值和瞬 时频率，在此基础上得到瞬时幅值和瞬时频率的样本熵并构成特征向量。
[0099] 随机选取每一类样本集中的30组样本共120组，作为齿轮的故障特征训练样本， 训练Tikhonov支持向量机故障分类模型，部分训练样本如表1所不。表中，幅值熵1代表 分解后得到的第一个固有旋转分量HXt的瞬时幅值样本熵，频率熵1代表分解后得到的第 一个固有旋转分量HXt的瞬时频率样本熵，幅值熵2代表分解后得到的第二个固有旋转分 量Η ζ Xt的瞬时幅值样本熵，其他特征依此类推。
[0100] 上述样本训练并得到Tikhonov支持向量机故障分类模型之后，又选取每类齿轮 特征向量各50组样本共200组，作为齿轮的故障特征测试样本，用于测试该分类模型的有 效性，部分测试样本如表2所示。
[0101] 表1齿轮故障训练样本
[0105] 为了进一步验证本发明方法的有效性，现对本发明方法与其他齿轮故障诊断方法 的分类正确率进行比较。试验选取了现有齿轮故障诊断领域常用的小波能谱熵方法以及时 间-小波能谱熵方法。上述两种方法采用转子实验台获取四类齿轮振动信号后进行小波分 解，在此基础上，分别提取小波能谱熵和时间小波能谱熵构成特征值，特征值分类采用了支 持向量机分类模型。获取30个样本用于训练支持向量机，获取50个样本用于测试支持向 量机。
[0106] 其中，粒子群算法被用于选择Tikhonov支持向量机的惩罚因子λ和高斯核函数 宽度参数σ，该算法通过多次迭代后选取的最优值为：核函数宽度参数σ = 1.07,惩罚因 子λ = 17.5。最终得到本发明方法、小波能谱熵方法、时间-小波能谱熵方法这三种方法 的故障类型诊断结果如表3所示。
[0107] 表3三种方法故障诊断精度对比
[0109]由此可以看出，本发明方法在齿轮故障诊断精度上具备较大的优势。由于本发明 一种齿轮的故障诊断方法没有耗时的插值和筛选过程，拥有较高的信号分解效率，同时，信 号分解的边缘效应也只出现在信号的第一个上过零点时刻之前，不会随着信号分解不断传 输，因此获取的不同类型故障特征区别明显，因而建立在这些故障特征基础上的故障分类 模型的精度也得到相应提高，使其对齿轮的故障诊断也更准确。由此，足以说明本发明一种 齿轮的故障诊断方法是可行且有效的。
【主权项】
1. 一种齿轮的故障诊断方法，其特征在于，包括以下步骤： 首先，构建齿轮故障分类器； 然后，获取未知齿轮的振动信号，并对该未知齿轮的振动信号进行分解，得到未知齿轮 的固有旋转分量，进一步计算得到未知齿轮的样本熵特征向量； 最后，利用齿轮故障分类器对该未知齿轮的样本熵特征向量数据进行比对分类，得到 该未知齿轮故障类型的诊断结果； 其中，构建齿轮故障分类器的具体步骤为： ① 利用加速度传感器获取齿轮正常情况和各类故障情况的加速度振动信号，作为待分 解信号； ② 对该齿轮待分解信号进行分析，具体步骤如下： ②-1、首先定义一个基线提取因子，然后利用该基线提取因子从该待分解信号中抽取 一个基线信号，该待分解信号余下的信号成为一个固有旋转分量，表达式为： Xt= LX t+(I-L) Xt= L t+Ht 式中，\为待分解信号，L为振动信号基线提取因子，Lt= LX^-次分解得到的基线 信号，Ht= (I-L)Xt为一次分解得到的高频成分固有旋转分量，定义一个固有旋转分量提取 算子H，H = 1-L，将上述一次分解得到的高频成分固有旋转分量Ht改写为HX t; ②-2、将该一次分解得到的基线信号Lt作为新的待分解信号进行二次分解，三次分 解，…，P次分解，得到频率依次降低的固有旋转分量HLXt，HL2Xt，"·，ΗΙ7 1Xt和当前基线信 号LpXt，表达式为：式中，P为振动信号分解次数，k为取值在O到p-1之间的自然数，为对待分解 信号Xt进行P次分解后得到的P个固有旋转分量之和； ② -3、判断当前基线信号LpXt是否为一个单调信号或者一个幅值小于预设值的最低频 率基线信号，若是，则信号分解结束，若否，则重复步骤②-2 ; ③ 按高频至低频获取至少一个齿轮振动信号固有旋转分量的样本熵特征向量，作为齿 轮的故障特征训练样本； ④ 构建基于粒子群算法的Tikhonov支持向量机的齿轮故障分类器，利用该齿轮的故 障特征训练样本对齿轮故障分类器进行优化。2. 根据权利要求1所述的一种齿轮的故障诊断方法，其特征在于，所述的步骤①中获 取齿轮正常情况和各类故障情况的加速度振动信号的具体步骤包括： 构建转子实验台：该实验台包括变速驱动电机、轴承、齿轮箱、轴、偏重转盘、调速器，带 有各类故障齿轮部件的系统机械部分，以及安装在所述轴上的加速度传感器； 模拟齿轮各类故障：通过调节配重、部件安装位置以及组件的有机组合来进行模拟； 通过加速度传感器获取齿轮正常情况和各类故障情况的振动信号。3. 根据权利要求2所述的一种齿轮的故障诊断方法，其特征在于，所述的齿轮各类故 障情况的振动信号包括：磨损故障齿轮振动信号、点蚀故障齿轮振动信号、断齿故障齿轮振 动信号。4. 根据权利要求1所述的一种齿轮的故障诊断方法，其特征在于，所述的步骤③中 按高频至低频获取至少一个齿轮振动信号固有旋转分量的样本熵特征向量的具体步骤包 括： ③-1、获取至少一个齿轮振动信号固有旋转分量，对获取的每个固有旋转分量进行分 析，计算该固有旋转分量信号局部的瞬时幅值：式中，假设该固有旋转分量信号局部波形为一个准正弦波周期信号，A1为信号正半波 最大幅值，^为负半波最大幅值的绝对值，t为时间，t 信号上过零点时刻，12为信号正 半周期幅值最大值时刻，t3为信号下过零点时刻，14为负半周幅值最小值时刻，15为结束时 刻； ③-2、计算该固有旋转分量信号局部的瞬时相位：式中，Xt为该固有旋转分量； ③ -3、对瞬时相位微分，得到该固有旋转分量信号局部的瞬时频率f :.5. 根据权利要求1所述的一种齿轮的故障诊断方法，其特征在于，所述的步骤④中构 建基于粒子群算法的Tikhonov支持向量机的齿轮故障分类器，利用该齿轮的故障特征训 练样本对齿轮故障分类器进行优化的具体步骤为： ④ -1、初始化粒子个数、惯性因子，其中粒子包括惩罚因子粒子λ和核函数宽度参数 粒子σ ; ④-2、设置粒子的初始位置和速度； ④-3、将每个粒子、齿轮的故障特征训练样本带入Tikhonov支持向量机，根据适应度 函数计算适应度值； ④-4、根据该适应度值，更新粒子的速度和位置； ④-5、判断是否达到最大迭代次数，若是，则输出最优Tikhonov支持向量机的核函数 宽度参数σ、惩罚因子λ和适应度值，若否，则转到步骤④-3。6. 根据权利要求5所述的一种齿轮的故障诊断方法，其特征在于，所述的适应度函数 为齿轮故障分类的正确率函数，相应的适应度值为齿轮故障分类精度。7. 根据权利要求6所述的一种齿轮的故障诊断方法，其特征在于，所述的最优 Tikhonov支持向量机的核函数宽度参数σ = 1.07,惩罚因子λ = 17. 5。
【专利摘要】本发明公开了一种齿轮的故障诊断方法，首先构建齿轮故障分类器，然后获取未知齿轮的振动信号，并对该未知齿轮的振动信号进行分解，得到未知齿轮的固有旋转分量，进一步计算得到未知齿轮的样本熵特征向量；最后利用齿轮故障分类器对该未知齿轮的样本熵特征向量数据进行比对分类，得到该未知齿轮故障类型的诊断结果。本发明方法的优点是：计算复杂度比较低，信号分解效率高；信号分解的边缘效应只出现在第一个上过零点时刻之前，不会随信号分解不断传输，获取的不同类型故障特征区别明显，诊断精确度高。
【IPC分类】G01M13/02
【公开号】CN105352726
【申请号】CN201510681316
【发明人】陈勇旗, 赵一鸣
【申请人】宁波大学
【公开日】2016年2月24日
【申请日】2015年10月20日