CN115683620A - 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法 - Google Patents

基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法 Download PDF

Info

Publication number
CN115683620A
CN115683620A CN202211394604.XA CN202211394604A CN115683620A CN 115683620 A CN115683620 A CN 115683620A CN 202211394604 A CN202211394604 A CN 202211394604A CN 115683620 A CN115683620 A CN 115683620A
Authority
CN
China
Prior art keywords
gearbox
fault diagnosis
improved multi
entropy
decomposition
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.)
Pending
Application number
CN202211394604.XA
Other languages
English (en)
Inventor
孙文磊
焦华超
王宏伟
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.)
Xinjiang University
Original Assignee
Xinjiang 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 Xinjiang University filed Critical Xinjiang University
Priority to CN202211394604.XA priority Critical patent/CN115683620A/zh
Publication of CN115683620A publication Critical patent/CN115683620A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法，包括信号采集系统和故障诊断系统；所述信号采集系统采集齿轮箱振动数据，基于STM32开发板进行开发，由Flash存储芯片、CAN发送模块、加速度传感器和AD转化芯片共同组成；所述故障诊断系统诊断齿轮箱故障类型，对收集到的齿轮箱振动数据，使用经优化蝙蝠算法确定参数的群智能分解(SWD)算法分解出有用信号成分，经过本发明方法的处理，可以较为准确的提取信号中的有用特征，保留有用冲击成分，重构信号失真度低；通过本发明可以快速、准确地检测齿轮箱是否发生故障及故障类型，进而及时处理，避免因齿轮箱故障引起更大的经济损失甚至安全事故。

Description

基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法
技术领域
本发明涉及农业自动化机械故障诊断技术领域，具体是基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法。
背景技术
随之人工智能及物联网的发展，智能诊断机械故障愈发的普及，农业机械作为一种重要的生产机械，其智能化受到越来越多的关注；实现农机智能化，一方面需要依靠数量众多的高精度传感器精确感知机械的状态，从而为后续处理策略奠定基础；另一方面需要对获得的数据进行加工处理找出内在关联关系，实现对机械的差异化处理；玉米穗茎兼收收获机行走系统齿轮箱经常运行在多尘多振动的环境下，齿轮箱健康状态对于整车的可靠性至关重要；齿轮箱内齿轮传动系统的故障多为渐进式故障，当缺陷到一定程度致使部件丧失功能导致车辆长时间停机，造成经济损失或安全事故，对于农业生成影响较大；
识别齿轮传动系统故障的类型并有针对性的处理是避免重大故障的有效手段，现阶段较常用的方法是获取传动系统的振动数据，提取出故障组件造成的冲击成分进而识别故障；但是实际工作中，获取的故障振动信号会受到传递路径的衰减与路径之间相互耦合作用的影响，并伴有强烈的背景噪音，同时信号本身也具有明显的非线性与非平稳性的特点；在这种前提下，很难直观地从信号中识别出故障；
因此亟需设计一种基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法用于解决上述技术问题。
发明内容
本发明主要是针对玉米穗茎兼收收获机行走系统齿轮箱齿轮传动系统，由信号采集系统、故障诊断系统两部分组成；信号采集系统主要用于采集齿轮箱振动信号，基于STM32开发板进行开发，由Flash存储芯片、CAN发送模块、加速度传感器、AD转化芯片共同组成；故障诊断系统诊断齿轮箱是否故障及故障类型，对收集到的齿轮箱振动数据，使用经优化蝙蝠算法确定参数的群智能分解算法分解出有用信号成分，利用改进改进多尺度权重散布熵算法进行信号的特征提取，提取特征通过优化蝙蝠算法确定参数的SVM分类器确定故障类型，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断系统，所述的信号采集系统，采样频率为5000HZ，ADC位数为16位，采样时长2s，采样间隔15分钟，通信方式为低速CAN总线；
所述的信号采集系统，基于STM32开发板进行开发，开发板选用STM32F103C8T6；振动传感器YK-YD20采集齿轮箱振动信号，由PCF8591芯片为核心的AD转化模块转换为数字信号，转换后的数据经过单片机存储到W25Q16 Flash存储芯片；在采样间隔利用TAJ1050CAN发送模块将数据发送至车载终端，由车载终端发送到云端存储；
一种基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法，所述的优化蝙蝠算法的方法是：在标准蝙蝠算法个体进行局部搜索的公式中，引入自适应速度权重因子ωi，提高全局寻优速度。
Figure BDA0003932978480000021
公式中，rand(·)为产生(0,1)随机数；xi为当前位置；xmean为全局位置的均值；
计算ωi后，更新蝙蝠算法的速度公式：
Figure BDA0003932978480000022
公式中，
Figure BDA0003932978480000023
为t+1时刻蝙蝠速度；
Figure BDA0003932978480000024
为t时刻蝙蝠速度；
Figure BDA0003932978480000025
为t时刻蝙蝠位置；x*为全局最优位置；fi为当前脉冲发射频率。
作为本发明进一步的方案：所述群智能分解信号的方法是：输入振动信号，确定关键参数中心频率功率密度谱阈值和迭代误差，之后进行信号分解。
作为本发明再进一步的方案：所述SWD蝙蝠算法的适度函数为：采用分解后的OC分量的包络谱峭度均值的倒数作为适应度函数评估分解效果。
作为本发明再进一步的方案：所述的改进多尺度权重散布熵特征提取方法是：在多尺度散布熵的基础上，对于输入时间序列X，粗粒化时选取最大值
Figure BDA0003932978480000031
作为粗粒化的值，以便提取时间序列中微弱的冲击成分更好的表述信号的特征，公式为：
Figure BDA0003932978480000032
式中：
Figure BDA0003932978480000033
代表最大尺度因子为τ，m为嵌入维度，d为时延，当前尺度因子为s时的粗粒化序列，X为原始输入离散时间序列；
Figure BDA0003932978480000034
为原始序列中从X(i-1)s+τ到Xis+τ-1区间的最大值；N为信号长度。
粗粒化后压缩维度的概率
Figure BDA00039329784800000315
计算时，增加考虑重构向量集中度的评估权重参数ωi，更近一步突出时间序列中冲击成分，计算公式为：
Figure BDA0003932978480000035
式中：
Figure BDA0003932978480000036
为第i个相空间重构向量所对应的排列样式；
Figure BDA0003932978480000037
为第j个相空间重构向量所对应的排列样式；count(·)函数表示统计从
Figure BDA0003932978480000038
到
Figure BDA0003932978480000039
所有潜在的排列样式
Figure BDA00039329784800000310
中与当前排列样式
Figure BDA00039329784800000311
相同的数量；ωi为第i个相空间重构向量的权重；Zi为第i个相空间重构向量；
Figure BDA00039329784800000312
为第i个相空间重构向量均值；
Figure BDA00039329784800000313
为第i个相空间重构向量的第j个值；
最后计算改进多尺度权重散布熵E(X,m,d,c)为：
Figure BDA00039329784800000314
式中：X为原始输入离散时间序列；m为嵌入维度；d为时延；c为序列重构时分类数。
作为本发明再进一步的方案：所述的训练SVM分类器识别不同类别故障的方法是：使用libsvm模型；输入特性向量，确定支持向量机类型、核函数类型、停止训练的误差精度、每个类所占据的权重、惩罚系数、核函数系数，之后进行故障识别。
作为本发明再进一步的方案：所述SVM蝙蝠算法的适度函数为：采用5折交叉验证的准确率作为适度函数评估分类准确率。
作为本发明再进一步的方案：所述的SVM分类器可以识别类型有：正常齿轮、正常轴承、正常轴承滚动体、齿轮偏心、齿轮磨损、齿轮裂纹、齿轮断半齿、齿轮断齿、轴承外圈点蚀、轴承内圈点蚀、轴承滚动体点蚀。
与现有技术相比，本发明的有益效果是：
群智能分解(SWD)算法的在处理强噪声、非线性与非平稳性信号方面的自适应性与分解效果相对较好，通过SWD算法，可以快速、准确地从含有强噪声、非线性与非平稳性的原始信号中提取有用信号成分为后续故障识别奠定基础；
SVM分类器作为识别故障类型的分类器，对非线性的问题具有很好的识别和泛化能力；
SWD算法有两个重要的参数中心频率功率密度谱阈值和迭代误差，分别决定着信号分解的数量和每个分量的准确率；SVM也有两个重要的参数惩罚系数和核函数的系数，不同的参数组合影响SVM分类器的准确率；为了快速找出SWD和SVM参数最优组合提高算法整体运行效率，使用优化蝙蝠算法进行参数搜索，相比原蝙蝠算法，优化蝙蝠算法对于全局寻优速度更快更准确；
熵理论作为评估时间序列规则程度与复杂程度的一种非线性动力学指标，非常适用于表征具有非平稳性的齿轮箱振动加速度信号；散布熵计算速度快，稳定性高，并且抗噪能力有大幅提升，而且振动信号微小的变化不会改变其映射后的类别标签，但是仅考虑了幅值的绝对性而没有考虑相对性，无法对信号的波动性进行评估；本发明提出的改进多尺度权重散布熵，计算速度快，受突变信号影响较小，且考虑了幅值之间的大小关系在对信号的特征提取上面作用明显，并且具有较强的鲁棒性。
本发明综合利用群分解和改进多尺度权重散布熵的优点对玉米穗茎兼收收获机行走系统齿轮箱进行故障诊断，可以较为快速、准确地从强噪声背景下提取信号中有用冲击特征用于故障的识别，方法效率高，易于实施，鲁棒性好；
同时具有强烈背景噪音的齿轮箱振动信号经过本方法的处理，可以较为准确的提取信号中的有用特征，保留有用冲击成分，重构信号失真度低；通过优化蝙蝠算法提高了算法整体的运行效率；通过本发明可以快速、准确地检测齿轮箱是否发生故障及故障类型，进而及时处理，避免因齿轮箱故障引起更大的经济损失甚至安全事故。
附图说明
图1为基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法的整体流程图。
图2为基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法采集到的振动信号图。
图3为基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法中振动信号的OC1分量图。
图4为基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法中振动信号的OC2分量图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1～4，本发明实施例中，一种基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断系统，包括信号采集系统和故障诊断系统；
所述信号采集系统采集齿轮箱振动数据，基于STM32开发板进行开发，由Flash存储芯片、CAN发送模块、加速度传感器、AD转化芯片共同组成；
所述故障诊断系统诊断齿轮箱故障类型，对收集到的齿轮箱振动数据，使用经优化蝙蝠算法确定参数的群智能分解(SWD)算法分解出有用信号成分；
利用改进多尺度权重散布熵算法进行信号的特征提取；提取特征通过优化蝙蝠算法确定参数SVM分类器确定故障类型；
所述的信号采集系统，采样频率为5000HZ，ADC位数为16位，采样时长2s，采样间隔15分钟，通信方式为低速CAN总线；基于STM32开发板进行开发，开发板选用STM32F103C8T6；振动传感器YK-YD20采集齿轮箱振动信号，由PCF8591芯片为核心的AD转化模块转换为数字信号，转换后的数据经过单片机存储到W25Q16 Flash存储芯片；在采样间隔利用TAJ1050CAN发送模块将数据发送至车载终端，由车载终端发送到云端存储；
所述的优化蝙蝠算法的方法是，在标准蝙蝠算法个体进行局部搜索的公式中，引入自
适应速度权重因子ωi，提高全局寻优速度；
Figure BDA0003932978480000061
公式中，rand(·)为产生(0,1)随机数；xi为当前位置；xmean为全局位置的均值；
所述SWD蝙蝠算法的适度函数为：采用分解后的OC分量的包络谱峭度均值的倒数作为适应度函数评估分解效果；
所述的改进多尺度权重散布熵特征提取方法是：
步骤1)在多尺度散布熵的基础上，对于输入时间序列X，粗粒化时选取最大值
Figure BDA0003932978480000062
作为粗粒化的值，以便提取时间序列中微弱的冲击成分更好的表述信号的特征，公式为：
Figure BDA0003932978480000063
式中：
Figure BDA0003932978480000064
代表最大尺度因子为τ，m为嵌入维度，d为时延，当前尺度因子为s时的粗粒化序列，X为原始输入离散时间序列；
Figure BDA0003932978480000071
为原始序列中从X(i-1)s+τ到Xis+τ-1区间的最大值；N为信号长度。
步骤2)粗粒化后压缩维度的概率
Figure BDA0003932978480000072
计算时，增加考虑重构向量集中度的评估权重参数ωi，更近一步突出时间序列中冲击成分，计算公式为：
Figure BDA0003932978480000073
式中：
Figure BDA0003932978480000074
为第i个相空间重构向量所对应的排列样式；
Figure BDA0003932978480000075
为第j个相空间重构向量所对应的排列样式；count(·)函数表示统计从
Figure BDA0003932978480000076
到
Figure BDA0003932978480000077
所有潜在的排列样式
Figure BDA0003932978480000078
中与当前排列样式
Figure BDA0003932978480000079
相同的数量；ωi为第i个相空间重构向量的权重；Zi为第i个相空间重构向量；
Figure BDA00039329784800000710
为第i个相空间重构向量均值；
Figure BDA00039329784800000711
为第i个相空间重构向量的第j个值；
步骤3)最后计算改进多尺度权重散布熵E(X,m,d,c)为：
Figure BDA00039329784800000712
式中：X为原始输入离散时间序列；m为嵌入维度；d为时延；c为序列重构时分类数；
利用优化蝙蝠算法确定SWD的参数设置是：种群数量为60、变量维度为2、最大迭代次数150、参数中心频率功率密度谱阈值搜索范围(0.01,1)、参数迭代误差搜索范围(0.01,2)。
经过优化蝙蝠算法计算，SWD的中心频率功率密度谱阈值和迭代误差的最优参数为(0.19,0.16)；使用最优参数对振动信号分解的2个OC分量如图3所示。
对2个OC分量计算改进多尺度权重散布熵如下表所示：
Figure BDA0003932978480000081
将所提出的特征值合并，组成特征向量，则每一条信号样本对应的特征向量长度为40。
利用优化蝙蝠算法确定SVM的参数设置是：种群数量为50、变量维度为2、最大迭代次数150、参数c搜索范围(0.01,100)、参参数g搜索范围(1,100)；SVM其它参数设置为类型选用C-支持向量分类机；核函数选用RBF径向基核函数；停止训练的误差精度为0.001；每个类所占据的权重为1。
经过优化蝙蝠算法计算，SVM的最优参数为(9.13,17.09)；
将特征向量输入SVM分类器进行分类振动故障类型为轴承内圈点蚀。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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。
本发明原交底技术方案
本发明主要是针对玉米穗茎兼收收获机行走系统齿轮箱齿轮传动系统，由信号采集、故障诊断两部分组成；信号采集系统主要用于采集齿轮箱振动信号，基于STM32开发板进行开发，由Flash存储芯片、CAN发送模块、加速度传感器、AD转化芯片共同组成；故障诊断系统诊断齿轮箱是否故障及故障类型，对收集到的齿轮箱振动数据，使用经优化蝙蝠算法确定参数的群智能分解算法分解出有用信号成分，利用改进改进多尺度权重散布熵算法进行信号的特征提取，提取特征通过优化蝙蝠算法确定参数的SVM分类器确定故障类型。
所述的信号采集系统，采样频率为5000HZ，ADC位数为16位，采样时长2s，采样间隔15分钟，通信方式为低速CAN总线。
所述的信号采集系统，基于STM32开发板进行开发，开发板选用STM32F103C8T6；振动传感器YK-YD20采集齿轮箱振动信号，由PCF8591芯片为核心的AD转化模块转换为数字信号，转换后的数据经过单片机存储到W25Q16 Flash存储芯片；在采样间隔利用TAJ1050CAN发送模块将数据发送至车载终端，由车载终端发送到云端存储。
所述的优化蝙蝠算法的方法是：在标准蝙蝠算法个体进行局部搜索的公式中，引入自适应速度权重因子ωi，提高全局寻优速度。
Figure BDA0003932978480000091
公式中，rand(·)为产生(0,1)随机数；xi为当前位置；xmean为全局位置的均值；
计算ωi后，更新蝙蝠算法的速度公式：
Figure BDA0003932978480000092
公式中，
Figure BDA0003932978480000093
为t+1时刻蝙蝠速度；
Figure BDA0003932978480000094
为t时刻蝙蝠速度；
Figure BDA0003932978480000095
为t时刻蝙蝠位置；x*为全局最优位置；fi为当前脉冲发射频率。
所述群智能分解信号的方法是：输入振动信号，确定关键参数中心频率功率密度谱阈值和迭代误差，之后进行信号分解。
SWD蝙蝠算法的适度函数为：采用分解后的OC分量的包络谱峭度均值的倒数作为适应度函数评估分解效果。
所述的改进多尺度权重散布熵特征提取方法是：在多尺度散布熵的基础上，对于输入时间序列X，粗粒化时选取最大值
Figure BDA0003932978480000101
作为粗粒化的值，以便提取时间序列中微弱的冲击成分更好的表述信号的特征，公式为：
Figure BDA0003932978480000102
式中：
Figure BDA0003932978480000103
代表最大尺度因子为τ，m为嵌入维度，d为时延，当前尺度因子为s时的粗粒化序列，X为原始输入离散时间序列；
Figure BDA0003932978480000104
为原始序列中从X(i-1)s+τ到Xis+τ-1区间的最大值；N为信号长度。
粗粒化后压缩维度的概率
Figure BDA0003932978480000105
计算时，增加考虑重构向量集中度的评估权重参数ωi，更近一步突出时间序列中冲击成分，计算公式为：
Figure BDA0003932978480000106
式中：
Figure BDA0003932978480000107
为第i个相空间重构向量所对应的排列样式；
Figure BDA0003932978480000108
为第j个相空间重构向量所对应的排列样式；count(·)函数表示统计从
Figure BDA0003932978480000109
到
Figure BDA00039329784800001010
所有潜在的排列样式
Figure BDA00039329784800001011
中与当前排列样式
Figure BDA00039329784800001012
相同的数量；ωi为第i个相空间重构向量的权重；Zi为第i个相空间重构向量；
Figure BDA00039329784800001013
为第i个相空间重构向量均值；
Figure BDA00039329784800001014
为第i个相空间重构向量的第j个值；
最后计算改进多尺度权重散布熵E(X,m,d,c)为：
Figure BDA0003932978480000111
式中：X为原始输入离散时间序列；m为嵌入维度；d为时延；c为序列重构时分类数。
所述的训练SVM分类器识别不同类别故障的方法是：使用libsvm模型；输入特性向量，确定支持向量机类型、核函数类型、停止训练的误差精度、每个类所占据的权重、惩罚系数、核函数系数，之后进行故障识别。
SVM蝙蝠算法的适度函数为：采用5折交叉验证的准确率作为适度函数评估分类准确率。
所述的SVM分类器可以识别类型有：正常齿轮、正常轴承、正常轴承滚动体、齿轮偏心、齿轮磨损、齿轮裂纹、齿轮断半齿、齿轮断齿、轴承外圈点蚀、轴承内圈点蚀、轴承滚动体点蚀。
本发明提出的一种基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法，其有益效果是：具有强烈背景噪音的齿轮箱振动信号经过本方法的处理，可以较为准确的提取信号中的有用特征，保留有用冲击成分，重构信号失真度低；通过优化蝙蝠算法提高了算法整体的运行效率；通过本发明可以快速、准确地检测齿轮箱是否发生故障及故障类型，进而及时处理，避免因齿轮箱故障引起更大的经济损失甚至安全事故。
利用优化蝙蝠算法确定SWD的参数设置是：种群数量为60、变量维度为2、最大迭代次数150、参数中心频率功率密度谱阈值搜索范围(0.01,1)、参数迭代误差搜索范围(0.01,2)。
经过优化蝙蝠算法计算，SWD的中心频率功率密度谱阈值和迭代误差的最优参数为(0.19,0.16)；使用最优参数对振动信号分解的2个OC分量如图3所示。
对2个OC分量计算改进多尺度权重散布熵如下表所示：
尺度因子 1 2 3 4 5 6 7 8
OC1 0.00073 0.00047 0.00082 0.00128 0.00175 0.00198 0.00210 0.00249
OC2 0.01619 0.01128 0.01123 0.00818 0.01599 0.02962 0.03779 0.03918
尺度因子 9 10 11 12 13 14 15 16
OC1 0.00278 0.00262 0.00279 0.00368 0.00471 0.00567 0.00604 0.00639
OC2 0.03409 0.02876 0.02481 0.02068 0.01805 0.01542 0.01327 0.01178
尺度因子 17 18 19 20
OC1 0.00660 0.00699 0.00705 0.00712
OC2 0.01071 0.00928 0.00839 0.00750
将所提出的特征值合并，组成特征向量，则每一条信号样本对应的特征向量长度为40。
利用优化蝙蝠算法确定SVM的参数设置是：种群数量为50、变量维度为2、最大迭代次数150、参数c搜索范围(0.01,100)、参参数g搜索范围(1,100)；SVM其它参数设置为类型选用C-支持向量分类机；核函数选用RBF径向基核函数；停止训练的误差精度为0.001；每个类所占据的权重为1。
经过优化蝙蝠算法计算，SVM的最优参数为(9.13,17.09)；
将特征向量输入SVM分类器进行分类振动故障类型为轴承内圈点蚀。

Claims (6)

1.一种基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断系统，其特征在于：包括信号采集系统和故障诊断系统；
所述信号采集系统采集齿轮箱振动数据，基于STM32开发板进行开发，由Flash存储芯片、CAN发送模块、加速度传感器、AD转化芯片共同组成；
所述故障诊断系统诊断齿轮箱故障类型，对收集到的齿轮箱振动数据，使用经优化蝙蝠算法确定参数的群智能分解(SWD)算法分解出有用信号成分；
利用改进多尺度权重散布熵算法进行信号的特征提取；提取特征通过优化蝙蝠算法确定参数SVM分类器确定故障类型。
2.根据权利要求1所述的基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断系统，其特征在于：所述的信号采集系统，采样频率为5000HZ，ADC位数为16位。
3.根据权利要求1所述的基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法，其特征在于：所述信号采集系统采样方法是：
步骤一：采样时长2s，采样间隔15分钟，通信方式为低速CAN总线；基于STM32开发板进行开发，开发板选用STM32F103C8T6；振动传感器YK-YD20采集齿轮箱振动信号，由PCF8591芯片为核心的AD转化模块转换为数字信号；
步骤二：转换后的数据经过单片机存储到W25Q16 Flash存储芯片；
步骤三：在采样间隔利用TAJ1050CAN发送模块将数据发送至车载终端，由车载终端发送到云端存储。
4.根据权利要求1所述的基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法，其特征在于：所述的优化蝙蝠算法的方法是，在标准蝙蝠算法个体进行局部搜索的公式中，引入自适应速度权重因子ωi，提高全局寻优速度；
Figure FDA0003932978470000011
公式中，rand(·)为产生(0,1)随机数；xi为当前位置；xmean为全局位置的均值。
5.根据权利要求1所述的基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法，其特征在于：所述SWD蝙蝠算法的适度函数为：采用分解后的OC分量的包络谱峭度均值的倒数作为适应度函数评估分解效果。
6.根据权利要求1所述的基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法，其特征在于：所述的改进多尺度权重散布熵特征提取方法是：
步骤1)在多尺度散布熵的基础上，对于输入时间序列X，粗粒化时选取最大值
Figure FDA0003932978470000021
作为粗粒化的值，以便提取时间序列中微弱的冲击成分更好的表述信号的特征，公式为：
Figure FDA0003932978470000022
式中：
Figure FDA0003932978470000023
代表最大尺度因子为τ，m为嵌入维度，d为时延，当前尺度因子为s时的粗粒化序列，X为原始输入离散时间序列；
Figure FDA0003932978470000024
为原始序列中从X(i-1)s+τ到Xis+τ-1区间的最大值；N为信号长度；
步骤2)粗粒化后压缩维度的概率
Figure FDA0003932978470000025
计算时，增加考虑重构向量集中度的评估权重参数ωi，更近一步突出时间序列中冲击成分，计算公式为：
Figure FDA0003932978470000026
式中：
Figure FDA0003932978470000027
为第i个相空间重构向量所对应的排列样式；
Figure FDA0003932978470000028
为第j个相空间重构向量所对应的排列样式；count(·)函数表示统计从
Figure FDA0003932978470000029
到
Figure FDA00039329784700000210
所有潜在的排列样式
Figure FDA00039329784700000211
中与当前排列样式
Figure FDA00039329784700000212
相同的数量；ωi为第i个相空间重构向量的权重；Zi为第i个相空间重构向量；
Figure FDA00039329784700000213
为第i个相空间重构向量均值；
Figure FDA00039329784700000214
为第i个相空间重构向量的第j个值；
步骤3)最后计算改进多尺度权重散布熵E(X,m,d,c)为：
Figure FDA0003932978470000031
式中：X为原始输入离散时间序列；m为嵌入维度；d为时延；c为序列重构时分类数。
CN202211394604.XA 2022-11-09 2022-11-09 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法 Pending CN115683620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211394604.XA CN115683620A (zh) 2022-11-09 2022-11-09 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211394604.XA CN115683620A (zh) 2022-11-09 2022-11-09 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法

Publications (1)

Publication Number Publication Date
CN115683620A true CN115683620A (zh) 2023-02-03

Family

ID=85050488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211394604.XA Pending CN115683620A (zh) 2022-11-09 2022-11-09 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法

Country Status (1)

Country Link
CN (1) CN115683620A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252448A (zh) * 2023-11-20 2023-12-19 华东交通大学 基于时空特征提取及二次分解聚合的风电功率预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252448A (zh) * 2023-11-20 2023-12-19 华东交通大学 基于时空特征提取及二次分解聚合的风电功率预测方法
CN117252448B (zh) * 2023-11-20 2024-02-20 华东交通大学 基于时空特征提取及二次分解聚合的风电功率预测方法

Similar Documents

Publication Publication Date Title
CN111458142B (zh) 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法
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
WO2023035869A1 (zh) 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
CN106124212B (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
Li et al. A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN112461547B (zh) 一种基于多岛遗传和变分模态分解的轴承故障诊断方法
CN109187021B (zh) 基于熵的多源风电机组轴承故障诊断方法
CN113505655B (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN111238815B (zh) 一种样本不平衡下基于数据增强的轴承故障识别方法
Gao et al. ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks
CN106092578A (zh) 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法
CN114781435B (zh) 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法
CN112329520B (zh) 基于生成对抗学习的货车轴承故障识别方法
CN115683620A (zh) 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法
CN112284735A (zh) 基于一维卷积与动态路由的多传感器滚动轴承故障诊断
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN115452381A (zh) 基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法
CN112132102A (zh) 一种深度神经网络结合人工蜂群优化的智能故障诊断方法
CN113869410A (zh) 一种基于dcgan样本补充的滚动轴承故障诊断方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN115046766A (zh) 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法
CN115563853A (zh) 一种基于数字孪生的滚动轴承故障诊断方法
CN115060494A (zh) 一种滚动轴承的故障诊断方法
CN115114965A (zh) 风电机组齿轮箱故障诊断模型、方法、设备及存储介质

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