【技术实现步骤摘要】
基于TVF
‑
EMD和THGWO
‑
ELM的齿轮箱故障诊断方法
[0001]本专利技术涉及故障诊断
,具体涉及一种基于TVF
‑
EMD和THGWO
‑
ELM的齿轮箱故障诊断方法。
技术介绍
[0002]作为旋转机械的重要部件,齿轮箱在机器中发挥着不可替代的作用。由于运行工况以及环境的复杂性,导致齿轮箱出现多种故障,如齿轮磨损、点蚀、断齿及裂纹等。一个故障的存在会诱发其他故障的产生,因此对齿轮箱进行故障诊断是非常重要的。
[0003]近年来,很多国内外学者针对齿轮箱故障诊断提出了很多可行方法。神经网络被广泛应用于该领域中。极限学习机因其训练速度快,结果准确率高等优点,在故障诊断领域发挥着显要的作用。然而,极限学习机存在着结果不稳定、非线性能力差等缺点,对其进行优化至关重要。
[0004]齿轮箱信号中存在大量虚假信号,对信号中的数据进行处理必不可少。因此,研究基于数据处理与神经网络相结合的齿轮箱故障诊断方法,可以显著提高诊断效率和准确率,降低经济损失,具有重要的实际工程意义。
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,本专利技术公开了一种基于TVF
‑
EMD和THGWO
‑
ELM的齿轮箱故障诊断方法,可以提高其对水轮发电机转子故障的诊断准确率和诊断时间。
[0006]技术方案:本专利技术公开了一种基于TVF
‑
EMD和THGWO ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于TVF
‑
EMD和THGWO
‑
ELM的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Savitzky
‑
Golay滤波对原始数据进行降噪;步骤2:使用时变滤波器的经验模态分解TVF
‑
EMD将去噪后的信号分解成多个内涵模态分量IMF;步骤3:利用方差贡献率
‑
信息熵方法筛选出最优IMF;步骤4:利用Tent混沌映射初始化种群,利用混合正弦余弦算法优化灰狼算法GWO,更新头狼位置;步骤5:利用优化后的灰狼算法GWO优化极限学习机ELM的阈值和权重,构造基于改进灰狼优化算法的极限学习机THGWO
‑
ELM模型,利用该模型进行故障诊断。2.根据权利要求1所述的基于TVF
‑
EMD和THGWO
‑
ELM的齿轮箱故障诊断方法,其特征在于,所述步骤1中使用Savitzky
‑
Golay滤波对数据进行降噪,其“平滑”去除信号中的高频成分,一组数据x
i
的Savitzky
‑
Golay滤波的数学公式为:其中,Y
*
是时间序列的拟合值,是平滑系数,H是卷积数目。3.根据权利要求1所述的基于TVF
‑
EMD和THGWO
‑
ELM的齿轮箱故障诊断方法,其特征在于,所述步骤2中TVF
‑
EMD分解信号,实现步骤如下:(21)获得局部截止频率;利用Hilbert变换求出信号x(t)的瞬时频率和瞬时幅值a(t),分别计算它们的局部最大值以及局部最小值,利用差值运算分别得到μ1(t)和μ2(t);进而,采用时变滤波器处理信号,得到瞬时均值α1(t)和瞬时包络α2(t),最后计算局部截止频率为:(22)重构信号为h(t)(23)判断是否满足停止准则θ(t)(23)判断是否满足停止准则θ(t)(23)判断是否满足停止准则θ(t)(23)判断是否满足停止准则θ(t)(23)判断是否满足停止准则θ(t)其中,是加权均值瞬时频率,是第i阶分量的瞬时频率,B
L
(t)是Loughlin瞬
时带宽,设带宽阈值为ξ,若θ(t)≤ξ,则判定x(t)为一个IMF;否则,采用B样条插值对信号x(t)进行逼近并得到逼近结果m(t),即令x1(t)=x(t)
‑
m(t),并重复执行步骤(21)~(23)。4.根据权利要求1所述的基于TVF
‑
EMD和THGWO
‑
ELM的齿轮箱故障诊断方法,其特征在于:所述步骤4中GWO算法具体步骤为:(41)初始化GWO算法参数以及向量参数A、C;A=2ar1‑
a,C=2r2其中,A和C是系数向量,a是一个线性减少的数字,r1和r2是0到1之间的随机向量;(42)计算狼的个体适应度值并保存适应度最优的三个头狼个体为α,β,δ,对应位置分别为X
α
,X
β
,X
δ
;灰狼位置计算公式如下:D=|CX
P
(t)
‑
X(t)|,X(t+1)=X
p
(t)
‑
AD其中,X
P
技术研发人员:王梦姣,杜董生,孙申楠,宋容榕,朱凌宇,
申请(专利权)人:淮阴工学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。