CN111238807B - 一种行星齿轮箱故障诊断方法 - Google Patents

Abstract

本发明涉及一种行星齿轮箱故障诊断方法。首先，利用樽海鞘群优化变分模态分解(SSO‑VMD)对信号进行分解与重构。然后，从多域提取故障特征，并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL‑Isomap)进行降维处理。最后，运用人工蜂群优化支持向量机(ABC‑SVM)分类器进行诊断识别。本发明克服了VMD算法中的参数选取问题，解决了多域特征存在的信息冗余问题。行星齿轮箱故障诊断实验结果表明所提方法能够有效识别出各故障类型，具有很大的实用价值。

Description

一种行星齿轮箱故障诊断方法

技术领域

本发明涉及一种行星齿轮箱故障诊断方法。

背景技术

行星齿轮箱作为旋转机械的关键部件，在直升机主减速器、风力发电机组等复杂传动系统都有着较广泛的应用。但在实际运行过程中，由于行星齿轮箱振动信号易受噪声污染与振动复杂等影响，增加了对其进行故障诊断的难度。

目前，常见的故障信号降噪方法主要包括：小波变换，经验模态分解(EMD)和局部均值分解等。然而小波变换事先需要选择小波基和分解层数等，缺乏自适应性；EMD存在频率混淆、过包络、欠包络、端点效应等局限；局部均值分解具有运算速度慢、信号冲突问题等缺陷。变分模态分解(VMD)是在传统维纳滤波基础上，研发的一种非递归自适应信号分解新方法，与小波变换、EMD和局部均值分解等方法相比，VMD分解的信号，具有精度高、收敛快和鲁棒性好等特点，非常适用于处理行星齿轮箱故障信号。但VMD算法信号处理效果与惩罚因子和分解个数这两个参数密切相关。

行星齿轮箱故障诊断的关键在于特征提取，为全面表征故障信息，从时域、频域和尺度域提取特征参数，构造成原始多域故障特征集。由于该故障集具有非线性、高维、冗余等特性，直接输入至分类器中进行模式识别，可能影响识别效果。

发明内容

本发明的目的在于提供一种行星齿轮箱故障诊断方法，该方法克服了VMD算法中的参数选取问题，解决了多域特征存在的信息冗余问题。

为实现上述目的，本发明的技术方案是：一种行星齿轮箱故障诊断方法，首先，利用樽海鞘群优化变分模态分解对采集的行星齿轮箱的振动加速度信号进行分解与重构；然后，从多域提取故障特征，并采用改进监督型自组织增量学习神经网络界标点等度规映射进行降维处理；最后，运用人工蜂群优化支持向量机分类器进行诊断识别，诊断出行星齿轮箱故障类型。

在本发明一实施例中，该方法具体实现如下：

步骤S1、利用加速度传感器采集行星齿轮箱在太阳轮正常状态，磨损状态，裂纹状态和断齿状态下振动加速度信号，获取其时域信号样本集；

步骤S2、利用樽海鞘群优化算法优化变分模态分解算法中的参数K和α，然后对采集的振动加速度信号进行分解，并将得到的本征模态分量进行重构；

步骤S3、对重构的振动信号进行特征提取，获取其在时域、频域和尺度域上的特征参数，合并成原始高维故障特征集；

步骤S4、利用改进监督型自组织增量学习神经网络界标点等度规映射流形学习算法对高维故障特征进行维数约简，得到低维、敏感的故障特征集；

步骤S5、将降维后的低维故障特征输入至人工蜂群优化支持向量机分类器中进行训练与测试，诊断出行星齿轮箱故障类型。

在本发明一实施例中，步骤S1中，振动加速度信号为传动轴径向振动加速度信号。

在本发明一实施例中，步骤S2中，利用樽海鞘群优化算法优化变分模态分解算法中的参数K和α的具体过程如下：

1)初始化樽海鞘群优化算法的各项参数以及寻优参数寻优过程中的适应度函数，参数设置为：樽海鞘种群规模为15，最大迭代次数为30，K的寻优范围为[1,11]，α的寻优范围为[100,3000]；适应度函数为VMD分解后全部IMF分量的包络熵均值定义为适应度值，并以最小包络均熵为寻优目标，从而得到最优参数；其中，包络熵Ep的定义如下：

式中，p_j为a(j)的归一化形式，a(j)为信号x(j)经希尔伯特变换后的包络信号；

2)计算每个樽海鞘当前位置下对应的适应度值；

3)将樽海鞘个体按照适应度值大小进行升序，令排在首位樽海鞘为领导者，剩余为追随者，并将适应度值最小的樽海鞘个体所处的空间位置定义为当前食物位置；

4)按照式(2)更新领导者所处空间位置；

式中，

为领导者，其中e＝1,2,...,B表示樽海鞘位置，B为维数；ub＝[ub₁,ub₂,...,ub_B]^T为搜索上界，lb＝[lb₁,lb₂,...,lb_B]^T为搜索下界；食物位于F＝[F₁,F₂,...,F_B]^T；c₂和c₃为[0,1]的随机数，用以增强领导者移动的随机性；c₁为收敛因子，表达式如下：

5)按照式(4)更新追随者所处空间位置；

为追随者，i＝2,3,...,M表示追随者序号，e＝1,2,...,B表示樽海鞘位置，M为樽海鞘种群规模B为维数，捕食空间为M×B维欧式空间；

6)计算更新后樽海鞘个体的适应度值，并与当前食物的适应度值进行比较，若更新后的樽海鞘适应度值优于食物，则将该樽海鞘的位置定义为新食物位置；

7)重复5)至6)步骤，直到满足迭代终止条件，输出食物坐标，即为最佳α和K参数值。

相较于现有技术，本发明具有以下有益效果：

(1)本发明充分发挥了VMD算法在行星齿轮箱振动信号降噪方面的优势；

(2)本发明引入一种新的元启发式优化算法——SSO算法，实现了对VMD算法参数优化选取，克服传统人为参数设置导致分解效果不佳现象的发生；

(3)本发明引入ISSL-Isomap算法对多域高维故障特征集进行维数约简，消除特征冗余，提高分类性能；

(4)本发明引入ABC-SVM分类器对降维后的低维特征进行诊断、识别，ABC-SVM具有运算速度快、泛化能力强的特点。

附图说明

图1为本发明的行星齿轮箱故障诊断方法流程图。

图2为行星齿轮箱不同状态下的时域波形图。

图3为本发明中SSO算法优化VMD的流程图。

图4为SSO-VMD对断齿信号分解与重构结果。

图5为四种状态高维特征均值特征曲线。

图6为高维特征的ABC-SVM识别结果。

图7为ISSL-Isomap对高维故障特征降维结果。

图8为低维特征的ABC-SVM识别结果。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1所示，本发明提供了一种行星齿轮箱故障诊断方法，具体为一种基于参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断方法，包括如下步骤：

步骤一：利用加速度传感器采集行星齿轮箱在太阳轮正常状态，磨损状态，裂纹状态和断齿状态下振动加速度信号，获取其时域信号样本集(如图2所示)；

步骤二：利用樽海鞘群优化(SSO)算法优化变分模态分解(VMD)算法中的参数K和a，然后对采集的振动加速度信号进行分解，并将得到的若干本征模态分量(IMF)进行重构；

步骤三：对重构的振动信号进行特征提取，获取其在时域、频域和尺度域上的特征参数，合并成原始高维故障特征集；

步骤四：利用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)流形学习算法对高维故障特征进行维数约简，得到低维、敏感的故障特征集；

步骤五：将降维后的低维特征输入至人工蜂群优化支持向量机(ABC-SVM)分类器中进行训练与测试，诊断出行星齿轮箱故障类型。

步骤一中所述振动加速度信号为传动轴径向振动加速度信号。

步骤二中所述的SSO-VMD算法过程如下：

VMD算法是一种自适应信号分解方法，通过循环迭代来搜寻变分模型的最优解，确定本征模态分量(IMF)的频率中心及带宽，实现各分量的有效分离。VMD算法的原理如下：

1)令n＝0，初始化

和λ¹；

2)利用下式更新

和λⁿ⁺¹；

3)给定判别精度e>0，若

则停止跌代；否则，返回步骤2)。

SSO算法原理如下：

1)樽海鞘群体初始化：设捕食空间为M×B维欧式空间，其中M为樽海鞘种群规模，B为维数。食物位于F＝[F₁,F₂,...,F_B]^T，樽海鞘位于S_n＝[S_n1,S_n2,...,S_nB]^T，n＝1,2,...,M。搜索上界为ub＝[ub₁,ub₂,...,ub_B]^T，搜索下界为lb＝[lb₁,lb₂,...,lb_B]^T。采用式(2)随机初始化樽海鞘种群：

S_M×B＝rand(M,B)×(ub-lb)+lb (2)

式中，领导者为

追随者为

其中e＝1,2,...,B表示樽海鞘位置，i＝2,3,...,M表示追随者序号

2)领导者位置更新：

式中，c₂和c₃为[0,1]的随机数，用以增强领导者移动的随机性；c₁为收敛因子，表达式如下：

式中，l为当前迭代次数，l_max为最大迭代次数，c₁为2到0的递减函数。

3)追随者位置更新：

SSO-VMD算法流程如下：

1)初始化樽海鞘群优化算法的各项参数以及寻优参数寻优过程中的适应度函数；所述优化算法为SSO算法的具体参数设置如下：樽海鞘种群规模为15，设定最大迭代次数为30。所述VMD算法中被优化参数α的寻优范围为[100,3000]，分解个数K的寻优范围为[1,11]。所述SSO算法对VMD算法进行参数优化，定义其适应度函数为VMD分解后全部IMF分量的包络熵均值定义为适应度值，并以最小包络均熵为寻优目标，从而得到最优参数；其中，包络熵Ep的定义如下：

式中，p_j为a(j)的归一化形式，a(j)为信号x(j)经希尔伯特变换后的包络信号。

2)计算每个樽海鞘当前位置下对应的适应度值；

3)将樽海鞘个体按照适应度值大小进行升序，令排在首位樽海鞘为领导者，剩余为追随者，并将适应度值最小的樽海鞘个体所处的空间位置定义为当前食物位置；

4)按照式(3)更新领导者所处空间位置；

5)按照式(5)更新追随者所处空间位置；

6)计算更新后樽海鞘个体的适应度值，并与当前食物的适应度值进行比较，若更新后的樽海鞘适应度值优于食物，则将该樽海鞘的位置定义为新食物位置；

7)重复5)至6)步骤，直到满足迭代终止条件，输出食物坐标，即为最佳α和K参数值。

步骤三所述的多域特征参数如下：

1、时域特征参数：

提取原始振动信号经SSO-VMD算法重构后信号的多种时域特征，多种时域特征名称及表达式如表1所示：

表1时域特征参数

其中，x(n)是时域信号序列，n＝1,2,…,N，N为样本点数。

2、频域特征参数：

提取原始振动信号经SSO-VMD算法重构后信号的多种频域特征，多种频域特征名称及表达式如表2所示：

表2频域特征参数

其中，x(n)是时域信号序列，n＝1,2,…,N，N为样本点数；s(k)是信号x(n)的频谱，k＝1,2,…,K，K为谱线数，f_k是第k条谱线的频率值。

3、尺度域特征参数：

利用多尺度排列熵算法提取出提取原始振动信号经SSO-VMD算法重构后信号的20个尺度域特征参数。其中所述多尺度排列熵算法的参数设置为：嵌入维数设置为6，时延设置为1，尺度因子设置为20。

步骤四所述的ISSL-Isomap流形学习算法原理如下：

1)利用自组织增量学习神经网络算法确定界标点集合

2)采用余弦相似度与欧氏距离相结合的距离度量方式，构建改进距离矩阵D＝{d_ij(x_i,x_j)}：

式中，

表示x_i，x_j的余弦相似度，

表示x_i，x_j的欧氏距离。

3)构建监督型成对约束邻域图G^ML(V,E)和G^LL(V,E)；

4)建立监督型距离矩阵D_s＝{d_s(x_i,x_j)}，表达式下：

5)利用Dijkstra方法寻找最短路径，构造近似测地距离矩阵

6)运用多维标度分析(MDS)算法对界标点进行低维映射，得到界标点低维坐标Y_L；

应用界标点多维标度分析(LMDS)算法计算非界标点数据的低维坐标Y_N-L。

步骤五所述人工蜂群优化支持向量机(ABC-SVM)分类器进行故障识别步骤如下：

1)将ISSL-Isomap降维后的低维特征，每种故障类别数量上按照4:6的比例分为测试样本集和训练样本集。然后对训练样本集和测试样本集进行归一化处理；

2)根据SVM模型，选用径向基函数作为核函数，利用人工蜂群优化算法，按照训练样本三折交叉后的平均正确识别率定义为适应度值，自动确定出SVM模型的最佳惩罚因子和核函数参数。其中，设置ABC算法蜂群规模为20，终止迭代为100，蜜源数为10，控制参数为100。

3)利用训练样本构建SVM预测模型，并利用该模型对测试集样本进行诊断识别，判断故障类型。

为验证本文所提方法的有效性，利用行星齿轮箱故障诊断实验台进行实验数据的采集，分别采集太阳轮正常状态，磨损状态，裂纹状态和断齿状态等4种工况振动加速度信号各100组。本次实验设置电机转速为600r/min，采样频率为f_s＝10240Hz，采样点设置为2048。

本发明的基于参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断方法具体流程如图1所示，具体步骤如下。

步骤一：利用加速度传感器对上述旋转机械设备进行实验数据的采集，获取其振动加速信号。行星齿轮箱四种状态的时域波形图如图2所示。据图2可知，仅从信号时域波形无法有效区分出各工况类型，并且实验采集的信号存在一定噪声干扰，因此利用所提SSO-VMD方法对振动信号进行降噪处理。

步骤二：利用SSO-VMD算法对振动信号进行降噪，其中所提方法的流程如图3所示。以一组断齿信号为例，利用SSO-VMD算法对其进行降噪，其中，SSO算法对VMD参数寻优结果为[708,3]，全局最佳适应度值为2.6870，并对上述各IMF分量进行重构，即可得到降噪后的故障信号，对应分解与重构结果如图4所示。

步骤三：为全面表征不同工况故障信息，对上述4种工况各100组样本分别从时域、频域和尺度域等方面进行多域高维故障特征提取，400组样本即可得到49维数特征矩阵F^{400 ×49}，4种工况均值特征曲线如图5所示。为量化多域特征提取效果，将时域特征提取结果、频域特征提取结果、尺度域特征提取结果和多域特征提取结果分别输入至ABC-SVM多故障分类器中进行模式识别，其中每类工况训练样本与测试样本按4:6随机分配，定义训练样本3折交叉后的平均识别率为适应度值，设置蜂群规模为20，终止迭代为100，蜜源数为10，控制参数为100，4种特征提取效果如表3所示。据表3可知，多域特征提取具有最高平均识别精度(达到69.58％)，提取效果明显效果优于时域、频域、尺度域等单域特征提取效果(平均识别精度分别为56.25％,47.50％,58.75％)。此外，高维特征的ABC-SVM识别结果如图6所示。据图6可知，由于多域特征集存在信息冗余，导致仍存在部分样本类别误判现象发生，因此需要利用降维方法进行敏感、低维故障特征的二次提取。

表3单域和多域特征提取效果

步骤四：利用ISSL-Isomap流形学习算法对多域故障特征集进行维数约简。其中，利用最大似然估计法确定本征维数为5，通过多次实验确定该算法的最佳参数，具体设置如下：近邻参数设置为66，调节因子1为平均改进距离，调节因子2设置为0.4，ISSL-Isomap方法前三维可视化结果如图7所示。据图7可知，ISSL-Isomap可将四类样本完全区分开，并且各类样本较为集中，降维效果最好。以此验证利用ISSL-Isomap对多域故障特征进行降维处理的有效性。

步骤五：将特征压缩后的结果输入至ABC-SVM多故障分类器中进行识别，识别结果如图8所示。据图8可知，所提“SSO-VMD+多域故障特征+ISSL-Isomap+ABC-SVM”故障诊断模型对行星齿轮箱不同工况的故障识别率达到100％，能够精准的将四类样本区分开，以此验证该模型的有效性。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (1)

1.一种行星齿轮箱故障诊断方法，其特征在于，首先，利用樽海鞘群优化算法优化变分模态分解算法对采集的行星齿轮箱的振动加速度信号进行分解与重构；然后，从多域提取故障特征，并采用改进监督型自组织增量学习神经网络界标点等度规映射流形学习算法进行降维处理；最后，运用人工蜂群优化支持向量机分类器进行诊断识别，诊断出行星齿轮箱故障类型；该方法具体实现如下：

步骤S1、利用加速度传感器采集行星齿轮箱在太阳轮正常状态，磨损状态，裂纹状态和断齿状态下振动加速度信号，获取其时域信号样本集；振动加速度信号为传动轴径向振动加速度信号；

步骤S2、利用樽海鞘群优化算法优化变分模态分解算法中的参数K和α，其中K表示模态分解个数，α表示惩罚因子，然后对采集的振动加速度信号进行分解，并将得到的本征模态分量进行重构；

步骤S3、对步骤S2中重构的信号进行特征提取，获取其在时域、频域和尺度域上的特征参数，合并成原始高维故障特征集；

步骤S4、利用改进监督型自组织增量学习神经网络界标点等度规映射流形学习算法对高维故障特征进行维数约简，得到低维、敏感的故障特征集；

步骤S5、将降维后的低维故障特征输入至人工蜂群优化支持向量机分类器中进行训练与测试，诊断出行星齿轮箱故障类型；

步骤S2中，利用樽海鞘群优化算法优化变分模态分解算法中的参数K和α的具体过程如下：

S21、初始化樽海鞘群优化算法的各项参数以及寻优参数寻优过程中的适应度函数，参数设置为：樽海鞘种群规模为15，最大迭代次数为30，K的寻优范围为[1,11]，α的寻优范围为[100,3000]；经VMD分解后全部IMF分量的包络熵均值定义为适应度值，并以最小包络均熵为寻优目标，从而得到最优参数；其中，包络熵Ep的定义如下：

式中，N为样本点数，p_j为a(j)的归一化形式，a(j)为经希尔伯特变换后的包络信号；

S22、计算每个樽海鞘当前位置下对应的适应度值；

S23、将樽海鞘个体按照适应度值大小进行升序，令排在首位樽海鞘为领导者，剩余为追随者，并将适应度值最小的樽海鞘个体所处的空间位置定义为当前食物位置；

S24、按照式(2)更新领导者所处空间位置；

式中，

为领导者，其中v＝1,2,...,B表示樽海鞘位置，B为维数；ub＝[ub₁,ub₂,...,ub_B]为搜索上界，lb＝[lb₁,lb₂,...,lb_B]为搜索下界；食物位于F＝[F₁,F₂,...,F_B]^T；c₂和c₃为[0,1]的随机数，用以增强领导者移动的随机性；c₁为收敛因子，表达式如下：

其中，l为当前迭代次数；l_max为最大迭代次数；

S25、按照式(4)更新追随者所处空间位置；

为追随者，i＝2,3,...,M表示追随者序号，v＝1,2,...,B表示樽海鞘位置，M为樽海鞘种群规模B为维数，捕食空间为M×B维欧式空间；

S26、计算更新后樽海鞘个体的适应度值，并与当前食物的适应度值进行比较，若更新后的樽海鞘适应度值优于当前食物位置的适应度值，则将该樽海鞘的位置定义为新食物位置；

S27、重复步骤S24-步骤S26，直到满足迭代终止条件，输出食物坐标，即为最佳α和K参数值。

Images