CN111610024A - 一种基于振动信号的齿轮裂纹故障诊断方法 - Google Patents
一种基于振动信号的齿轮裂纹故障诊断方法 Download PDFInfo
- Publication number
- CN111610024A CN111610024A CN202010603892.XA CN202010603892A CN111610024A CN 111610024 A CN111610024 A CN 111610024A CN 202010603892 A CN202010603892 A CN 202010603892A CN 111610024 A CN111610024 A CN 111610024A
- Authority
- CN
- China
- Prior art keywords
- gear
- wavelet packet
- vibration signal
- pso
- crack fault
- 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.)
- Withdrawn
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
- G01M13/028—Acoustic or vibration analysis
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Abstract
本发明公开了一种基于振动信号的齿轮裂纹故障诊断方法,在对一级齿轮箱的振动信号进行快速傅里叶变换和小波包变换的基础上,提取各个小波包系数的峭度和偏态,并选择分辨率较高的小波包系数的峭度和偏态作为齿轮裂纹的故障特征。最后通过基于粒子群优化算法的支持向量机模型进行齿轮裂纹故障特征分类,其中,PSO主要用来优化SVM模型的核函数的关键参数,避免出现局部最优和过拟合的问题。本专利提出的齿轮裂纹故障诊断方法在分类精度和计算效率方面具有综合优势。
Description
技术领域
本发明涉及制造机械故障诊断技术,特别是一种基于振动信号的齿轮裂纹故障诊断方法。
背景技术
齿轮、轴承等转动机械在生产、生活中具有非常广泛的应用,在使用过程中出现的各种故障会严重影响整个机械系统的性能。转动机械的故障诊断系统主要包括故障特征提取和特征分类两个部分。常用于特征提取的时-频信号处理方法包括短时傅里叶变换(Short time Fourier transform,STFT),经验模态分解(Empirical modeldecomposition,EMD)和小波包变换(Wavelet packet transform,WPT)等。其中,STFT的固定窗函数导致时域和频域的精度不能同时满足;EMD方法的模态叠加和末端效应问题依然突出;WPT由于可以自主选择小波包函数和分解层数,能够很好地解决时域和频域的精度不能同时满足和EMD的模态叠加的问题。因此,本文选择WPT进行齿轮箱振动信号的处理和特征提取。
当前常用的特征分类算法包括BP神经网络(Back Propagation Neural Network,BPNN)、K近邻(K Nearest Neighbors,KNN)、朴素贝叶斯(Naive Bayesian Mode,NBM)、决策树(Decision Trees,DT)和支持向量机(Support Vector Machine,SVM),与其它方法相比,SVM能够解决数据的非线性和小样本的问题,在模式识别和特征分类领域应用广泛。然而,由于初始参数的选择需要丰富的工程经验,SVM仍然存在局部最优和过拟合的问题。因此,本专利将粒子群优化算法(Particle Swarm Optimization,PSO)引入SVM中,主要优化SVM核函数的关键参数,提高SVM的分类精度和计算效率。
发明内容
针对现有技术中存在的问题,本发明提供了一种提高SVM的分类精度和计算效率的基于振动信号的齿轮裂纹故障诊断方法。
本发明的目的通过以下技术方案实现。
一种基于振动信号的齿轮裂纹故障诊断方法,步骤包括:
1)在对一级齿轮箱的振动信号进行快速傅里叶变换和小波包变换的基础上,提取各个小波包系数的峭度和偏态,并选择分辨率较高的小波包系数的峭度和偏态作为齿轮裂纹的故障特征;
2)最后通过基于粒子群优化算法的支持向量机模型进行齿轮裂纹故障特征分类,其中,PSO主要用来优化SVM模型的核函数的关键参数,避免出现局部最优和过拟合的问题。所述步骤1)的通过伺服电机带动齿轮箱的主动轮和被动轮旋转,利用制动控制器和磁力制动器实现齿轮箱的制动,同时,扭矩传感器和三向加速度传感器分别获取齿轮箱的负载和振动信号,采样频率5000Hz。
所述步骤1)中具有裂纹故障的齿轮为驱动齿轮,裂纹长度分别为Li=i×(Rb1-r1)/4,i=0,1,2,3,其中,Rb1和r1分别为驱动齿轮齿根圆半径和主轴孔半径,通过线切割方式加工齿轮裂纹,模拟设备运行过程中的齿轮裂纹,其中驱动齿轮和被动齿轮的参数如表1所示:
表1驱动齿轮和被动齿轮的参数
驱动轴的转速与载荷如表2所示。
表2驱动轴的转速与载荷
所述步骤1)中选取驱动齿轮1/4裂纹故障、驱动轴转速为900r/min,载荷为6N.m的齿轮箱振动信号为研究对象,对其进行FFT变换,齿轮箱的加速度信号具有较复杂的频率成分,其中,频率点X:325,Y:0.0526为齿轮啮合的频率,X:650,Y:0.1383、X:1302.5,Y:0.0607、X:1627.5,Y:0.0637和X:1952.5,Y:0.4488分别为齿轮啮合频率的2倍频率、4倍频率、5倍频和6倍频率,为得到振动信号的时频特性,利用“meyr”小波对其进行3层小波包分解。
所述步骤1)中齿轮箱的加速度信号的能量主要集中在小波包节点9:937.5Hz-1250Hz和小波包节点13:1250Hz-1562.5Hz,根据振动信号的小波包计算结果提取各个小波包系数的峭度和偏态,假设某一节点的小波包系数序列为X=[x(1),x(2),…,x(n)],n表示信号长度,时域信号的均方根、峭度和偏态分别如式和式所示,其中,为小波包系数序列X的为小波包系数序列X的均方根。
所述步骤2)中将得到的齿轮箱振动信号的小波包节点9和13的峭度和偏态作为输入,将2000组分段样本中的1600组作为训练样本,将剩余的400组数据作为测试样本,通过基于PSO的支持向量机进行齿轮裂纹长度的识别,经过多次仿真试验,发现多项式核函数在计算精度和效率方面具有较大的优势,因此选择多项式核函数作为支持向量机的核函数,kxy=(γ(t·y)+r)d,其中,r为常数,t为特征样本,y是标签信息,γ和d为2个待调试确定的重要参数,严重影响SVM的分类精度和计算效率,因此,通过PSO确定γ和d两个参数,初始值设置为0.4和1.5,设定PSO算法的粒子数为100,其它参数选择如表3所示:
表3 PSO的参数设置
以测试样本的分类精度为目标函数,通过PSO优化SVM,得到最优的分类精度
相比于现有技术,本发明的优点在于:在对齿轮箱振动信号进行FFT和WPT分析的基础上,本专利提取了振动信号的小波包系数的峭度和偏态作为齿轮裂纹故障的特征,并通过SVM-PSO实现了齿轮裂纹故障的分类。结果表明,本专利提出的基于振动信号的齿轮裂纹故障诊断方法能够准确快速地识别齿轮的各种裂纹故障,为相关转动机械的故障诊断提供了必要的理论依据和实践基础。
附图说明
图1齿轮箱振动信号波形;
图2齿轮箱振动信号的幅值谱;
图3齿轮箱加速度信号的小波包分解;
图4齿轮箱加速度信号的小波包系数;
图5小波包节点9的峭度和偏态;
图6小波包节点11的峭度和偏态;
图7基于PSO的SVM模型;
图8SVM-PSO与SVM及SVM-GS的计算结果;
图9训练样本数量对计算结果的影响;
图10SVM-PSO与其它分类算法的比较。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
一种基于振动信号的齿轮裂纹故障诊断方法,依托一级齿轮箱实验平台完成了一系列齿轮裂纹的故障诊断实验,通过伺服电机带动齿轮箱的主动轮和被动轮旋转,利用制动控制器和磁力制动器实现齿轮箱的制动。同时,扭矩传感器和三向加速度传感器(PCB-356A16)分别获取齿轮箱的负载和振动信号,采样频率5000Hz。
具有裂纹故障的齿轮为驱动齿轮,裂纹长度分别为Li=i×(Rb1-r1)/4,i=0,1,2,3,其中,Rb1和r1分别为驱动齿轮齿根圆半径和主轴孔半径。通过线切割方式加工齿轮裂纹,模拟设备运行过程中的齿轮裂纹,其中驱动齿轮和被动齿轮的参数如表1所示。
表1驱动齿轮和被动齿轮的参数
驱动轴的转速与载荷如表2所示。
表2驱动轴的转速与载荷
表2显示,驱动轴转速和载荷均有5个等级,齿轮裂纹故障4种,因此,通过正交实验可以得到5×5×4=100组数据,每组数据有20个分段样本,共有2000个分段样本。选取驱动齿轮1/4裂纹故障、驱动轴转速为900r/min,载荷为6N.m的齿轮箱振动信号为研究对象,对其进行FFT变换,结果如图1所示。
由图1可以看出,驱动轴转速和负载恒定的条件下,齿轮箱振动信号的时域波形比较平稳,说明整个实验平台受到的外部干扰不明显,对齿轮箱振动特性的影响较小。为深入了解齿轮箱振动信号的频域特性,现对图1的振动信号进行FFT变换,结果如图2所示。
图2显示,齿轮箱的加速度信号具有较复杂的频率成分,其中,频率点(X:325,Y:0.0526)为齿轮啮合的频率,(X:650,Y:0.1383)、(X:1302.5,Y:0.0607)、(X:1627.5,Y:0.0637)和(X:1952.5,Y:0.4488)分别为齿轮啮合频率的2倍频率、4倍频率、5倍频和6倍频率。为得到振动信号的时频特性,利用“meyr”小波对其进行3层小波包分解,结果如图3所示。
由图3和图4可以看出,齿轮箱的加速度信号的能量主要集中在小波包节点9(937.5Hz-1250Hz)和小波包节点13(1250Hz-1562.5Hz)。根据振动信号的小波包计算结果提取各个小波包系数的峭度和偏态,假设某一节点的小波包系数序列为X=[x(1),x(2),…,x(n)],n表示信号长度。
图5和图6显示,整体上节点9和11的峭度和偏态对齿轮裂纹长度具有很高的识别度,但节点11的偏态在无裂纹与1/4裂纹,以及1/2裂纹与3/4裂纹之间的识别度较低,可以通过优化算法提高分类算法的精度,因此,本文选择节点9和11的峭度和偏态作为齿轮裂纹故障特征。
将得到的齿轮箱振动信号的小波包节点9和13的峭度和偏态作为输入,将2000组分段样本中的1600组作为训练样本,将剩余的400组数据作为测试样本,通过基于PSO的支持向量机进行齿轮裂纹长度的识别。其中,基于PSO的支持向量机预测模型如图7所示。
经过多次仿真试验,发现多项式核函数在计算精度和效率方面具有较大的优势,因此选择多项式核函数作为支持向量机的核函数,如式(3)所示。
kxy=(γ(t·y)+r)d (3)
其中,r为常数,t为特征样本,y是标签信息,γ和d为2个待调试确定的重要参数,严重影响SVM的分类精度和计算效率。因此,通过PSO确定γ和d两个参数,初始值设置为0.4和1.5。设定PSO算法的粒子数为100,其它参数选择如表3所示。
表3 PSO的参数设置
以测试样本的分类精度为目标函数,通过PSO优化SVM,得到最优的分类精度,并将计算结果与SVM,以及网格搜索法(Grid Searching)进行比较,分类精度和计算时间如图8所示。
图8显示,与SVM以及SVM-GS相比,本文提出的SVM-PSO算法具有最高的分类精度,计算效率介于SVM与SVM-GS之间,具有优良的综合性能。
为了解训练样本数量对分类精度和计算时间的影响,将样本数量分别设置为1000,1200,1400,1600,1800,利用同样的方法进行计算,结果如图9所示。由图9可以看出,整体看来,训练样本越多,分类精度越高,计算时间越长。但训练样本达到1800以后,计算时间大幅度增加,但计算精度不稳定,主要因为测试样本太少,随机性较强,计算精度不稳定。
将本文提出的SVM-PSO分类算法与BPNN,KNN,DT和NBM进行比较,计算结果如图10所示。图10显示,从分类精度方面来说,本文提出的SVM-PSO分类精度最高,BPNN与NBM分类精度相当,DT的分类精度最低,主要是因为SVM-PSO利用了PSO强大的优化能力优化了SVM的2个关键参数,其它分类方法均没有使用优化算法,初始参数的设置很难达到最优值。由于引入了PSO优化算法,SVM-PSO的计算时间较其它算法更长。
Claims (6)
1.一种基于振动信号的齿轮裂纹故障诊断方法,其特征在于步骤包括:
1)在对一级齿轮箱的振动信号进行快速傅里叶变换和小波包变换的基础上,提取各个小波包系数的峭度和偏态,并选择分辨率较高的小波包系数的峭度和偏态作为齿轮裂纹的故障特征;
2)最后通过基于粒子群优化算法的支持向量机模型进行齿轮裂纹故障特征分类,其中,PSO主要用来优化SVM模型的核函数的关键参数,避免出现局部最优和过拟合的问题。
2.根据权利要求1所述的一种基于振动信号的齿轮裂纹故障诊断方法,其特征在于所述步骤1)的通过伺服电机带动齿轮箱的主动轮和被动轮旋转,利用制动控制器和磁力制动器实现齿轮箱的制动,同时,扭矩传感器和三向加速度传感器分别获取齿轮箱的负载和振动信号,采样频率5000Hz。
4.根据权利要求3所述的一种基于振动信号的齿轮裂纹故障诊断方法,其特征在于所述步骤1)中选取驱动齿轮1/4裂纹故障、驱动轴转速为900r/min,载荷为6N.m的齿轮箱振动信号为研究对象,对其进行FFT变换,齿轮箱的加速度信号具有较复杂的频率成分,其中,频率点X:325,Y:0.0526为齿轮啮合的频率,X:650,Y:0.1383、X:1302.5,Y:0.0607、X:1627.5,Y:0.0637和X:1952.5,Y:0.4488分别为齿轮啮合频率的2倍频率、4倍频率、5倍频和6倍频率,为得到振动信号的时频特性,利用“meyr”小波对其进行3层小波包分解。
6.根据权利要求4所述的一种基于振动信号的齿轮裂纹故障诊断方法,其特征在于所述步骤2)中将得到的齿轮箱振动信号的小波包节点9和13的峭度和偏态作为输入,将2000组分段样本中的1600组作为训练样本,将剩余的400组数据作为测试样本,通过基于PSO的支持向量机进行齿轮裂纹长度的识别,经过多次仿真试验,发现多项式核函数在计算精度和效率方面具有较大的优势,因此选择多项式核函数作为支持向量机的核函数,kxy=(γ(t·y)+r)d,其中,r为常数,t为特征样本,y是标签信息,γ和d为2个待调试确定的重要参数,严重影响SVM的分类精度和计算效率,因此,通过PSO确定γ和d两个参数,初始值设置为0.4和1.5,设定PSO算法的粒子数为100,其它参数选择如表3所示:
表3 PSO的参数设置
以测试样本的分类精度为目标函数,通过PSO优化SVM,得到最优的分类精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603892.XA CN111610024A (zh) | 2020-06-29 | 2020-06-29 | 一种基于振动信号的齿轮裂纹故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603892.XA CN111610024A (zh) | 2020-06-29 | 2020-06-29 | 一种基于振动信号的齿轮裂纹故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111610024A true CN111610024A (zh) | 2020-09-01 |
Family
ID=72201032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010603892.XA Withdrawn CN111610024A (zh) | 2020-06-29 | 2020-06-29 | 一种基于振动信号的齿轮裂纹故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111610024A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053009A (zh) * | 2020-09-30 | 2020-12-08 | 华人运通(江苏)技术有限公司 | 一种故障预测方法、装置、系统及存储介质 |
CN112881167A (zh) * | 2020-09-10 | 2021-06-01 | 北京理工大学 | 一种微动疲劳裂纹萌生位置判定方法 |
CN113468809A (zh) * | 2021-06-30 | 2021-10-01 | 重庆大学 | 一种风电齿轮箱平行级齿根裂纹模式识别方法 |
-
2020
- 2020-06-29 CN CN202010603892.XA patent/CN111610024A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881167A (zh) * | 2020-09-10 | 2021-06-01 | 北京理工大学 | 一种微动疲劳裂纹萌生位置判定方法 |
CN112881167B (zh) * | 2020-09-10 | 2022-01-04 | 北京理工大学 | 一种微动疲劳裂纹萌生位置判定方法 |
CN112053009A (zh) * | 2020-09-30 | 2020-12-08 | 华人运通(江苏)技术有限公司 | 一种故障预测方法、装置、系统及存储介质 |
CN112053009B (zh) * | 2020-09-30 | 2023-08-01 | 华人运通(江苏)技术有限公司 | 一种故障预测方法、装置、系统及存储介质 |
CN113468809A (zh) * | 2021-06-30 | 2021-10-01 | 重庆大学 | 一种风电齿轮箱平行级齿根裂纹模式识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
CN107560849B (zh) | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
CN111610024A (zh) | 一种基于振动信号的齿轮裂纹故障诊断方法 | |
CN112798280B (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN108171263A (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
CN111160167A (zh) | 基于s变换深度卷积神经网络的主轴故障分类识别方法 | |
CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
Yang et al. | Gearbox fault diagnosis based on artificial neural network and genetic algorithms | |
CN111581888B (zh) | 风力发电机轴承剩余使用寿命预测模型的构建方法 | |
Zhao et al. | Data augmentation via randomized wavelet expansion and its application in few-shot fault diagnosis of aviation hydraulic pumps | |
CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
Jiang et al. | Fault diagnosis of planetary gearbox based on motor current signal analysis | |
CN113095179A (zh) | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 | |
Khoualdia et al. | Optimized multi layer perceptron artificial neural network based fault diagnosis of induction motor using vibration signals | |
Medina et al. | Deep learning-based gear pitting severity assessment using acoustic emission, vibration and currents signals | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN114048787A (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN112686279A (zh) | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 | |
CN115901259A (zh) | 基于二维图像与cnn的滚动轴承弱故障诊断方法 | |
Sun et al. | Fault diagnosis of planetary gearbox based on signal denoising and convolutional neural network | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200901 |