CN110503075B - 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 - Google Patents
基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 Download PDFInfo
- Publication number
- CN110503075B CN110503075B CN201910807855.8A CN201910807855A CN110503075B CN 110503075 B CN110503075 B CN 110503075B CN 201910807855 A CN201910807855 A CN 201910807855A CN 110503075 B CN110503075 B CN 110503075B
- Authority
- CN
- China
- Prior art keywords
- pso
- planetary gearbox
- eemd
- value
- vibration signal
- 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.)
- Active
Links
Images
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
- G01M13/021—Gearings
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开提供了一种基于PSO‑EEMD方法的行星齿轮箱故障诊断方法及系统。其中,基于PSO‑EEMD方法的行星齿轮箱故障诊断方法,包括:采集太阳轮不同损伤程度下的行星齿轮箱振动信号;利用PSO‑EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量;选取包含故障特征信息的预设数量的IMF分量作为敏感IMF分量,并计算其近似熵特征值;利用敏感IMF分量的近似熵特征值进行训练并测试支持向量机模型,利用训练完成的支持向量机模型识别出行星齿轮箱的故障类型。
Description
技术领域
本公开属于行星齿轮箱故障诊断领域,尤其涉及一种基于PSO-EEMD方法的行星齿轮箱故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
行星齿轮式变速箱结构紧凑、传动平稳、承载能力强,被广泛应用在工程机械、航空航天、船舶车辆等的传动系统当中,因此对其进行振动检测的意义重大。但是在变速箱振动信号的采集过程中,齿轮、行星架、轴承等各部件的信息成分往往会相互叠加,同时,在其它隐含噪声的干扰下,振动信号会呈现出非平稳、复杂的特点,其非线性特征会变得十分明显,因此传统的信号处理方法将难以对早期微损伤的故障特征信息进行提取和识别。
集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)是一种能够根据原始信号的局部特性自适应完成时频分解的信号处理方法,目前已被广泛应用于行星齿轮箱、轴承等机械部件的故障诊断领域。EEMD通过在原始信号中添加一定幅值大小的高斯白噪声,改善信号的极值点分布特性和时域尺度上的连续性,从而在某种程度上改善经验模态分解(empirical mode decomposition,简称EMD)存在的模式混叠问题。
高斯白噪声的幅值大小是EEMD的关键参数,发明人发现,通常凭借人工经验选取,易产生主观性误差。若白噪声幅值参数过小,则难以改善原始信号的极值点均匀分布特性,难以消除模式混叠现象;若白噪声幅值参数过大,则强烈的噪声成分可能会破坏信号原有的特征信息。近年来,众多国内外学者致力于EEMD的高斯白噪声幅值参数选取研究;Wu等建议用一个系数(经验值为0.2)乘以原始信号的标准差来计算白噪声的最优幅值,但此经验方法并不适用于所有的实际信号情况;Jian等根据原始信号的能量值来确定噪声幅值的大小,但未深入研究复杂的多分量信号的情况;孔德同等根据原始信号的极值点分布情况,基于遍历优化算法确定噪声的最优幅值,但所设定的优化评价目标不够全面。
综上所述,发明人发现,传统的EEMD方法因凭人工经验选取高斯白噪声幅值Anoise而产生主观性误差的问题,进而影响了EEMD的自适应性和分解精度,最终降低了行星齿轮箱故障诊断的准确性。
发明内容
为了解决上述问题,本公开的第一个方面提供一种基于PSO-EEMD方法的行星齿轮箱故障诊断方法,其基于PSO-EEMD方法,以原始信号极值点均布特性作为PSO的评价目标,自适应地迭代确定最优幅值,进而提升EEMD的自适应性和分解精度,提高了行星齿轮箱故障诊断的准确性。
为了实现上述目的,本公开采用如下技术方案:
一种基于PSO-EEMD方法的行星齿轮箱故障诊断方法,包括:
采集太阳轮不同损伤程度下的行星齿轮箱振动信号;
利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量;
选取包含故障特征信息的预设数量的IMF分量作为敏感IMF分量,并计算其近似熵特征值;
利用敏感IMF分量的近似熵特征值进行训练并测试支持向量机模型,利用训练完成的支持向量机模型识别出行星齿轮箱的故障类型。
为了解决上述问题,本公开的第二个方面提供一种基于PSO-EEMD方法的行星齿轮箱故障诊断系统,其基于PSO-EEMD方法,以原始信号极值点均布特性作为PSO的评价目标,自适应地迭代确定最优幅值,进而提升EEMD的自适应性和分解精度,提高了行星齿轮箱故障诊断的准确性。
为了实现上述目的,本公开采用如下技术方案:
一种基于PSO-EEMD方法的行星齿轮箱故障诊断系统,包括:
振动信号采集模块,其用于采集太阳轮不同损伤程度下的行星齿轮箱振动信号;
振动信号分解模块,其用于利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量;
敏感IMF分量选取模块,其用于选取包含故障特征信息的预设数量的IMF分量作为敏感IMF分量,并计算其近似熵特征值;
故障类型模块,其用于利用敏感IMF分量的近似熵特征值进行训练并测试支持向量机模型,利用训练完成的支持向量机模型识别出行星齿轮箱的故障类型。
本公开的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于PSO-EEMD方法的行星齿轮箱故障诊断方法中的步骤。
本公开的第四个方面提供一种计算机终端。
一种计算机终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上述所述的基于PSO-EEMD方法的行星齿轮箱故障诊断方法中的步骤。
本公开的有益效果是:
(1)针对传统的EEMD方法因凭人工经验选取高斯白噪声幅值Anoise而产生主观性误差的问题,本实施例提出了PSO-EEMD方法,该方法以原始信号极值点均布特性作为PSO的评价目标,自适应地迭代确定最优幅值Anoise,进而提升EEMD的自适应性和分解精度。
(2)PSO-EEMD方法能有效地将原始信号分解为多个IMF分量,本实施例通过仿真试验验证了该方法相对于传统EEMD方法的有效性和优越性。
(3)行星齿轮箱故障诊断实例表明,本实施例将PSO-EEMD方法与SVM相结合,能更有效地提取敏感IMF分量的近似熵特征值,并建立精度更高的SVM多故障分类器,从而成功诊断出行星齿轮箱的故障类型。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例的EEMD方法分解流程图;
图2是本公开实施例的一种基于PSO-EEMD方法的行星齿轮箱故障诊断方法流程图;
图3是本公开实施例的利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量的过程;
图4是本公开实施例的原始信号的极值点数列;
图5是本公开实施例的仿真信号的时域图;
图6(a)是本公开实施例的总评价目标迭代寻优结果;
图6(b)是本公开实施例的基于PSO-EEMD的信号分解结果;
图7是本公开实施例的基于传统EEMD的信号分解结果;
图8是本公开实施例的PSO-EEMD分解得到的前四个敏感IMF分量;
图9是本公开实施例的SVM测试分类结果;
图10是本公开实施例的一种基于PSO-EEMD方法的行星齿轮箱故障诊断系统结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
EMD作为一种时频分析方法,能把原始信号分解成多个固有模式分量(intrinsicmode function,简称IMF)。EMD的主要原理是先找到原始信号的局部极值点,然后借助三次样条插值法拟合得到信号的上、下包络线,随后将上、下包络线的局部均值从信号中减掉,循环往复直到信号满足IMF的筛选条件。但当局部极值点分布不均匀时,会造成上、下包络线及其局部均值的错乱,导致EMD的分解结果出现模式混叠问题。
EEMD基于高斯白噪声的频率均布统计特点,在原始信号中添加一定幅值大小的高斯白噪声,改善原始信号极值点的均布特性和时域尺度上的连续性,从而尽可能消除EMD存在的模式混叠问题。按照图1所示的EEMD方法步骤,可将原始信号y(t)分解为多个分量IMFj(t)和最终的残余量r(t),如式(1)所示:
所添加的高斯白噪声的幅值Anoise是EEMD的关键参数。选取合适大小的Anoise,能够改善原始信号的极值点局部均匀分布特性,使信号上、下包络线及其局部均值获得更好的连续性,避免在IMF筛选过程中出现模式混叠现象,从而提高EEMD的分解精度。然而,若噪声幅值Anoise过小,则难以改善原始信号的极值点局部均布特性,难以消除模式混叠问题;若噪声幅值Anoise过大,则强烈的噪声成分会破环信号原有的特征信息,产生其他误差。
噪声幅值Anoise不仅会影响EEMD的分解误差,也会影响EEMD的总体平均次数N,而N与EEMD的分解效率存在必然联系。Anoise、N与EEMD分解误差e之间的内在关系如式(2)所示:
然而传统的EEMD方法,一般凭借人工经验选取噪声幅值Anoise,进而分解各种复杂的实际信号,势必会产生主观性误差,导致EEMD分解结果缺乏客观一致性。因此,如何通过智能优化算法自适应地选定最优的噪声幅值Anoise,已成为提升EEMD分解效果的前提和关键。
粒子群算法(particle swarm optimization,简称PSO)是一种多目标优化算法。本实施例将原始信号极值点均布特性作为PSO的评价目标,自适应地搜寻确定EEMD的高斯白噪声最优幅值,进而提出基于PSO的自适应EEMD方法(PSO-EEMD);然后通过仿真分析,验证PSO-EEMD方法相比于传统EEMD方法的有效性和优越性;最后是行星齿轮箱故障诊断实例,借助PSO-EEMD方法提取试验信号的近似熵特征值,并结合支持向量机模型,有效识别评判行星齿轮箱的故障类型。
PSO算法是近年来由Kennedy和Eberhart提出的一种通过迭代来搜寻全局最优解的多目标智能优化算法。PSO相比于遍历等优化算法,具备操作简单、全局寻优速度快、精度高等优势而被应用于解决各类优化问题。假设在一个粒子群落搜索空间中共有M个粒子,每个粒子都有一个“位置”和“速度”。通过每次迭代,粒子会根据式(3)~式(5)更新当前的速度和位置;并根据所设定的评价目标,搜寻确定整个粒子群落的最优解。
xij(t+1)=xij(t)+vij(t+1) (4)
其中,t是当前迭代次数,c1和c2是加速常量,r1和r2是[0,1]内的随机数,vij和xij分别为第i个粒子在第j个评价目标下的当前速度和位置,pij和gij分别为当前最优个体极值和全局极值;w是惯性权重,在[wmax,wmin]内线性递减,Tmax是最大迭代数。
实施例1
图2是本公开实施例的一种基于PSO-EEMD方法的行星齿轮箱故障诊断方法流程图。
如图2所示,本实施例的基于PSO-EEMD方法的行星齿轮箱故障诊断方法,包括:
S101:采集太阳轮不同损伤程度下的行星齿轮箱振动信号。
S102:利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量。
在具体实施中,如图3所示,利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量的过程为:
S1021:计算行星齿轮箱振动信号的标准差σs,从而确定噪声幅值Anoise的取值范围为[0,0.5σs];
S1022:根据行星齿轮箱振动信号的特点,初始化PSO算法中的参数;
具体地,初始化PSO每个粒子的位置、速度、迭代次数Tmax、惯性权重w等参数。
S1023:以行星齿轮箱振动信号极值点的均布特性作为PSO算法的总评价目标,迭代更新粒子的位置和速度。
PSO的评价目标是用来评价备选解是否为最优解的量化标准。因此,需要设定合适的评价目标来代表原始信号的极值点均布特性,从而据此搜寻确定最优的Anoise。如图4所示,原始信号的极值点数列由极大值数列{tmax(m),ymax(m)}和极小值数列{tmin(n),ymin(n)}构成,其中tmax(m)和ymax(m)分别代表第m个局部极大值点的横坐标值和纵坐标值,而tmin(n)和ymin(n)分别代表第n个局部极小值点的横坐标值和纵坐标值。
由方差理论可知,方差能够表示数列关于其均值的上下波动程度,进而可以代表原始信号极值点数列在纵坐标轴上的波动程度,即极值点数列在纵坐标轴上的均匀分布特性。所以本研究把原始信号极大值数列的纵坐标值方差σmax 2与极小值数列的纵坐标值方差σmin 2之和作为评价目标f(x)。
当行星齿轮箱振动信号极值点数列在纵坐标轴上均匀分布时,其评价目标f(x)为:
其中,K1、K2分别为局部极大值点的总数和局部极小值点的总数,μ1和μ2分别为各数列的纵坐标值的均值。
在理想情况下,若极大值数列在横坐标轴上均匀分布,则极大值数列的所有横坐标值会组成一个等差数列,记为{bmax(m)};同理,可以获得极小值数列在横坐标轴上均匀分布时的等差数列{bmin(n)}。在具体实施中,把极值点数列的实际横坐标值与{bmax(m)}和{bmin(n)}之间的均方根误差(root mean square error,简称RMSE)之和作为评价目标f2(x),如式(7)所示。RMSE的值越小,则表示极值点数列的实际横坐标值越呈现为等差数列分布,即极值点数列在横坐标轴上的均匀分布特性越好。
当行星齿轮箱振动信号极值点数列在横坐标轴上均匀分布时,其评价目标f(x)为:
具体地,PSO算法的总评价目标F(x)为:
其中,fj(xj *)是第j个评价目标的理想值,l代表评价目标的数量;f(x)为行星齿轮箱振动信号极值点数列均匀分布的评价目标。
采用理想点法来消除不同维度的影响,从而将多评价目标转化为无量纲的总评价目标。根据理想点法可知,若某潜在点能分别尽量满足不同评价目标的理想值,则该点即为总评价目标的最优解。
S1024:根据总评价目标的最小值,确定对应的粒子群落最优解,即最优的噪声幅值;
总评价目标F(x)的值越小,代表原始信号极值点数列的均匀分布特性越好,则EEMD的分解效果也就越好;并且F(x)的最小值所对应的Anoise即为最优解。
具体地,分解误差e一般取0.01,N不小于20次。
S1026:根据获得的最优幅值及符合预设要求的相关总体平均次数N,对行星齿轮箱振动信号进行EEMD分解,得到不同频段的IMF分量。
为验证本实施例提出的PSO-EEMD方法的有效性和优越性,首先根据行星齿轮箱振动信号的特点,模拟仿真信号;然后分别用PSO-EEMD方法和传统的EEMD方法分解仿真信号;最后对比分析仿真信号的分解结果。
行星齿轮箱正常工作时,内部的齿轮呈周期性运动,从而产生谐波振动信号;若齿轮发生故障,则会伴随冲击振动产生,引起谐波信号的调制。因此,综合考虑行星齿轮箱故障信号的谐波分量y3(t)、调制分量y2(t)和噪声分量y1(t),简要设置的仿真信号y(t)如式(9)所示,其时域图如图5所示。
利用PSO-EEMD方法处理仿真信号。(1)计算y(t)的标准差σs为3.0,得到噪声幅值Anoise的取值范围为[0,1.5]。(2)初始化PSO粒子的位置、速度,Tmax设为200次,wmax设为0.8,wmin设为0.4。(3)计算不同的Anoise所对应的总评价目标F(x)值,并通过迭代寻找F(x)的最小值。(4)如图6(a)所示,在第36次迭代时获得F(x)的最小值为0.1549,从而得到对应的最优噪声幅值Anoise为1.1508。(5)按照式(2)计算总体平均次数N为13243次。(6)根据前面几步获得的最优参数Anoise和N,实现y(t)的自适应PSO-EEMD分解,如图6(b)所示。
同时,利用传统EEMD方法处理仿真信号。根据参考文献,将噪声幅值Anoise设为0.2σs,总体平均次数N同样设为13243次,进而实现y(t)的EEMD分解,如图7所示。
对比基于上述两种方法的信号分解结果可知:
(1)如图6(a)-图6(b)所示,PSO-EEMD方法能根据仿真信号的特点自适应选取最优噪声幅值,并有效地完成仿真信号的分解;分解得到的PSO-IMF1分量、PSO-IMF2分量和PSO-IMF3分量依次对应构成仿真信号的噪声分量y1(t)、调制分量y2(t)和谐波分量y3(t),而且其对应的信号波形几乎无差别,故不存在模式混叠问题。
(2)如图7所示,传统的EEMD方法虽然也能实现仿真信号的分解,但分解得到的IMF2分量和IMF3分量分别与仿真信号的调制分量y2(t)和谐波分量y3(t)相比,信号波形存在较为明显的模式混叠现象,故分解精度较差。
为了更精确地对比PSO-EEMD方法和传统EEMD方法的分解效果,本研究将相关系数和均方根误差作为仿真信号分解结果的评估指标。
分解得到的IMF分量与其相对应的实际信号分量之间的相关系数,如式(10)所示。
其中,IMFij和yij分别是IMFi数列和相对应的yi数列所包含的第j个数据,K是IMFi和yi的数据长度,和分别是IMFi和yi的数据均值。因为相关系数的理想值是1,所以相关系数的值越接近1,则IMF分量与其对应的信号分量越相近,即该IMF越准确。
另一方面,IMF分量与其相对应的实际信号分量之间的RMSE的理想值为0,所以RMSE的值越小,则IMF分量与实际信号分量之间的误差越小,即该IMF越准确。
如表1所示,PSO-IMF2(PSO-IMF3)与实际信号分量之间的相关系数比IMF2(IMF3)的更接近于1,而且PSO-IMF2(PSO-IMF3)与实际信号分量之间的RMSE比IMF2(IMF3)的更小;特别说明,由于PSO-IMF1和IMF1对应着信号的噪声分量,所以其相关系数和RMSE不具参考意义。对比上述两类评估指标可知,PSO-IMFs比IMFs更接近实际的信号分量,从而表明PSO-EEMD方法比传统EEMD方法的分解精度更高。
表1两种分解方法的评估指标对比
综上所述,相比于传统的EEMD方法,PSO-EEMD方法提高了信号分解的自适应性和精度;从而验证了PSO-EEMD方法的有效性和优越性。
S103:选取包含故障特征信息的预设数量的IMF分量作为敏感IMF分量,并计算其近似熵特征值;
例如:选取包含故障特征信息的前四个的IMF分量作为敏感IMF分量。
S104:利用敏感IMF分量的近似熵特征值进行训练并测试支持向量机模型,利用训练完成的支持向量机模型识别出行星齿轮箱的故障类型。
下面应用PSO-EEMD方法和支持向量机(support vector machine,简称SVM)对某行星齿轮箱进行故障诊断。首先,采集太阳轮不同损伤程度下的行星齿轮箱振动信号;其次,应用PSO-EEMD方法将采集到的试验信号分解为不同频段的IMF分量;然后,选取包含主要故障特征信息的前四个IMF分量作为敏感IMF分量,并计算其近似熵特征值;最后,利用敏感IMF分量的近似熵特征值训练并测试支持向量机模型,从而有效识别评判行星齿轮箱的故障类型,并与传统EEMD方法的处理效果作对比分析。
本实施例将加速度传感器置于齿轮箱的壳体上,分别采集行星齿轮箱第二级太阳轮正常状态(无故障)、点蚀故障、裂纹故障、断齿故障四种情况下的加速度振动信号,每种情况下各采集60组试验数据(其中,35组数据作为SVM的训练样本,剩余25组数据作为测试样本),共获得240组数据。试验参数设置如下:负载为200N·m,输入转速为700rpm,每组数据的采样时间为2秒,采样频率为5120Hz。
应用PSO-EEMD方法分别将上述240组试验信号分解为不同频段成分的IMF分量;然后从240组IMF分量中选取包含主要故障特征信息的敏感IMF分量(一般为各组的前4个IMF分量),并按照公式(11)计算其近似熵特征值。由于篇幅所限,表2仅列出了部分试验数据的敏感IMF分量的近似熵特征值。
ApEn(m,r,K)=Φm(r)-Φm+1(r) (11)
其中,m、r、K分别为影响近似熵大小的模式维数、相似容限和数据长度,Φm(r)代表矢量序列{IMFi}的自相关程度。近似熵能表示时间序列的复杂性;因此太阳轮的故障状态越明显,其故障特征对振动信号的调制作用越显著,其振动信号的复杂性反而越小,即近似熵特征值越小。
表2敏感IMF分量近似熵特征值
以其中一组太阳轮断齿试验数据(训练样本106号)为例,进一步解释说明。首先对训练样本106号进行PSO-EEMD分解;然后选取分解得到的前4个IMF分量作为敏感IMF分量,如图8所示;最后计算得到其近似熵特征值,见表2。
SVM是一种基于统计学习理论的模式识别方法,适用于解决行星齿轮箱故障诊断等小样本分类问题。SVM最初是线性二分类器,其分类线方程是w·x+b=0,能把样本(xi,yi)正确分类,满足式(12)。
yi(w·xi+b)≥1 (12)
其中,w和b为分类线的法线向量和截距。
为实现行星齿轮箱太阳轮四种故障类型的智能识别分类。本研究首先应用一对一算法将SVM二分类器组合成SVM多故障分类器;然后,以每种故障类型的前35组敏感IMF分量的近似熵特征值来构成140个训练样本,训练建立SVM多故障分类器;最后,以每种故障类型的剩余25组敏感IMF分量的近似熵特征值来构成100个测试样本,测试SVM分类器对于四种故障的实际分类效果,如图9所示,SVM所测试分类的故障类型与实际情况完全相符,分类精度高达98%。
为验证PSO-EEMD方法的有效性和优越性,表3也对比了未经EEMD预处理的SVM分类效果和基于传统EEMD方法预处理的SVM分类效果。由表3知:相比于传统EEMD方法,PSO-EEMD方法更能提升SVM的分类精度,从而更有效地识别评判行星齿轮箱的故障类型。
(1)针对传统的EEMD方法因凭人工经验选取高斯白噪声幅值Anoise而产生主观性误差的问题,本实施例提出了PSO-EEMD方法,该方法以原始信号极值点均布特性作为PSO的评价目标,自适应地迭代确定最优幅值Anoise,进而提升EEMD的自适应性和分解精度。
(2)PSO-EEMD方法能有效地将原始信号分解为多个IMF分量,本实施例通过仿真试验验证了该方法相对于传统EEMD方法的有效性和优越性。
(3)行星齿轮箱故障诊断实例表明,本实施例将PSO-EEMD方法与SVM相结合,能更有效地提取敏感IMF分量的近似熵特征值,并建立精度更高的SVM多故障分类器,从而成功诊断出行星齿轮箱的故障类型。
实施例2
如图10所示,本实施例的一种基于PSO-EEMD方法的行星齿轮箱故障诊断系统,包括:
(1)振动信号采集模块,其用于采集太阳轮不同损伤程度下的行星齿轮箱振动信号;
(2)振动信号分解模块,其用于利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量;
具体地,所述振动信号分解模块,包括:
(2.1)噪声幅值取值确定模块,其用于计算行星齿轮箱振动信号的标准差σs,从而确定噪声幅值Anoise的取值范围为[0,0.5σs];
(2.2)PSO算法初始化模块,其用于根据行星齿轮箱振动信号的特点,初始化PSO算法中的参数;
(2.3)总评价目标构建模块,其用于以行星齿轮箱振动信号极值点的均布特性作为PSO算法的总评价目标,迭代更新粒子的位置和速度;
(2.4)最优噪声幅值求解模块,其用于根据总评价目标的最小值,确定对应的粒子群落最优解,即最优的噪声幅值;
其中,在所述总评价目标构建模块中,PSO算法的总评价目标F(x)为:
其中,fj(xj *)是第j个评价目标的理想值,l代表评价目标的数量;f(x)为行星齿轮箱振动信号极值点数列均匀分布的评价目标。
(2.6)EEMD分解模块,其用于根据获得的最优幅值及符合预设要求的相关总体平均次数N,对行星齿轮箱振动信号进行EEMD分解,得到不同频段的IMF分量。
(3)敏感IMF分量选取模块,其用于选取包含故障特征信息的预设数量的IMF分量作为敏感IMF分量,并计算其近似熵特征值;
(4)故障类型模块,其用于利用敏感IMF分量的近似熵特征值进行训练并测试支持向量机模型,利用训练完成的支持向量机模型识别出行星齿轮箱的故障类型。
(1)针对传统的EEMD方法因凭人工经验选取高斯白噪声幅值Anoise而产生主观性误差的问题,本实施例提出了PSO-EEMD方法,该方法以原始信号极值点均布特性作为PSO的评价目标,自适应地迭代确定最优幅值Anoise,进而提升EEMD的自适应性和分解精度。
(2)PSO-EEMD方法能有效地将原始信号分解为多个IMF分量,本实施例通过仿真试验验证了该方法相对于传统EEMD方法的有效性和优越性。
(3)行星齿轮箱故障诊断实例表明,本实施例将PSO-EEMD方法与SVM相结合,能更有效地提取敏感IMF分量的近似熵特征值,并建立精度更高的SVM多故障分类器,从而成功诊断出行星齿轮箱的故障类型。
实施例3
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所示的基于PSO-EEMD方法的行星齿轮箱故障诊断方法中的步骤。
实施例4
本实施例一种计算机终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如图1所示的基于PSO-EEMD方法的行星齿轮箱故障诊断方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.一种基于PSO-EEMD方法的行星齿轮箱故障诊断方法,其特征在于,包括:
采集太阳轮不同损伤程度下的行星齿轮箱振动信号;
利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量;
选取包含故障特征信息的预设数量的IMF分量作为敏感IMF分量,并计算其近似熵特征值;
利用敏感IMF分量的近似熵特征值进行训练并测试支持向量机模型,利用训练完成的支持向量机模型识别出行星齿轮箱的故障类型;
当行星齿轮箱振动信号极值点数列在横坐标轴上均匀分布时,其评价目标f(x)为:
其中,RMSEmax和RMSEmin代表极大值数列和极小值数列的实际横坐标值分别与等差数列之间的均方根误差,{bmax(m)}为极大值数列,{bmin(n)}为极小值数列,K1、K2分别为局部极大值点的总数和局部极小值点的总数,tmax(m)为极大值数列中第m个局部极大值的实际横坐标值,tmin(n)为极小值数列中第n个局部极小值的实际横坐标值。
2.如权利要求1所述的基于PSO-EEMD方法的行星齿轮箱故障诊断方法,其特征在于,利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量的过程为:
计算行星齿轮箱振动信号的标准差σs,从而确定噪声幅值Anoise的取值范围为[0,0.5σs];
根据行星齿轮箱振动信号的特点,初始化PSO算法中的参数;
以行星齿轮箱振动信号极值点的均布特性作为PSO算法的总评价目标,迭代更新粒子的位置和速度;
根据总评价目标的最小值,确定对应的粒子群落最优解,即最优的噪声幅值;
根据获得的最优幅值及符合预设要求的相关总体平均次数N,对行星齿轮箱振动信号进行EEMD分解,得到不同频段的IMF分量。
5.一种基于PSO-EEMD方法的行星齿轮箱故障诊断系统,其特征在于,包括:
振动信号采集模块,其用于采集太阳轮不同损伤程度下的行星齿轮箱振动信号;
振动信号分解模块,其用于利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量;
敏感IMF分量选取模块,其用于选取包含故障特征信息的预设数量的IMF分量作为敏感IMF分量,并计算其近似熵特征值;
故障类型模块,其用于利用敏感IMF分量的近似熵特征值进行训练并测试支持向量机模型,利用训练完成的支持向量机模型识别出行星齿轮箱的故障类型;
当行星齿轮箱振动信号极值点数列在横坐标轴上均匀分布时,其评价目标f(x)为:
其中,RMSEmax和RMSEmin代表极大值数列和极小值数列的实际横坐标值分别与等差数列之间的均方根误差,{bmax(m)}为极大值数列,{bmin(n)}为极小值数列,K1、K2分别为局部极大值点的总数和局部极小值点的总数,tmax(m)为极大值数列中第m个局部极大值的实际横坐标值,tmin(n)为极小值数列中第n个局部极小值的实际横坐标值。
6.如权利要求5所述的基于PSO-EEMD方法的行星齿轮箱故障诊断系统,其特征在于,所述振动信号分解模块,包括:
噪声幅值取值确定模块,其用于计算行星齿轮箱振动信号的标准差σs,从而确定噪声幅值Anoise的取值范围为[0,0.5σs];
PSO算法初始化模块,其用于根据行星齿轮箱振动信号的特点,初始化PSO算法中的参数;
总评价目标构建模块,其用于以行星齿轮箱振动信号极值点的均布特性作为PSO算法的总评价目标,迭代更新粒子的位置和速度;
最优噪声幅值求解模块,其用于根据总评价目标的最小值,确定对应的粒子群落最优解,即最优的噪声幅值;
EEMD分解模块,其用于根据获得的最优幅值及符合预设要求的相关总体平均次数N,对行星齿轮箱振动信号进行EEMD分解,得到不同频段的IMF分量。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的基于PSO-EEMD方法的行星齿轮箱故障诊断方法中的步骤。
9.一种计算机终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于PSO-EEMD方法的行星齿轮箱故障诊断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807855.8A CN110503075B (zh) | 2019-08-29 | 2019-08-29 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807855.8A CN110503075B (zh) | 2019-08-29 | 2019-08-29 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503075A CN110503075A (zh) | 2019-11-26 |
CN110503075B true CN110503075B (zh) | 2022-03-15 |
Family
ID=68590399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910807855.8A Active CN110503075B (zh) | 2019-08-29 | 2019-08-29 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503075B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709383B (zh) * | 2020-06-19 | 2023-10-31 | 奇瑞汽车股份有限公司 | 变速箱的齿轮故障检测方法、装置及存储介质 |
CN114152454B (zh) * | 2020-09-08 | 2024-03-22 | 中国科学院上海高等研究院 | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 |
CN113532848A (zh) * | 2021-06-24 | 2021-10-22 | 南京工业大学 | 一种行星齿轮箱故障诊断系统 |
CN113499049B (zh) * | 2021-07-05 | 2022-08-05 | 长治医学院 | 基于自适应多尺度熵分析心率变异性数据的方法 |
CN113657244B (zh) * | 2021-08-13 | 2023-02-28 | 山东大学 | 基于改进eemd和语谱分析的风机齿轮箱故障诊断方法及系统 |
CN113654782B (zh) * | 2021-08-17 | 2022-08-09 | 云南大学 | 一种机械设备故障诊断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104483127A (zh) * | 2014-10-22 | 2015-04-01 | 徐州隆安光电科技有限公司 | 一种行星齿轮微弱故障特征信息提取方法 |
CN109668726A (zh) * | 2018-12-25 | 2019-04-23 | 鲁东大学 | 一种基于瞬时阻尼比的行星齿轮箱故障诊断方法 |
CN109858458A (zh) * | 2019-02-19 | 2019-06-07 | 武汉科技大学 | 一种基于eemd近似熵的矿山微震信号智能识别方法 |
-
2019
- 2019-08-29 CN CN201910807855.8A patent/CN110503075B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104483127A (zh) * | 2014-10-22 | 2015-04-01 | 徐州隆安光电科技有限公司 | 一种行星齿轮微弱故障特征信息提取方法 |
CN109668726A (zh) * | 2018-12-25 | 2019-04-23 | 鲁东大学 | 一种基于瞬时阻尼比的行星齿轮箱故障诊断方法 |
CN109858458A (zh) * | 2019-02-19 | 2019-06-07 | 武汉科技大学 | 一种基于eemd近似熵的矿山微震信号智能识别方法 |
Non-Patent Citations (3)
Title |
---|
Fault Diagnosis of Planetary Gearboxes Based on Improved EEMD and Frequency Demodulation Analysis;Haohua Liu et al;《SpringerLink》;20181201;摘要、第1-6节 * |
On the use of EEMD and SVM based approach for bearing fault diagnosis of wind turbine gearbox;HU Chun-zhi et al;《2016 Chinese Control and Decision Conference (CCDC)》;20160808;摘要、第1-5节 * |
基于 EMD 近似熵和 LSSVM 的齿轮箱故障诊断研究;黄 俊 等;《组合机床与自动化加工技术》;20140331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110503075A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503075B (zh) | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 | |
CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
Qin et al. | The fault diagnosis of rolling bearing based on ensemble empirical mode decomposition and random forest | |
CN110595765A (zh) | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 | |
CN109187025B (zh) | 一种集成kelm的滚动轴承剩余使用寿命预测方法 | |
CN107576948B (zh) | 一种基于高分辨距离像imf特征的雷达目标识别方法 | |
CN111898447B (zh) | 基于辛几何模态分解的风电机组故障特征提取方法 | |
CN110443117B (zh) | 一种风电机组故障诊断方法 | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
CN110849625A (zh) | 基于混合熵与联合分布适配的变工况下轴承故障诊断方法 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN114004091B (zh) | 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
Cai et al. | EMD and GNN-AdaBoost fault diagnosis for urban rail train rolling bearings | |
Zhang et al. | Research on the fault diagnosis method for rolling bearings based on improved VMD and automatic IMF acquisition | |
CN110782041B (zh) | 一种基于机器学习的结构模态参数识别方法 | |
CN115718860A (zh) | 一种基于模态分解与稀疏时域法的低频振荡模态辨识方法 | |
CN114264478A (zh) | 一种柴油机曲轴轴承磨损程度预测方法及系统 | |
Stando et al. | The Effect of Balancing Methods on Model Behavior in Imbalanced Classification Problems | |
US10605842B2 (en) | Noise spectrum analysis for electronic device | |
CN117056669A (zh) | 一种振动信号的去噪方法和系统 | |
Chen et al. | Gear fault diagnosis model combined with MED-LMD-Hypersphere multiclass SVM | |
Zhang et al. | Multiple-fault diagnosis method based on multiscale feature extraction and MSVM_PPA | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
Gu et al. | Evaluation on filter performance of variational mode decomposition and its application in separating closely spaced modes |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |