有界广义GMM和无阈值递归图的特征提取方法及应用

简介

齿轮传动广泛应用于机械设备中,这使得及时、有效地诊断齿轮故障变得十分重要。针对齿轮箱振动信号的非线性和非平稳特性,传统的信号分析方法难以识别不同的齿轮失效模式,提出了一种采用有界广义高斯混合模型(Bounded Generalized Gaussian Mixture Model,BGGMM)进行无阈值递归图(Un-Thresholded Recurrence Plot,URP)特征提取的新方法,并将其应用于齿轮故障分类识别。首先基于相空间重构理论,将不同齿轮故障状态的原始时域振动信号转化为URPs。然后对欧式距离分布的直方图进行归一化,采用有界广义高斯混合模型拟合直方图,提取混合模型参数,作为不同类型齿轮故障的特征向量。利用齿轮传动实验装置采集的原始振动信号验证了该方法的有效性,结果表明该方法能有效地对不同类型的齿轮故障进行分类。