[发明专利]一种基于混合分类器的齿轮单类型故障检测方法

说明书

本发明公开了一种基于混合分类器的齿轮单类型故障检测方法。按下述步骤进行：a.信号采集：使用多个传感器采集齿轮的运行数据，得到原始信号；b.数据预处理：从原始信号中随机抽样，产生训练集和测试集；c.特征提取：对训练集和测试集进行特征提取；d.分类器训练：将每个传感器的特征数据输入到分类器进行训练；e.决策集融合：利用改进的D‑S证据理论对检测结果进行融合。本发明提高了检测的准确性和稳定性。

技术领域

本发明涉及齿轮故障诊断方法，特别是一种基于混合分类器的齿轮单类型故障检测方法。

背景技术

随着机器学习技术的不断发展，目前出现很多针对单点故障检测的研究。但是，这类研究检测的故障类型并不全面，只能检测出一种故障类型。同时，目前的单点故障检测方法只集中在对单点故障和正常数据的检测，而缺少从复合故障中检测出其中的单点故障，当既需要检测单点故障，又需要检测出包含于复合故障中的单点故障时，目前使用的单分类器检测的泛化能力较低。随着工业的发展，多传感器数据的使用越来越多，信息融合方法仍然有很大的必要性。

发明内容

本发明的目的在于，提供一种基于混合分类器的齿轮单类型故障检测方法。本发明提高了检测的准确性和稳定性。

本发明的技术方案：一种基于混合分类器的齿轮单类型故障检测方法，按下述步骤进行：

a.信号采集：使用多个传感器采集齿轮的运行数据，得到原始信号；

b.数据预处理：从原始信号中随机抽样，产生训练集和测试集；

c.特征提取：对训练集和测试集进行特征提取；

d.分类器训练：将每个传感器的特征数据输入到分类器进行训练；

e.决策集融合：利用改进的D-S证据理论对检测结果进行融合。

前述的基于混合分类器的齿轮单类型故障检测方法所述的步骤b中，从原始信号中随机抽样具体为：利用小波包分解将原始信号分解。

前述的基于混合分类器的齿轮单类型故障检测方法所述的步骤c中，特征提取具体为：计算每段小波频带的小波包系数的均方根值，并将其作为特征。

前述的基于混合分类器的齿轮单类型故障检测方法所述的步骤d中，分类器训练具体为：通过单类型故障检测的规则训练随机森林分类器，然后利用测试集的数据评估训练的模型。

前述的基于混合分类器的齿轮单类型故障检测方法所述的步骤e中，改进的D-S证据理论的改进过程如下：

e1.利用距离矩阵计算各证据体之间的距离得到距离矩阵，并且该距离可以表示证据体之间的相似度：

d′_ij＝d_ij/4+0.5 (2)

其中：m表示证据体，A表示命题，d表示各证据体之间的距离，d’表示各标准化后的证据体之间的距离，D表示由证据体之间的距离构成的距离矩阵；

e2.利用修改的信息熵计算各证据体之间的支持度S(i)并标准化：

S(i)表示其他证据体对证据体i的支持度，S(i)^r表示标准化后的支持度；

e3.计算各传感器的权重：

其中，p表示融合之前各分类器的检测精度，w表示传感器权重；

e4.修正原始证据体的基本概率分配(BPA)：