一种齿轮箱故障诊断方法技术

本发明专利技术涉及一种齿轮箱故障诊断方法，包括：1）建立齿轮箱样本数据集，使用小波阈值去噪对信号进行降噪；2）使用Savitzky

【技术实现步骤摘要】
一种齿轮箱故障诊断方法


[0001]本专利技术涉及齿轮箱故障诊断
，具体涉及一种齿轮箱故障诊断方法。

技术介绍

[0002]齿轮箱作为机械设备中关键零件，在现代工业中发挥着不可替代的作用，常被应用在很多大型的机械中。例如：应用齿轮箱在航空航天、汽车、自动化机械设备等。由于大型机器在运行过程中存在大量工作量并且常在复杂的环境中工作，引起齿轮箱很多故障，造成很多损失，因此对齿轮箱故障诊断显得尤其重要。
[0003]目前，齿轮箱故障种类较多，且故障产生的信号较为繁杂，多种故障模式混合使得对齿轮箱的故障诊断显得较为困难。对齿轮箱的故障诊断有很多方法，通过深度学习的方法可以增加诊断的精度，神经网络已被普遍应用在该领域中。极限学习机(ELM)具有算法速率快、训练精度高等优点，其在故障诊断领域发挥着重要的作用。但是ELM仍存在许多不足，如非线性能力差、结果不稳定等。因此，对ELM进行优化显得尤为重要。
[0004]对齿轮箱信号处理可以极大提高诊断准确率。由于振动信号中较多的噪音，解决噪音问题去噪是进行故障诊断的关键一步。

技术实现思路

[0005]专利技术目的：针对
技术介绍
中指出的问题，本专利技术提供一种齿轮箱故障诊断方法，运用数据多重处理方法和改进的麻雀优化算法优化极限学习机相结合，较大程度上提高了齿轮箱故障诊断能力。
[0006]技术方案：本专利技术公开一种齿轮箱故障诊断方法，包括如下步骤：
[0007]步骤1：建立齿轮箱样本数据集，使用小波阈值去噪对信号进行降噪处理；r/>[0008]步骤2：使用Savitzky
‑
Golay滤波对数据进行二次降噪，得到更优去噪信号数据；
[0009]步骤3：通过改进的自适应噪声完全集合经验模态分解去噪后的信号，得到一系列IMF分量；分别计算每个IMF分量的方差贡献率和相关性的值，选取方差贡献率和相关性值之和最大的前六个IMF，组成新的IMF序列；
[0010]步骤4：计算新IMF序列的时域和频域特征，构造多维样本特征集；
[0011]步骤5：利用互信息对样本特征进行特征选择，并划分训练集和测试集。
[0012]步骤6：使用Tent映射和高斯变异优化麻雀优化算法，更新不同种类麻雀的位置。使用Tent混沌序列初始化麻雀优化算法的种群，且在原来的Tent映射中引入随机变量，若麻雀种群出现“聚集现象”，则进行高斯变异并选择最优个体；
[0013]步骤7：将改进后的麻雀优化算法的最优权值与偏差赋予极限学习机，得到最优极限学习机算法，建立基于改进的麻雀优化算法的极限学习机(ICSSA
‑
ELM)模型，利用该模型进行故障诊断。
[0014]进一步地，所述步骤1中使用小波阈值去噪对信号进行降噪处理，选取固定阈值去噪法对信号进行去噪；
[0015]固定阈值的常用表达式如下：
[0016]λ＝σ2log(N)
[0017]其中，σ为噪声的标准差，噪声水平估计值N是转子信号长度；w
λ
是去噪前的小波系数，λ是选择的阈值。
[0018]进一步地，所述步骤2中使用Savitzky
‑
Golay滤波对数据进行二次降噪，Savitzky
‑
Golay滤波平滑公式为：
[0019][0020]其中，Y
*
是时间序列数据拟合值，h
i
是第i个时序数据值滤波时的系数，H是指卷积数目，是平滑系数。
[0021]进一步地，所述步骤3通过改进的自适应噪声完全集合经验模态分解去噪后的信号，实现过程如下：
[0022](41)在原始信号中y中加入N个可控白噪声信号：
[0023][0024]其中，y
(i)
是第i个构造信号，β0是第一次分解时信号的噪声标准偏差，表示被添加的第i个白噪声；E1(
·
)是计算信号第一个IMF算子；
[0025](42)计算每个y(i)的局部平均值并求总体平均，得到第一个残余分量：
[0026][0027]其中，M(
·
)是局部均值函数；
[0028](43)计算第一个模态分量IMF1
[0029][0030](44)计算第n个模态分量IMFn
[0031][0032][0033](45)计算第n＝n+1个模态分量，返回步骤(44)，直至满足迭代条件。
[0034]进一步地，所述步骤3中计算每个IMF分量的方差贡献率和相关性的值具体为：
[0035]方差贡献率表达式为：
[0036][0037]相关系数表达式为：
[0038][0039]其中，b
ik
为第i个IMF分量，N为信号的数据数，n为IMF分量的个数；xk为信号的第k个数据点，为信号的均值；为第i个IMF分量的均值。
[0040]进一步地，所述步骤4时域和频域特征共计29个特征。其中，16个时域特征分别为均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标；频域特征分别为表示第m条谱线的频率值、频域振动能量的大小、频谱的分散或者集中程度、主频带位置的变化。
[0041]进一步地，所述步骤5中使用互信息对样本特征进行特征选择，选择互信息值较大特征。互信息值占比实现过程如下：
[0042]设置变量X和Y，其中X为输入特征参数，Y为分类数据，变量X和Y之间的互信息值表示为I(X，Y)，表达式如下：
[0043][0044]其中，p(x)为X＝x
i
时出现的概率，p(y)为Y＝y
i
时出现的概率，为边缘概率，p(x，y)为X＝x
i
，Y＝y
i
同时出现的概率，为联合概率密度。
[0045]进一步地，所述步骤6中麻雀优化算法的位置更新公式如下：
[0046][0047]其中，t表示当前迭代次数；a是麻雀种群的数量；b是优化变量的维度；
[0048]发现者位置更新公式如下：
[0049][0050]其中，表示第m只麻雀在第n维的位置信息；α(α∈(0，1))是一个随机数；T是一个常数，表示最大迭代次数；R2(R2∈[0，1])是预警值；ST(ST∈[0.5，1])是安全值；Q是服从正态分布的随机数；L是所有元素都为1的1
×
b矩阵；
[0051]跟随者位置随着适应度值改变而变化，其根据下面式子进行位置更新：
[0052][0053]其中，是当前区域最好位置，是当前区域最差位置，A是随机分布为
‑
1或1的1
×
b矩阵，且A
+
＝A
T
(AA
T
)
‑1；
[0054]当时，表明第m个麻雀饥饿，需要重新找到更好的地方觅食本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种齿轮箱故障诊断方法，其特征在于，包括如下步骤：步骤1：建立齿轮箱样本数据集，使用小波阈值去噪对信号进行降噪处理；步骤2：使用Savitzky
‑
Golay滤波对数据进行二次降噪，得到更优去噪信号数据；步骤3：通过改进的自适应噪声完全集合经验模态分解去噪后的信号，得到一系列IMF分量；分别计算每个IMF分量的方差贡献率和相关性的值，选取方差贡献率和相关性值之和最大的前六个IMF，组成新的IMF序列；步骤4：计算新IMF序列的时域和频域特征，构造多维样本特征集；步骤5：利用互信息对样本特征进行特征选择，并划分训练集和测试集。步骤6：使用Tent映射和高斯变异优化麻雀优化算法，更新不同种类麻雀的位置。使用Tent混沌序列初始化麻雀优化算法的种群，且在原来的Tent映射中引入随机变量，若麻雀种群出现“聚集现象”，则进行高斯变异并选择最优个体；步骤7：将改进后的麻雀优化算法的最优权值与偏差赋予极限学习机，得到最优极限学习机算法，建立基于改进的麻雀优化算法的极限学习机(ICSSA
‑
ELM)模型，利用该模型进行故障诊断。2.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，所述步骤1中使用小波阈值去噪对信号进行降噪处理，选取固定阈值去噪法对信号进行去噪；固定阈值的常用表达式如下：λ＝σ2log(N)其中，σ为噪声的标准差，噪声水平估计值N是转子信号长度；w
λ
是去噪前的小波系数，λ是选择的阈值。3.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，所述步骤2中使用Savitzky
‑
Golay滤波对数据进行二次降噪，Savitzky
‑
Golay滤波平滑公式为：其中，Y
*
是时间序列数据拟合值，h
i
是第i个时序数据值滤波时的系数，H是指卷积数目，是平滑系数。4.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，所述步骤3通过改进的自适应噪声完全集合经验模态分解去噪后的信号，实现过程如下：(41)在原始信号中y中加入N个可控白噪声信号：其中，y
(i)
是第i个构造信号，β0是第一次分解时信号的噪声标准偏差，表示被添加的第i个白噪声；E1(
·
)是计算信号第一个IMF算子；(42)计算每个y(i)的局部平均值并求总体平均，得到第一个残余分量：其中，M(
·
)是局部均值函数；
(43)计算第一个模态分量IMF1(44)计算第n个模态分量IMFn(44)计算第n个模态分量IMFn(45)计算第n＝n+1个模态分量，返回步骤(44)，直至满足迭代条件。5.根据权利要求4所述的齿轮箱故障诊断方法，其特征在于，所述步骤3中计算每个IMF分量的方差贡献率和相关性的值具体为：方差贡献率表达式为：相关系数表达式为：其中，b
ik
为第i个IMF分量，N为信号的数据数，n为IMF分量的个数；x
k
为信号的第k个数据点，为信号的均值；为第i个IMF分量的均值。6.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，所述步骤4时域和频域特征共计29个特征。其中，16个时域特征分别为均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标；频域特征分别为表示第m条谱线的频率值、频域振动能量的大...

【专利技术属性】
技术研发人员：王梦姣，杜董生，刘雪梅，朱秀芳，季捷，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：