基于TVF-EMD和THGWO-ELM的齿轮箱故障诊断方法技术

本发明专利技术公开了一种基于TVF

【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
‑
ELM的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Savitzky
‑
Golay滤波对原始数据进行降噪；
[0008]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；
[0009]步骤3：利用方差贡献率
‑
信息熵方法筛选出最优IMF；
[0010]步骤4：利用Tent混沌映射初始化种群，并利用混合正弦余弦算法优化灰狼算法GWO，更新头狼位置，引入非线性正弦学习因子；
[0011]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。
[0012]进一步地，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：
[0013][0014]其中，Y*是时间序列的拟合值，是平滑系数，H是卷积数目。
[0015]进一步地，所述步骤2中TVF
‑
EMD分解信号，实现步骤如下：
[0016](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：
[0017][0018](22)重构信号为h(t)
[0019][0020](23)判断是否满足停止准则θ(t)
[0021][0022][0023][0024][0025][0026]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)。
[0027]进一步地，所述步骤4中GWO算法具体步骤为：
[0028](41)初始化GWO算法参数以及向量参数A、C；
[0029]A＝2ar1‑
a，C＝2r2[0030]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：
[0031]D＝|CX
P
(t)
‑
X(t)|，X(t+1)＝X
p
(t)
‑
AD
[0032]其中，X
P
(t)是当前猎物的位置，X(t)是第t代头狼的位置，D是灰狼和猎物之间的距离；
[0033](43)更新种群中三只头狼的位置；
[0034]D
α
＝|C1·
X
α
(t)
‑
X(t)|，D
β
＝|C2·
X
β
(t)
‑
X(t)|，D
δ
＝|C3·
X
δ
(t)一X(t)|，X
α
(t+1)＝X
α
(t)
‑
A
i
D
α
，X
β
(t+1)＝X
β
(t)
‑
A2D
β
，X
δ
(t+1)＝X
δ
(t)
‑
A3D
δ
，
[0035][0036]其中，X(t+1)是灰狼更新后的最新位置；
[0037](44)更新收敛因子a和向量参数A、C的值；
[0038](45)判断是否达到最大的迭代次数t，若达到则结束迭代过程；否则，返回步骤(42)，直到达到迭代要求为止。
[0039]进一步地，所述步骤4中利用Tent混沌初始化种群公式如下：
[0040][0041]其中，x
i
为混沌序列。
[0042]进一步地，所述步骤4中利用混合正弦余弦更新头狼位置，并引入非线性正弦学习因子，则学习因子公式和改进后的头狼位置公式如下：
[0043]ω＝ω
min
+(ω
max
‑
ω
min
)
·
sin(tπ/iter
max
)
[0044][0045]其中，r1为[0，2π]内的随机数，r2是[0，2]内的随机数。
[0046]进一步地，所述步骤5中利用优化后的GWO优化ELM的阈值和权重，构造THGWO
‑
ELM模型，具体为：
[0047](51)收集齿轮箱信号数据，划分训练样本和测试样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：