專利名稱：一種基于改進多變量預測模型的齒輪故障診斷方法
技術領域：
本發(fā)明涉及一種齒輪故障診斷方法，特別涉及一種基于改進多變量預測模型的齒輪故障診斷方法。
背景技術：
機械設備的診斷過程包括診斷信息獲取、故障特征信息提取和狀態(tài)識別三部分。
在模式識別中，常用的方法有決策樹聚類分析、灰度聚類分析、模糊算法聚類分析。這些方法雖然已被應用于機械故障診斷中，但它們缺乏通用性，同時計算量較大。此外，模式識別還包括粗糙集理論、神經網絡模式識別方法以及支持向量回歸機(Support vector machine, SVM)。粗糙集理論在處理模糊和不確定信息上具有較大的優(yōu)越性,但其決策規(guī)則很不穩(wěn)定，精確性有待提高，而且是基于完備的信息系統(tǒng)，處理數(shù)據時，常常會遇到數(shù)據丟失現(xiàn)象；神經網絡模式識別方法雖然具有較強的自組織、自學習和非線性模式分類性能，但它需要大量的典型故障樣本。此外，神經網絡的結構選擇和權重的初值設定沒有一定的標準，往往需要借助于經驗或先驗知識，而這都將會影響其分類精度。發(fā)明內容
有鑒于此，本發(fā)明提出一種基于改進多變量預測模型的齒輪故障診斷方法，以解決以上技術問題。
本發(fā)明解決上述技術問題的技術方案包括以下步驟
I)測量故障物體的振動信號；
2)從振動信號中提取LCD瞬時幅值熵作為故障特征值；
3)將故障特征值分為訓練樣本和測試樣本；
4)用訓練樣本進行基于支持向量回歸機方法的多變量預測模型的訓練，建立最佳變量預測模型；
5 )根據最佳變量預測模型對測試樣本進行分類；
6)根據分類結果識別故障物體的工作狀態(tài)和故障類型。
優(yōu)選地，所述步驟2)包括以下步驟
對振動信號進行局部特征尺度分解得到內稟尺度分量；
提取內稟尺度分量的瞬時幅值熵，作為故障特征值，內稟尺度分量的瞬時幅值熵可由以下公式得到
權利要求
1.一種基于改進多變量預測模型的齒輪故障診斷方法，包括以下步驟1)測量故障物體的振動信號；2)從振動信號中提取LCD瞬時幅值熵作為故障特征值；3)將所述故障特征值分為訓練樣本和測試樣本；4)用訓練樣本進行基于支持向量回歸機方法的多變量預測模型的訓練，建立最佳變量預測模型；5)根據最佳變量預測模型對測試樣本進行分類；6)根據分類結果識別該故障物體的工作狀態(tài)和故障類型。
2.根據權利要求1所述的基于改進多變量預測模型的齒輪故障診斷方法，所述步驟2) 包括以下步驟對振動信號進行局部特征尺度分解得到內稟尺度分量；提取內稟尺度分量的瞬時幅值熵，作為故障特征值，內稟尺度分量的瞬時幅值熵可由以下公式得到
3.根據權利要求1所述的基于改進多變量預測模型的齒輪故障診斷方法，所述步驟4) 包括以下步驟11)為訓練樣本確定多變量預測模型類型；12)用訓練樣本進行基于支持向量回歸機方法的多變量預測模型的訓練，建立多變量預測模型；23)從多變量預測模型中選擇出最佳變量預測模型，并確定最佳變量預測模型的類型。
4.根據權利要求3所述的基于改進多變量預測模型的齒輪故障診斷方法，所述步驟11)包括以下步驟21)對于多變量預測模型類型的每個變量預測模型類型中的多類分類問題，分別針對每一類分類問題的訓練樣本確定預測變量與被預測變量；22)分別建立被預測變量的多變量預測模型；23)分別針對每一類分類問題，利用支持向量回歸機方法對被預測變量進行線性擬合， 得到被預測變量的預測值；24)根據預測值，分別計算每一類分類問題的多變量預測模型的預測誤差平方和，并在每一類分類問題中選擇多變量預測模型中預測誤差平方和的最小值對應的變量預測模型作為分類問題的訓練樣本的多變量預測模型。
5.根據權利要求4所述的基于改進多變量預測模型的齒輪故障診斷方法，所述多變量預測模型類型為，線性模型:
6.根據權利要求4所述的基于改進多變量預測模型的齒輪故障診斷方法，所述步驟23)中支持向量回歸機方法包括以下步驟尋找一個核函數(shù)k(s, t),使得k(xm, χη) = Φ (Xm) · Φ (Xn);其中m和η分別表示第m和第η個樣本，Xm和Xn分別表示第m和第η個樣本的數(shù)據，Φ (xm)和Φ (Xn)為映射函數(shù)； 采用序列最小優(yōu)化算法求優(yōu)化問題
7.根據權利要求1所述的基于改進多變量預測模型的齒輪故障診斷方法，所述步驟5) 包括以下步驟根據最佳變量預測模型進行預測取得預測值；根據預測值，分別計算測試樣本的預測誤差平方和，選擇預測誤差平方和值中的最小值作為判別函數(shù)，并對測試樣本進行分類。
全文摘要
本發(fā)明提出一種基于改進多變量預測模型的齒輪故障診斷方法，包括以下步驟測量故障物體的振動信號；從振動信號中提取故障特征值，即局部特征尺度分解瞬時幅值熵；將故障特征值分為訓練樣本和測試樣本；分別對訓練樣本進行基于支持向量回歸機方法的多變量預測模型的訓練以建立最佳變量預測模型，根據最佳變量預測模型對測試樣本進行分類；根據分類結果識別故障物體的工作狀態(tài)和故障類型。本發(fā)明提出的基于改進多變量預測模型的齒輪故障診斷方法，在模式識別過程中具有較高的識別度。
文檔編號G01M13/02GK103033362SQ20121059054
公開日2013年4月10日 申請日期2012年12月31日 優(yōu)先權日2012年12月31日
發(fā)明者楊宇, 潘海洋, 程軍圣 申請人:湖南大學