一种基于不平衡数据的工程机械故障诊断方法技术

本发明专利技术属于工程机械技术领域，具体涉及一种基于不平衡数据的工程机械故障诊断方法，包括：通过振动加速度传感器采集齿轮箱振动信号；对采集到的齿轮箱原始振动信号进行特征提取；利用自适应合成样本算法合成齿轮箱故障数据；在分布改善后的数据集中使用深度自编码器进行特征选择时，在损失函数中引入最大相关熵和稀疏惩罚项；利用选择后的特征和改善后的数据集来训练SVM分类器，实现齿轮箱故障诊断。本发明专利技术在对齿轮箱振动信号进行特征提取之后，利用自适应合成样本算法合成故障数据样本，改善现有数据集中正常数据与故障数据不平衡的问题，尤其重视数据中更具挑战性的区域，能够提升分类器的性能。升分类器的性能。升分类器的性能。

【技术实现步骤摘要】
一种基于不平衡数据的工程机械故障诊断方法


[0001]本专利技术涉及工程机械
，具体涉及一种基于不平衡数据的工程机械故障诊断方法

技术介绍

[0002]加强基础设施建设是一项重大而紧迫的任务，在该任务中作为施工工具的工程机械发挥不可替代的作用，进而导致工程机械的作业负荷提升。在实际工程使用中，作业人员轮流换班，但是工程机械持续作业。又由于工程机械经常在大载荷下使用，容易加速机械零部件的磨损，对于机械零部件的使用寿命极为不利。一旦机械发生故障停机，就会增加备件储备运输和维修的时间和成本，进而影响工程开展进度。结合如今工程机械智能化的发展方向，作为智能化应用之一的工程机械故障诊断显得意义非凡。
[0003]在工程机械结构中，拥有大量齿轮、轴承的齿轮箱的故障率较高，且齿轮箱结构复杂，故障后现场维修难度较大，实际维修的策略是直接换新，这将增加工程机械厂商的售后服务成本，所以对该痛点进行故障诊断成为研究热点。总体来说，齿轮箱故障诊断方法分为两类，分别为基于模型的方法和基于数据的方法。但由于齿轮箱内部结构复杂，包含多组齿轮和轴承，以及各种油路和附件，导致对其建立准确模型十分困难，而基于数据的方法对于复杂工业过程具有强大的处理能力。基于数据的方法进行故障诊断时，需要大量的齿轮箱正常数据和故障数据作为训练样本，但实际中获得的齿轮箱数据是不平衡的，其故障数据不易获得，导致传统基于数据的方法无法识别出故障状态。本专利技术提出一种基于不平衡数据的工程机械故障诊断方法，对采集到的振动信号利用小波包分解(WPD)、经验模态分解(EMD)和时域统计分析提取信号特征，然后利用自适应合成过采样(ADASYN)的方法合成故障数据，改善数据不平衡的分布问题，接着采用深度自编码器(DA)对提取的特征进行选择，最后根据改善的数据和选择的特征建立SVM分类器，对齿轮箱正常状态和故障状态进行分类，进而实现齿轮箱故障诊断。

技术实现思路

[0004]本专利技术针对现有技术的不足，提供了一种基于不平衡数据的工程机械故障诊断方法，该方法针对故障诊断存在的故障数据难以获取，正常数据和故障数据样本数量不平衡的问题，首先利用ADASYN方法来合成故障数据样本，改善数据分布情况，同时该方法通过在损失函数中引入最大相关熵和稀疏惩罚项，来克服DA在提取特征过程中受噪声和冗余数据影响导致的鲁棒性差的问题，而且SVM分类器训练简单，能够有效识别齿轮箱故障状态。
[0005]本专利技术的技术方案为：一种基于不平衡数据的工程机械故障诊断方法，所述方法包括如下步骤：
[0006]步骤1，通过振动加速度传感器采集齿轮箱振动信号；
[0007]步骤2，对采集到的齿轮箱原始振动信号进行特征提取；
[0008]步骤3，利用自适应合成样本算法(ADASYN)合成齿轮箱故障数据；
[0009]步骤4，在分布改善后的数据集中使用深度自编码器(DA)进行特征选择，选择时，在损失函数中引入最大相关熵和稀疏惩罚项；
[0010]步骤5，利用选择后的特征和改善后的数据集来训练SVM分类器，SVM分类器对齿轮箱正常与故障振动信号进行分类，实现齿轮箱故障诊断。
[0011]进一步地，步骤2中对采集到的齿轮箱振动信号进行特征提取，所使用的方法为小波包分解(WPD)、经验模态分解(EMD)和时域统计分析，小波包分解是让信号通过一系列中心频率不同但频宽相同的滤波器，在通过三层分解后得到高低频分量，然后从高低分量中提取信号能量特征和信号能量熵。经验模态分解是根据数据自身的时间尺度特征来进行信号分解，使复杂的信号分解为有限个本征模态函数(IMF)，然后从前八个IMF中提取能量特征，并计算能量熵。经过时域统计分析可以得到信号的均值、方差、均方根值、峭度、脉冲因子。
[0012]进一步地，步骤2中，小波包分解具体为：通过高通滤波器和低通滤波器对输入波形进行滤波，得到近似分量和细节分量，最终将原信号转换到2
j
个频带中，j为分解层数，通过双尺度方程构造小波包，双尺度方程可写作：
[0013][0014][0015]其中ψ(t)为母小波，j为分解层数，n为该层中结点编号，i为节点编号，k为位移因子，h
k
和g
k
为一对互补的正交镜像滤波器，则第j层第k个频带的小波包系数计算公式为：
[0016][0017][0018]当输入信号为S时，对输入信号进行3层小波包分解，输入信号可以表示为：
[0019][0020]式中右下标为分解层数，右上标为该层中频带编号，
[0021]提取小波包分解得到的子频带信号能量特征即信号的均方值，信号能量计算公式为：
[0022][0023]式中x
i
(t)为第k个子频带信号每一时刻的信号幅值，N为信号长度，
[0024]由每个子频带信号的能量特征计算能量熵，公式为：
[0025][0026]进一步地，经验模态分解具体为：经验模态分解将输入信号分解为几个本征模态函数和一个残差组成，公式为：
[0027][0028]式中IMF
m
(n)表示第M个本征模态函数，Res
M
(n)表示残差，
[0029]经验模态分解具体步骤为：
[0030]vi.根据原始信号上下极值点，分别得到上下包络线；
[0031]vii.求上、下包络线的均值，得到均值包络线；
[0032]viii.原始信号减去均值包络线，得到中间信号；
[0033]ix.判断该中间信号是否满足本征模态函数的两个条件，如果满足，该信号就是一个本征模态函数分量；如果不是，以该信号为基础，重新做i
‑
iv的分析；
[0034]x.使用上述方法得到本征模态函数1后，用原始信号减去本征模态函数1，作为新的原始信号，再通过i
‑
iv的分析，可以得到本征模态函数2，以此类推,完成经验模态分解分解；
[0035]完成经验模态分解分解后,选择前8个本征模态函数分量,分别计算各自能量特征,再由能量特征得到能量熵。
[0036]进一步地，步骤3包括：利用自适应合成样本算法自适应合成少数类样本，根据每个少数类样本周围的多数类样本情况，来自适应地决定每个少数类样本需要合成的样本数量，进而改善样本集的分布问题。
[0037]进一步地，步骤3中自适应合成样本算法包括：
[0038]vii.计算不平衡度，记少数类样本为ms，多数类样本为ml,则不平衡度为：
[0039][0040]viii.计算需要合成的样本数量
[0041]G＝(ml
‑
ms)*b,b∈[0,1][0042]ix.对每个属于少数类的样本用欧式距离计算k个邻居，Δ为k个邻居中属于多数类的样本数目，记比例r为：
[0043][0044]x.在iii中得到每个少数类样本的r
i
,计算每个少数类样本的周围多数类的情况，公式为：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不平衡数据的工程机械故障诊断方法，其特征在于，所述方法包含如下步骤：步骤1，通过振动加速度传感器采集齿轮箱振动信号；步骤2，对采集到的齿轮箱原始振动信号进行特征提取；步骤3，利用自适应合成样本算法合成齿轮箱故障数据；步骤4，在分布改善后的数据集中使用深度自编码器进行特征选择，选择时，在损失函数中引入最大相关熵和稀疏惩罚项；步骤5，利用选择后的特征和改善后的数据集来训练SVM分类器，SVM分类器对齿轮箱正常与故障振动信号进行分类，实现齿轮箱故障诊断。2.根据权利要求1所述的一种基于不平衡数据的工程机械故障诊断方法，其特征在于，步骤2中，对采集到的原始振动信号进行特征提取，所采用的方法为小波包分解、经验模态分解和时域统计分析；小波包分解通过高通滤波器和低通滤波器对输入信号进行滤波，得到不同频带内的分量，然后计算各分量能量和能量熵；经验模态分解将输入信号分解成几个本征模态函数和一个残差，然后计算本征模态函数的能量和能量熵；经过时域统计分析得到信号的均值、方差、均方根值、峭度、脉冲因子。3.根据权利要求2所述的一种基于不平衡数据的工程机械故障诊断方法，其特征在于，步骤2中，小波包分解具体为：通过高通滤波器和低通滤波器对输入波形进行滤波，得到近似分量和细节分量，最终将原信号转换到2
j
个频带中，j为分解层数，通过双尺度方程构造小波包，双尺度方程可写作：小波包，双尺度方程可写作：其中ψ(t)为母小波，j为分解层数，n为该层中结点编号，i为节点编号，k为位移因子，h
k
和g
k
为一对互补的正交镜像滤波器，则第j层第k个频带的小波包系数计算公式为：为一对互补的正交镜像滤波器，则第j层第k个频带的小波包系数计算公式为：当输入信号为S时，对输入信号进行3层小波包分解，输入信号可以表示为：式中右下标为分解层数，右上标为该层中频带编号，提取小波包分解得到的子频带信号能量特征即信号的均方值，信号能量计算公式为：
式中x
i
(t)为第k个子频带信号每一时刻的信号幅值，N为信号长度，由每个子频带信号的能量特征计算能量熵，公式为：4.根据权利要求2所述的一种基于不平衡数据的工程机械故障诊断方法，其特征在于，步骤2中，经验模态分解具体为：经验模态分解将输入信号分解为几个本征模态函数和一个残差组成，公式为：式中IMF
m
(n)表示第M个本征模态函数，Res
M
(n)表示残差，经验模态分解具体步骤为：i.根据原始信号上下极值点，分别得到上下包络线；ii.求上、下包络线的均值，得到均值包络线；iii.原始信号减去均值包络线，得到中间信号；iv.判断该中间信号是否满足本征模态函数的两个条件，如果满足，该信号就是一个本征模态函数分量；如果不是，以该信号为基础，重新做i

【专利技术属性】
技术研发人员：张奇，刘淑强，高翔，杨田苓，杨秦敏，陈旭，翁得鱼，曹伟伟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：