稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法技术

本发明专利技术涉及一种稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法，包括以下步骤：通过加速度传感器拾取齿轮箱振动信号；对拾取的原始振动信号利用稀疏正则化滤波方法进行滤波；利用自适应稀疏分解方法对滤波信号进行分解，得到高频振荡信号与低频周期性瞬时脉冲信号；利用Hilbert包络解调方法对低频周期性瞬时脉冲信号进行包络解调，提取故障特征频率及其倍频，与理论计算故障特征频率对比，最终确定齿轮故障类型。本发明专利技术能够大幅度滤除背景噪声成分，有效提取周期性故障瞬时脉冲序列，可以清晰检测出比较微弱的齿轮故障特征信息，准确性高、稳定性强，适合于齿轮箱在工作状态下实时故障巡检和在线监控避免突发性事故发生。

【技术实现步骤摘要】
稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法
本专利技术涉及齿轮箱微弱故障诊断
，特别是涉及一种稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法。
技术介绍
齿轮箱作为旋转机械设备的核心关键部件，其运转期间的健康状态直接影响整个机械系统的性能与寿命，准确及时地识别出齿轮箱的早期故障并对设备作出相应的预防策略，对确保企业高效生产、维护设备成本与现场操作人员的生命安全等具有重要意义。通常，当齿轮存在局部故障时，随着齿轮与故障部位的啮合等会激起一系列周期性瞬时脉冲，然而这些周期性瞬时脉冲常常淹没在一些不相关分量与严重的背景噪声中。因此，对齿轮箱故障诊断的关键在于两个方面：(1)对原始振动信号进行有效滤波，有效去除干扰分量与严重背景噪声；(2)并提取出隐含在背景噪声中的周期性瞬时脉冲。
技术实现思路
本专利技术所要解决的技术问题是提供一种稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法，能够分离出隐含在背景噪声中的低频周期性瞬时脉冲分量。本专利技术解决其技术问题所采用的技术方案是：提供一种稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法，包括以下步骤：(1)通过加速度传感器拾取齿轮箱振动信号；(2)对拾取的原始振动信号利用稀疏正则化滤波方法进行滤波，去除外界干扰噪声；(3)利用自适应稀疏分解方法对滤波信号进行分解，得到高频振荡信号与低频周期性瞬时脉冲信号；(4)利用Hilbert包络解调方法对低频周期性瞬时脉冲信号进行包络解调，得到包络谱，提取出故障特征频率及其倍频成分，最终识别故障类型。所述步骤(2)中利用增广Huber函数作为罚函数建立稀疏正则化滤波方法的目标成本函数。所述步骤(2)具体包括以下子步骤：(21)通过如下最优化方程从含噪的观测信号估计潜在故障信号所述最优化方程为：其中，F(x)为目标成本函数，λ0与λ1为正则化参数，矩阵D为一阶可导矩阵，||x||1与||Dx||1为罚函数，||x||1为L1-norm范数，y0＝Ax，M＜＜N为线性变换矩阵，为变换系数集；通过软阈值函数与全变分算法对所述最优化方程进行求解；(22)利用增广Huber函数作为罚函数建立稀疏正则化滤波算法的目标成本函数，目标成本函数为：其中，罚函数φB(x)＝||x||1-SB(x)为增广Huber函数，SB(x)为广义Huber函数，v表示靠近点x两侧邻域内的点，如果矩阵B为对角矩阵，则广义Huber函数SB(x)是可分离函数，如果矩阵B为非对角矩阵，则广义Huber函数SB(x)是不可分离函数；(23)根据与φB(x)＝||x||1-sB(x)，目标成本函数F(x)表达为其中，AT为矩阵A的复共轭转置矩阵，BT为矩阵B的复共轭转置矩阵，ATA-λBTB≥0，为一组凸函数的逐点最大值；(24)为了最小化目标成本函数F(x)，设参数0＜τ≤1，有BTB＝(τ/λ)ATA，则最优化问题转化为鞍点问题，即鞍点问题的求解通过后向-前向算法进行求解；(25)正则化参数λ选取为：其中，标称值γ＝0.95，σ为噪声的标准差，N表示信号个数。所述步骤(25)中噪声的标准差σ通过σ＝MAD(y)/0.6745进行计算，其中，MAD(y)为观测信号y的绝对偏差中值。所述步骤(3)具体包括以下子步骤：(31)将给定信号表达为x＝x1+x2+noise，信号与分别为具有不同振荡特性的信号，为外界噪声，可调Q因子小波变换方法通过不同的质量因子Q来表征信号x1与x2的振荡特性；(32)对经过稀疏正则化滤波算法得到的滤波信号进行可调Q因子小波变换，得到低、高品质因子可调小波的滤波器组，即基函数框架s1与s2；(33)利用形态分量分析方法建立稀疏分解目标函数，式中，η1与η2为正则化参数，w1与w2为在基函数框架s1与s2变换下的变换系数；利用分割增广拉格朗日收缩算法求解F(w1,w2)，与为目标函数F(w1,w2)最小时低共振分量与高共振分量的变换系数，低共振分量与高共振分量表示为：当齿轮或轴承含有局部故障时，齿轮或轴承的转动会激起的一系列周期性瞬时脉冲用低品质因子Q1的低共振分量表示，外界噪声的高频振动信号用高品质因子Q2的高共振分量表征；(34)利用遗传算法对质量因子参数与正则化因子参数进行优化。所述步骤(34)具体为：(a)设置遗传算法的基本参数：初始种群规模、遗传代数、遗传概率、交叉概率和变异概率；(b)确定遗传算法的评价函数：与(c)利用二进制编码方式，将品质因子Q1与Q2，正则化参数η1与η2进行二进制编码，编码后的Q1与Q2，η1与η2形成染色体；(d)利用分割增广拉格朗日收缩算法对评价函数进行求解计算，通过计算低共振分量的最大峭度值来计算单个染色体的适应值；(e)根据遗传概率，具有良好适应度值的染色体，执行选择、交叉和变异操作，繁殖出下一代，并对下一代执行步骤(d)计算新染色体的适应度值；(f)判断是否达到最大遗传代数，如果是，输出最优化品质因子与正则化因子参数，结束优化过程；否则，返回步骤(e)；(g)将最优品质因子和最优正则化参数代入目标函数中，得到相应的低共振分量与高共振分量有益效果由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术无需构造冗余字典原子匹配周期性故障脉冲，也无需依赖振动信号的结构先验知识，计算复杂度低；本专利技术利用增广Huber函数建立非凸罚稀疏正则化目标成本函数，可保证目标成本函数的严格凸性；本专利技术能够很好的降低背景工况噪声的干扰，能够精确地提取比较微弱的齿轮箱故障，提取的特征频率幅值高，适合于齿轮箱在工作状态下实时故障巡检和在线监控避免突发性事故发生，为企业带来更大的经济效益。附图说明图1是本专利技术的流程图；图2是原始振动加速度信号时域波形图；图3是原始振动加速度信号的包络谱图；图4是利用稀疏正则化滤波方法得到的滤波信号与原始振动加速度信号图；图5是经过遗传算法200次迭代后得到的最优解的变化和种群均值变化曲线图；图6是利用自适应稀疏分解方法得到的高共振分量图；图7是利用自适应稀疏分解方法得到的低共振分量(低频周期性瞬时脉冲信号)图；图8是低共振分量的包络谱图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。本专利技术的实施方式涉及一种稀疏正则化滤波与自适应稀疏分解的齿轮箱微弱故障诊断方法，包括以下步骤：(1)在待测齿轮箱的靠近轴承座水平、竖直以及轴向分别安装加速度传感器，拾取齿轮箱的振动加速度信号。(2)利用稀疏正则化滤波方法对拾取的原始振动加速度信号进行滤波，去除外界干扰噪声，具体包括以下步骤：1)一般地，从含噪观测信号估计潜在故障信号可通过如下方程表达，y＝y0+w＝Ax+w式中，M＜＜N为线性变换矩阵，为变换系数集，为附加外界噪声。由于M＜＜N，上述方程为高度欠定方程，其存在无数组解。通常，L1-norm方法可通过如下最优化方程估计潜在故障信号，式中，F(x)为目标成本函数,λ0与λ1为正则化参数，矩阵D为一阶可导矩阵，即||x||1与||Dx||1为罚函数，||x||本文档来自技高网...

【技术保护点】
1.一种稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法，其特征在于，包括以下步骤：(1)通过加速度传感器拾取齿轮箱振动信号；(2)对拾取的原始振动信号利用稀疏正则化滤波方法进行滤波，去除外界干扰噪声；(3)利用自适应稀疏分解方法对滤波信号进行分解，得到高频振荡信号与低频周期性瞬时脉冲信号；(4)利用Hilbert包络解调方法对低频周期性瞬时脉冲信号进行包络解调，得到包络谱，提取出故障特征频率及其倍频成分，最终识别故障类型。

【技术特征摘要】
1.一种稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法，其特征在于，包括以下步骤：(1)通过加速度传感器拾取齿轮箱振动信号；(2)对拾取的原始振动信号利用稀疏正则化滤波方法进行滤波，去除外界干扰噪声；(3)利用自适应稀疏分解方法对滤波信号进行分解，得到高频振荡信号与低频周期性瞬时脉冲信号；(4)利用Hilbert包络解调方法对低频周期性瞬时脉冲信号进行包络解调，得到包络谱，提取出故障特征频率及其倍频成分，最终识别故障类型。2.根据权利要求1所述的稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法，其特征在于，所述步骤(2)中利用增广Huber函数作为罚函数建立稀疏正则化滤波方法的目标成本函数。3.根据权利要求2所述的稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法，其特征在于，所述步骤(2)具体包括以下子步骤：(21)通过如下最优化方程从含噪的观测信号估计潜在故障信号所述最优化方程为：其中，F(x)为目标成本函数，λ0与λ1为正则化参数，矩阵D为一阶可导矩阵，||x||1与||Dx||1为罚函数，||x||1为L1-norm范数，y0＝Ax，M＜＜N为线性变换矩阵，为变换系数集；通过软阈值函数与全变分算法对所述最优化方程进行求解；(22)利用增广Huber函数作为罚函数建立稀疏正则化滤波算法的目标成本函数，目标成本函数为：其中，罚函数φB(x)＝||x||1-SB(x)为增广Huber函数，SB(x)为广义Huber函数，v表示靠近点x两侧邻域内的点，如果矩阵B为对角矩阵，则广义Huber函数SB(x)是可分离函数，如果矩阵B为非对角矩阵，则广义Huber函数SB(x)是不可分离函数；(23)根据与φB(x)＝||x||1-sB(x)，目标成本函数F(x)表达为其中，AT为矩阵A的复共轭转置矩阵，BT为矩阵B的复共轭转置矩阵，ATA-λBTB≥0，为一组凸函数的逐点最大值；(24)为了最小化目标成本函数F(x)，设参数0＜τ≤1，有BTB＝(τ/λ)ATA，则最优化问题转化为鞍点问题，即鞍点问题的求解通过后向-前向算法进行求解；(25)正则化参数λ选取为：其中，标称值γ＝0.95，σ为噪声的标准差，N表示信号样本点个数。4.根据权利要求3所述的稀疏正则化滤波与...

【专利技术属性】
技术研发人员：李庆，梁越昇，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31