针对传统的自回归模型和自回归移动平均模型在齿轮箱早期异常检测中准确性不足的问题,采用有源自回归模型(autoregressive with extra inputs model,ARX)和统计过程控制相结合的方法进行齿轮箱早期异常检测。首先,对原始振动数据进行时...针对传统的自回归模型和自回归移动平均模型在齿轮箱早期异常检测中准确性不足的问题,采用有源自回归模型(autoregressive with extra inputs model,ARX)和统计过程控制相结合的方法进行齿轮箱早期异常检测。首先,对原始振动数据进行时域同步平均降噪处理;然后考虑到负载变化对输出信号的影响,提取信号的包络表征负载变化信息并作为模型的输入结合赤池信息准则(akaike information criterion,AIC)和最小二乘法建立模型;最后分别采用统计过程控制、支持向量数据描述(support vector data description,SVDD)、核主成分分析(kernel principal component analysis,KPCA)对残差数据的均方根值进行处理。结果表明,ARX模型结合指数加权移动平均(exponential weighed moving average,EWMA)控制图在第44个文件发现早期异常,相比于自回归模型、自回归移动平均模型、SVDD和KPCA分别提前11、6个、10和11个文件检测出异常,从而验证了该方法的可行性和有效性,对齿轮箱早期异常检测有重要意义。展开更多
文摘针对传统的自回归模型和自回归移动平均模型在齿轮箱早期异常检测中准确性不足的问题,采用有源自回归模型(autoregressive with extra inputs model,ARX)和统计过程控制相结合的方法进行齿轮箱早期异常检测。首先,对原始振动数据进行时域同步平均降噪处理;然后考虑到负载变化对输出信号的影响,提取信号的包络表征负载变化信息并作为模型的输入结合赤池信息准则(akaike information criterion,AIC)和最小二乘法建立模型;最后分别采用统计过程控制、支持向量数据描述(support vector data description,SVDD)、核主成分分析(kernel principal component analysis,KPCA)对残差数据的均方根值进行处理。结果表明,ARX模型结合指数加权移动平均(exponential weighed moving average,EWMA)控制图在第44个文件发现早期异常,相比于自回归模型、自回归移动平均模型、SVDD和KPCA分别提前11、6个、10和11个文件检测出异常,从而验证了该方法的可行性和有效性,对齿轮箱早期异常检测有重要意义。
