一種基于lmd和bp神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法
【專(zhuān)利摘要】本發(fā)明提供了一種基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法，利用LMD算法具有的良好的自適應(yīng)性，結(jié)合峭度準(zhǔn)則和相關(guān)系數(shù)，對(duì)采集信號(hào)進(jìn)行降噪預(yù)處理，篩選出包含主要特征頻率的PF分量，然后結(jié)合多尺度熵算法具有的抗干擾和抗噪性，能夠有效提取故障特征信息，消除識(shí)別過(guò)程中產(chǎn)生的不確定性，大大提高了故障診斷的準(zhǔn)確性，適用于采煤機(jī)等在惡劣工作環(huán)境下重載設(shè)備傳動(dòng)齒輪的故障診斷。
【專(zhuān)利說(shuō)明】-種基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于齒輪故障診斷【技術(shù)領(lǐng)域】，尤其涉及一種基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪 故障診斷方法。

【背景技術(shù)】
[0002] 齒輪傳動(dòng)作為一種重要的傳動(dòng)形式，傳動(dòng)系統(tǒng)中80%的故障是由齒輪引起的，旋 轉(zhuǎn)機(jī)械中齒輪故障占其故障的10%左右，常出現(xiàn)斷齒、少齒和磨損等齒輪故障形式，為了提 高機(jī)械設(shè)備運(yùn)行可靠性，減少故障發(fā)生率，對(duì)其進(jìn)行故障診斷研究顯得尤為重要。
[0003] 在實(shí)際工程應(yīng)用中，大多數(shù)信號(hào)都是非平穩(wěn)信號(hào)，因此為了滿足實(shí)際的需要，時(shí)頻 分析這一重要的非平穩(wěn)信號(hào)分析手段在近年來(lái)得到迅猛發(fā)展，并且已經(jīng)應(yīng)用到包括通訊、 語(yǔ)音、機(jī)械故障診斷等各個(gè)領(lǐng)域。在Fourier變換的基礎(chǔ)上，人們提出和研究了不少處理 非平穩(wěn)信號(hào)的時(shí)頻分析方法，典型的有：短時(shí)Fourier變換、Wigner-Ville分布、小波變換 等，但這些方法都存在各自的局限性。短時(shí)Fourier變換是一種單一分辨率的信號(hào)分析方 法，時(shí)頻分析窗口是大小固定不變的，時(shí)域分辨率和頻域分辨率也受測(cè)不準(zhǔn)原理的制約； Wigner-Ville分布本質(zhì)上是一個(gè)線性變換，且對(duì)多分量分析時(shí)會(huì)產(chǎn)生交叉項(xiàng)干擾的缺陷， 因此對(duì)于非平穩(wěn)、非線性信號(hào)的分析結(jié)果將不準(zhǔn)確；小波變換是非自適應(yīng)的，一旦基本小波 函數(shù)選定，那么分析所有的數(shù)據(jù)都必須用此小波函數(shù)；EMD理論主要確定是模態(tài)混淆、基本 模式分量的判據(jù)、端點(diǎn)效應(yīng)以及欠包絡(luò)和過(guò)包絡(luò)。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)和不足，提供一種基于LMD和BP神經(jīng) 網(wǎng)絡(luò)的齒輪故障診斷方法，提高診斷速度、準(zhǔn)確度以及齒輪故障類(lèi)型的識(shí)別能力。
[0005] 本發(fā)明是這樣實(shí)現(xiàn)的，一種基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法，該方法 包括以下具體步驟：
[0006] 步驟S1、利用加速度傳感器采集綜合模擬實(shí)驗(yàn)臺(tái)數(shù)據(jù)，得到正常、斷齒、少齒和磨 損四種狀態(tài)齒輪的振動(dòng)信號(hào)；
[0007] 步驟S2、利用基于峭度準(zhǔn)則和相關(guān)系數(shù)的局部均值分解LMD的降噪方法，對(duì)采集 到的四類(lèi)齒輪振動(dòng)信號(hào)進(jìn)行預(yù)處理，篩選出包含主要特征頻率的若干個(gè)包絡(luò)信號(hào)和調(diào)頻信 號(hào)之積PF分量；
[0008] 步驟S3、對(duì)篩選出的PF分量進(jìn)行信號(hào)重構(gòu)，并計(jì)算多尺度下的樣本熵值，提取熵 特征信息；
[0009] 步驟S4、以BP神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器，將重構(gòu)信號(hào)的各尺度樣本熵特征向量作為網(wǎng) 絡(luò)的特征參數(shù)，對(duì)正常、斷齒、少齒和磨損四種狀態(tài)齒輪進(jìn)行診斷識(shí)別。
[0010] 優(yōu)選地，所述步驟S2更具體為：利用LMD方法將采集到的數(shù)據(jù)分解為一組PF分 量；然后，結(jié)合峭度準(zhǔn)則和相關(guān)系數(shù)，對(duì)PF進(jìn)行篩選，減少低頻干擾，突出高頻共振成分，達(dá) 到降噪效果。
[0011] 優(yōu)選地，在步驟S2中，所述數(shù)據(jù)分解包括以下步驟：
[0012] 步驟S21、確定原始信號(hào)x(t)的局部極值點(diǎn)IIi,求兩個(gè)相鄰極值點(diǎn)平均值HI i :
[0013]

【權(quán)利要求】
1. 一種基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法，其特征在于，該方法包括以下具 體步驟： 步驟S1、利用加速度傳感器采集綜合模擬實(shí)驗(yàn)臺(tái)數(shù)據(jù)，得到正常、斷齒、少齒和磨損四 種狀態(tài)齒輪的振動(dòng)信號(hào)； 步驟S2、利用基于峭度準(zhǔn)則和相關(guān)系數(shù)的局部均值分解LMD的降噪方法，對(duì)采集到的 四類(lèi)齒輪振動(dòng)信號(hào)進(jìn)行預(yù)處理，篩選出包含主要特征頻率的若干個(gè)包絡(luò)信號(hào)和調(diào)頻信號(hào)之 積PF分量； 步驟S3、對(duì)篩選出的PF分量進(jìn)行信號(hào)重構(gòu)，并計(jì)算多尺度下的樣本熵值，提取熵特征 信息； 步驟S4、以BP神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器，將重構(gòu)信號(hào)的各尺度樣本熵特征向量作為網(wǎng)絡(luò)的 特征參數(shù)，對(duì)正常、斷齒、少齒和磨損四種狀態(tài)齒輪進(jìn)行診斷識(shí)別。
2. 如權(quán)利要求1所述的基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法，其特征在于，所 述步驟S2更具體為：利用LMD方法將采集到的數(shù)據(jù)分解為一組PF分量；然后，結(jié)合峭度準(zhǔn) 則和相關(guān)系數(shù)，對(duì)PF進(jìn)行篩選，減少低頻干擾，突出高頻共振成分，達(dá)到降噪效果。
3. 如權(quán)利要求2所述的基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法，其特征在于，在 步驟S2中，所述數(shù)據(jù)分解包括以下步驟： 步驟S21、確定原始信號(hào)x(t)的局部極值點(diǎn)Iii,求兩個(gè)相鄰極值點(diǎn)平均值Hii :
(1) 采用滑動(dòng)平均方法處理所有局部均值Hli的連線，得到局部均值函數(shù)Hl11 (t); 步驟S22、利用局部極值點(diǎn)，計(jì)算包絡(luò)估計(jì)值％ :
(2) 采用滑動(dòng)平均方法處理所有包絡(luò)估計(jì)值％的連線，得到包絡(luò)估計(jì)函數(shù)an(t); 步驟S23、將局部均值函數(shù)mn (t)從原始信號(hào)x(t)中分離出來(lái)，并對(duì)分離信號(hào)進(jìn)行解 調(diào)處理： hn(t) = x(t)-mn(t) (3) S11 (t) = hn (t)/an (t) (4) 步驟S24、若S11 (t)不是一個(gè)區(qū)間[_1，1]上的純調(diào)頻信號(hào)，則將S11 (t)作為原始信號(hào) 重復(fù)步驟S21?S23的操作，直到滿足要求為止，迭代終止條件如式（5)所示：
(5) 步驟S25、迭代過(guò)程中產(chǎn)生的所有包絡(luò)估計(jì)函數(shù)相乘得到包絡(luò)信號(hào)：
(6) 原始信號(hào)的第一個(gè)PF分量為： PF1 (t) = sln (Oa1 ⑴ (7) 步驟S26、將第1個(gè)PF分量從原始信號(hào)X (t)中分離出來(lái)，得到一個(gè)新的信號(hào)U1 (t)，將 U1U)作為新的原始數(shù)據(jù)重復(fù)以上步驟，循環(huán)k次，直到uk(t)為一個(gè)單調(diào)函數(shù)為止，最后， 原始信號(hào)表示為k個(gè)PF分量與一個(gè)單調(diào)函數(shù)u k(t)的和：
(8) 求峭度系數(shù)Kv如下式（9)所示：
(9) 式中μ、σ分別為信號(hào)X的均值和標(biāo)準(zhǔn)差，E (t)表示變量t的期望值； 求相關(guān)系數(shù)r公式如式（10)所示：
(10) 〇
4. 如權(quán)利要求1所述的基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法，其特征在于，在 步驟S3中，對(duì)重構(gòu)的信號(hào)求取多尺度樣本熵的過(guò)程包括多尺度演算，其中，所述多尺度演 算過(guò)程為：首先，對(duì)于給定長(zhǎng)度為N的時(shí)序信號(hào) Xl，x2，...，xN，按尺度因子τ分割成多個(gè)長(zhǎng) 度為τ的數(shù)據(jù)組；然后，利用式（11)求得分割后的每個(gè)數(shù)據(jù)組的平均值，構(gòu)成新的時(shí)間序 列O :
?
5. 如權(quán)利要求4所述的基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法，其特征在于，在 步驟S3中，對(duì)重構(gòu)的信號(hào)求取多尺度樣本熵的過(guò)程還包括樣本熵SampEn計(jì)算；其中所述樣 本熵SampEn的計(jì)算步驟如下： 步驟S31、將時(shí)間序列U1, u2,. . .，uN重構(gòu)成一個(gè)m維向量，每個(gè)向量看成一個(gè)樣本，表示 如下： X (i) = [Ui, ui+1，…，ui+m_J，i = 1 ?N-m+1 (12) 步驟S32、定義其中任意兩個(gè)樣本x(i)和x(j)之間的距離dij: (Iij = d[x (i) -x (j) ] = max | ui+k-uJ+k |, O ^ k ^ m-1 ； j, i = I ~ N-m, j ^ i (13) 步驟S33、引入相似容限r(nóng)，統(tǒng)計(jì)Clij <r的個(gè)數(shù)Dyr)，求其平均值BimOO :
步驟S34、當(dāng)重構(gòu)數(shù)據(jù)維數(shù)為m時(shí)，計(jì)算樣本的平均相似度ΦΠ (Γ):
步驟S35、當(dāng)重構(gòu)數(shù)據(jù)維數(shù)為m+1時(shí)，重復(fù)步驟S32?S35計(jì)算得到ΒΛ1 (r)，進(jìn)一步得 到 Ur); 步驟S36、原始時(shí)間序列的樣本熵定義為：
當(dāng)N為有限數(shù)時(shí)，上式表示為：
6.如權(quán)利要求1所述的基于LMD和BP神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法，其特征在于，在 步驟S4中，結(jié)合BP神經(jīng)網(wǎng)絡(luò)的診斷識(shí)別過(guò)程為：首先，將多尺度樣本熵值分為訓(xùn)練數(shù)據(jù)和 測(cè)試數(shù)據(jù)，先利用訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，通過(guò)不斷更新閾值和權(quán)值，直到網(wǎng)絡(luò)輸出的誤差減少 到允許范圍，或者達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止；然后，通過(guò)訓(xùn)練好的網(wǎng)絡(luò)去診斷測(cè)試數(shù)據(jù) 的故障類(lèi)型。
【文檔編號(hào)】G01M13/02GK104390781SQ201410698018
【公開(kāi)日】2015年3月4日 申請(qǐng)日期:2014年11月26日 優(yōu)先權(quán)日:2014年11月26日
【發(fā)明者】程剛, 胡曉, 楊杰, 陳曦暉, 山顯雷 申請(qǐng)人:中國(guó)礦業(yè)大學(xué)