一种齿轮箱故障特征提取方法技术

本发明专利技术公开了一种齿轮箱故障特征提取方法，一种基于ISSA

【技术实现步骤摘要】
一种齿轮箱故障特征提取方法


[0001]本专利技术涉及齿轮箱故障特征提取
，具体涉及一种齿轮箱故障特征提取方法。

技术介绍

[0002]齿轮箱属于旋转机械类别。一般旋转机械类故障受原始数据噪声、采样信号非线性和不平稳状态等多类型交织因素的影响，故障特征提取不充分，导致诊断正确率和效率都不高。国内外研究采用小波降噪、经验模态分解(EMD)与改进的局部Fisher判别分析相结合、基于能量聚集度经验小波变换、基于小波包分析与BP神经网络、基于最大相关峭度解卷积(MCKD)和变分模态分解(VMD)、基于平方包络谱、基于麻雀搜索算法(SSA)优化支持向量机等故障诊断方法，虽然获得了一定的效果，但针对上述自适应选择问题还很难做到真正自适应，另一方面EMD、EEMD、LMD等属于递归模态分解，尚缺乏严格的数学理论。因此相关研究至今仍是一个热门问题。
[0003]齿轮箱广泛应用于工程机械等大型复杂机械装备中，低速重载以及恶劣工作环境经常导致齿轮箱关键部位出现严重故障，再加上强背景噪声的影响，大量有效振动信号被淹没在噪声中，给故障检测带来困难。另外，在实际齿轮箱的振动信号中，由于多个齿轮产生了多种转速和啮合频率，而且常常受到多个调制源的联合作用，形成了非对称的边带结构，检测信号功率谱中间包含很多大小和周期都不相同的频率结构，这就导致检测信号中混杂的周期分量很难被分辨出来。
[0004]当前，在齿轮箱故障特征提取
，现有的传统故障诊断理论与技术不能有效解决齿轮箱所面临的诸多棘手问题，例如齿轮箱中振动传输路径复杂以及多模式混淆导致故障响应微弱、载荷大范围瞬时波动引起振动的强烈非平稳性、多对齿轮啮合的振动相互耦合造成振动明显的非线性，混杂的周期变量很难被分辨、噪声污染严重等问题。主要表现为故障特征提取不充分、诊断正确率和效率不高等现象。
[0005]随着物联网和信息技术的发展，对齿轮箱故障检测而言，传感器技术、检测技术、信号传输技术等都有了长足发展，信号处理计算能力也得到了显著进步，关键是缺少有效实用的故障信号分析处理的方法。

技术实现思路

[0006]有鉴于此，本专利技术提出了一种齿轮箱故障特征提取方法，通过基于ISSA(改进麻雀搜索算法)的VMD和MCKD算法解决齿轮箱中故障信号微弱、大量有效信号被背景噪声淹没以及故障信号所具有的线性和非线性特征等问题，将处理后的故障信号通过倒平方包络谱分析方法，更好地提取故障特征频率，识别相应的故障类型。，从而有效解决上述现有技术问题。
[0007]本专利技术设计的一种齿轮箱故障特征提取方法，所述方法基于ISSA
‑
VMD
‑
MCKD算法，也称为“一种基于ISSA
‑
VMD
‑
MCKD的齿轮箱故障特征提取方法”，其中ISSA算法为改进的麻
雀搜索算法，VMD算法为变分模态分解算法，MCKD算法为最大相关峭度解卷积算法，其特征在于，所述故障特征提取方法包括如下步骤：
[0008]S1：采集齿轮箱运行时的振动信号；
[0009]S2：基于ISSA优化VMD算法，获取所述振动信号的最优模态；
[0010]S3：基于ISSA优化MCKD算法和所述最优模态，获取加强后的振动信号，特别是微弱振动信号获得明显加强；
[0011]S4：基于倒平方包络谱方法对所述加强后的振动信号提取振动信号故障特征；
[0012]所述ISSA的改进点包括在基本麻雀搜索算法的加入者位置更新中用前一时刻的最优位置替换传统正态分布随机数；所述基于ISSA优化VMD算法，包括对所述VMD算法信号中的分解层数K、惩罚因子a参数利用ISSA算法进行全局寻优的方法；所述基于ISSA优化MCKD算法，包括对所述MCKD算法中的滤波长度L、解卷积周期T参数利用ISSA算法进行全局寻优的方法。
[0013]其中，变分模态分解(VMD)是一种非递归式模态分解算法，它可以有效避免经验模态分解(EMD)等信号分解产生的模态混叠、端点效应等问题。而最大相关峭度解卷积(MCKD)通过解卷积运算突出被噪声淹没的连续冲击脉冲，提高原始信号的相关峭度值，该方法非常适用于提取微弱故障信号的连续瞬态冲击。采用两种方法组合对齿轮箱故障特征提取具有明显的优势，可以充分发挥VMD在降噪方面的优越性以及MCKD能够突出被噪声所掩盖的微弱脉冲的特性。该技术为成熟技术，可以参考文献“基于MCKD和VMD的滚动轴承微弱故障特征提取”(《振动与冲击》2017年，Vol.36，No.20)等。
[0014]本专利技术考虑到，利用VMD和MCKD虽然能够有效提取出齿轮箱中有效故障特征，但是这两种算法需要进行人为的设置一些参数，并且这些参数的设置对算法结果的影响非常大。具体而言，VMD算法需要设置惩罚因子a和模态分解层数K；MCKD需要提前设置滤波长度参数L和解卷积周期T。为了提高诊断效果，本专利技术提出了采用改进麻雀搜索算法(ISSA)分别对VMD和MCKD需要确定的参数进行全局寻优的方法，可减少人为不确定因素的影响，并有效提高算法的执行效率。
[0015]关于VMD和MCKD执行的先后顺序，传统方法一般是先利用MCKD进行微弱信号加强，再利用VMD进行模态分解。本专利技术考虑到若先采用MCKD算法可能会导致原始信号中的大量微弱噪声信号得到加强，有效信号会再次被噪声信号淹没，如此再进行VMD分解，VMD的分解效果会受到影响。所以本专利技术在设计过程中提出新方法之一就是首先考虑先进行VMD分解，然后对分解后的信号进行MCKD反卷积，保留最具特征的信号。另一方面同时也保留了传统的先采用MCKD算法，得到解卷积的信号后，再对该信号进行VMD分解的方案。从实验看先进行VMD模态分解后再进行MCKD反卷积微弱信号加强效果更好一些。
[0016]关于倒平方包络谱的使用：由于频谱图中故障特征频率信号一般较小，而包络谱则对冲击事件的故障比较敏感，包络谱图中故障特征频率的幅值较高，容易辨认。因此，相对于频谱分析，包络谱分析可剔除部分频率干扰。另外考虑到齿轮箱中每对齿轮啮合都将产生边频带，这就导致边频带会交叉分布在一起，仅靠包络谱分析还是很难清晰的观察特征频率，特别是能够凸显故障的特征频率。本专利技术提出了倒平方包络谱分析方法来提取信号的故障特征，倒平方包络谱能够较好地检测出频谱上的周期成分，并将原频谱上成族的边频带谱线简化成为单根谱线，便于观察，而齿轮发生故障时的振动频谱具有的边频带一
般都具有等间隔的结构，利用倒平方包络谱这个优点，可以检测出功率谱中难以辨识的周期性信号。另外若只分析包络谱信号，故障特征频率聚集在低频区就很难分辨，不能直观的判断出齿轮箱的故障类型，而倒平方包络谱分析方法可以突出聚集在低频段的故障特征频率。经过倒平方包络谱分析方法后，能够更好地识别相应的故障类型。
[0017]所述VMD算法和MCKD算法均为现有技术，具体方法步骤可以参考文献“基于MCKD和VMD的滚动轴承微弱故障特征提取”(《振动与冲击》2017年，Vol.36，N本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种齿轮箱故障特征提取方法，所述方法基于ISSA
‑
VMD
‑
MCKD算法，其中ISSA算法为改进的麻雀搜索算法，VMD算法为变分模态分解算法，MCKD算法为最大相关峭度解卷积算法，其特征在于，所述故障特征提取方法包括如下步骤：S1：采集齿轮箱运行时的振动信号；S2：基于ISSA优化VMD算法，获取所述振动信号的最优模态；S3：基于ISSA优化MCKD算法和所述最优模态，获取加强后的振动信号；S4：基于倒平方包络谱方法对所述加强后的振动信号提取振动信号故障特征；所述ISSA的改进点包括在基本麻雀搜索算法的加入者位置更新中用前一时刻的最优位置替换传统正态分布随机数；所述基于ISSA优化VMD算法，包括对所述VMD算法信号中的分解层数K、惩罚因子a参数利用ISSA算法进行全局寻优的方法；所述基于ISSA优化MCKD算法，包括对所述MCKD算法中的滤波长度L、解卷积周期T参数利用ISSA算法进行全局寻优的方法。2.根据权利要求1所述的一种齿轮箱故障特征提取方法，其特征在于，所述ISSA算法步骤包括：SA1：发现者位置更新包括如下式的方法：式中：为第i个麻雀在第j维中的位置信息，麻雀总数为I；j＝1,2,
…
,d,其中d代表解的维度或待优化的参数个数；iter
max
表示最大迭代次数；t表示现阶段的迭代次数；α表示均匀分布在(0,1]中的随机数；Q表示服从标准正态分布的随机数；T表示为1*d阶矩阵，且矩阵元素都为1；R2表示预警值，取值大小在[0,1]范围内；ST表示安全值，取值处于[0,1]的范围内；当R2<ST时，这意味着此时的觅食环境周围没有捕食者，发现者可以执行广泛的搜索操作；当R2≥ST时，这表示种群中的一些麻雀已经发现了捕食者，并向种群中其他麻雀发出了警报，此时所有麻雀都需要迅速飞到其他安全的地方进行觅食；SA2：加入者位置更新，如果发现危险，个体会向其他麻雀发出警告；当报警值大于安全值时，加入者会跟随发现者的路径到达安全区域；加入者位置更新包括如下式的方法：其中：是前一时刻的全局最优位置，替换传统正态分布随机数；表示在d维空间中种群在进行第t次迭代后种群处于的最差位置；表示在第d维空间中种群第t+1次迭代后种群处于的最优位置；A为1*d的矩阵，其中每个元素随机赋值为1或
‑
1，A
+
＝A
T
(AA
T
)
‑1为A的伪逆矩阵，|
·
|表示取模运算；SA3：危险来临时位置更新，危险来临时种群个体立即从种群边缘位置向安全区域迅速移动，位于种群中间的个体则会随机移动，向其他个体靠近，公式如下：
其中，β为服从标准正态分布的随机数，用于控制个体移动的步长；G表示个体移动的方向，G∈[
‑
1,1]是一个随机数；ε是控制步长参数的一个极小常数，避免式中分母为零，其取值范围为[
‑
0.5,0.5]；f
i
表示第i只个体的适应度函数值，f
g
和f
w
分别用于表示麻雀种群的最优和最差适应度值f
i
、f
g
和f
w
在求解过程中是变化的。3.根据权利要求2所述的一种齿轮箱故障特征提取方法，其特征在于，所述ISSA算法改进点还包括基于Levy飞行策略的加入者位置更新方法改进，包括用以下步骤SA21代替步骤SA2，所述步骤SA21包括：加入者位置更新如下式，式中：表示现阶段发现者的最优位置，α表示Levy飞行的步长，α>0，Levy(
·
)表示麻雀个体的随机搜寻轨迹，服从下式所示的Levy分布：其中，β在(0,2)范围内的随机数，μ服从N(0,σ2)的正态分布，v服从N(0,1)标准正态分布，σ计算方法如下式：其中：Γ是Gamma分布函数，用于模拟Levy分布；式中：c为现阶段的迭代次数；c
max
为最大迭代次数。α表示步长大小，|
·
|表示取模运算。4.根据权利要求1、2、3中任意一项所述的一种齿轮箱故障特征提取方法，其特征在于，定义无量纲指标包络谱峰值因子Ec为适应度函数，记信号包络谱幅值序列为X(z)(z＝1...

【专利技术属性】
技术研发人员：承敏钢，张能文，何晓琳，江冰，蔡昌春，何坤金，
申请(专利权)人：江苏新道格自控科技有限公司，
类型：发明
国别省市：