[发明专利]一种行星齿轮箱故障诊断方法

说明书

本发明涉及一种行星齿轮箱故障诊断方法。首先，利用樽海鞘群优化变分模态分解(SSO‑VMD)对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(ISSL‑Isomap)进行降维处理。最后，运用人工蜂群优化支持向量机(ABC‑SVM)分类器进行诊断识别。本发明克服了VMD算法中的参数选取问题，解决了多域特征存在的信息冗余问题。行星齿轮箱故障诊断实验结果表明所提方法能够有效识别出各故障类型，具有很大的实用价值。

技术领域

本发明涉及一种行星齿轮箱故障诊断方法。

背景技术

行星齿轮箱作为旋转机械的关键部件，在直升机主减速器、风力发电机组等复杂传动系统都有着较广泛的应用。但在实际运行过程中，由于行星齿轮箱振动信号易受噪声污染与振动复杂等影响，增加了对其进行故障诊断的难度。

目前，常见的故障信号降噪方法主要包括：小波变换，经验模态分解(EMD)和局部均值分解等。然而小波变换事先需要选择小波基和分解层数等，缺乏自适应性；EMD存在频率混淆、过包络、欠包络、端点效应等局限；局部均值分解具有运算速度慢、信号冲突问题等缺陷。变分模态分解(VMD)是在传统维纳滤波基础上，研发的一种非递归自适应信号分解新方法，与小波变换、EMD和局部均值分解等方法相比，VMD分解的信号，具有精度高、收敛快和鲁棒性好等特点，非常适用于处理行星齿轮箱故障信号。但VMD算法信号处理效果与惩罚因子和分解个数这两个参数密切相关。

行星齿轮箱故障诊断的关键在于特征提取，为全面表征故障信息，从时域、频域和尺度域提取特征参数，构造成原始多域故障特征集。由于该故障集具有非线性、高维、冗余等特性，直接输入至分类器中进行模式识别，可能影响识别效果。

发明内容

本发明的目的在于提供一种行星齿轮箱故障诊断方法，该方法克服了VMD算法中的参数选取问题，解决了多域特征存在的信息冗余问题。

为实现上述目的，本发明的技术方案是：一种行星齿轮箱故障诊断方法，首先，利用樽海鞘群优化变分模态分解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。

在本发明一实施例中，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；

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，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、对重构的振动信号进行特征提取，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。

在本发明一实施例中，步骤S1中，振动加速度信号为传动轴径向振动加速度信号。

在本发明一实施例中，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：

1)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]；适应度函数为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：