一種基于lmd和bp神經網絡的齒輪故障診斷方法
【專利摘要】本發明提供了一種基于LMD和BP神經網絡的齒輪故障診斷方法，利用LMD算法具有的良好的自適應性，結合峭度準則和相關系數，對采集信號進行降噪預處理，篩選出包含主要特征頻率的PF分量，然后結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，消除識別過程中產生的不確定性，大大提高了故障診斷的準確性，適用于采煤機等在惡劣工作環境下重載設備傳動齒輪的故障診斷。
【專利說明】-種基于LMD和BP神經網絡的齒輪故障診斷方法
【技術領域】
[0001] 本發明屬于齒輪故障診斷【技術領域】，尤其涉及一種基于LMD和BP神經網絡的齒輪 故障診斷方法。
【背景技術】
[0002] 齒輪傳動作為一種重要的傳動形式，傳動系統中80%的故障是由齒輪引起的，旋 轉機械中齒輪故障占其故障的10%左右，常出現斷齒、少齒和磨損等齒輪故障形式，為了提 高機械設備運行可靠性，減少故障發生率，對其進行故障診斷研究顯得尤為重要。
[0003] 在實際工程應用中，大多數信號都是非平穩信號，因此為了滿足實際的需要，時頻 分析這一重要的非平穩信號分析手段在近年來得到迅猛發展，并且已經應用到包括通訊、 語音、機械故障診斷等各個領域。在Fourier變換的基礎上，人們提出和研究了不少處理 非平穩信號的時頻分析方法，典型的有：短時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Fourier變換是一種單一分辨率的信號分析方 法，時頻分析窗口是大小固定不變的，時域分辨率和頻域分辨率也受測不準原理的制約； Wigner-Ville分布本質上是一個線性變換，且對多分量分析時會產生交叉項干擾的缺陷， 因此對于非平穩、非線性信號的分析結果將不準確；小波變換是非自適應的，一旦基本小波 函數選定，那么分析所有的數據都必須用此小波函數；EMD理論主要確定是模態混淆、基本 模式分量的判據、端點效應以及欠包絡和過包絡。
【發明內容】
[0004] 本發明的目的在于克服上述現有技術的缺點和不足，提供一種基于LMD和BP神經 網絡的齒輪故障診斷方法，提高診斷速度、準確度以及齒輪故障類型的識別能力。
[0005] 本發明是這樣實現的，一種基于LMD和BP神經網絡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驗臺數據，得到正常、斷齒、少齒和磨 損四種狀態齒輪的振動信號；
[0007] 步驟S2、利用基于峭度準則和相關系數的局部均值分解LMD的降噪方法，對采集 到的四類齒輪振動信號進行預處理，篩選出包含主要特征頻率的若干個包絡信號和調頻信 號之積PF分量；
[0008] 步驟S3、對篩選出的PF分量進行信號重構，并計算多尺度下的樣本熵值，提取熵 特征信息；
[0009] 步驟S4、以BP神經網絡作為分類器，將重構信號的各尺度樣本熵特征向量作為網 絡的特征參數，對正常、斷齒、少齒和磨損四種狀態齒輪進行診斷識別。
[0010] 優選地，所述步驟S2更具體為：利用LMD方法將采集到的數據分解為一組PF分 量；然后，結合峭度準則和相關系數，對PF進行篩選，減少低頻干擾，突出高頻共振成分，達 到降噪效果。
[0011] 優選地，在步驟S2中，所述數據分解包括以下步驟：
[0012] 步驟S21、確定原始信號x(t)的局部極值點IIi,求兩個相鄰極值點平均值HI i :
[0013]
【權利要求】
1. 一種基于LMD和BP神經網絡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驗臺數據，得到正常、斷齒、少齒和磨損四 種狀態齒輪的振動信號； 步驟S2、利用基于峭度準則和相關系數的局部均值分解LMD的降噪方法，對采集到的 四類齒輪振動信號進行預處理，篩選出包含主要特征頻率的若干個包絡信號和調頻信號之 積PF分量； 步驟S3、對篩選出的PF分量進行信號重構，并計算多尺度下的樣本熵值，提取熵特征 信息； 步驟S4、以BP神經網絡作為分類器，將重構信號的各尺度樣本熵特征向量作為網絡的 特征參數，對正常、斷齒、少齒和磨損四種狀態齒輪進行診斷識別。
2. 如權利要求1所述的基于LMD和BP神經網絡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方法將采集到的數據分解為一組PF分量；然后，結合峭度準 則和相關系數，對PF進行篩選，減少低頻干擾，突出高頻共振成分，達到降噪效果。
3. 如權利要求2所述的基于LMD和BP神經網絡的齒輪故障診斷方法，其特征在于，在 步驟S2中，所述數據分解包括以下步驟： 步驟S21、確定原始信號x(t)的局部極值點Iii,求兩個相鄰極值點平均值Hii :
(1) 采用滑動平均方法處理所有局部均值Hli的連線，得到局部均值函數Hl11 (t); 步驟S22、利用局部極值點，計算包絡估計值％ :
(2) 采用滑動平均方法處理所有包絡估計值％的連線，得到包絡估計函數an(t); 步驟S23、將局部均值函數mn (t)從原始信號x(t)中分離出來，并對分離信號進行解 調處理： hn(t) = x(t)-mn(t) (3) S11 (t) = hn (t)/an (t) (4) 步驟S24、若S11 (t)不是一個區間[_1，1]上的純調頻信號，則將S11 (t)作為原始信號 重復步驟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、迭代過程中產生的所有包絡估計函數相乘得到包絡信號：
(6) 原始信號的第一個PF分量為： PF1 (t) = sln (Oa1 ⑴ (7) 步驟S26、將第1個PF分量從原始信號X (t)中分離出來，得到一個新的信號U1 (t)，將 U1U)作為新的原始數據重復以上步驟，循環k次，直到uk(t)為一個單調函數為止，最后， 原始信號表示為k個PF分量與一個單調函數u k(t)的和：
(8) 求峭度系數Kv如下式（9)所示：
(9) 式中μ、σ分別為信號X的均值和標準差，E (t)表示變量t的期望值； 求相關系數r公式如式（10)所示：
(10) 〇
4. 如權利要求1所述的基于LMD和BP神經網絡的齒輪故障診斷方法，其特征在于，在 步驟S3中，對重構的信號求取多尺度樣本熵的過程包括多尺度演算，其中，所述多尺度演 算過程為：首先，對于給定長度為N的時序信號 Xl，x2，...，xN，按尺度因子τ分割成多個長 度為τ的數據組；然后，利用式（11)求得分割后的每個數據組的平均值，構成新的時間序 列O :
?
5. 如權利要求4所述的基于LMD和BP神經網絡的齒輪故障診斷方法，其特征在于，在 步驟S3中，對重構的信號求取多尺度樣本熵的過程還包括樣本熵SampEn計算；其中所述樣 本熵SampEn的計算步驟如下： 步驟S31、將時間序列U1, u2,. . .，uN重構成一個m維向量，每個向量看成一個樣本，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，統計Clij <r的個數Dyr)，求其平均值BimOO :
步驟S34、當重構數據維數為m時，計算樣本的平均相似度ΦΠ (Γ):
步驟S35、當重構數據維數為m+1時，重復步驟S32?S35計算得到ΒΛ1 (r)，進一步得 到 Ur); 步驟S36、原始時間序列的樣本熵定義為：
當N為有限數時，上式表示為：
6.如權利要求1所述的基于LMD和BP神經網絡的齒輪故障診斷方法，其特征在于，在 步驟S4中，結合BP神經網絡的診斷識別過程為：首先，將多尺度樣本熵值分為訓練數據和 測試數據，先利用訓練數據訓練網絡，通過不斷更新閾值和權值，直到網絡輸出的誤差減少 到允許范圍，或者達到預先設定的學習次數為止；然后，通過訓練好的網絡去診斷測試數據 的故障類型。
【文檔編號】G01M13/02GK104390781SQ201410698018
【公開日】2015年3月4日 申請日期:2014年11月26日 優先權日:2014年11月26日
【發明者】程剛, 胡曉, 楊杰, 陳曦暉, 山顯雷 申請人:中國礦業大學