[发明专利]基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法

摘要

基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法，先利用加速度传感器获取行星齿轮箱齿轮原始振动信号，对不同故障类型的太阳轮振动信号分段，对每一段信号求取特征值，将提取的特征指标归一化，将归一化后的特征值作为输入变量，将对应太阳轮不同故障的特征进行编号，并将其作为目标值，划分训练样本和测试样本，选择高斯径向基作为多分类相关向量机核函数，并给将训练样本代入多分类相关向量机进行分类训练，利用所得分类模型对测试样本进行分类测试，得到预测目标值，并将预测类别与实际类别进行对比，得出分类模型的有效性，本发明分类精度不低于支持向量机，同时相较于自适应神经模糊推理系统，本发明分类效果也明显较好。

主权项

1.基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法，其特征在于，包括以下步骤：1）利用加速度传感器获取行星齿轮箱齿轮原始振动信号；2）对不同故障类型的太阳轮振动信号分段，确保每一段的长度具有统计意义，对每一段信号求取特征值，其中包括针对行星齿轮箱故障诊断的SI^e、SLF^e、FRMS、NSDS指标；①、SI^e：一阶边频带幅值和；②、SLFe=SIeRMS(X);]]>③、FRMS是计算滤波后信号的有效值，其具体表达式如下所示：FRMS=1UΣu=1U(q(u))2]]>其中，q(u)(u＝1,2,…U)是滤波后信号Q的第u个点，U是数据点数；④、NSDS为归一化差谱正值和，其具体表达式如下所示：当h_b(l)＞h_c(l)时，h_a(l)＝h_b(l)·h_c(l)；当h_b(l)≤h_c(l)时，h_a(l)＝0，其中h_b与h_c分别代表未知信号与已知正常信号的频谱，h_a(l)代表h_b减去h_c得到的差谱的第l根谱线，L是得到的差谱的所有谱线数，l=1,2…，L，最后，将差谱中的正值和除以该未知信号的频谱幅值和进行归一化，3）将提取的特征指标归一化到[0,1]区间，保证特征数据取值范围的统一性，加快计算的收敛时间，归一化公式如下：M^=Mt-MminMmax-Mmax,t=1,2,···,n]]>式中：表示归一化后的特征值，M_t表示特征原始值，M_max和M_min分别表示特征样本中最大值和最小值，t为特征数量；将归一化后的特征值作为输入变量x，其中至少包含SI^e、SLF^e、FRMS、NSDS归一化后两个及以上的特征值，特征能够任意组合；4）将对应太阳轮不同故障的特征进行编号，编号方式为：作为目标值，其中n代表故障种类数目，按照以上公式编号之后，它们分别代表对应的故障类型，并将其作为目标值；5）划分训练样本和测试样本，将每一种工况下提取的特征样本，一半划分为训练样本，一半划分为测试样本；6）选择高斯径向基作为多分类相关向量机核函数，并给将训练样本代入多分类相关向量机进行分类训练，得到行星齿轮箱太阳轮故障分类模型，其中核函数表达式如下：K(xi,xj)=exp(-||xi-xj||2ϵ2),]]>其中K代表核函数，x表示归一化的输入变量，ε表示核函数参数，ε＝D，其中D表示x的维数；7）利用6）中所得分类模型对测试样本进行分类测试，得到预测目标值，预测目标值为n×m矩阵，其中n表示故障类型的种类数目，m表示预测样本的数量，预测目标的行向量分别表示该样本服从该故障类型的概率，并将预测类别与实际类别进行对比，得出分类模型的有效性。