基于svd分解降噪和相關(guān)性eemd熵特征的齒輪故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于故障診斷技術(shù)領(lǐng)域，設(shè)及一種基于SVD分解降噪和相關(guān)性EEMD滴特征 的齒輪故障診斷方法。
【背景技術(shù)】
[0002] 齒輪作為旋轉(zhuǎn)機(jī)械設(shè)備中重要的零部件，其發(fā)生故障會(huì)導(dǎo)致機(jī)器工作效率降低， 甚至造成重大經(jīng)濟(jì)損失。因此，研究齒輪的狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)對(duì)于提高機(jī)械設(shè)備的 運(yùn)行效率及維修效能，避免人員財(cái)產(chǎn)損失具有重要的現(xiàn)實(shí)意義。
[0003] 基于振動(dòng)信號(hào)分析的齒輪故障診斷技術(shù)是一種行之有效的診斷方式，具有較高的 精度。常見(jiàn)的診斷方法如：時(shí)頻特征參數(shù)法、倒頻譜法、EMD分解等。但是在進(jìn)行信號(hào)處理的 過(guò)程中，對(duì)于齒輪傳動(dòng)產(chǎn)生的非線性、非平穩(wěn)信號(hào)，該些方法都有各自的局限性。時(shí)頻特征 參數(shù)法中的不同指標(biāo)只對(duì)特定的齒輪缺陷判別較為有效；針對(duì)強(qiáng)噪聲背景等復(fù)雜狀況，倒 頻譜法難W發(fā)現(xiàn)齒輪的缺陷頻率；傳統(tǒng)的經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpiricalModeDecomposition, EMD)方法于1998年由N.E.化ang提出，因其適用于非線性、非平穩(wěn)信號(hào)的研究，近年來(lái)得 到了廣泛的應(yīng)用，但是EMD方法仍存在諸多問(wèn)題，包括端點(diǎn)效應(yīng)、模態(tài)混疊、迭代循環(huán)次數(shù) 多等。EEMD方法在EMD的基礎(chǔ)上加W改進(jìn)，利用了高斯白噪聲具有頻率均勻分布的統(tǒng)計(jì)特 性，當(dāng)信號(hào)加入白噪聲之后，將使信號(hào)在不同尺度上具有連續(xù)性，W減小模態(tài)混疊的程度。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種基于SVD分解降噪和相關(guān)性EEMD滴特征的齒輪故障診 斷方法，針對(duì)強(qiáng)噪聲背景對(duì)齒輪運(yùn)轉(zhuǎn)狀態(tài)進(jìn)行監(jiān)測(cè)，W發(fā)現(xiàn)并判斷齒輪故障，避免機(jī)械設(shè)備 出現(xiàn)較為嚴(yán)重的故障。
[0005] 本發(fā)明所采用的技術(shù)方案是，一種基于SVD分解降噪和相關(guān)性EEMD滴特征的齒輪 故障診斷方法，包括W下步驟：
[0006] 步驟1，利用加速度振動(dòng)傳感器采集實(shí)驗(yàn)臺(tái)齒輪振動(dòng)信號(hào)，得到的信號(hào)包括齒輪正 常、齒輪斷齒、齒輪少齒、齒輪磨損四種故障類型；
[0007] 步驟2,利用通過(guò)相關(guān)性分析和信噪比優(yōu)化的SVD分解降噪方法對(duì)包含高斯白噪 聲的模擬強(qiáng)噪聲背景的四種齒輪狀態(tài)信號(hào)進(jìn)行降噪處理；
[000引步驟3,利用ffiMD分解方法分別對(duì)降噪之后的四類信號(hào)進(jìn)行分解，根據(jù)相關(guān)系數(shù) 選取有效的IMF分量；
[0009] 步驟4,將得到的每組有效IMF分量進(jìn)行樣本滴計(jì)算，并構(gòu)建由IMF樣本滴組成的 特征向量；
[0010] 步驟5,利用P順神經(jīng)網(wǎng)絡(luò)識(shí)別四種不同的齒輪故障。
[0011] 本發(fā)明的特征還在于，
[0012] 步驟2中SVD分解降噪方法對(duì)包含高斯白噪聲的模擬強(qiáng)噪聲背景的四種齒輪狀態(tài) 信號(hào)進(jìn)行降噪處理的過(guò)程包括w下步驟：
[0013] 對(duì)于含有噪聲的齒輪故障振動(dòng)信號(hào)y(k)化=1，2,…，腳，根據(jù)相空間重構(gòu)理論， 將其映射到mXn(m<n)維相空間內(nèi)，得到滿足m+n+1 =N的Hankie矩陣B。，對(duì)Bm進(jìn)行奇異 值分解，求取矩陣Bm的奇異值，保留前k個(gè)的奇異值而置零其他位置的奇異值，利用奇異值 分解的逆過(guò)程得到B'm，B'm即為Bm的一個(gè)最佳逼近，該樣就達(dá)到了降噪的效果，再對(duì)B'm中 的反對(duì)角元素取平均即完成信號(hào)降噪過(guò)程；
[0014] 軌道矩陣Bm的重構(gòu)階次的選擇，通過(guò)信號(hào)的信噪比和相關(guān)系數(shù)確定有效重構(gòu)階 次，其中，
[0015] 1)相關(guān)系數(shù)的計(jì)算公式：
[0016]
【主權(quán)項(xiàng)】
1. 一種基于SVD分解降噪和相關(guān)性EEMD熵特征的齒輪故障診斷方法，其特征在于，包 括以下步驟： 步驟1，利用加速度振動(dòng)傳感器采集實(shí)驗(yàn)臺(tái)齒輪振動(dòng)信號(hào)，得到的信號(hào)包括齒輪正常、 齒輪斷齒、齒輪少齒、齒輪磨損四種故障類型； 步驟2,利用通過(guò)相關(guān)性分析和信噪比優(yōu)化的SVD分解降噪方法對(duì)包含高斯白噪聲的 模擬強(qiáng)噪聲背景的四種齒輪狀態(tài)信號(hào)進(jìn)行降噪處理； 步驟3,利用EEMD分解方法分別對(duì)降噪之后的四類信號(hào)進(jìn)行分解，根據(jù)相關(guān)系數(shù)選取 有效的IMF分量； 步驟4,將得到的每組有效MF分量進(jìn)行樣本熵計(jì)算，并構(gòu)建由MF樣本熵組成的特征 向量； 步驟5,利用PNN神經(jīng)網(wǎng)絡(luò)識(shí)別四種不同的齒輪故障。
2. 根據(jù)權(quán)利要求1所述的齒輪故障診斷方法，其特征在于，所述步驟2中SVD分解降噪 方法對(duì)包含高斯白噪聲的模擬強(qiáng)噪聲背景的四種齒輪狀態(tài)信號(hào)進(jìn)行降噪處理的過(guò)程包括 以下步驟： 對(duì)于含有噪聲的齒輪故障振動(dòng)信號(hào)y (k) (k = 1，2,…，N)，根據(jù)相空間重構(gòu)理論，將其 映射到mXn (m〈n)維相空間內(nèi)，得到滿足m+n+1 = N的Hankie矩陣Bm，對(duì)Bm進(jìn)行奇異值分 解，求取矩陣1的奇異值，保留前k個(gè)的奇異值而置零其他位置的奇異值，利用奇異值分解 的逆過(guò)程得到B' m，B'm即為B _"的一個(gè)最佳逼近，這樣就達(dá)到了降噪的效果，再對(duì)B' m中的反 對(duì)角元素取平均即完成信號(hào)降噪過(guò)程； 軌道矩陣Bm的重構(gòu)階次的選擇，通過(guò)信號(hào)的信噪比和相關(guān)系數(shù)確定有效重構(gòu)階次，其 中， 1) 相關(guān)系數(shù)的計(jì)算公式：
其中：yk無(wú)噪聲信號(hào)的第k個(gè)數(shù)據(jù)點(diǎn)；mk為降噪后的信號(hào)的第k個(gè)數(shù)據(jù)點(diǎn)，η為數(shù)據(jù)長(zhǎng) 度； 2) 信噪比的計(jì)算公式：
其中，y(k)為無(wú)噪聲信號(hào)的第k個(gè)數(shù)據(jù)點(diǎn)，為含噪聲信號(hào)的第k個(gè)數(shù)據(jù)點(diǎn)，N為信 號(hào)長(zhǎng)度； 在信號(hào)與噪聲的共同作用下，降噪后信號(hào)與原始信號(hào)的相關(guān)系數(shù)和降噪后信號(hào)的信噪 比會(huì)隨著重構(gòu)階次的增加而快速增大，當(dāng)階次達(dá)到一定值時(shí)，相關(guān)系數(shù)和信噪比的增長(zhǎng)速 度逐步變緩并趨于穩(wěn)定，這時(shí)重構(gòu)信號(hào)包含的有效信息趨于飽和，所以根據(jù)相關(guān)系數(shù)和信 噪比達(dá)到最大的階次作為重構(gòu)階次，可以有效地保留有含噪信號(hào)的有用信息。
3. 根據(jù)權(quán)利要求1所述的齒輪故障診斷方法，其特征在于，所述步驟3中，EEMD分解方 法包括以下步驟： 1) 在信號(hào)y (t)中加入白噪聲(t)，其中幅值均值為0,標(biāo)準(zhǔn)差為原信號(hào)標(biāo)準(zhǔn)差的0. 3 倍則： Yi (t) = y (t) +IHj(t) (3)式中，i為Yi⑴分解的次數(shù)； 2) 對(duì)yi(t)進(jìn)行EMD分解，得到若干IMF分量djk(t)與余項(xiàng)ej(t);其中d jk(t)為第j 次加入白噪聲后所得的第k個(gè)IMF分量； 3) 重復(fù)步驟1和步驟2N次，得到消除模態(tài)混疊的MF為：
4. 根據(jù)權(quán)利要求1所述的齒輪故障診斷方法，其特征在于，所述步驟3中，根據(jù)相關(guān)系 數(shù)選取有效的MF分量包括以下步驟： 相關(guān)系數(shù)的計(jì)算公式為：
其中：yk為EEMD分解前信號(hào)的第k個(gè)數(shù)據(jù)點(diǎn)；fk為IMF分量的第k個(gè)數(shù)據(jù)點(diǎn)，η為數(shù)據(jù) 長(zhǎng)度。
5. 根據(jù)權(quán)利要求1所述的齒輪故障診斷方法，其特征在于，所述步驟4中，樣本熵的計(jì) 算其計(jì)算步驟如下： 1) 對(duì)于一個(gè)擁有Nt個(gè)點(diǎn)的數(shù)據(jù)序列，y(l)，y(2)，…，y(Nt)可以組成一組m維的矢 量： y(i) = [y(i), y(i+l), *··, y(i+m-l)] i = I, 2, ...，Nt-m+l (7) 2) 定義兩個(gè)m維的矢量Y(i)和Y(j)之間的最大距離為：
3) 對(duì)于給定的閥值r，從計(jì)算d(i，j)〈r的數(shù)目除以Nt-m+l的值，記為BimOO,即：
6.根據(jù)權(quán)利要求1所述的齒輪故障診斷方法，其特征在于，所述步驟5中PNN神經(jīng)網(wǎng)絡(luò) 識(shí)別過(guò)程為：根據(jù)輸入特征向量構(gòu)建合適的PNN網(wǎng)絡(luò)，初始化網(wǎng)絡(luò)后，利用訓(xùn)練樣本對(duì)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后將測(cè)試樣本輸入到網(wǎng)絡(luò)進(jìn)行診斷識(shí)別并輸出結(jié)果。
【專利摘要】本發(fā)明公開(kāi)了一種基于SVD分解降噪和相關(guān)性EEMD熵特征的齒輪故障診斷方法，利用加速度振動(dòng)傳感器采集實(shí)驗(yàn)臺(tái)齒輪振動(dòng)信號(hào)，得到的信號(hào)包括齒輪正常、齒輪斷齒、齒輪少齒、齒輪磨損四種故障類型；利用通過(guò)相關(guān)性分析和信噪比優(yōu)化的SVD分解降噪方法對(duì)包含高斯白噪聲的模擬強(qiáng)噪聲背景的四種齒輪狀態(tài)信號(hào)進(jìn)行降噪處理；利用EEMD分解方法分別對(duì)降噪之后的四類信號(hào)進(jìn)行分解，根據(jù)相關(guān)系數(shù)選取有效的IMF分量；將得到的每組有效IMF分量進(jìn)行樣本熵計(jì)算，并構(gòu)建由IMF樣本熵組成的特征向量；利用PNN神經(jīng)網(wǎng)絡(luò)識(shí)別四種不同的齒輪故障。本發(fā)明能夠在強(qiáng)噪聲背景下有效地識(shí)別齒輪故障類型，是一種有效的齒輪故障診斷方法。
【IPC分類】G06F19-00, G01M13-02, G06N3-02
【公開(kāi)號(hào)】CN104748961
【申請(qǐng)?zhí)枴緾N201510146250
【發(fā)明人】程剛, 李宏宇, 陳曦暉
【申請(qǐng)人】中國(guó)礦業(yè)大學(xué)
【公開(kāi)日】2015年7月1日
【申請(qǐng)日】2015年3月30日