[发明专利]一种柴油机齿轮箱故障诊断方法

权利要求书

1.一种柴油机齿轮箱故障诊断方法，其特征在于，所述故障诊断方法首先，利用加速度传感器采集柴油机齿轮箱四种不同齿轮状态下的振动信号，并绘制时域图和频谱图；接着，利用集合经验模态分解EEMD方法对振动信号进行降噪分解处理，得到多内禀模态分量IMF和残余分量；然后，基于EEMD分解的模态分量提取多域特征参数并构建特征向量，作为有向无环图支持向量机DAGSVM的输入；最后，利用采集到的振动信号样本训练DAGSVM模型，用于诊断柴油机齿轮箱的故障，完成故障类型识别；具体包括以下步骤：

步骤1：针对典型故障情况，采集柴油机齿轮箱的四种不同齿轮状态下的振动信号，获取采样频率和获取数据个数，绘制四种不同齿轮状态下的原始振动信号时域图；利用傅里叶变换，得到四种不同齿轮状态下的真实幅值，并绘制四种不同齿轮状态下的原始振动信号频谱图；

步骤2：利用集合经验模态分解EEMD方法分别对四种不同齿轮状态下的振动信号进行降噪处理并分解，得到不同尺度的IMF分量和残余分量，并依据各分量所包含的原始信号能量的占比，提取最能表征原始信号特征信息的IMF分量；所述的IMF分量需要满足以下条件：满足包含相同数目的极值点以及过零点，任何两个相邻的过零点之间只能存在一个极值点，而且上下包络线必须关于时间轴做到局部对称，任何的两个模态之间要满足相互独立的条件；具体如下：

S2.1)采用EEMD方法对四种不同齿轮状态下的振动信号进行降噪处理；

S2.2)对步骤S2.1降噪处理后的数据添加高斯白噪声后进行EMD分解：

S2.2.1)在去噪后的信号中添加高斯白噪声信号后得到待分解信号，确定待分解振动信号L(t)的所有局部极值点，将所有极大值点和极小值点分别采用三次样条曲线连接起来，形成上下两条包络线；

L(t)＝x(t)+ε(t) (1)

其中，L(t)为待分解振动信号，x(t)为去噪后的信号，ε(t)为高斯白噪声信号；

S2.2.2)记两条包络线的均值为m₁，求出：

h₁(t)＝L(t)-m₁； (2)

其中，h₁(t)表示待分解振动信号L(t)减去上下包络线的平均值m₁后的差；

如果h₁(t)满足IMF的条件，那么h₁(t)就是L(t)的第一个IMF分量；

S2.2.3)如果h₁(t)不满足IMF的条件，则把h₁(t)作为原始数据，重复步骤S2.2.1)～S2.2.2)，直至满足条件，记第一阶IMF分量为c₁；

S2.2.4)将c₁从L(t)中分离出来，得到：

r₁＝L(t)-c₁； (3)

其中，r₁表示原始待分解信号分离出第一阶分量后的新的待分解信号；

S2.2.5)将r₁作为原始的待分解信号，重复步骤S2.2.1)～S2.2.4)，直至r_n变成一个单调函数，不能再从待分解信号中选出满足IMF条件的分量时，循环结束；最终得到：

其中，r_n成为残余函数，代表信号的平均趋势；

S2.3)利用步骤S2.2)分解获得一组IMF分量；

S2.4)每次加入相同幅值的高斯白噪声，并重复步骤2.2)，得到一系列IMF分量；

S2.5)计算分解得到的一系列IMF分量的均值，获取消除模态混叠的IMF分量：

其中，s_j(t)为利用EEMD分解的第j阶IMF分量，m为加入高斯白噪声的次数，i为第i次加入高斯白噪声的次数，s_ij(t)为第i次加入高斯白噪声利用EMD分解获得的第j阶IMF分量；

所有IMF分量总能量E的计算公式如下：

其中，E_i是第i阶IMF分量的能量；c_i(t)为第i阶IMF分量的幅值；i表示分量的阶数；n表示所分解的IMF分量的总数；

各IMF分量能量与原始振动信号总能量的占比P_i：

步骤3：基于EEMD分解的模态分量提取特征参数构建特征向量，提取最能表征原始信号特征信息的IMF分量的时域和频域特征参量，进而构建一个特征向量，作为有向无环图支持向量机DAGSVM的输入；所述构建特征向量的步骤如下：

S3.1)采集柴油机齿轮箱四种不同齿轮状态下的原始振动信号；

S3.2)将获取的振动信号利用EEMD降噪处理并分解，提取最能表征振动信号的特征信息的IMF分量；

S3.3)基于EEMD和IMF能量提取时域特征参数：计算所有IMF分量的总能量，并计算最能表征振动信号的特征信息的IMF分量的归一化能量、偏度、峰度；

S3.4)基于EEMD和Hilbert边际谱提取频域特征参数：计算最能表征振动信号的特征信息的IMF分量的重心频率和重心幅值，用于反映柴油机齿轮状态的重要特征；

S3.4)将步骤S3.2)-S3.3)计算得到最能表征原始振动信号特征的IMF分量的归一化能量、偏度、峰度、重心频率和重心幅值的所有时频域特征参量结合构成一个特征向量，作为DAGSVM分类器的输入；

步骤4：构建DAGSVM分类器用于故障类型识别；利用训练样本对DAGSVM分类器进行训练，并利用测试样本对训练好的DAGSVM分类器测试是否达到故障诊断准确度；

步骤5：将步骤1中实际采集的四种不同齿轮状态下的柴油机齿轮箱原始振动信号，利用步骤2中的EEMD方法降噪分解处理，并提取最能表征原始信号特征信息的IMF分量，利用步骤3获取由时频域特征参量构建的特征向量，输入到步骤4所建立并训练好的故障诊断模型DAGSVM中，根据输出情况来识别故障类型。