基于GM(1,1)模型的齿轮故障识别预测研究

摘要

针对齿轮故障诊断问题,提出一种基于灰色预测模型(GM(1,1))的齿轮故障识别预测方法。根据齿轮磨损情况将齿轮故障定义为4种状态:正常齿轮状态、齿根裂纹故障状态、齿面磨损故障状态和断齿故障状态。通过搭建齿轮故障诊断实验台,利用振动传感器采集齿轮工作过程中处于不同磨损状态时的振动加速度信号样本,利用小波降噪、小波分解重构等方法重构特征信号,得到去噪后的信号图像,进而提取振动加速度信号特征数值,并基于GM(1,1)建立齿轮故障识别预测模型。研究表明,该模型预测数值与真实值误差均值在0.56%~0.67%,相对误差均方根值在0.33%~0.43%,其中齿根裂纹状态时相对误差均值为0.67%,相对误差均方根为0.33%;断齿故障状态时相对误差均值为0.67%,相对误差均方根为0.39%;齿面磨损故障时相对误差均值为0.56%,相对误差均方根为0.43%。表明模型预测精度较高,可用于齿轮故障预测研究,为齿轮故障诊断提供了一种新的研究方法及理论依据。