[发明专利]一种行星齿轮箱故障诊断方法

权利要求书

1.一种行星齿轮箱故障诊断方法，其特征在于，首先，利用樽海鞘群优化算法优化变分模态分解算法对采集的行星齿轮箱的振动加速度信号进行分解与重构；然后，从多域提取故障特征，并采用改进监督型自组织增量学习神经网络界标点等度规映射流形学习算法进行降维处理；最后，运用人工蜂群优化支持向量机分类器进行诊断识别，诊断出行星齿轮箱故障类型；该方法具体实现如下：

步骤S1、利用加速度传感器采集行星齿轮箱在太阳轮正常状态，磨损状态，裂纹状态和断齿状态下振动加速度信号，获取其时域信号样本集；振动加速度信号为传动轴径向振动加速度信号；

步骤S2、利用樽海鞘群优化算法优化变分模态分解算法中的参数K和α，其中K表示模态分解个数，α表示惩罚因子，然后对采集的振动加速度信号进行分解，并将得到的本征模态分量进行重构；

步骤S3、对步骤S2中重构的信号进行特征提取，获取其在时域、频域和尺度域上的特征参数，合并成原始高维故障特征集；

步骤S4、利用改进监督型自组织增量学习神经网络界标点等度规映射流形学习算法对高维故障特征进行维数约简，得到低维、敏感的故障特征集；

步骤S5、将降维后的低维故障特征输入至人工蜂群优化支持向量机分类器中进行训练与测试，诊断出行星齿轮箱故障类型；

步骤S2中，利用樽海鞘群优化算法优化变分模态分解算法中的参数K和α的具体过程如下：

S21、初始化樽海鞘群优化算法的各项参数以及寻优参数寻优过程中的适应度函数，参数设置为：樽海鞘种群规模为15，最大迭代次数为30，K的寻优范围为[1,11]，α的寻优范围为[100,3000]；经VMD分解后全部IMF分量的包络熵均值定义为适应度值，并以最小包络均熵为寻优目标，从而得到最优参数；其中，包络熵Ep的定义如下：

式中，N为样本点数，p_j为a(j)的归一化形式，a(j)为经希尔伯特变换后的包络信号；

S22、计算每个樽海鞘当前位置下对应的适应度值；

S23、将樽海鞘个体按照适应度值大小进行升序，令排在首位樽海鞘为领导者，剩余为追随者，并将适应度值最小的樽海鞘个体所处的空间位置定义为当前食物位置；

S24、按照式(2)更新领导者所处空间位置；

式中，为领导者，其中v＝1,2,...,B表示樽海鞘位置，B为维数；ub＝[ub₁,ub₂,...,ub_B]为搜索上界，lb＝[lb₁,lb₂,...,lb_B]为搜索下界；食物位于F＝[F₁,F₂,...,F_B]^T；c₂和c₃为[0,1]的随机数，用以增强领导者移动的随机性；c₁为收敛因子，表达式如下：

其中，l为当前迭代次数；l_max为最大迭代次数；

S25、按照式(4)更新追随者所处空间位置；

为追随者，i＝2,3,...,M表示追随者序号，v＝1,2,...,B表示樽海鞘位置，M为樽海鞘种群规模B为维数，捕食空间为M×B维欧式空间；

S26、计算更新后樽海鞘个体的适应度值，并与当前食物的适应度值进行比较，若更新后的樽海鞘适应度值优于当前食物位置的适应度值，则将该樽海鞘的位置定义为新食物位置；

S27、重复步骤S24-步骤S26，直到满足迭代终止条件，输出食物坐标，即为最佳α和K参数值。