CN113567117B - 基于psoobp-cs算法的齿轮箱故障诊断方法 - Google Patents

基于psoobp-cs算法的齿轮箱故障诊断方法 Download PDF

Info

Publication number
CN113567117B
CN113567117B CN202111119164.2A CN202111119164A CN113567117B CN 113567117 B CN113567117 B CN 113567117B CN 202111119164 A CN202111119164 A CN 202111119164A CN 113567117 B CN113567117 B CN 113567117B
Authority
CN
China
Prior art keywords
algorithm
particle
gear box
psoobp
fault diagnosis
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
Application number
CN202111119164.2A
Other languages
English (en)
Other versions
CN113567117A (zh
Inventor
肖茂华
赵远方
耿国盛
杨文安
朱烨均
鲁植雄
周俊博
王振雨
张伟
周爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN202111119164.2A priority Critical patent/CN113567117B/zh
Publication of CN113567117A publication Critical patent/CN113567117A/zh
Application granted granted Critical
Publication of CN113567117B publication Critical patent/CN113567117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于PSOOBP‑CS算法的齿轮箱故障诊断方法，基于ICEEMDSN和MPE算法提取齿轮箱故障特征数据，首先判断间歇分量的存在，据此采用相应分解算法，提高了运算效率，减少了传统特征提取方法中仅采用ICEEMDAN算法在信号分解过程中添加的白噪声的残余。本发明通过齿轮箱工况数据采集装置采集测试数据，并传递至计算机中的故障诊断单元，利用PSOOBP‑CS算法优化存储在故障诊断单元中的Elman‑TCL神经网络，将PSO的搜索能力与CS的全局搜索能力相叠加，优化PSO算法中粒子速度与位置，优化PSO算法粒子全局最优位置，使其摆脱过早收敛和容易陷入局部最优的缺点，故障诊断效果好。

Description

基于PSOOBP-CS算法的齿轮箱故障诊断方法
技术领域
本发明属于故障诊断技术领域，尤其涉及一种基于PSOOBP-CS算法的齿轮箱故障诊断方法。
背景技术
齿轮箱作为旋转机械中的主要组成部分，广泛应用于风电、重工、汽车、民生等领域。齿轮箱一旦出现故障，将会带来难以预料的后果，会影响设备的运行，给企业带来较大的生产成本和时间成本，造成巨大的经济损失，甚至会危及人们的生命安全。因此，针对齿轮箱健康状况的实时诊断对维护设备健康以及保障人民生命安全具有重要的意义。
随着现代科学技术的不断发展，针对齿轮箱故障诊断方法的研究也越发丰富，分析的方法包括时域分析、频域分析以及时频联合分析，领域方向主要有降噪处理、特征提取、模式识别等。其中，针对特征提取的方法，目前是提取信号中时域和频域的参数指标作为特征来进行故障的识别，手段较为单一，因此，有必要针对特征提取的手法深入研究和不断完善。同时，传统的模式识别方法用到的神经网络、向量机等模型存在局限性，对结果的诊断准确率有很大的影响。因此，结合目前的各种优化算法来优化完善模型并对齿轮箱的故障进行更深层次的研究也是非常有必要的。
发明内容
针对现有技术中存在不足，本发明提供了一种基于PSOOBP-CS算法的齿轮箱故障诊断方法，基于ICEEMDSN和MPE算法进行特征提取，提取到的故障特征更加明显，采用PSOOBP-CS算法联合优化Elman-TCL神经网络，使得故障诊断效果更加精准。
本发明是通过以下技术手段实现上述技术目的的。
一种基于PSOOBP-CS算法的齿轮箱故障诊断方法，包括如下步骤：
步骤1：获取齿轮箱的振动加速度信号并保存为
Figure DEST_PATH_IMAGE002
个样本集合，其中，
Figure 370515DEST_PATH_IMAGE002
为正整数，然后利用ICEEMDSN 算法判断样本集合中的信号是否存在间歇分量，若存在间歇分量则对信号进行ICEEMDAN分解，反之则对信号进行EMD分解；
步骤2：当分解后的残差信号不能再继续分解则返回步骤1，反之则停止相应的分解过程，输出分解过程中产生的所有分量IMF和残差信号；
步骤3：针对分解得到的分量IMF，利用多尺度排列熵算法获取故障特征数据；
步骤4：将提取到的多尺度排列熵值作为故障特征向量，输入PSOOBP-CS算法优化后的Elman-TCL神经网络中，进行齿轮箱故障诊断，具体过程如下：
步骤4.1：建立Elman-TCL神经网络拓扑结构，包括承接层
Figure DEST_PATH_IMAGE004
、承接层
Figure DEST_PATH_IMAGE006
、承接层
Figure DEST_PATH_IMAGE008
、输入层、输出层、第一隐含层、第二隐含层；
步骤4.2：PSOOBP-CS算法的寻优对象是Elman-TCL神经网络的权值，首先初始化PSOOBP-CS算法，形成
Figure DEST_PATH_IMAGE010
个粒子群，其中，
Figure 486107DEST_PATH_IMAGE010
为正整数，初始化粒子速度和位置；
步骤4.3：当粒子数量未达到种群规模时返回步骤4.2继续初始化，反之则更新种群中的粒子速度和位置，具体过程如下：
在
Figure 683871DEST_PATH_IMAGE010
个粒子群不停迭代时，通过PSO算法将粒子速度及位置进行更新，获得一组粒子的最佳位置，将获得的粒子最佳位置代入到CS算法中，继续更新；
接着，根据更新后的粒子位置得到重构解，将粒子加入新群体，计算得到适应度值，更新粒子历史最优位置与全局最优位置；判断种群中的粒子是否全部更新完成，若不是则返回继续更新，反之则进入步骤4.4；
步骤4.4：在CS优化PSO算法的基础上，通过对比粒子当前最优位置和全局最优位置的关系，额外优化PSO算法粒子全局最优位置：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE016
均表示区间
Figure DEST_PATH_IMAGE018
之间的随机数；
Figure DEST_PATH_IMAGE020
表示粒子当前最优位置，
Figure DEST_PATH_IMAGE022
表示粒子当前位置，
Figure DEST_PATH_IMAGE024
表示PSO算法粒子全局最优位置；
步骤4.5：判断粒子群是否完成迭代，若完成迭代，则Elman-TCL神经网络优化完成；
步骤4.6：将故障特征向量输入优化后的Elman-TCL神经网络训练，输出诊断结果。
进一步地，所述步骤4.1中，Elman-TCL神经网络输出公式为：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE036
均表示权值；
Figure DEST_PATH_IMAGE038
表示第一输出层的第
Figure DEST_PATH_IMAGE040
次输出，
Figure DEST_PATH_IMAGE042
表示第一输出层的第
Figure DEST_PATH_IMAGE044
次输出，
Figure DEST_PATH_IMAGE046
表示第二输出层的第
Figure 832525DEST_PATH_IMAGE040
次输出，
Figure DEST_PATH_IMAGE048
表示第二输出层的第
Figure 455136DEST_PATH_IMAGE044
次输出。
进一步地，所述步骤4.3中，利用CS算法优化PSO算法的粒子速度更新公式为：
Figure DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE052
表示第
Figure DEST_PATH_IMAGE054
次迭代时粒子的速度；
Figure DEST_PATH_IMAGE056
表示第
Figure DEST_PATH_IMAGE058
次迭代时粒子的速度；
Figure DEST_PATH_IMAGE060
为惯性权值；
Figure DEST_PATH_IMAGE062
和
Figure DEST_PATH_IMAGE064
均表示学习因子；
Figure DEST_PATH_IMAGE066
和
Figure DEST_PATH_IMAGE068
均表示区间
Figure 400351DEST_PATH_IMAGE018
之间的随机数；
Figure DEST_PATH_IMAGE070
表示CS算法在执行到第
Figure DEST_PATH_IMAGE072
次时的位置；
Figure DEST_PATH_IMAGE074
表示CS算法在执行到第
Figure 69099DEST_PATH_IMAGE058
次时的位置；
Figure DEST_PATH_IMAGE076
表示CS算法找到的最佳巢穴位置。
进一步地，所述步骤4.3中，利用CS算法优化PSO算法的粒子速度更新公式为：
Figure DEST_PATH_IMAGE078
其中，
Figure DEST_PATH_IMAGE080
表示第
Figure 545080DEST_PATH_IMAGE072
次迭代时粒子的位置；
Figure DEST_PATH_IMAGE082
表示区间
Figure 697231DEST_PATH_IMAGE018
之间的随机数；
Figure 967675DEST_PATH_IMAGE076
表示CS算法找到的最佳巢穴位置。
进一步地，所述步骤1中，ICEEMDAN分解过程为：
首先向原始信号中添加特殊噪声：
Figure DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE086
为加入噪声之后的信号，
Figure DEST_PATH_IMAGE088
为原始信号，
Figure DEST_PATH_IMAGE090
为第
Figure DEST_PATH_IMAGE092
次分解中加入的高斯白噪声经EMD算法分解后的特殊白噪声；
接着求解
Figure 920457DEST_PATH_IMAGE086
信号中的每一个分量IMF：
Figure DEST_PATH_IMAGE094
其中，
Figure DEST_PATH_IMAGE096
为ICEEMDAN分解中第
Figure DEST_PATH_IMAGE098
次分解出的IMF ；
Figure DEST_PATH_IMAGE100
为ICEEMDAN分解中每次分解出IMF后原始信号减去IMF的残差信号；
Figure DEST_PATH_IMAGE102
为IMF的总数，
Figure DEST_PATH_IMAGE104
为时间序列。
进一步地，所述步骤1中，EMD分解的过程为：
对原始信号进行EMD分解，获取分量IMF：
Figure DEST_PATH_IMAGE106
Figure DEST_PATH_IMAGE108
其中，
Figure DEST_PATH_IMAGE110
为EMD分解中第
Figure 57520DEST_PATH_IMAGE098
次分解出的IMF；
Figure DEST_PATH_IMAGE112
为EMD分解中第
Figure DEST_PATH_IMAGE114
次分解出的IMF；
Figure DEST_PATH_IMAGE116
为EMD分解中每次分解出IMF后原始信号减去IMF的残差信号；
Figure 123565DEST_PATH_IMAGE088
为原始信号；
Figure DEST_PATH_IMAGE118
为EMD分解中第
Figure 33752DEST_PATH_IMAGE092
次分解出的IMF；
Figure 289808DEST_PATH_IMAGE102
为IMF的总数，
Figure 107592DEST_PATH_IMAGE104
为时间序列。
进一步地，所述步骤1中齿轮箱的振动加速度信号由齿轮箱工况数据采集装置提供，齿轮箱工况数据采集装置包括安装在底板上的电动机，电动机输出轴通过联轴器与第一轴承座连接，第一轴承座上安装有转速转矩传感器，第一轴承座通过联轴器与测试直齿圆柱齿轮箱内的大齿轮的齿轮轴连接；测试直齿圆柱齿轮箱内的小齿轮与对照直齿圆柱齿轮箱内的大齿轮通过联轴器连接；对照直齿圆柱齿轮箱内的小齿轮的齿轮轴通过联轴器与第二轴承座连接；第二轴承座上也安装有转速转矩传感器，第二轴承座通过联轴器与电涡流制动器连接；
测试直齿圆柱齿轮箱与对照直齿圆柱齿轮箱的组成结构相同，均包括箱体，箱体内均安装有相互啮合传动的小齿轮和大齿轮；测试直齿圆柱齿轮箱中的小齿轮与对照直齿圆柱齿轮箱中的大齿轮安装位置相同且相互连接在一起，测试直齿圆柱齿轮箱中的大齿轮与对照直齿圆柱齿轮箱中的小齿轮安装位置相同；测试直齿圆柱齿轮箱和对照直齿圆柱齿轮箱的箱体外部均安装有多个压电式加速度传感器。
进一步地，所述测试直齿圆柱齿轮箱中安装的是有故障的齿轮件，对照直齿圆柱齿轮箱中安装的是无故障齿轮件；测试直齿圆柱齿轮箱上的加速度传感器与计算机上的故障诊断单元信号连接；故障诊断单元中存储有经过PSOOBP-CS算法优化的神经网络，故障诊断单元接收振动加速度信号数据并将其以数字信号的形式保存，之后将该数据输入优化后的Elman-TCL神经网络中进行故障诊断。
进一步地，所述加速度传感器通过安装在其底部的磁铁吸附在测试直齿圆柱齿轮箱以及对照直齿圆柱齿轮箱的箱体外部。
本发明具有如下有益效果：
本发明基于ICEEMDSN和MPE算法进行特征提取，首先判断间歇分量的存在，据此采用不同的分解算法，不仅提高了运算的效率，而且减少了传统特征提取方法中仅采用ICEEMDAN算法在信号分解过程中添加的白噪声的残余，本发明提取的故障特征更加明显。
另外，本发明采用PSOOBP-CS算法联合优化Elman-TCL神经网络，将PSO的搜索能力与CS的全局搜索能力相叠加，优化PSO算法中粒子速度与位置，优化PSO算法粒子全局最优位置，使其摆脱过早收敛和容易陷入局部最优的缺点，使得故障诊断效果更加优异。
附图说明
图1为本发明所述齿轮箱工况数据采集装置结构示意图；
图2为本发明所述测试直齿圆柱齿轮箱内部结构示意图；
图3为故障特征提取流程图；
图4为Elman-TCL神经网络拓扑结构图；
图5为PSOOBP-CS优化Elman-TCL神经网络的流程图；
图6为PSOOBP-CS优化Elman-TCL神经网络的收敛特性曲线；
图7为普通Elman神经网络故障诊断效果图；
图8为PSOOBP-CS优化Elman-TCL神经网络故障诊断效果图。
图中：1-电动机；2-联轴器；3-转速转矩传感器；4-加速度传感器；5-测试直齿圆柱齿轮箱；6-对照直齿圆柱齿轮箱；7-电涡流制动器；8-箱体；9-第一轴承座；10-第二轴承座。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
在本发明的描述中，需要理解的是，术语“安装”、“连接”、“固定”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接，可以是直接相连，也可以是通过中间媒介间接相连，还可以是两个元件内部的连通；对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明所述基于PSOOBP-CS算法的齿轮箱故障诊断方法中，输入的检测数据是由齿轮箱工况数据采集装置提供的。如图1所示，齿轮箱工况数据采集装置包括底板以及安装在底板上的多块支座，支座依次用于安装电动机1、第一轴承座9、测试直齿圆柱齿轮箱5、对照直齿圆柱齿轮箱6、电涡流制动器7以及第二轴承座10。
如图1、2所示，测试直齿圆柱齿轮箱5与对照直齿圆柱齿轮箱6的组成结构相同，均包括箱体8，箱体8内均安装有相互啮合传动的小齿轮和大齿轮，小齿轮和大齿轮均可人为更换，替换件包括正常大齿轮、正常小齿轮、被磨损小齿轮、断齿大齿轮。其中，测试直齿圆柱齿轮箱5中安装的是有故障的齿轮件，对照直齿圆柱齿轮箱6中安装的是正常齿轮件；测试直齿圆柱齿轮箱5中的小齿轮与对照直齿圆柱齿轮箱6中的大齿轮安装位置相同且相互连接在一起，测试直齿圆柱齿轮箱5中的大齿轮与对照直齿圆柱齿轮箱6中的小齿轮安装位置相同。本发明设置了两个齿轮箱，便于对比故障齿轮和正常齿轮实际工作中的振动加速度信号之间的区别。
如图1所示，测试直齿圆柱齿轮箱5和对照直齿圆柱齿轮箱6的箱体8外部均安装有多个压电式加速度传感器4，用于采集不同坐标方向下的相应齿轮箱的振动加速度信号。本实施例中，优选地，加速度传感器4底部安装有磁铁，通过磁铁吸附在测试直齿圆柱齿轮箱5和对照直齿圆柱齿轮箱6的箱体8外部。
如图1所示，电动机1用于控制装置整体的启动、停止以及运行时的转速，电动机1输出轴通过联轴器2与第一轴承座9连接，第一轴承座9上安装有转速转矩传感器3，用于检测测试直齿圆柱齿轮箱5转速以及相应齿轮轴承受的转矩。第一轴承座9通过联轴器2与测试直齿圆柱齿轮箱5内的大齿轮的齿轮轴连接；测试直齿圆柱齿轮箱5内的小齿轮与对照直齿圆柱齿轮箱6内的大齿轮通过联轴器2连接；对照直齿圆柱齿轮箱6内的小齿轮的齿轮轴通过联轴器2与第二轴承座10连接。第二轴承座10上也安装有转速转矩传感器3，用于检测对照直齿圆柱齿轮箱6转速以及相应齿轮轴承受的转矩；第二轴承座10通过联轴器2与电涡流制动器7连接，电涡流制动器7用于控制装置整体停止运动。
电动机1以特定转速运动后，通过联轴器2带动测试直齿圆柱齿轮箱5中的大齿轮转动，该大齿轮通过齿轮传动的方式带动相应的小齿轮转动，测试直齿圆柱齿轮箱5中的小齿轮通过联轴器2带动对照圆柱齿轮箱6中的大齿轮转动，该大齿轮通过齿轮传动带动相应的小齿轮转动。
实际应用中，通过更换齿轮箱中的齿轮件来模拟多种工况下的齿轮箱故障，测试直齿圆柱齿轮箱5上的加速度传感器4 与计算机上的故障诊断单元信号连接，便于实时传递振动加速度信号；故障诊断单元中存储有经过PSOOBP-CS算法优化的神经网络，故障诊断单元接收振动加速度信号数据并将其以数字信号的形式保存，之后将该数据输入优化后的神经网络中进行故障诊断。
本发明所述的故障诊断方法如图3、5所示，具体过程如下：
步骤1：首先将保存好的数字信号按照样本长度（通常设置8000个采样点）保存为
Figure 372351DEST_PATH_IMAGE002
个样本集合，其中，
Figure 250177DEST_PATH_IMAGE002
为正整数；然后利用一种基于改进的自适应、自主选择添加噪声种类的信号分解方法（Improved Complete Ensemble Empirical Mode Decomposition withSelective Noise，ICEEMDSN），根据不同的信号类型，选取使用EMD算法还是ICEEMDAN算法进行后续分解；本发明利用ICEEMDSN算法检测
Figure 990600DEST_PATH_IMAGE002
个样本集合中的信号是否存在间歇分量，若存在间歇分量则转入步骤1.1，对信号进行基于改进的自适应噪声完备经验模态分解（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，ICEEMDAN），若不存在间歇分量则转入步骤1.2，对信号进行EMD分解，具体过程如图3所示；
步骤1.1：首先向原始信号中添加特殊噪声：
Figure 221861DEST_PATH_IMAGE084
其中，
Figure 996919DEST_PATH_IMAGE086
为加入噪声之后的信号，
Figure 514488DEST_PATH_IMAGE088
为原始信号，
Figure 617573DEST_PATH_IMAGE090
为第
Figure 777159DEST_PATH_IMAGE092
次分解中加入的高斯白噪声经EMD算法分解后的特殊白噪声；
接着求解
Figure 406724DEST_PATH_IMAGE086
信号中的每一个分量IMF：
Figure 236139DEST_PATH_IMAGE094
其中，
Figure 954084DEST_PATH_IMAGE096
为ICEEMDAN分解中第
Figure 792727DEST_PATH_IMAGE098
次分解出的IMF ；
Figure 11219DEST_PATH_IMAGE100
为ICEEMDAN分解中每次分解出IMF后原始信号减去IMF的残差信号；
Figure 401749DEST_PATH_IMAGE102
为IMF的总数，
Figure 213847DEST_PATH_IMAGE104
为时间序列。
步骤1.2：对原始信号进行EMD分解，获取分量IMF：
Figure 715236DEST_PATH_IMAGE106
Figure 53813DEST_PATH_IMAGE108
其中，
Figure 490611DEST_PATH_IMAGE110
为EMD分解中第
Figure 914639DEST_PATH_IMAGE098
次分解出的IMF；
Figure 219718DEST_PATH_IMAGE112
为EMD分解中第
Figure 288168DEST_PATH_IMAGE114
次分解出的IMF；
Figure 754922DEST_PATH_IMAGE116
为EMD分解中每次分解出IMF后原始信号减去IMF的残差信号；
Figure 934755DEST_PATH_IMAGE118
为EMD分解中第
Figure 387733DEST_PATH_IMAGE092
次分解出的IMF。
步骤2：判断步骤1.1分解后的残差信号（
Figure 966482DEST_PATH_IMAGE100
）、步骤1.2分解后的残差信号（
Figure 604137DEST_PATH_IMAGE116
）是否还能再分解出相应的分量IMF，判断方法为：
残差信号是否包含分解出IMF的条件，即在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个，且在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称；若判断结果为不能再分解则返回步骤1，反之则停止相应的分解过程，输出所有的分量IMF和残差信号。
步骤3：针对步骤1中得到的分量IMF，利用多尺度排列熵（Multi-scalePermutation Entropy，MPE）算法获取故障特征数据；
对每一个分量IMF求取多尺度排列熵：
Figure DEST_PATH_IMAGE120
其中，
Figure DEST_PATH_IMAGE122
为第
Figure 940440DEST_PATH_IMAGE114
个分量IMF的多尺度排列熵，
Figure DEST_PATH_IMAGE124
为尺度因子，
Figure DEST_PATH_IMAGE126
为第
Figure 384060DEST_PATH_IMAGE114
次分解时分解出的IMF；
步骤4：将每个信号数据提取到的多尺度排列熵值作为故障特征向量，即作为神经网络的输入，利用PSOOBP-CS算法优化Elman-TCL神经网络后，进行齿轮箱故障诊断；
本发明采用了一种改进的优化粒子全局最优位置的粒子群算法（Particle SwarmOptimization Algorithm with Optimized Best-position of Particles，PSOOBP），并将其与布谷鸟搜索算法（Cuckoo Search，CS）联合，共同优化含有三个承接层的Elman神经网络（Elman neural network with Triple Continue Layers，Elman-TCL），利用优化后的Elman-TCL神经网络进行齿轮箱故障诊断。
步骤4.1：建立如图4所示的Elman-TCL神经网络拓扑结构，包括三个承接层（
Figure 551736DEST_PATH_IMAGE004
、
Figure 501237DEST_PATH_IMAGE006
、
Figure 121574DEST_PATH_IMAGE008
）、输入层、输出层、第一隐含层（
Figure DEST_PATH_IMAGE128
）、第二隐含层（
Figure DEST_PATH_IMAGE130
），相较于传统的Elman神经网络，含有三个承接层的Elman神经网络（Elman-TCL），可将更多的信息反馈到隐含层和输出层中；Elman-TCL神经网络输出公式为：
Figure 94517DEST_PATH_IMAGE026
式中，
Figure 382279DEST_PATH_IMAGE028
、
Figure 237102DEST_PATH_IMAGE030
、
Figure 875894DEST_PATH_IMAGE032
、
Figure 598999DEST_PATH_IMAGE034
、
Figure 616634DEST_PATH_IMAGE036
均表示权值，图4中的
Figure DEST_PATH_IMAGE132
也表示权值；
Figure 956873DEST_PATH_IMAGE038
表示第一输出层的第
Figure 551802DEST_PATH_IMAGE040
次输出，
Figure 813019DEST_PATH_IMAGE042
表示第一输出层的第
Figure 544215DEST_PATH_IMAGE044
次输出，
Figure 6420DEST_PATH_IMAGE046
表示第二输出层的第
Figure 354225DEST_PATH_IMAGE040
次输出，
Figure 419133DEST_PATH_IMAGE048
表示第二输出层的第
Figure 145781DEST_PATH_IMAGE044
次输出。
步骤4.2：如图5所示，利用PSOOBP-CS算法优化Elman-TCL神经网络；
步骤4.2.1：PSOOBP-CS算法的寻优对象是Elman-TCL神经网络的权值，首先初始化PSOOBP-CS算法，形成
Figure 903521DEST_PATH_IMAGE010
个粒子群，其中，
Figure 207463DEST_PATH_IMAGE010
为正整数，初始化粒子速度和位置，根据粒子位置得到一个重构解，将粒子加入初始群体，计算得到适应度值，更新粒子全局最优位置；
步骤4.2.2：当粒子数量未达到种群规模时，返回步骤4.2.1继续进行初始化操作；当粒子数量达到种群规模时，更新种群中的粒子速度和位置，具体过程如下：
结合PSO算法与CS算法的搜索能力，在
Figure 217008DEST_PATH_IMAGE010
个粒子群不停迭代时，通过PSO算法将种群中第
Figure DEST_PATH_IMAGE134
个粒子速度及位置进行更新，获得一组粒子的最佳位置；接着，将上一步获得的粒子最佳位置随即代入到CS算法中，继续更新；
利用CS算法优化PSO算法的粒子速度更新公式为：
Figure 519201DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE136
表示第
Figure 244580DEST_PATH_IMAGE054
次迭代时粒子的速度；
Figure 442343DEST_PATH_IMAGE056
表示第
Figure 849054DEST_PATH_IMAGE058
次迭代时粒子的速度；
Figure 143769DEST_PATH_IMAGE060
为惯性权值；
Figure 243312DEST_PATH_IMAGE062
和
Figure 662792DEST_PATH_IMAGE064
均表示学习因子；
Figure 138772DEST_PATH_IMAGE066
和
Figure 960098DEST_PATH_IMAGE068
均表示区间
Figure 233472DEST_PATH_IMAGE018
之间的随机数；
Figure 264882DEST_PATH_IMAGE070
表示CS算法在执行到第
Figure 154341DEST_PATH_IMAGE072
次时的位置；
Figure 954806DEST_PATH_IMAGE074
表示CS算法在执行到第
Figure 271518DEST_PATH_IMAGE058
次时的位置；
Figure 790224DEST_PATH_IMAGE076
表示CS算法找到的最佳巢穴位置；
利用CS算法优化PSO算法的粒子速度更新公式为：
Figure 342428DEST_PATH_IMAGE078
其中，
Figure DEST_PATH_IMAGE138
表示第
Figure 731821DEST_PATH_IMAGE072
次迭代时粒子的位置；
Figure 485014DEST_PATH_IMAGE082
表示区间
Figure 225437DEST_PATH_IMAGE018
之间的随机数；
Figure DEST_PATH_IMAGE140
表示粒子当前最优位置；
接着，根据更新后的粒子位置得到重构解，将粒子加入新群体，计算得到相应适应度值，更新粒子历史最优位置与全局最优位置；判断种群中的粒子是否全部更新完成，若不是则返回继续更新第
Figure DEST_PATH_IMAGE142
个粒子，若是则进入步骤4.3.2；
步骤4.3.2：在上述CS优化PSO算法的基础上，通过对比粒子当前最优位置和全局最优位置的关系，额外优化PSO算法粒子全局最优位置：
Figure 392718DEST_PATH_IMAGE012
其中，
Figure 43142DEST_PATH_IMAGE014
、
Figure 91869DEST_PATH_IMAGE016
均表示区间
Figure 194954DEST_PATH_IMAGE018
之间的随机数；
Figure 354540DEST_PATH_IMAGE022
表示粒子当前位置，
Figure 859471DEST_PATH_IMAGE024
表示PSO算法粒子全局最优位置；
步骤4.3.3：判断粒子群是否完成迭代（即是否达到最大迭代次数），若完成迭代，则Elman-TCL神经网络也优化完成。
步骤4.3：将故障特征向量输入优化后的Elman-TCL神经网络训练，输出诊断结果。
图6为采用PSOOBP-CS算法优化后的Elman-TCL神经网络的收敛特性曲线，由图6可知，虽然加入CS算法和增加承接层使得迭代次数增加，Elman-TCL神经网络达到收敛时的训练次数为198次，但最终的误差非常小，仅为0.00018317，这表明经过训练的Elman-TCL神经网络的故障诊断精度很高。
由图7、图8可知，在参与测试的40组数据中，普通Elman神经网络故障诊断正确率较低，仅为85%，而PSOOBP-CS-Elman-TCL神经网络的故障数据全部与故障标签对应，故障诊断正确率为100%，故障诊断效果较好。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (9)

1.一种基于PSOOBP-CS算法的齿轮箱故障诊断方法，其特征在于，包括如下步骤：
步骤1：获取齿轮箱的振动加速度信号并保存为y个样本集合，其中，y为正整数，然后依次判断每个样本集合中的信号是否存在间歇分量，若存在间歇分量则对整个样本中的信号进行ICEEMDAN分解，反之则对整个样本中的信号进行EMD分解；
步骤2：当分解后的残差信号不能再继续分解则返回步骤1，反之则停止相应的分解过程，输出分解过程中产生的所有分量IMF和残差信号；
步骤3：针对分解得到的分量IMF，利用多尺度排列熵算法获取故障特征数据；
步骤4：将提取到的多尺度排列熵值作为故障特征向量，输入PSOOBP-CS算法优化后的Elman-TCL神经网络中，进行齿轮箱故障诊断，具体过程如下：
步骤4.1：建立Elman-TCL神经网络拓扑结构，包括承接层C1、承接层C2、承接层C3、输入层、输出层、第一隐含层、第二隐含层；
步骤4.2：PSOOBP-CS算法的寻优对象是Elman-TCL神经网络的权值，首先初始化PSOOBP-CS算法，形成m个粒子群，其中，m为正整数，初始化粒子速度和位置；
步骤4.3：当粒子数量未达到种群规模时返回步骤4.2继续初始化，反之则更新种群中的粒子速度和位置，具体过程如下：
在m个粒子群不停迭代时，通过PSO算法将粒子速度及位置进行更新，获得一组粒子的最佳位置，将获得的粒子最佳位置代入到CS算法中，继续更新；
接着，根据更新后的粒子位置得到重构解，将粒子加入新群体，计算得到适应度值，更新粒子历史最优位置与全局最优位置；判断种群中的粒子是否全部更新完成，若不是则返回继续更新，反之则进入步骤4.4；
步骤4.4：在CS优化PSO算法的基础上，通过对比粒子当前最优位置和全局最优位置的关系，额外优化PSO算法粒子全局最优位置：
Figure FDA0003345772110000011
其中，u4、u5均表示区间[0，1]之间的随机数；pbest表示粒子当前最优位置，xr表示粒子当前位置，pgest表示PSO算法粒子全局最优位置；
步骤4.5：判断粒子群是否完成迭代，若完成迭代，则Elman-TCL神经网络优化完成；
步骤4.6：将故障特征向量输入优化后的Elman-TCL神经网络训练，输出诊断结果。
2.根据权利要求1所述的基于PSOOBP-CS算法的齿轮箱故障诊断方法，其特征在于，所述步骤4.1中，Elman-TCL神经网络输出公式为：
Figure FDA0003345772110000021
其中，w1、w2、w4、w5、w6均表示权值；O1(t)表示第一输出层的第t次输出，O1(t-1)表示第一输出层的第t-1次输出，O2(t)表示第二输出层的第t次输出，O2(t-1)表示第二输出层的第t-1次输出。
3.根据权利要求1所述的基于PSOOBP-CS算法的齿轮箱故障诊断方法，其特征在于，所述步骤4.3中，利用CS算法优化PSO算法的粒子速度更新公式为：
Vr+1＝wVr+c1u1(nestr+1-nestr)+c2u2(bestnest-nestr)
其中，Vr+1表示第r+1次迭代时粒子的速度；Vr表示第r次迭代时粒子的速度；w为惯性权值；c1和c2均表示学习因子；u1和u2均表示区间[0，1]之间的随机数；nestr+1表示CS算法在执行到第r+1次时的位置；nestr表示CS算法在执行到第r次时的位置；bestnest表示CS算法找到的最佳巢穴位置。
4.根据权利要求1所述的基于PSOOBP-CS算法的齿轮箱故障诊断方法，其特征在于，所述步骤4.3中，利用CS算法优化PSO算法的粒子速度更新公式为：
xr+1＝u3pbest+(1-u3)bestnest
其中，xr+1表示第r+1次迭代时粒子的位置；u3表示区间[0，1]之间的随机数；bestnest表示CS算法找到的最佳巢穴位置。
5.根据权利要求1所述的基于PSOOBP-CS算法的齿轮箱故障诊断方法，其特征在于，所述步骤1中，ICEEMDAN分解过程为：
首先向原始信号中添加特殊噪声：
X(j)(t′)＝x(t′)+emd[wj(t′)]
其中，X(j)(t′)为加入噪声之后的信号，x(t′)为原始信号，emd[wj(t′)]为第j次分解中加入的高斯白噪声经EMD算法分解后的特殊白噪声；
接着求解X(j)(t′)信号中的每一个分量IMF：
Figure FDA0003345772110000031
其中，imfn+1(t′)为ICEEMDAN分解中第n+1次分解出的IMF；rn(t′)为ICEEMDAN分解中每次分解出IMF后原始信号减去IMF的残差信号；N为IMF的总数，t′为时间序列。
6.根据权利要求1所述的基于PSOOBP-CS算法的齿轮箱故障诊断方法，其特征在于，所述步骤1中，EMD分解的过程为：
对原始信号进行EMD分解，获取分量IMF：
Figure FDA0003345772110000032
Figure FDA0003345772110000033
其中，IMFn+1(t′)为EMD分解中第n+1次分解出的IMF；IMFn(t′)为EMD分解中第n次分解出的IMF；Rn(t′)为EMD分解中每次分解出IMF后原始信号减去IMF的残差信号；x(t′)为原始信号；IMF(t′)为EMD分解中第j次分解出的IMF；N为IMF的总数，t′为时间序列。
7.根据权利要求1所述的基于PSOOBP-CS算法的齿轮箱故障诊断方法，其特征在于，所述步骤1中齿轮箱的振动加速度信号由齿轮箱工况数据采集装置提供，齿轮箱工况数据采集装置包括安装在底板上的电动机(1)，电动机(1)输出轴通过联轴器(2)与第一轴承座(9)连接，第一轴承座(9)上安装有转速转矩传感器(3)，第一轴承座(9)通过联轴器(2)与测试直齿圆柱齿轮箱(5)内的大齿轮的齿轮轴连接；测试直齿圆柱齿轮箱(5)内的小齿轮与对照直齿圆柱齿轮箱(6)内的大齿轮通过联轴器(2)连接；对照直齿圆柱齿轮箱(6)内的小齿轮的齿轮轴通过联轴器(2)与第二轴承座(10)连接；第二轴承座(10)上也安装有转速转矩传感器(3)，第二轴承座(10)通过联轴器(2)与电涡流制动器(7)连接；
测试直齿圆柱齿轮箱(5)与对照直齿圆柱齿轮箱(6)的组成结构相同，均包括箱体(8)，箱体(8)内均安装有相互啮合传动的小齿轮和大齿轮；测试直齿圆柱齿轮箱(5)中的小齿轮与对照直齿圆柱齿轮箱(6)中的大齿轮安装位置相同且相互连接在一起，测试直齿圆柱齿轮箱(5)中的大齿轮与对照直齿圆柱齿轮箱(6)中的小齿轮安装位置相同；测试直齿圆柱齿轮箱(5)和对照直齿圆柱齿轮箱(6)的箱体(8)外部均安装有多个压电式加速度传感器(4)。
8.根据权利要求7所述的基于PSOOBP-CS算法的齿轮箱故障诊断方法，其特征在于，所述测试直齿圆柱齿轮箱(5)中安装的是有故障的齿轮件，对照直齿圆柱齿轮箱(6)中安装的是无故障齿轮件；测试直齿圆柱齿轮箱(5)上的加速度传感器(4)与计算机上的故障诊断单元信号连接；故障诊断单元中存储有经过PSOOBP-CS算法优化的神经网络，故障诊断单元接收振动加速度信号数据并将其以数字信号的形式保存，之后将该数据输入优化后的Elman-TCL神经网络中进行故障诊断。
9.根据权利要求7所述的基于PSOOBP-CS算法的齿轮箱故障诊断方法，其特征在于，所述加速度传感器(4)通过安装在其底部的磁铁吸附在测试直齿圆柱齿轮箱(5)以及对照直齿圆柱齿轮箱(6)的箱体(8)外部。
CN202111119164.2A 2021-09-24 2021-09-24 基于psoobp-cs算法的齿轮箱故障诊断方法 Active CN113567117B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111119164.2A CN113567117B (zh) 2021-09-24 2021-09-24 基于psoobp-cs算法的齿轮箱故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111119164.2A CN113567117B (zh) 2021-09-24 2021-09-24 基于psoobp-cs算法的齿轮箱故障诊断方法

Publications (2)

Publication Number Publication Date
CN113567117A CN113567117A (zh) 2021-10-29
CN113567117B true CN113567117B (zh) 2021-12-14

Family

ID=78174229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111119164.2A Active CN113567117B (zh) 2021-09-24 2021-09-24 基于psoobp-cs算法的齿轮箱故障诊断方法

Country Status (1)

Country Link
CN (1) CN113567117B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114088400B (zh) * 2021-11-01 2024-04-09 中国人民解放军92728部队 一种基于包络排列熵的滚动轴承故障诊断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2988187B1 (en) * 2014-08-22 2017-03-29 ABB Schweiz AG A method for assessing the condition of rotating machinery connected to an electric motor
CN106844826A (zh) * 2016-12-02 2017-06-13 上海电机学院 一种用于风电机组齿轮箱故障预测诊断的方法
CN108444696A (zh) * 2018-03-09 2018-08-24 武汉工程大学 一种齿轮箱故障分析方法
CN113188794B (zh) * 2021-04-29 2021-11-23 东北电力大学 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置

Also Published As

Publication number Publication date
CN113567117A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN112161784B (zh) 基于多传感器信息融合迁移网络的机械故障诊断方法
Kong et al. Attention recurrent autoencoder hybrid model for early fault diagnosis of rotating machinery
CN108426713B (zh) 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN110543860B (zh) 基于tjm迁移学习的机械故障诊断方法及系统
CN110261109B (zh) 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法
CN109211546B (zh) 基于降噪自动编码器及增量学习的旋转机械故障诊断方法
CN106197999B (zh) 一种行星齿轮故障诊断方法
CN106408088A (zh) 一种基于深度学习理论的旋转机械设备故障诊断方法
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
CN108256556A (zh) 基于深度信念网络的风力发电机组齿轮箱故障诊断方法
CN108106841A (zh) 基于内置编码器信号的行星齿轮箱智能故障诊断方法
Di et al. Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions
CN111022313B (zh) 一种基于lstm的海洋平台空气压缩机故障诊断方法
CN112113755B (zh) 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
CN114722952B (zh) 一种基于表示学习的轴承故障检测和分类的一体化方法
CN110689130B (zh) 轴承故障诊断方法
CN113567117B (zh) 基于psoobp-cs算法的齿轮箱故障诊断方法
CN111795819B (zh) 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
CN115563853A (zh) 一种基于数字孪生的滚动轴承故障诊断方法
CN111855202A (zh) 一种齿轮箱故障诊断方法及系统
CN111855208B (zh) 一种基于阶次分析和稀疏编码的旋转机械微弱故障信号提取方法
CN111637045A (zh) 一种海洋平台空气压缩机故障诊断方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN116956215A (zh) 一种传动系统故障诊断方法及系统
CN116358871A (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

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