监测关键部位状态的设备，包括温度传感器、振动传感器和压力传感器，得到减速装置工作感知模块。随后，通过所述减速装置工作感知模块监测获取减速装置关键部位工作数据流集合，并对所述减速装置关键部位工作数据流集合进行分布式预处理和故障特征提取，获取关键部位故障工作特征集合。

[0020] 如图2所示，本申请实施例提供的方法还包括：获取所述目标行星齿轮减速装置的应用场景信息，对所述应用场景信息进行工作条件解析，获取减速装置模拟工作条件参数集合；基于所述减速装置模拟工作条件参数集合进行性能评估指标关联提取，获得减速装置工作性能指标集合；根据所述减速装置模拟工作条件参数集合和所述减速装置工作性能指标集合，得到减速装置工作模拟参数表；按照所述减速装置工作模拟参数表对所述目标行星齿轮减速装置进行模拟测试记录，获得减速装置工作测试数据集合；将所述减速装置工作测试数据集合与所述目标行星齿轮减速装置的结构部位集合进行映射关联，获得减速装置结构部位测试数据集合；基于所述减速装置结构部位测试数据集合对所述结构部位集合进行影响程度分析筛选，获得所述减速装置关键部位集合。

[0021] 获取所述目标行星齿轮减速装置的应用场景信息，应用场景信息是指行星齿轮减速装置所处环境的具体情况，包括操作条件、负载特性、温度范围等，随后，对所述应用场景信息进行工作条件解析，将应用场景信息分解为具体的工作参数，如环境温度、压力、转速和负载等，获取减速装置模拟工作条件参数集合。进一步，基于所述减速装置模拟工作条件参数集合进行性能评估指标关联提取，性能评估指标是用于评估减速装置在特定条件下表现的量化标准，如效率、温升、噪声等，获得减速装置工作性能指标集合。

[0022] 随后，根据所述减速装置模拟工作条件参数集合和所述减速装置工作性能指标集合，对工作条件参数与减速装置工作性能指标进行整合，得到减速装置工作模拟参数表。进一步，按照所述减速装置工作模拟参数表对所述目标行星齿轮减速装置进行模拟测试记录即通过实际测试或计算机模拟获得的关于减速装置在不同工作条件下的表现数据，获得减速装置工作测试数据集合，在减速装置工作测试数据集合中包含多个工作条件参数对应的性能评估指标数据。

[0023] 最后，将所述减速装置工作测试数据集合与所述目标行星齿轮减速装置的结构部位集合进行映射关联，在映射时可以根据专业技术人员进行减速装置工作测试数据集合中工作性能指标与结构部位集合的映射，如噪声与轴承、润滑系统、齿轮的映射关系，在映射关联后各工作性能指标均对应各结构部位，进而获得减速装置结构部位测试数据集合。基于所述减速装置结构部位测试数据集合对所述结构部位集合进行影响程度分析筛选，获取所述减速装置结构部位测试数据集合中各工作性能指标对应的结构部位出现的频率，获取大于等于阈值次数的结构部位，作为关键结构部位，获得所述减速装置关键部位集合，阈值次数为预先设置的工作性能指标对应的结构部位出现的频率次数阈值。

[0024] 本申请实施例提供的方法还包括：对所述减速装置关键部位工作数据流集合进行噪声特性提取，得到数据噪声特性信息，并根据所述数据噪声特性信息确定数据小波选取阈值；对所述减速装置关键部位工作数据流集合进行多尺度分解，获得数据多尺度小波系数集合；按照所述数据小波选取阈值对所述数据多尺度小波系数集合进行可用信号截取和滤波重构，得到可用关键部位工作数据流集合；对所述可用关键部位工作数据流集合进行主成分分析和聚类提取，获得所述关键部位故障工作特征集合。

[0025] 对减速装置关键部位工作数据流集合进行数据的频谱特性分析，生成信号的频谱图，观察不同频率段的振幅，基于不同的采集对象，完成噪声特性提取，如行星齿轮减速装置的振动信号中，50Hz以上的频率成分主要来自环境噪声，因此这些成分可以认为是噪声，得到数据噪声特性信息。并根据所述数据噪声特性信息确定数据小波选取阈值。随后，对所述减速装置关键部位工作数据流集合进行多尺度分解，获得数据多尺度小波系数集合。进一步，按照所述数据小波选取阈值对所述数据多尺度小波系数集合进行可用信号截取和滤波重构，得到可用关键部位工作数据流集合。最后，对所述可用关键部位工作数据流集合进行主成分分析和聚类提取，获得所述关键部位故障工作特征集合。

[0026] 本申请实施例提供的方法还包括：基于所述可用关键部位工作数据流集合分别进行去中心化处理，获得关键部位协方差矩阵集合；对所述关键部位协方差矩阵集合依次进行特征分解和主成分求解选择，获得主成分信息集合，通过所述主成分信息集合对所述可用关键部位工作数据流集合进行投影映射转换，确定关键部位工作数据流集合关联特征集合；对所述关键部位工作数据流集合关联特征集合分别进行层析聚类分析，执行获得关键部位工作数据聚类结果集合；基于所述关键部位工作数据聚类结果集合进行故障模式识别和故障特征关联，获取所述关键部位故障工作特征集合。

[0027] 所述获得所述关键部位故障工作特征集合，包括：基于所述可用关键部位工作数据流集合分别进行去中心化处理，即将数据集中的每个数据点减去该数据集的均值，使得处理后的数据均值为零，消除数据的绝对偏移，使得后续的分析更能反映数据的相对变化，在去中心化处理后，对所有关键部位的工作数据流集合进行协方差计算，获得关键部位协方差矩阵集合。示例性的，振动传感器监测齿轮的振动，另一个监测温度，计算协方差为正且较大，则当齿轮振动增大时，温度也相应升高，这可以表明振动导致了机械摩擦，从而引起温度上升。

[0028] 对所述关键部位协方差矩阵集合依次进行特征分解和主成分求解选择，将协方差矩阵进行特征分解，获得特征值和特征向量。特征值越大，说明该特征向量对应的方向对数据的解释能力越强。选取最大的特征值作为对应的主成分。获得主成分信息集合，通过所述主成分信息集合对所述可用关键部位工作数据流集合进行投影映射转换，将主成分信息应用到可用关键部位工作数据流集合上，将数据投影到由主成分定义的低维空间中，从而简化数据的处理和分析，使得仅保留最重要的特征信息，确定关键部位工作数据流集合关联特征集合。进一步，对所述关键部位工作数据流集合关联特征集合分别进行层析聚类分析，相似的数据特征归为同一类，执行获得关键部位工作数据聚类结果集合。最后，基于所述关键部位工作数据聚类结果集合进行故障模式识别和故障特征关联，即将层析聚类得到的不同簇与已知的故障模式进行匹配，所述故障模式即为故障产生的监测数据特征，从而识别出设备的具体故障类型，获取所述关键部位故障工作特征集合。

[0029] 图采样获取减速装置故障数据集，采用应用场景影响因素信息对所述减速装置故障数据集进行逻辑分类和训练，生成减速装置故障诊断模型库；基于所述减速装置故障诊断模型库对所述关键部位故障工作特征集合进行匹配关联和故障诊断，获得目标减速装置故障诊断信息，并基于所述目标减速装置故障诊断信息，评估获取减速装置健康系数。

[0030] 图采样获取减速装置故障数据集，采用应用场景影响因素信息对所述减速装置故障数据集进行逻辑分类和训练，生成减速装置故障诊断模型库，在减速装置故障诊断模型库中包含多个针对于不同场景下的故障诊断模型。最后，基于所述减速装置故障诊断模型库对所述关键部位故障工作特征集合进行匹配关联和故障诊断，获得目标减速装置故障诊断信息，所述目标减速装置故障诊断信息中包含各减速器结构的是否故障的诊断结果，并基于所述目标减速装置故障诊断信息，当存在故障时对应结构的诊断系数为1，反之则为0，对诊断系数进行加权求和，评估获取减速装置健康系数，其中权重参数根据专业技术人员通过结构重要程度进行设置。解决了现有技术中行星齿轮减速装置难以实时、准确地监测和诊断关键部件故障，导致故障识别不及时，影响设备运行的安全性和可靠性的技术问题。通过构建应用场景标定参数、布设多传感器组，并结合智能化故障诊断模型库，能够实时、准确地获取减速装置关键部件的工作状态及故障特征，有效提高故障识别的准确性和设备运行的可靠性的技术效果。

[0031] 本申请实施例提供的方法还包括：构建减速装置故障数据库，通过所述目标行星齿轮减速装置的规格型号信息与所述减速装置故障数据库进行属性匹配，获得一阶相似样本数据集；以所述一阶相似样本数据集为基准，在所述减速装置故障数据库内采集邻近样本数据，作为二阶相似样本数据集；遍历所述二阶相似样本数据集，在所述减速装置故障数据库内进行N阶生长采集，获得N阶相似样本数据集，其中，2≤N≤10；基于所述一阶相似样本数据集、所述二阶相似样本数据集，直至所述N阶相似样本数据集进行图结构整合，获取所述减速装置故障数据集。

[0032] 所述图采样获取减速装置故障数据集，包括：收集大量关于行星齿轮减速装置的历史数据，包括不同规格型号的减速装置在各种工作条件下各减速器结构的故障记录。这些数据可以从生产厂家的维护记录、传感器数据、维修报告等途径获取，构建减速装置故障数据库。通过所述目标行星齿轮减速装置的规格型号信息如设备类型、工作负载、环境条件等，在所述减速装置故障数据库进行属性匹配，找到那些具有相同或非常相似属性的设备故障记录，形成一阶相似样本数据集。以所述一阶相似样本数据集为基准，在所述减速装置故障数据库内采集邻近样本数据即相似设备的样本数据，如仅存在功率差异的减速装置等，作为二阶相似样本数据集。从二阶相似样本数据集出发，逐步扩大相似范围，采集三阶、四阶，直至N阶的相似样本数据集。每一阶的样本数据集与前一阶相比，会在某些属性上有更大的差异，但仍然保持一定的相似性，其中，2≤N≤10。最后，将一阶、二阶直到N阶的相似样本数据集按照样本之间的相似度关系构建成一个图结构。在图中，节点之间的距离代表样本之间的相似程度，相似度越高，节点之间的距离越短，获取所述减速装置故障数据集。

[0033] 本申请实施例提供的方法还包括：对所述应用场景影响因素信息中的各影响因素进行故障诊断相关性分析，获得影响因素相关性系数集合；按照所述影响因素相关性系数集合筛选所述应用场景影响因素信息中达到预设相关性系数阈值的关联影响因素集合；根据所述关联影响因素集合对所述目标行星齿轮减速装置的应用场景信息进行解析，获得应用场景标定参数集合；基于所述应用场景标定参数集合对所述减速装置故障数据集进行逻辑聚类和训练，生成所述减速装置故障诊断模型库。

[0034] 所述生成减速装置故障诊断模型库，包括：对所述应用场景影响因素信息中的各影响因素通过减速装置故障数据集进行故障诊断相关性分析，在进行相关性分析时通过对减速装置故障数据集中各故障类型与对应的应用场景影响因素信息进行统计，获取故障类型对应的应用场景影响因素信息统计结果，获取各影响因素信息频率与所有影响因素信息频率之和的比值，得到该影响因素对应的相关性系数，获取所有影响因素的相关性系数，获得影响因素相关性系数集合。

[0035] 随后，按照所述影响因素相关性系数集合筛选所述应用场景影响因素信息中达到预设相关性系数阈值的关联影响因素集合，所述预设相关性系数阈值为预先设置的相关性系数的阈值，当影响因素的相关性系数高于该阈值时，就认为该因素对故障影响显著，将其纳入关联影响因素集合。根据所述关联影响因素集合对所述目标行星齿轮减速装置的应用场景信息进行解析，获取各应用场景信息下对应的关联影响因素集合，获得应用场景标定参数集合。最后，基于所述应用场景标定参数集合，对所述减速装置故障数据集进行逻辑聚类和训练，将故障数据集按照应用场景进行聚类，使用逻辑聚类后的数据集进行机器学习模型的训练，生成多个独立的故障诊断模型，每个诊断模型对应一种故障场景下多个结构故障的分析，对多个故障诊断模型进行整合，生成所述减速装置故障诊断模型库。

[0036] 本申请实施例提供的方法还包括：基于所述应用场景标定参数集合对所述减速装置故障数据集进行逻辑聚类标识，得到故障标定聚类数据集；分别对所述故障标定聚类数据集进行故障诊断分析训练，获得标定减速装置故障诊断模型集合；对所述标定减速装置故障诊断模型集合进行性能验证，获得诊断模型性能参数，根据所述诊断模型性能参数，确定模型参数调优策略；基于所述模型参数调优策略分别对所述标定减速装置故障诊断模型集合进行调优更新整合，生成所述减速装置故障诊断模型库。

[0037] 基于所述应用场景标定参数集合对所述减速装置故障数据集进行逻辑聚类标识，标识减速装置故障数据集中对应的应用场景，基于应用场景标识进行聚类，获取故障标定聚类数据集。分别对所述故障标定聚类数据集进行故障诊断分析训练，获取训练完成的模型得到标定减速装置故障诊断模型集合。进一步，采用故障标定聚类数据集中的，对所述标定减速装置故障诊断模型集合进行性能验证，获得诊断模型性能参数，如预测准确性等，根据所述诊断模型性能参数，确定模型参数调优策略。基于所述模型参数调优策略分别对所述标定减速装置故障诊断模型集合进行调优更新整合，生成所述减速装置故障诊断模型库。

[0038] 本申请实施例提供的方法还包括：通过所述关联影响因素集合对所述目标行星齿轮减速装置的目标应用场景进行分类标识，获得目标应用场景标定参数；基于所述目标应用场景标定参数与所述减速装置故障诊断模型库进行模型匹配关联，获得目标减速装置故障诊断模型；采用所述目标减速装置故障诊断模型对所述关键部位故障工作特征集合进行故障诊断分析，输出所述目标减速装置故障诊断信息。

[0039] 所述获得目标减速装置故障诊断信息，包括：通过所述关联影响因素集合对收集目标减速装置的采集收集进行获取，对所述目标行星齿轮减速装置的目标应用场景进行分类标识，获得目标应用场景标定参数。基于所述目标应用场景标定参数与所述减速装置故障诊断模型库进行模型匹配关联，获得目标减速装置故障诊断模型。最后，采用所述目标减速装置故障诊断模型对所述关键部位故障工作特征集合进行故障诊断分析，输出所述目标减速装置故障诊断信息。

[0040] 本发明实施例所提供的技术方案，通过对目标行星齿轮减速装置进行关键部位识别，获得减速装置关键部位集合，并布设传感器组，获得减速装置工作感知模块。监测关键部位工作数据流集合，并进行分布式预处理和故障特征提取，获取关键部位故障工作特征集合。图采样获取减速装置故障数据集，进行逻辑分类和训练，生成故障诊断模型库。基于减速装置故障诊断模型库对关键部位故障工作特征集合进行匹配关联和故障诊断，获得目标减速装置故障诊断信息。解决了现有技术中行星齿轮减速装置难以实时、准确地监测和诊断关键部件故障，导致故障识别不及时，影响设备运行的安全性和可靠性的技术问题。通过构建应用场景标定参数、布设多传感器组，并结合智能化故障诊断模型库，能够实时、准确地获取减速装置关键部件的工作状态及故障特征，有效提高故障识别的准确性和设备运行的可靠性的技术效果。

[0041] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。