[发明专利]基于PSO-EEMD方法的行星齿轮箱故障诊断方法及系统

说明书

本公开提供了一种基于PSO‑EEMD方法的行星齿轮箱故障诊断方法及系统。其中，基于PSO‑EEMD方法的行星齿轮箱故障诊断方法，包括：采集太阳轮不同损伤程度下的行星齿轮箱振动信号；利用PSO‑EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量；选取包含故障特征信息的预设数量的IMF分量作为敏感IMF分量，并计算其近似熵特征值；利用敏感IMF分量的近似熵特征值进行训练并测试支持向量机模型，利用训练完成的支持向量机模型识别出行星齿轮箱的故障类型。

技术领域

本公开属于行星齿轮箱故障诊断领域，尤其涉及一种基于PSO-EEMD方法的行星齿轮箱故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

行星齿轮式变速箱结构紧凑、传动平稳、承载能力强，被广泛应用在工程机械、航空航天、船舶车辆等的传动系统当中，因此对其进行振动检测的意义重大。但是在变速箱振动信号的采集过程中，齿轮、行星架、轴承等各部件的信息成分往往会相互叠加，同时，在其它隐含噪声的干扰下，振动信号会呈现出非平稳、复杂的特点，其非线性特征会变得十分明显，因此传统的信号处理方法将难以对早期微损伤的故障特征信息进行提取和识别。

集合经验模态分解(ensemble empirical mode decomposition，简称EEMD)是一种能够根据原始信号的局部特性自适应完成时频分解的信号处理方法，目前已被广泛应用于行星齿轮箱、轴承等机械部件的故障诊断领域。EEMD通过在原始信号中添加一定幅值大小的高斯白噪声，改善信号的极值点分布特性和时域尺度上的连续性，从而在某种程度上改善经验模态分解(empirical mode decomposition，简称EMD)存在的模式混叠问题。

高斯白噪声的幅值大小是EEMD的关键参数，发明人发现，通常凭借人工经验选取，易产生主观性误差。若白噪声幅值参数过小，则难以改善原始信号的极值点均匀分布特性，难以消除模式混叠现象；若白噪声幅值参数过大，则强烈的噪声成分可能会破坏信号原有的特征信息。近年来，众多国内外学者致力于EEMD的高斯白噪声幅值参数选取研究；Wu等建议用一个系数(经验值为0.2)乘以原始信号的标准差来计算白噪声的最优幅值，但此经验方法并不适用于所有的实际信号情况；Jian等根据原始信号的能量值来确定噪声幅值的大小，但未深入研究复杂的多分量信号的情况；孔德同等根据原始信号的极值点分布情况，基于遍历优化算法确定噪声的最优幅值，但所设定的优化评价目标不够全面。

综上所述，发明人发现，传统的EEMD方法因凭人工经验选取高斯白噪声幅值Anoise而产生主观性误差的问题，进而影响了EEMD的自适应性和分解精度，最终降低了行星齿轮箱故障诊断的准确性。

发明内容

为了解决上述问题，本公开的第一个方面提供一种基于PSO-EEMD方法的行星齿轮箱故障诊断方法，其基于PSO-EEMD方法，以原始信号极值点均布特性作为PSO的评价目标，自适应地迭代确定最优幅值，进而提升EEMD的自适应性和分解精度，提高了行星齿轮箱故障诊断的准确性。

为了实现上述目的，本公开采用如下技术方案：

一种基于PSO-EEMD方法的行星齿轮箱故障诊断方法，包括：

采集太阳轮不同损伤程度下的行星齿轮箱振动信号；

利用PSO-EEMD方法将行星齿轮箱振动信号分解为不同频段的IMF分量；

选取包含故障特征信息的预设数量的IMF分量作为敏感IMF分量，并计算其近似熵特征值；

利用敏感IMF分量的近似熵特征值进行训练并测试支持向量机模型，利用训练完成的支持向量机模型识别出行星齿轮箱的故障类型。