CN109323860A - 一种旋转机械齿轮箱故障数据集优化方法 - Google Patents
一种旋转机械齿轮箱故障数据集优化方法 Download PDFInfo
- Publication number
- CN109323860A CN109323860A CN201811283953.8A CN201811283953A CN109323860A CN 109323860 A CN109323860 A CN 109323860A CN 201811283953 A CN201811283953 A CN 201811283953A CN 109323860 A CN109323860 A CN 109323860A
- Authority
- CN
- China
- Prior art keywords
- data set
- rotating machinery
- fault data
- signal
- optimization method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Abstract
本发明公开了一种旋转机械齿轮箱故障数据集优化方法,其特征在于,包括如下步骤:1)采集旋转机械齿轮箱振动信号;2)获取5个无量纲指标和小波能量特征向量;3)利用遗传算法与支持向量机对齿轮箱故障数据集特征向量进行优化。优点:本发明提供的一种旋转机械齿轮箱故障数据集优化方法,将小波包提取的小波能量特征向量与5个无量纲指标结合,组成齿轮箱故障数据集的特征指标集合。利用遗传算法与支持向量机相结合的优化方法,优化了故障特征数据集的表示,改善了旋转机械齿轮箱的故障诊断效果。
Description
技术领域
本发明涉及一种旋转机械齿轮箱故障数据集优化方法,具体涉及一种基于遗传算法与支持向量机的旋转机械齿轮箱故障数据集优化方法。
背景技术
齿轮箱是重要工程领域(如:石化产业、航天、机械制造等)的关键设备之一,由于旋转机械设备日趋大型化、高速化和精密化,一旦旋转机械中的齿轮箱发生故障,可能影响石化产品的生产,严重时甚至会发生重大生产安全事故,因此对齿轮箱进行故障诊断研究具有显著的经济效益和社会效益。
由于在实际的石化复杂环境下,振动监测信号往往存在大量的非线性、随机、不可遍历的信息,给故障信号的分析带来很大的困难。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种旋转机械齿轮箱故障数据集优化方法,能快速准确地对齿轮箱故障进行分类预测。
为解决上述技术问题,本发明提供一种旋转机械齿轮箱故障数据集优化方法,其特征在于,包括如下步骤:
1)采集旋转机械齿轮箱振动信号;
2)获取5个无量纲指标和小波能量特征向量;
3)利用遗传算法与支持向量机对齿轮箱故障数据集特征向量进行优化。
进一步的,所述步骤1)具体步骤如下:利用数据采集器采集旋转机械齿轮箱包含的典型故障振动信号。
进一步的,所述步骤2)具体步骤如下:
21)利用小波包对步骤1)采集的振动信号提取小波能量特征向量;
22)计算5个无量纲指标,其计算公式如下;
波形指标:
峰值指标:
脉冲指标:
裕度指标:
峭度指标:
式中,Xrms为信号的均方根值,为信号的平均幅值,Xmax为信号的最大值,Xr为信号的方根幅值,β为峭度, N表示构成样本的信号采样点个数,Xi表示振动幅值,i表示采样点的下标索引;
23)将21)提取的小波能量特征向量与22)计算获得的5个无量纲指标结合,组成齿轮箱故障特征向量,建立故障特征数据集。
进一步的,所述步骤21)具体步骤如下:
211)选择一个适合的小波包函数,确定其分解层次n,设置熵标准,对信号进行n层小波包分解;
212)对第n层不同频带的信号进行重构;
213)对重构后的信号构造能量特征指标。
进一步的,所述一个适合的小波包函数的选择标准是:针对相同的齿轮箱振动信号采样点,选择多个小波包函数,并利用小波函数提取的小波能量特征向量构建齿轮箱故障数据集,选取相同比例的训练集和测试集,利用支持向量机进行训练和测试,选取分类效果最好的故障数据集对应的小波函数。
进一步的,所述步骤3)具体步骤如下:
31)遗传算法采用整数编码,通过支持向量机得出的分类效果作为遗传算法的适应度函数;
32)支持向量机随机选取齿轮箱故障数据集60%样本作为训练集,剩余40%样本作为测试集;利用遗传算法与支持向量机分类算法得到齿轮箱故障诊断的最优特征指标集。
本发明所达到的有益效果:
本发明提供的一种旋转机械齿轮箱故障数据集优化方法,将小波包提取的小波能量特征向量与5个无量纲指标结合,组成齿轮箱故障特征指标集合。利用遗传算法与支持向量机的旋转机械齿轮箱故障数据集优化方法,优化了故障特征的样本表示,改善了预测效果。
附图说明
图1是本发明提供的一种旋转机械齿轮箱故障数据集优化方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参见图1和表1,本发明提供一种旋转机械齿轮箱故障数据集优化方法,包括以下步骤:
1)将不同的齿轮箱故障件安装在此实验平台上,振动信号由安装在轴承座上的加速度传感器来提取,通过EMT490数据采集器来采集故障振动信号。实验参数如下:转速为1000r/min,采样频率为1000Hz,采样点数为8192点;
2)将采集到的振动加速度故障数据导入到电脑上,并利用MATLAB软件对其进行读取;本实验对齿轮箱四种状态(大齿轮缺齿,小齿轮缺齿,大小齿轮均缺齿,正常状态)下的振动信号进行分别采样,各得500组数据。将这2000组数据随机抽取1200组数据作为训练集,剩下的800组数据作为测试集;
3)利用MATLAB里的小波包函数对其分解重构,提取小波能量特征向量。选用的是db1小波包函数,分解层数为3,使用的熵准则是Shannon熵,由此可得8维小波能量特征向量;
4)计算出5个无量纲指标:波形指标,峰值指标,脉冲指标,裕度指标,峭度指标;
5)将小波包提取的8维能量特征向量与5个无量纲指标结合,组成齿轮箱故障特征向量,然后对齿轮箱故障特征指标按顺序进行标记。
6)将遗传算法与支持向量机结合,建立一种基于遗传算法与支持向量机相结合的一种旋转机械齿轮箱故障数据集优化方法。
(1)对齿轮箱故障特征指标按顺序标记,标记为1,2,…,13;
(2)染色体编码方法:采用整数编码;
(3)初始种群:设染色体长度为l,(l≤13),随机从1,2,…,13中选取l个数组成一个个体,共选取N个个体构成种群;
(4)适应度函数:支持向量机方法得出的诊断效果作为适应度函数,即将采集到的2000组数据随机抽取1200组数据作为训练集,剩下的800组数据作为测试集,得出诊断准确率;
(5)遗传操作设计:选择轮盘机制,单点交叉,基本位变异方法进行遗传操作,通过求最大目标函数值来获取最优特征集。为了保证得到最优个体,在每次迭代中选出适应度最大的个体保留到下一代。
作为一种优选方案,本发明提供的一种基于遗传算法与支持向量机相结合的旋转机械齿轮箱故障数据集优化方法,为了能够更好地了解遗传算法与支持向量机相结合的齿轮箱故障特征属性优化的良好性能,对8维能量指标,5维无量纲指标,8维能量特征向量+5维无量纲指标,本发明方法得到的8维能量指标四类指标集的分类准确率进行了对比,对比结果如表1所示:
表1分类准确率对比
综上所述,本发明方法能够较好地对齿轮箱故障状态进行分类预测,故障诊断准确率得到明显改善。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种旋转机械齿轮箱故障数据集优化方法,其特征在于,包括如下步骤:
1)采集旋转机械齿轮箱振动信号;
2)获取5个无量纲指标和小波能量特征向量;
3)利用遗传算法与支持向量机对齿轮箱故障数据集特征向量进行优化。
2.根据权利要求1所述的旋转机械齿轮箱故障数据集优化方法,其特征在于,所述步骤1)具体步骤如下:利用数据采集器采集旋转机械齿轮箱包含的典型故障振动信号。
3.根据权利要求1所述的旋转机械齿轮箱故障数据集优化方法,其特征在于,所述步骤2)具体步骤如下:
21)利用小波包对步骤1)采集的振动信号提取小波能量特征向量;
22)计算5个无量纲指标,其计算公式如下:
波形指标:
峰值指标:
脉冲指标:
裕度指标:
峭度指标:
式中,Xrms为信号的均方根值,为信号的平均幅值,Xmax为信号的最大值,Xr为信号的方根幅值,β为峭度, N表示构成样本的信号采样点个数,Xi表示振动幅值,i表示采样点的下标索引;
23)将21)提取的小波能量特征向量与22)计算获得的5个无量纲指标结合,组成齿轮箱故障特征向量,建立故障特征数据集。
4.根据权利要求3所述的旋转机械齿轮箱故障数据集优化方法,其特征在于,所述步骤21)具体步骤如下:
211)选择一个适合的小波包函数,确定其分解层次n,设置熵标准,对信号进行n层小波包分解;
212)对第n层不同频带的信号进行重构;
213)对重构后的信号构造能量特征指标。
5.根据权利要求4所述的旋转机械齿轮箱故障数据集优化方法,其特征在于,所述一个适合的小波包函数的选择标准是:针对相同的齿轮箱振动信号采样点,选择多个小波包函数,并利用小波函数提取的小波能量特征向量构建齿轮箱故障数据集,选取相同比例的训练集和测试集,利用支持向量机进行训练和测试,选取分类效果最好的故障数据集对应的小波函数。
6.根据权利要求1所述的旋转机械齿轮箱故障数据集优化方法,其特征在于,所述步骤3)具体步骤如下:
31)遗传算法采用整数编码,通过支持向量机得出的分类效果作为遗传算法的适应度函数;
32)支持向量机随机选取齿轮箱故障数据集的60%样本作为训练集,剩余40%样本作为测试集;利用遗传算法与支持向量机分类算法得到齿轮箱故障诊断的最优特征指标集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811283953.8A CN109323860A (zh) | 2018-10-31 | 2018-10-31 | 一种旋转机械齿轮箱故障数据集优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811283953.8A CN109323860A (zh) | 2018-10-31 | 2018-10-31 | 一种旋转机械齿轮箱故障数据集优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109323860A true CN109323860A (zh) | 2019-02-12 |
Family
ID=65259775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811283953.8A Pending CN109323860A (zh) | 2018-10-31 | 2018-10-31 | 一种旋转机械齿轮箱故障数据集优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109323860A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110160781A (zh) * | 2019-06-18 | 2019-08-23 | 广东石油化工学院 | 一种旋转机械故障分类的测试集重构和预测方法 |
CN111397896A (zh) * | 2020-03-08 | 2020-07-10 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
CN112183344A (zh) * | 2020-09-28 | 2021-01-05 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
CN112232212A (zh) * | 2020-10-16 | 2021-01-15 | 广东石油化工学院 | 三重并发故障分析方法、系统、大机组设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
CN107560844A (zh) * | 2017-07-25 | 2018-01-09 | 广东工业大学 | 一种风电机组齿轮箱的故障诊断方法及系统 |
CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
-
2018
- 2018-10-31 CN CN201811283953.8A patent/CN109323860A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
CN107560844A (zh) * | 2017-07-25 | 2018-01-09 | 广东工业大学 | 一种风电机组齿轮箱的故障诊断方法及系统 |
CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110160781A (zh) * | 2019-06-18 | 2019-08-23 | 广东石油化工学院 | 一种旋转机械故障分类的测试集重构和预测方法 |
CN111397896A (zh) * | 2020-03-08 | 2020-07-10 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
CN112183344A (zh) * | 2020-09-28 | 2021-01-05 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
WO2022062161A1 (zh) * | 2020-09-28 | 2022-03-31 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
CN112232212A (zh) * | 2020-10-16 | 2021-01-15 | 广东石油化工学院 | 三重并发故障分析方法、系统、大机组设备及存储介质 |
CN112232212B (zh) * | 2020-10-16 | 2021-09-07 | 广东石油化工学院 | 三重并发故障分析方法、系统、大机组设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109323860A (zh) | 一种旋转机械齿轮箱故障数据集优化方法 | |
CN109580215B (zh) | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 | |
CN109102005A (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
Liang et al. | Single and simultaneous fault diagnosis of gearbox via a semi-supervised and high-accuracy adversarial learning framework | |
CN104596767B (zh) | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 | |
CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
CN105910827B (zh) | 基于判别性卷积特征学习的感应电机故障诊断方法 | |
Gharavian et al. | Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes | |
CN102944418B (zh) | 一种风电机组叶片故障诊断方法 | |
CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN110160789B (zh) | 一种基于ga-enn的风电机组轴承故障诊断方法 | |
CN105956526A (zh) | 基于多尺度排列熵的低信噪比微震事件辨识方法 | |
CN102998118B (zh) | 一种基于形态学滤波和复杂度测度的轴承定量诊断方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN109060347B (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
Upadhyay et al. | Diagnosis of bearing defects using tunable Q-wavelet transform | |
CN106895985B (zh) | 高速线材轧机的故障信号降噪重构特征识别方法 | |
CN110263767A (zh) | 结合压缩数据采集和深度学习的智能转轴故障诊断方法 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN113177448A (zh) | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 | |
CN109632312A (zh) | 基于多约束非负矩阵分解算法的轴承复合故障诊断方法 | |
CN105718961A (zh) | 一种基于ceemd与图像纹理特征的旋转机械智能故障诊断方法 | |
CN109374293A (zh) | 一种齿轮故障诊断方法 | |
CN103335840A (zh) | 一种矿用钻机变速箱故障智能诊断方法 | |
CN113221946B (zh) | 一种机械设备故障种类的诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |
|
RJ01 | Rejection of invention patent application after publication |