CN113657244B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113657244B CN113657244B CN202110929350.6A CN202110929350A CN113657244B CN 113657244 B CN113657244 B CN 113657244B CN 202110929350 A CN202110929350 A CN 202110929350A CN 113657244 B CN113657244 B CN 113657244B
- Authority
- CN
- China
- Prior art keywords
- eemd
- fault
- model
- tspso
- gearbox
- 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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于改进EEMD和语谱分析的风机齿轮箱故障诊断方法及系统,包括以下步骤:获取风机齿轮箱健康或故障的振动信号;利用tsPSO方法对EEMD方法进行优化,得到最终的一系列本征模函数分量;筛选本征模函数分量,并对所选择的分量进行语谱分析,得到故障特征语谱图;以故障特征语谱图为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。该方法可以自适应地根据信号本身的特征优化得到EEMD方法较精确的数值参数,提升EEMD方法分解的精确度,可以以较高的计算效率自适应的根据信号的特征取得更具可重复性的结果,并实现快速准确的故障智能诊断。
Description
技术领域
本发明属于风机复合行星齿轮箱故障诊断领域,尤其涉及一种基于改进EEMD方法、语谱分析方法和卷积神经网络方法的复合行星齿轮箱故障诊断方法及系统。
背景技术
复合行星轮系因其结构紧凑,承载能力高和高传动比的特点,被广泛应用于推土机、风机等工程机械中。然而高负载、强冲击和随机风速工况的工作环境常常会导致风机齿轮箱中的齿轮出现故障,导致传动系统停摆,进而造成经济损失和人员伤亡。因此,实现风机齿轮箱精确智能的故障诊断对于避免灾难性的事故和节约成本来说是很有必要的。
振动分析是最有效的行星齿轮箱故障诊断方法之一。近几年,EEMD方法因其自适应分解和对非平稳工况信号的优秀处理能力越来越多被应用在风机齿轮箱故障诊断方面。然而EEMD的关键参数选择缺乏统一的标准,不同的选择方式会对分解的结果产生较大的影响,甚至会干扰结果的故障特征。针对这一问题,部分研究人员采取了针对性的改进和优化,例如:在申请号为201910807855.8,专利名称为“基于PSO-EEMD方法的行星齿轮箱故障诊断方法及系统”的发明专利中提出了一种通过模拟噪声加入评价噪声对于信号均匀性改善状况的优化选择噪声幅值的方法。然而这样的方法并非是基于EEMD分解全过程的,且同一噪声幅值在不同的噪声随机序列下也不一定能够实现均匀信号分布的结果,因此该方法在自适应性和可重复性方面具备一定的不足。因此有必要提出一种具备足够自适应性、可重复性以及一定计算效率的改进EEMD方法,并结合该方法进一步提出准确快速的故障智能诊断方法。
发明内容
为了解决上述问题,本发明提供一种可以经过优化取得数值精确解的EEMD参数优选方法、基于该方法以及语谱分析方法的风机齿轮箱故障智能诊断方法以及系统。
为了实现上述内容的第一个方面,本发明采用如下技术方案:
一种基于tsPSO(Extremum disturbed and simple particle swarmoptimization)优化改进EEMD方法的风机行星齿轮箱故障诊断方法,包括以下步骤:
获取风机齿轮箱健康或故障的振动信号;
利用tsPSO方法对EEMD方法进行优化,得到最终的一系列本征模函数分量;
筛选本征模函数分量,并对所选择的分量进行语谱分析,得到故障特征语谱图;
以故障特征语谱图为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。
作为进一步的技术方案,利用tsPSO方法对EEMD方法进行优化的步骤如下:
设定并初始化tsPSO方法的参数;所述的参数包括初始位置、种群数量、迭代次数、动量惯性系数、学习因子和进化停滞步数阈值;
使用RRMSE作为风机齿轮箱振动信号EEMD分解效果的评价指标,以衡量EEMD分解结果中无关信号分量及噪声分量的存在程度;
按照设定的参数进行迭代搜索得到最优参数解;
使用最优参数对信号进行EEMD计算,得到最终的一系列较优本征模函数分量。
作为进一步的技术方案,智能诊断诊断模型建立的过程如下:
建立卷积神经网络模型,以故障特征语谱图为输入,经过卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;最后初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到98%以上时,模型建立完成。
第二方面,本发明还提供了一种风机行星齿轮箱故障诊断系统,如下:
第一模块,被配置为获取风机齿轮箱健康或故障的振动信号;
第二模块,被配置为利用tsPSO方法对EEMD方法进行优化,得到最终的一系列本征模函数分量;
第三模块,被配置为筛选本征模函数分量,并对所选择的分量进行语谱分析,得到故障特征语谱图;
第四模块,被配置为以故障特征语谱图为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。
作为进一步的技术方案,所述的第二模块,被配置为设定并初始化tsPSO方法的参数;使用RRMSE作为风机齿轮箱振动信号EEMD分解效果的评价指标,以衡量EEMD分解结果中无关信号分量及噪声分量的存在程度;按照设定的参数进行迭代搜索得到最优参数解;使用最优参数对信号进行EEMD计算,得到最终的一系列较优本征模函数分量。所述的参数包括初始位置、种群数量、迭代次数、动量惯性系数、学习因子和进化停滞步数阈值。
作为进一步的技术方案,所述智能诊断诊断模型的建立系统包括:
第一子模块;被配置为建立卷积神经网络模型,以故障特征语谱图为输入,经过卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;
第二子模块,被配置为初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到98%以上时,模型建立完成。
第三方面,本发明还提供了一种计算机,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,其特征在于,所述计算机指令被处理器运行时,完成前面所述的风机行星齿轮箱故障诊断方法中的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,其特征在于,完成前面所述的风机行星齿轮箱故障诊断方法中的步骤。
本发明的优点在于:
1.针对现有的多数EEMD优化方法结果重复性差、自适应性不足以及计算效率不高的问题,提出了基于改进tsPSO方法的改进EEMD方法,该方法可以自适应地根据信号本身的特征优化得到EEMD方法较精确的数值参数,提升EEMD方法分解的精确度,可以以较高的计算效率自适应的根据信号的特征取得更具可重复性的结果。
2.采用自适应EEMD和语谱分析结合的方法,可以充分的提取和反应信号的故障特征,并将其转化为较为直观的图谱形式。
3.使用卷积神经网络对处理后的信号特征进行了智能的特征提取和分类,建立了具有足够准确率和诊断效率的风机齿轮箱智能故障诊断模型。
附图说明
图1是本发明实施例的一种基于改进EEMD方法和语谱分析的风机齿轮箱故障智能诊断方法流程图。
图2是本发明实施例的改进EEMD方法工作流程图。
图3是本发明实施例的仿真信号时域图。
图4是本发明实施例的基于改进EEMD方法的仿真信号分解结果。
图5是本发明实施例的基于原始EEMD方法的仿真信号分解结果。
图6是本发明实施例的信号语谱分析的流程图。
图7是本发明实施例的语谱图示例。
图8是本发明实施例的故障智能诊断模型示例图。
图9(a)、图9(b)是本发明实施例的故障智能诊断模型训练过程曲线图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
正如背景技术部分所介绍的,现有的基于PSO-EEMD方法的行星齿轮箱故障诊断方法并非是基于EEMD分解全过程的,且同一噪声幅值在不同的噪声随机序列下也不一定能够实现均匀信号分布的结果,因此该方法在自适应性和可重复性方面具备一定的不足。且为了较彻底的解决EEMD噪声幅值参数选择的问题,改善分解结果,提取得到更加清晰地故障特征,方便故障的诊断,本实施例提出了一种能够取得精确数值解的方法,具备下面的条件:
第一,具备自适应性,即能够根据信号本身的特征决定所需的参数,为此需要对信号分解的结果进行充分可信的评价;
第二,具备足够的可重复性,为此需要考虑噪声加入的过程和机制,相比较之下,基于分解全过程的优化方法所取得的结果更具备可重复性;
第三,具备一定的计算效率。
实施例1
本实施例公开的一种基于tsPSO(Extremum disturbed and simple particleswarm optimization)优化改进EEMD方法的风机行星齿轮箱故障诊断方法,进行详细说明:
首先,本发明中的EEMD(Ensemble Empirical Mode Decomposition)是由Wu和Huang为了解决EMD(Empirical Mode Decomposition)方法中模态混叠(Mode Mixing)问题而提出的一种使用噪声辅助的信号处理方法。
EEMD的计算流程如下所示:
1.首先将特定幅值为Anoise的一组的白噪声nm(t)(m=1,2,...,M)加入原始信号x(t),得到加入噪声后的信号xm(t)(m=1,2,...,M);
xm(t)=nm(t)+x(t) (1)
2.对信号xm(t)进行EMD分解,得到I个IMF分量ci,m(i=1,2,…,I)(m=1,2,...,M),其中ci,m表示第m次分解的第i个IMF分量;
3.重复第1、2步,直到经过了M次EMD计算,其中M为EEMD集成的次数;
4.最后取M次分解IMF分量的平均值,得到最终的I个IMF分量ci(i=1,2,…,I)。
EEMD的主要参数有两个,集成次数(number of ensemble)M和噪声幅值Anoise(theamplitude of the added white noise)。Wu和Huang提出了噪声幅值和集成次数应分别取经验值0.2σ(其中σ是待分解信号的标准差),和按照经验公式(3)计算。
其中e为EEMD的分解误差,一般取经验值0.01。Anoise即为上文提到的噪声幅值参数,合适大小的参数可以改善原始信号的分布特性,改善分解过程中的模态混叠现象并提高EEMD分解的准确度。
现有的方法多从调整其经验值参数选取方法或降低EEMD对于参数的敏感性的角度入手,最终噪声幅值仍旧根据经验选取,并没有从根本上解决EEMD需要人工选择参数的问题。为了实现EEMD参数的自适应选择,并提高其自适应性和可重复性,本发明提出了一种使用改进tsPSO算法优化的改进EEMD方法。
随着智能优化算法的发展,越来越多更具备计算效率和结果精准度的优化算法涌现而出,其中Hu等人对传统PSO(Particle Swarm Optimization)算法进行优化提出了tsPSO算法。相较于传统PSO算法,tsPSO算法可以在迭代次数更少,种群数量更少的情况下更快地实现收敛。tsPSO相较于传统PSO算法的主要区别如下:
1.根据PSO的进化过程与速度无关的假设,去除传统算法中的速度项,简化了进化过程,加快算法的收敛速度;
2.为解决PSO容易陷入局部极值的问题,tsPSO提出了一种极值扰动的方法,分别对处于局部极值和全局极值的粒子施加扰动,增加了算法的寻优能力。
tsPSO的进化方程由公式(4)给出:
其中x代表粒子的位置,表示第t次迭代中第i个粒子在第d维的位置,其中i=1,2,…m,d=1,2,…D,其中m为所设置的种群数量,D为目标搜索空间的维度,即设置的迭代次数;ω为动量惯性系数;c1、c2为非负的学习因子;r为服从U(0,1)分布的随机数;p为个体和种群的极值点。t0和tg分别表示为粒子个体极值和全局极值的进化停滞步数;T0和Tg分别表示个体极值和全局极值需要扰动的停滞步数阈值。
同时,为了更进一步提高计算的效率和优化结果的可靠性,本发明针对本问题对tsPSO方法进行了一定的改进:首先,为该方法设置提前终止条件,若经过一定次数的全局极值扰动后参数值仍保持不变,即认为经过优化已经取得了足够可信的参数值;其次,设置扰动范围限制,即在优化过程即将结束时,为了保证优化的结果具备足够的可行度和效果,设置该方法不对参数进行扰动。
本实施例所提出的自适应EEMD方法即使用上文的改进tsPSO方法对全过程EEMD的参数噪声幅值Anoise进行自适应的选择。噪声幅值Anoise可以表示为原始信号标准差的倍数,其计算公式如式(5)所示。
Anoise=Lnoise×σ0 (5)
其中Lnoise表示噪声幅值与待分解信号标准差之间的比值,σ0为待分解信号的标准差,噪声幅值Anoise被转化为σ0和参数Lnoise的乘积,从而将实际的参数转换为比值Lnoise。
在优化函数的选取方面,Guo等人在相关系数这一评价指标的基础上提出了一种RRMSE(Relative Root Mean Squared Error)的评价方法,RRMSE可以较好的表征信号经EEMD全过程分解后噪声以及无关信号的去除程度,可以更加充分和可信的评价分解的效果。RRMSE方法的计算方法见公式(6)。
其中x0为原始信号,cmax是EEMD分解得到的所有IMF分量中与原始信号相关系数最高的IMF分量。
图1是本发明实施例的一种基于改进EEMD方法和语谱分析的风机齿轮箱故障智能诊断方法流程。如图1所示,基于改进EEMD方法和语谱分析的风机齿轮箱故障诊断方法的过程如下:
S101:通过信号采集装置采集得到风机齿轮箱的振动信号。
S102:使用改进EEMD方法对信号进行自适应地分解和特征提取。其具体实施过程如图2所示:
S1021:设定并初始化改进tsPSO方法的参数:初始位置、种群数量、迭代次数、动量惯性系数、学习因子、进化停滞步数阈值。
S1022:使用RRMSE作为风机齿轮箱振动信号EEMD分解效果的评价指标,以衡量EEMD分解结果中无关信号分量及噪声分量的存在程度。
S1023:按照设定的参数进行迭代搜索得到最优参数解。
S1024:使用最优参数对信号进行EEMD计算,得到最终的一系列较优I MF分量。
为了验证本方法的有效性和优越性,选择如式(7)所示的仿真信号来进行改进EEMD方法和传统EEMD方法的对比和比较。采样频率为2560Hz,采样时间为1.5秒,其时域波形图见图3。其中三个分量分别为:高斯噪声分量,调制分量和谐波分量。
使用改进EEMD方法对仿真信号进行计算和处理,经过优化得到优化参数Lnoise=0.021,使用该参数进行EEMD分解,最终得到10个IMF分量如图4所示,筛选得到其中相关系数较大(分别为0.381和0.938)的两个IMF分量IMF4和IMF5,可以分解结果图中较清楚的看到原始信号分量的时域特征。
同时使用原始EEMD方法对该模拟信号进行分解,参数Lnoise=0.2,集成次数同样为100,最终得到11个IMF分量如图5所示,筛选得到相关系数较大(分别为0.752和0.710)的IMF5和IMF6的时域图,很难从图中直观的得到原始信号分量的特征。
对比本发明提出的改进EEMD方法和原始EEMD方法对仿真信号的分解结果,可以得到以下结论:
1.改进EEMD方法分解得到的IMF分量相关系数为0.381和0.938,而原始EEMD方法得到的为0.752和0.710,前者的分解结果实现了对原信号较为充分的区分和还原;
2.改进EEMD方法分解结果的时域图像(图4)较原始EEMD方法(图5)可以观察到更加明显的原始信号的时域特征;
3.改进EEMD方法分解结果计算得到的信噪比SNR为15.865,而原始EEMD方法分解结果的SNR为5.526,自适应EEMD方法取得了更好的分解效果。
在计算的时间方面,得益于改进tsPSO的快速收敛和迭代,同时参考Guo等人的研究,对优化过程中的参数进行一定的调整,可以实现更快的优化速度,从而达到较高的实用性。
S103:筛选特征分量并对所选择的分量进行语谱分析,得到信号的故障特征语谱图。
语谱分析是通过对信号进行短时傅里叶变换并将其频谱以时间的顺序连续反映在一个频率和时间围起的象限内的图像,所得到的时频图即称为语谱图。语谱分析的流程如图6所示,其整个流程可描述如下:首先是利用窗函数将采集到的信号进行分段处理;接着对每一帧的信号分别做短时傅里叶变换,得到频谱能量密度的分布;最后将其按照时间顺序保存为矩阵的形式,即可得到一段信号的语谱图。其中某风机复合行星齿轮箱中速级平行轴系小齿轮磨损语谱图如图7所示,可以从中观察到较窄频域范围且随时间持续存在的能量谱分布,与齿轮磨损状态下的传动信号特性相吻合。
S104:以特征语谱图为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断诊断模型。
本实施例将加速度传感器放置在风机齿轮箱平行轮系高速轴的输出端附近的箱体上,采样频率为25600Hz,分别采集实际工作环境下高速级平行轴系大齿轮的断齿故障、中速级平行轴系小齿轮的磨损故障以及健康这三种状况共600组数据。
首先使用改进的EEMD方法和语谱分析方法对采集的信号数据进行处理,经过初步降噪和特征提取后,建立起智能诊断模型数据集;接着建立起卷积神经网络模型,其结构如图8所示,模型以语谱图为输入,经过卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;最后初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,其曲线如图9所示。从图中可以看到,在模型趋于收敛时,模型的准确率可以达到98%,可以认为模型能够在非平稳的工况下实现风力发电机齿轮箱振动信号的故障识别和诊断。
实施例2
本实施例公开了一种风机行星齿轮箱故障诊断系统,包括:
第一模块,被配置为获取风机齿轮箱健康或故障的振动信号;
第二模块,被配置为利用tsPSO方法对EEMD方法进行优化,得到最终的一系列本征模函数分量;
第三模块,被配置为筛选本征模函数分量,并对所选择的分量进行语谱分析,得到故障特征语谱图;
第四模块,被配置为以故障特征语谱图为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。
本实施中的第一模块、第二模块、第三模块、第四模块实现的功能与实施例1中的步骤完全对应,在此不进行赘述了。
作为进一步的技术方案,所述的第二模块,被配置为设定并初始化tsPSO方法的参数;使用RRMSE作为风机齿轮箱振动信号EEMD分解效果的评价指标,以衡量EEMD分解结果中无关信号分量及噪声分量的存在程度;按照设定的参数进行迭代搜索得到最优参数解;使用最优参数对信号进行EEMD计算,得到最终的一系列较优本征模函数分量。所述的参数包括初始位置、种群数量、迭代次数、动量惯性系数、学习因子和进化停滞步数阈值。
作为进一步的技术方案,所述智能诊断诊断模型的建立系统包括:
第一子模块;被配置为建立卷积神经网络模型,以故障特征语谱图为输入,经过卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;
第二子模块,被配置为初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到98%以上时,模型建立完成。
实施例3
第三方面,本发明还提供了一种计算机,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的风机行星齿轮箱故障诊断方法中的步骤。
实施例4
第四方面,本发明还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中的所述的风机行星齿轮箱故障诊断方法中的步骤。
所述处理器执行所述程序时实现如图1所示的基于tsPSO优化改进EEMD方法的风机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,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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。
本发明是参照根据本发明实施例的方法、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(Random AccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于改进EEMD和语谱分析的风机齿轮箱故障诊断方法,其特征在于,包括以下步骤:
获取风机齿轮箱健康或故障的振动信号;
利用tsPSO方法对EEMD方法进行优化,得到最终的一系列本征模函数分量;
筛选本征模函数分量,并对所选择的分量进行语谱分析,得到故障特征语谱图;
以故障特征语谱图为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断;
其中,tsPSO指带极值扰动的简化粒子群算法,tsPSO的进化方程公式为:
其中x代表粒子的位置,表示第t次迭代中第i个粒子在第d维的位置,其中i=1,2,…m,d=1,2,…D,其中m为所设置的种群数量,D为目标搜索空间的维度,即设置的迭代次数;ω为动量惯性系数;c1、c2为非负的学习因子;r为服从U(0,1)分布的随机数;p为个体和种群的极值点;t0和tg分别表示为粒子个体极值和全局极值的进化停滞步数;T0和Tg分别表示个体极值和全局极值需要扰动的停滞步数阈值;
所述利用tsPSO方法对EEMD方法进行优化的步骤如下:
利用tsPSO方法对EEMD的参数噪声幅值进行自适应的选择,噪声幅值表示为原始信号标准差的倍数;
设定并初始化tsPSO方法的参数;
使用RRMSE作为风机齿轮箱振动信号EEMD分解效果的评价指标,以衡量EEMD分解结果中无关信号分量及噪声分量的存在程度;
按照设定的参数进行迭代搜索得到最优参数解;
使用最优参数对信号进行EEMD计算,得到最终的一系列较优本征模函数分量。
2.如权利要求1所述的基于改进EEMD和语谱分析的风机齿轮箱故障诊断方法,其特征在于,所述的参数包括初始位置、种群数量、迭代次数、动量惯性系数、学习因子和进化停滞步数阈值。
3.如权利要求1所述的基于改进EEMD和语谱分析的风机齿轮箱故障诊断方法,其特征在于,智能诊断模型建立的过程如下:
建立卷积神经网络模型,以故障特征语谱图为输入,经过卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;最后初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到98%以上时,模型建立完成。
4.基于改进EEMD和语谱分析的风机齿轮箱故障诊断系统,其特征在于,如下:
第一模块,被配置为获取风机齿轮箱健康或故障的振动信号;
第二模块,被配置为利用tsPSO方法对EEMD方法进行优化,得到最终的一系列本征模函数分量;
其中,tsPSO指带极值扰动的简化粒子群算法,tsPSO的进化方程公式为:
其中x代表粒子的位置,表示第t次迭代中第i个粒子在第d维的位置,其中i=1,2,…m,d=1,2,…D,其中m为所设置的种群数量,D为目标搜索空间的维度,即设置的迭代次数;ω为动量惯性系数;c1、c2为非负的学习因子;r为服从U(0,1)分布的随机数;p为个体和种群的极值点;t0和tg分别表示为粒子个体极值和全局极值的进化停滞步数;T0和Tg分别表示个体极值和全局极值需要扰动的停滞步数阈值;
所述利用tsPSO方法对EEMD方法进行优化的步骤如下:
利用tsPSO方法对EEMD的参数噪声幅值进行自适应的选择,噪声幅值表示为原始信号标准差的倍数;
设定并初始化tsPSO方法的参数;
使用RRMSE作为风机齿轮箱振动信号EEMD分解效果的评价指标,以衡量EEMD分解结果中无关信号分量及噪声分量的存在程度;
按照设定的参数进行迭代搜索得到最优参数解;
使用最优参数对信号进行EEMD计算,得到最终的一系列较优本征模函数分量;
第三模块,被配置为筛选本征模函数分量,并对所选择的分量进行语谱分析,得到故障特征语谱图;
第四模块,被配置为以故障特征语谱图为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。
5.如权利要求4所述的基于改进EEMD和语谱分析的风机齿轮箱故障诊断系统,其特征在于,如下:所述的第二模块,被配置为设定并初始化tsPSO方法的参数;使用RRMSE作为风机齿轮箱振动信号EEMD分解效果的评价指标,以衡量EEMD分解结果中无关信号分量及噪声分量的存在程度;按照设定的参数进行迭代搜索得到最优参数解;使用最优参数对信号进行EEMD计算,得到最终的一系列较优本征模函数分量。
6.如权利要求5所述的基于改进EEMD和语谱分析的风机齿轮箱故障诊断系统,其特征在于,所述的参数包括初始位置、种群数量、迭代次数、动量惯性系数、学习因子和进化停滞步数阈值。
7.如权利要求4所述的基于改进EEMD和语谱分析的风机齿轮箱故障诊断系统,其特征在于,如下:所述智能诊断模型的建立系统包括:
第一子模块;被配置为建立卷积神经网络模型,以故障特征语谱图为输入,经过卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;
第二子模块,被配置为初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到98%以上时,模型建立完成。
8.一种计算机,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,其特征在于,所述计算机指令被处理器运行时,完成权利要求1-3任一项所述的基于改进EEMD和语谱分析的风机齿轮箱故障诊断方法中的步骤。
9.一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,其特征在于,完成权利要求1-3任一项所述的基于改进EEMD和语谱分析的风机齿轮箱故障诊断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929350.6A CN113657244B (zh) | 2021-08-13 | 2021-08-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929350.6A CN113657244B (zh) | 2021-08-13 | 2021-08-13 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657244A CN113657244A (zh) | 2021-11-16 |
CN113657244B true CN113657244B (zh) | 2023-02-28 |
Family
ID=78479741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110929350.6A Active CN113657244B (zh) | 2021-08-13 | 2021-08-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657244B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11859626B2 (en) | 2022-01-24 | 2024-01-02 | Hamilton Sundstrand Corporation | Incipient compressor surge detection using artificial intelligence |
CN115524449A (zh) * | 2022-09-15 | 2022-12-27 | 山东大学 | 一种机电产品服役过程清单数据动态收集方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19855745A1 (de) * | 1998-12-03 | 2000-08-03 | Medav Digitale Signalverarbeit | Verfahren zur Fehlerdiagnose und zur Qualitätsbewertung (Rating) von rotierenden Maschinen am Serienprüfstand |
CN105275833A (zh) * | 2015-10-30 | 2016-01-27 | 北京航空航天大学 | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 |
CN110503075A (zh) * | 2019-08-29 | 2019-11-26 | 山东大学 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 |
CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069918A (zh) * | 2020-08-17 | 2020-12-11 | 上海电机学院 | 一种行星齿轮箱的故障诊断方法和装置 |
-
2021
- 2021-08-13 CN CN202110929350.6A patent/CN113657244B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19855745A1 (de) * | 1998-12-03 | 2000-08-03 | Medav Digitale Signalverarbeit | Verfahren zur Fehlerdiagnose und zur Qualitätsbewertung (Rating) von rotierenden Maschinen am Serienprüfstand |
CN105275833A (zh) * | 2015-10-30 | 2016-01-27 | 北京航空航天大学 | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 |
CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
CN110503075A (zh) * | 2019-08-29 | 2019-11-26 | 山东大学 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
随机风速工况下的风机齿轮箱齿轮故障诊断研究;刘浩华;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20190915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657244A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
CN113657244B (zh) | 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 | |
CN110647867B (zh) | 基于自适应抗噪声神经网络的轴承故障诊断方法及系统 | |
CN110595765A (zh) | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 | |
CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
CN105973594A (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
CN110175541B (zh) | 一种海平面变化非线性趋势提取的方法 | |
CN110657985A (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
CN110991295A (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN110067696B (zh) | 一种风电机组载荷确定方法、装置、设备及可读存储介质 | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
CN114077847B (zh) | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 | |
Hussain et al. | Gearbox fault detection using real coded genetic algorithm and novel shock response spectrum features extraction | |
CN111192257B (zh) | 一种确定设备状态的方法、系统及设备 | |
CN116735198A (zh) | 基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统 | |
CN113409213A (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN114235409A (zh) | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 | |
CN112329626A (zh) | 调制与深度学习融合的设备故障诊断方法、系统及介质 | |
Onus et al. | Trade-off between Spectral Feature Extractors for Machine Health Prognostics on Microcontrollers | |
CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
CN116705055B (zh) | 一种变电站噪声监测方法、系统、设备和存储介质 | |
CN113723752A (zh) | 一种组合风电功率预测模型中分解算法性能评估方法 | |
CN117932396A (zh) | 一种基于自适应特征域分层压缩的故障分类方法及装置 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 |
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 |