基于PSO-SVM和分形盒维数的变载荷工况下齿轮故障诊断方法技术

一种基于PSO‑SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，包括以下步骤：1、通过齿轮振动时域图的峭度对齿轮带负载类型进行分类；2、求每种负载类型下的时域振动信号的分形盒维数、裕度因子、峰值因子、波形因子、脉冲因子等特征参数作为故障分类指标；3、进行基于粒子群优化支持向量机(PSO‑SVM)模型的搭建与训练，每一种负载类型建立一个PSO‑SVM，将步骤2得到的故障分类指标输入到相应的PSO‑SVM中进行故障分类。本发明专利技术方法能够很好地对变载荷下的齿轮故障类型进行分类，解决了变载荷激励下齿轮故障难以诊断的问题。

【技术实现步骤摘要】

本专利技术涉及机械故障诊断
，尤其是一种基于PSO-SVM和分形盒维数的变载荷工况下的齿轮故障诊断方法。
技术介绍
齿轮箱是旋转机械的重要组成部件。由于经常经受交变载荷、冲击载荷的影响，使得齿轮故障发生频繁，极易造成设备故障。很多大型旋转机械常年运转，不能经常停产检修。因此，研究变载荷激励下的齿轮故障诊断具有重要意义。但是传统的故障诊断方法存在如下问题:基于大样本训练，训练速度比较慢，容易陷入局部极值等。而支持向量机(Support Vector Machine，简称SVM)是基于统计学核心概念VC维，用VC维来描述学习机器的复杂度，并运用VC维来控制泛化能力。支持向量机核函数相关参数，即惩罚因子c和核函数g，决定着支持向量机的分类能力和泛化能力。但是，就其本身并没有明确的方法，只能靠先验知识。
技术实现思路
本专利技术目的在于提供一种能够对变载荷下的齿轮故障类型进行分类并对故障进行诊断的基于PSO-SVM和分形盒维数的变载荷工况下齿轮故障诊断方法。为实现上述目的，本专利技术所述方法包括以下步骤：步骤1，通过齿轮振动时域图的峭度对齿轮带负载类型进行分类；步骤2，求每种负载类型下的时域振动信号的分形盒维数、裕度因子、峰值因子、波形因子、脉冲因子等特征参数作为故障分类指标；步骤3，进行基于粒子群优化支持向量机(PSO-SVM)模型的搭建与训练，每一种负载类型建立一个PSO-SVM，将步骤2得到的故障分类指标输入到相应的PSO-SVM中进行故障分类。进一步的，所述步骤1中，齿轮运行状态包括正常、断齿、裂纹、裂纹-断齿耦合故障，齿轮箱带的变负载为不同幅值下的阶跃负载、斜坡负载、梯形负载；通过峭度对齿轮带负载类型进行分类；齿轮振动时域图的峭度与齿轮带负载的类型有关，斜坡负载的峭度值在2～3之间，阶跃负载的峭度值≈1，梯形负载的峭度值﹥3，利用峭度对齿轮带的负载类型进行分类。进一步的，所述步骤2中分形盒维数的计算方法如下：设时间序列信号X是n维欧式空间Rn上的闭集；将Rn尽可能划分成细的网格；若NΔ为网格宽度是Δ的离散空间上集合X的网格计数，则盒维数定义为 d B = l i m Δ → 0 ( - l g N Δ / l g Δ ) - - - ( 1 ) ]]>把网格Δ逐步放大为网格kΔ，其中k∈Z+；令NkΔ是格子宽度为kΔ的离散空间集合X的网格计数，它也可以用下列式子来计算， P ( Δ ) = | m a x ( x 1 , x 2 ) - m i n ( x 1 , x 2 ) | + | m a x ( x 2 , x 3 ) - m i n ( x 2 , x 3 ) | + ... + | m a x ( x N 0 - 1 , x N 0 ) - m i n ( x N 0 - 1 , x N 0 ) | ]]> P ( 2 Δ ) = | max ( x 1 , x 2 , x 3 ) - min ( x 1 , x 2 , x 3 ) | + | max 本文档来自技高网...

【技术保护点】
一种基于PSO‑SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，其特征在于，所述方法包括以下步骤：步骤1，通过齿轮振动时域图的峭度对齿轮带负载类型进行分类；步骤2，求每种负载类型下的时域振动信号的分形盒维数、裕度因子、峰值因子、波形因子、脉冲因子等特征参数作为故障分类指标；步骤3，进行基于粒子群优化支持向量机(PSO‑SVM)模型的搭建与训练，每一种负载类型建立一个PSO‑SVM，将步骤2得到的故障分类指标输入到相应的PSO‑SVM中进行故障分类。

【技术特征摘要】
1.一种基于PSO-SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，其特征在于，所述方法包括以下步骤：步骤1，通过齿轮振动时域图的峭度对齿轮带负载类型进行分类；步骤2，求每种负载类型下的时域振动信号的分形盒维数、裕度因子、峰值因子、波形因子、脉冲因子等特征参数作为故障分类指标；步骤3，进行基于粒子群优化支持向量机(PSO-SVM)模型的搭建与训练，每一种负载类型建立一个PSO-SVM，将步骤2得到的故障分类指标输入到相应的PSO-SVM中进行故障分类。2.根据权利要求1所述的基于PSO-SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，其特征在于：所述步骤1中，齿轮运行状态包括正常、断齿、裂纹、裂纹-断齿耦合故障，齿轮箱带的变负载为不同幅值下的阶跃负载、斜坡负载、梯形负载；通过峭度对齿轮带负载类型进行分类；齿轮振动时域图的峭度与齿轮带负载的类型有关，斜坡负载的峭度值在2～3之间，阶跃负载的峭度值≈1，梯形负载的峭度值﹥3，利用峭度对齿轮带的负载类型进行分类。3.根据权利要求1所述的基于PSO-SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，其特征在于，所述步骤2中分形盒维数的计算方法如下：设时间序列信号X是n维欧式空间Rn上的闭集；将Rn尽可能划分成细的网格；若NΔ为网格宽度是Δ的离散空间上集合X的网格计数，则盒维数定义为 d B = lim Δ → 0 ( - lg N / lg Δ ) - - - ( 1 ) ]]>把网格Δ逐步放大为网格kΔ，其中k∈Z+；令NkΔ是格子宽度为kΔ的离散空间集合X的网格计数，它也可以用下列式子来计算， P ( Δ ) = | m a x ( x 1 , x 2 ) - m i n ( x 1 , x 2 ) | + | m a x ( x 2 , x 3 ) - m i n ( x 2 , x 3 ) | + ... + | m a x ( x N 0 - 1 , x N 0 ) - m i n ( x N 0 - 1 , x N 0 ) | ]]> P ( 2 Δ ) = | max ( x 1 , x 2 , x 3 ) - min ( x 1 , x 2 , x 3 ) | + | max ( x 3 , x 4 , x 5 ) - min ( x 3 , x 4 , x 5 ) | + ... + | max ( x N 0 - 2 , x N 0 - 1 , x N 0 ) - min ( x N 0 - 2 , x N 0 ...

【专利技术属性】
技术研发人员：时培明，赵娜，梁凯，韩东颖，付荣荣，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13