[发明专利]基于差分进化概率神经网络的行星齿轮故障诊断方法

说明书

基于差分进化神经网络的行星齿轮故障诊断方法，属于旋转机械故障诊断方法领域。本发明包括如下步骤：S1、确定故障模式类型，通过传感器获取行星齿轮的振动信号；S2、采用经验小波变换方法分解所述振动信号；S3、利用时频域指标选择分解后的信号形成特征矩阵；S4、通过t‑SNE特征降维方法对所述特征矩阵降维；S5、在概率神经网络的基础上，提出了基于差分进化优化的概率神经网络故障诊断模型，利用差分进化优化算法对概率神经网络中的光滑因子δ进行优化，选取最优的δ值，以提高故障诊断精度。本发明相比传统故障诊断方法具有更高的故障诊断精度。

技术领域

本发明涉及旋转机械故障诊断方法领域，特别是涉及基于差分进化神经网络的行星齿轮故障诊断方法。

背景技术

行星齿轮作为旋转机械中最为重要的一部分，正随着科技的发展向着体积小、重量轻、承载能力强等方向发展，使得行星齿轮在航空航天、矿山机械、风力发电等领域发挥重要的作用。由于实际工作环境中存在工矿复杂、环境恶劣等问题，使得齿轮在冲击载荷或重载情况下发生不同形式的故障。当行星齿轮发生故障时轻则造成设备停机，重则造成巨大的经济损失和人员伤亡。因此开展行星齿轮的早期故障诊断方法的研究，不仅对维护设备的健康运行有重要意义，同时对保证人身安全及财产安全具有重要意义。

故障诊断技术是通过各种检测手段监测设备运行过程中是否存在故障。随着科学技术的不断发展，智能故障诊断方法逐步取代了专家系统，成为故障诊断领域的主流力量。智能故障诊断是以信息处理技术为基础，依靠机器学习获取的知识和技能来识别现有问题。

行星齿轮振动信号存在振动信号传递路径复杂、多模式混叠、非线性、非平稳性等特点使得故障信号被强大的背景噪声所淹没，响应微弱。针对行星齿轮存在以上问题，如何将有用的故障信号从强大的背景信号中提取出来，成为行星齿轮早期故障诊断的关键。对此，国内外众多学者进行研究。小波变换是在短时傅里叶变换的基础上发展而来的，解决了傅里叶变换中存在窗函数固定的缺陷，成为信号处理路程上的里程碑，为以后信号处理方法的发展奠定了基础。屈梁生等人将连续小波变换引入故障诊断领域，并利用小波变换对滚动轴承滚道缺陷和齿轮裂纹故障信号进行故障识别，并取得了理想的效果。针对非平稳信号华裔科学家Norden e.Huang提出了经验模态分解(EMD)，该方法依赖于原始信号的尺度波动，对信号进行逐级分解。程军圣等人将EMD信号分解方法应用到转子局部碰磨故障诊断中，并验证了EMD信号分解方法能够将碰磨振动信号从强大的背景信号中分离出来。针对轴承故障振动信号非平稳性的特点，众多学者将经验模态分解与其他诊断模型相结合的故障诊断方法应用到轴承故障诊断中，证明了经验模态分解在旋转机械故障诊断中的有效性。为了弥补经验模态分解中存在的问题，先后发展出集合经验模态分解(EEMD)、互补经验集合模态分解(CEEMD)等。经验小波变换(EWT)信号分解方法借鉴了经验模态分解和小波信号分解的优点，成为自适应信号分解方法的新的突破，近年来被广泛应用于各个领域。李志农等人验证了经验小波变换在故障诊断邻域中的适用性。