一种基于变节点双隐层极限学习机的齿轮故障诊断方法技术

本发明专利技术公开了一种基于变节点双隐层极限学习机的齿轮故障诊断方法，包括步骤：获取齿轮在不同的故障类型状态时振动信号，基于振动信号辨识齿轮故障状态；对振动信号降噪预处理,去除振动信号中的噪声，并提取降噪后振动信号的相关特征，通过相关特征对不同齿轮故障状态进行表征；利用经验公式和模糊推理分别确定第一隐含层的最优节点数量和第二隐含层的最优节点数量；将提取的相关特征样本分为训练集和测试集，训练集用于训练变节点双隐层极限学习机网络，从而获得变节点双隐层极限学习机网络的相关参数；测试变节点双隐层极限学习机网络：将测试集输入到训练好的变节点双隐层极限学习机网络进行测试，输出齿轮的故障类型状态。

【技术实现步骤摘要】
一种基于变节点双隐层极限学习机的齿轮故障诊断方法
本专利技术涉及一种基于变节点双隐层极限学习机的齿轮故障诊断方法，属于齿轮故障诊断

技术介绍
齿轮是机械设备中传递动力的关键部分，被广泛应用在各类旋转机械中，也是出现失效频率较高的元件之一。据数据统计，机械设备传动故障中齿轮故障占80％左右。在工业生产中发生齿轮故障，若未能及时排除，可能导致产品质量下降，从而造成严重的经济损失。由此可见，实现齿轮运行状态检测诊断具有非常重要的现实意义。齿轮故障诊断相关方法通常利用齿轮工作时的振动信号信息来进行状态评估。分类辨识方法的选用，在齿轮故障诊断中具有非常重要的地位，分类方法的性能对故障诊断准确性影响较大。极限学习机因其简单的网络结构、较快的学习速度以及较强的泛化能力，广泛应用于故障诊断、图像分类、风速预测和文字识别等领域。目前使用极限学习机进行分类辨识时，通常采用单隐层网络结构形式。然而在实际应用中，过多或过少的隐层节点数会对网络的分类辨识性能产生一定的影响，且单隐层的网络结构会大大限制网络的灵活性。近年来，国内外学者也针对其存在的问题提出了一定的改进算法，2013年Zong，Weiwei等提出了多隐层极限学习机网络结构形式对大规模数据进行训练；2016年Alencar,AlissonS.C.等提出使用遗传算法对单隐层极限学习机网络的隐含层神经元进行修剪，以寻求最佳神经元数。现有的运用极限学习机进行分类辨识技术中，隐层节点数的确定通常依据经验进行预估，未能有效确定隐层节点数，且采用双隐层极限学习机网络时通常第一隐层和第二隐层的节点数相同，大大限制了网络结构的灵活性。因此利用极限学习机网络作为分类器进行齿轮故障诊断，其应用技术有待进一步提升。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于变节点双隐层极限学习机的齿轮故障诊断方法。为达到上述目的，本专利技术提供一种基于变节点双隐层极限学习机的齿轮故障诊断方法，包括以下步骤：步骤1，获取齿轮在不同的故障类型状态时工作的振动信号，以振动信号为依据进行齿轮故障状态的辨识；步骤2，对振动信号进行降噪预处理以去除振动信号中的噪声，并通过提取降噪后振动信号的相关特征对齿轮不同故障状态进行表征，从而形成特征样本；步骤3，构建双隐层极限学习机网络结构，利用经验公式和模糊推理分别确定第一隐含层的最优节点数量和第二隐含层的最优节点数量；步骤4，训练变节点双隐层极限学习机网络：将提取的特征样本分为训练集和测试集，训练集用于训练变节点双隐层极限学习机网络，从而获得变节点双隐层极限学习机网络的相关参数；步骤5，测试变节点双隐层极限学习机网络：将测试集输入到训练好的变节点双隐层极限学习机网络进行测试，输出齿轮的故障类型状态。优先地，所述步骤2中，预处理采用小波分解与重构法去除振动信号中的噪声，通过对去除噪声后的振动信号分别进行小波包分解和变分模态分解，并分别提取相关特征作为齿轮状态特征，相关特征包括振动信号对应的能量、振动信号对应的模糊熵、振动信号对应的样本熵、振动信号对应的相对熵和振动信号对应的小波包熵。优先地，所述步骤3中，变节点双隐层极限学习机网络包括：输入层、第一隐含层、第二隐含层和输出层；变节点双隐层极限学习机网络的相关参数包括输入层和第一隐含层之间的权重、第一隐含层偏置、第一隐含层和第二隐含层之间的权重、第二隐含层偏置以及第二隐含层和输出层之间的权重。优先地，所述步骤3中经验公式采用下式，对第一隐含层的最优节点数量进行确定：其中，X1为第一隐含层的最优节点数量，N为训练集样本总数；P表示每个样本提取的特征个数，即特征维度；C为分类类别数，α为0到10之间的常量。优先地，所述步骤3中，采用双输入单输出形式的模糊推理确定第二隐层的最优节点数量，具体如下：A1、输入input1由特征维度P构成，输入input2由训练集样本总数N和分类类别数C构成，input2依据input2＝N×Ka+C×Kb计算而得，其中，Ka和Kb分别表示调节因子，Ka和Kb为常数；A2、训练集样本总数N的论域为[500,4000]，特征维度P的论域为[1,60]，分类类别数C的论域为[2,6]，第二隐含层的最优节点数量X2的论域为[1,600]，采用三角形形式的隶属函数，并且将所有的论域映射到[0,1]之间。优先地，所述步骤4中，所述输入层和第一隐含层之间的权重、第一隐含层偏置、第一隐含层和第二隐含层之间的权重、第二隐含层偏置以及第二隐含层和输出层之间的权重的计算方法为：B1、假设有N个训练集样本，N＝{(xi,yi)|xi∈Rb1,yi∈Rb2,i＝1,K,n}，将第一隐含层的最优节点数量和第二隐含层的最优节点数量两者中较大的值赋给X，并依据X的值随机产生W和B，W为输入层和第一隐含层间的权重矩阵，B为第一隐含层的偏置；B2、将第一隐含层的最优节点数量和第二隐含层的最优节点数量中的最大值赋给X，如果X1＜X2，则将W的第(X1+1)行至最后一行全部清零和B的第(X1+1)行至最后一行全部清零，即，将W的第(X1+1)行至最后一行全部变成虚节点和将B的第(X1+1)行至最后一行全部变成虚节点，否则，保持W和B的值不变，并在求解WH和B1后，WH代表第一隐含层和第二隐含层之间的权重矩阵，B1代表第二隐含层的偏置，将WH和B1的第(X2+1)行至最后一行全部清零；B3、变节点双隐层极限学习机网络的整个输出类别判别结果为f(x)＝g(Hβn)，其中H为第二隐含层的输出矩阵，βn为第二隐含层与输出层间的偏置；B4、输入层与第一隐含层之间关系由公式g(W·x+B)＝H1表示，x＝xi，其中，H1代表第一隐含层的输出矩阵；B5、第一隐含层与第二隐含层之间的权重和偏置参数通过g(WH·H1+B1)＝H2求解，其中，WH代表第一隐含层和第二隐含层之间的权重矩阵，B1代表第二隐含层的偏置，H2代表第二隐含层期望输出矩阵，g(·)代表激活函数；B6、为了求解H2的值，需先求解第二隐含层与输出层之间的权重矩阵式中T为输出层的输出矩阵，是第一隐含层的输出矩阵H1的广义逆矩阵，则H2可表示为H2＝Tβ+；B7、定义增广矩阵WHE＝[B1WH]，则第二隐含层的实际输出为H＝g(WHEHE)，其中HE由第一隐含层输出矩阵H1和X个标量为1的列向量构成，为HE的广义逆矩阵。优先地，所述齿轮的故障类型状态包括：正常、轻微损伤、中度损伤和断齿。优先地，Ka取值为0.7，Kb取值为0.3。本专利技术所达到的有益效果：本专利技术通过构建变节点双隐层极限学习机网络结构，采用经验公式和模糊逻辑推理方法分别确定第一隐含层的最优节点数量和第二隐含层的最优节点数量，能够有效实现网络隐层的最佳节点配置，克服现有技术在识别网络模型建立时节点数过多或过少导致网络模型训练时出现过拟合或欠拟合的现象，使得本专利技术能通过最佳隐层节点配置提升网络性能从而提高齿轮故障本文档来自技高网...

【技术保护点】
1.一种基于变节点双隐层极限学习机的齿轮故障诊断方法，其特征在于，包括以下步骤：/n步骤1，获取齿轮在不同的故障类型状态时工作的振动信号，以振动信号为依据进行齿轮故障状态的辨识；/n步骤2，对振动信号进行降噪预处理以去除振动信号中的噪声，并通过提取降噪后振动信号的相关特征对齿轮不同故障状态进行表征，从而形成特征样本；/n步骤3，构建双隐层极限学习机网络结构，利用经验公式和模糊推理分别确定第一隐含层的最优节点数量和第二隐含层的最优节点数量；/n步骤4，训练变节点双隐层极限学习机网络：将提取的特征样本分为训练集和测试集，训练集用于训练变节点双隐层极限学习机网络，从而获得变节点双隐层极限学习机网络的相关参数；/n步骤5，测试变节点双隐层极限学习机网络：将测试集输入到训练好的变节点双隐层极限学习机网络进行测试，输出齿轮的故障类型状态。/n

【技术特征摘要】
1.一种基于变节点双隐层极限学习机的齿轮故障诊断方法，其特征在于，包括以下步骤：
步骤1，获取齿轮在不同的故障类型状态时工作的振动信号，以振动信号为依据进行齿轮故障状态的辨识；
步骤2，对振动信号进行降噪预处理以去除振动信号中的噪声，并通过提取降噪后振动信号的相关特征对齿轮不同故障状态进行表征，从而形成特征样本；
步骤3，构建双隐层极限学习机网络结构，利用经验公式和模糊推理分别确定第一隐含层的最优节点数量和第二隐含层的最优节点数量；
步骤4，训练变节点双隐层极限学习机网络：将提取的特征样本分为训练集和测试集，训练集用于训练变节点双隐层极限学习机网络，从而获得变节点双隐层极限学习机网络的相关参数；
步骤5，测试变节点双隐层极限学习机网络：将测试集输入到训练好的变节点双隐层极限学习机网络进行测试，输出齿轮的故障类型状态。


2.根据权利要求1所述的一种基于变节点双隐层极限学习机的齿轮故障诊断方法，其特征在于，所述步骤2中，预处理采用小波分解与重构法去除振动信号中的噪声，通过对去除噪声后的振动信号分别进行小波包分解和变分模态分解，并分别提取相关特征作为齿轮状态特征，相关特征包括振动信号对应的能量、振动信号对应的模糊熵、振动信号对应的样本熵、振动信号对应的相对熵和振动信号对应的小波包熵。


3.根据权利要求1所述的一种基于变节点双隐层极限学习机的齿轮故障诊断方法，其特征在于，所述步骤3中，变节点双隐层极限学习机网络包括：输入层、第一隐含层、第二隐含层和输出层；
变节点双隐层极限学习机网络的相关参数包括输入层和第一隐含层之间的权重、第一隐含层偏置、第一隐含层和第二隐含层之间的权重、第二隐含层偏置以及第二隐含层和输出层之间的权重。


4.根据权利要求1所述的一种基于变节点双隐层极限学习机的齿轮故障诊断方法，其特征在于，所述步骤3中经验公式采用下式，对第一隐含层的最优节点数量进行确定：



其中，X1为第一隐含层的最优节点数量，N为训练集样本总数；P表示振动信号的每个样本提取的特征个数，即特征维度；C为分类类别数，α为0到10之间的常量。


5.根据权利要求1所述的一种基于变节点双隐层极限学习机的齿轮故障诊断方法，其特征在于，所述步骤3中，采用双输入单输出形式的模糊推理确定第二隐层的最优节点数量，具体如下：
A1、输入input1由特征维度P构成，输入input2由训练集样本总数N和分类类别数C构成，input2依据input2＝N×Ka+C×Kb计算而得，其中，Ka和Kb分别表示调节因子，Ka和Kb为常数；
A2、训练集样本总数N的论域为[500,4...

【专利技术属性】
技术研发人员：潘礼正，赵路，佘世刚，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏;32