基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法与流程

本发明涉及风机齿轮箱故障诊断领域，尤其涉及到一种基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法。

背景技术：

齿轮传动具有传动平稳、可靠、高效、高寿命、传动比精确、功率范围大等优点，但因结构较复杂，工作环境恶劣等，齿轮较易出现故障，从而导致整个系统出现故障。据有关文献统计，传动机械和旋转机械的故障中分别有80％和10％的故障是齿轮箱故障，随着设备系统的自动化、复杂化、大型化。齿轮的失效给整个工业生产和社会生活造成越来越大的损失，如对齿轮箱进行状态检测及故障诊断，可以从根本上改变齿轮箱事后维修和定期维修的现状，实现视情维修，从而降低事故发生率，减少人员伤亡及不必要的经济损失，创造更多的经济效益和社会效益。目前对齿轮箱故障诊断的方法有很多，如温度测量、油样分析、振动分析、声学测量分析、专家系统等，现有技术缺点：

1.温度测量法通过监测箱体处的温度来判断齿轮箱是否工作正常，对于润滑不良而引起的过热现象较敏感，但该方法不适用于齿轮点烛、断齿、裂纹等局部故障；

2.油样分析是通过从齿轮箱润滑油中提取出油样，通过收集和分析油样中金属颗粒的大小和形状来判断齿轮工况和故障的方法，但这种方法易受其它非齿轮损坏下的颗粒的影响；

3.专家系统需要大量样本进行训练，而且依赖与相关领域的专家经验，对新的故障模式的处理效果不佳。

综上，现有诊断方法均有一定的不足，因此，有必要提供一种新的诊断方法。

技术实现要素：

本发明的目的是提供一种基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法，该方法通过振动分析以及改进的高斯混合隐马尔科夫模型，实现对齿轮箱的故障进行仿真分析，同时为解决隐马尔科夫模型参数训练易陷入局部收敛的问题。

本发明为解决其技术问题所采用的技术方案是：

基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法，包括特征提取、模型参数初始化、参数训练、输出概率计算这四个步骤；

(1)特征提取：选取小波函数对振动信号进行3层小波包分解和重构，通过对各频段小波分解系数信号进行分析,实现从各个频段分别提取振动信号所代表的不同故障状态的特征信息。针对提取的每一频段的重构信号求其能量：

其中，xjk(j＝0,1...,7,k＝1,2,...,n)表示为重构信号s3j的n个离散点的幅值，为了提高特征向量的聚类性,使其分布离散性更好，便于模型输入和辨识，需要对特征向量进行归一化处理，得到归一化后的特征向量c3j＝[c30,c31,...,c37]，归一化的方法是对根据不同频段的能量特征值序列，按下式进行归一化处理：

(2)模型参数初始化：将振动信号频带能量作为特征向量进行建模，则模型中的观测值o＝{o⁽¹⁾,...,o^(h),...,o^(h)}＝{e⁽¹⁾，...,e^(h),...,e^(h)}，其中表示振动信号第h观测值的频带能量，t表示频带数；

(3)参数训练：根据第二步初始化的参数，用鸟群算法进行重估，步骤如下：

①初始化bsa种群及相关参数，初始化个体x，x＝cell(pi，a，c，u，u，)；

②进行迭代，每一次bsa迭代中，进行隐马尔科夫传统训练算法k次迭代，目标函数计算；

③当满足结束条件，即输出概率p(o|λ)的增量小于一定阈值，则结束迭代，输出结果；

(4)输出概率计算：经过上述步骤建好模型后，将监测振动数据特征提取，代入不同故障状态模型，由前向后向算法计算输出概率，概率最大的即为对应的故障类型；

所述步骤(2)中建立的模型为连续隐马尔科夫模型；

连续隐马尔可夫模型参数如下：

(1)状态个数：设n个状态分别为s1,s2,...,sn,则有t(1≤t≤t)处所处的状态qt∈(s1,s2,...,sn)，n表示所有频带能量的值分成的类数；

(2)初始状态分布矢量：π＝{πi}，表示1处状态处于某一状态的概率，即：e1取值为某一类的概率，其中1≤i≤n；

(3)状态转移矩阵：a＝{aij},元素为状态之间转移的概率，即：一类e值在下一个频带中变成另一类e值的概率；

(4)高斯混合参数和输出概率矩阵:混合高斯元个数m＝{mj}，混合高斯元权系数c＝{cjl}，均值向量u＝{ujl}，协方差矩阵u＝{ujl}，观测值矩阵b＝{bj(o)}，其中1≤j≤n，l表示状态sj的第l个高斯分量，设观测向量为d维，则概率密度函数表示为：

初始化时：

π、a均匀取值，即：π＝{1/n}n×1；

对于n、m、c、u、u，由ap聚类算法确定：

n和m的取值通过ap聚类算法确定的过程为：首先，将ap聚类算法所求得的所有数据点的聚类个数确定为n；然后，对得到的n个聚类的每一类继续使用ap算法的第二次聚类结果即可作为向量m的对应数值。

c、u、u的取值：

其中，ujl＝属于的观测向量的均值向量；ujl＝属于的观测向量的协方差矩阵。

本发明的优点在于：

针对传统隐马尔科夫模型参数训练易陷入局部收敛的问题，本发明提出鸟群连续隐马尔科夫(bsa-chmm)模型，将鸟群算法(bsa)与隐马尔科夫传统训练算法(baum-welch)算法结合，每一次bsa全局搜索后，进行bw算法k次迭代局部搜索，这样能有效解决局部收敛问题。与现有诊断方法相比，所需训练样本更少，诊断速度较快。

附图说明

图1是本发明提出的基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法的结构示意图；

图2是该方法中bsa-bw算法流程图；

图3是该方法中bsa-bw算法伪码；

图4是在一实施例中各个状态特征能量分布图；

图5是在一实施例中的正常状态训练曲线；

图6是在一实施例中的点蚀状态训练曲线；

图7是在一实施例中的磨损状态训练曲线；

图8是在一实施例中的断齿状态训练曲线；

图9、图10是在一实施例中各个状态检验样本数据图；

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本发明。

如图1至图10所示，本发明提出的基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法包括特征提取、模型参数初始化、参数训练、输出概率计算这四个步骤；

(1)特征提取：选取小波函数对振动信号进行3层小波包分解和重构，通过对各频段小波分解系数信号进行分析,实现从各个频段分别提取振动信号所代表的不同故障状态的特征信息。针对提取的每一频段的重构信号求其能量：

其中，xjk(j＝0,1...,7,k＝1,2,...,n)表示为重构信号s3j的n个离散点的幅值，为了提高特征向量的聚类性,使其分布离散性更好，便于模型输入和辨识，需要对特征向量进行归一化处理，得到归一化后的特征向量c3j＝[c30,c31,...,c37]，归一化的方法是对根据不同频段的能量特征值序列e3j＝[e30,e31,...,e37]，按下式进行归一化处理：

(2)模型参数初始化：将振动信号频带能量作为特征向量进行建模，则模型中的观测值o＝{o⁽¹⁾,...,o^(h),...,o^(h)}＝{e⁽¹⁾,...,e^(h),...,e^(h)}，其中表示振动信号第h观测值的频带能量，t表示频带数；

(3)参数训练：根据第二步初始化的参数，用鸟群算法进行重估，步骤如下：

①初始化bsa种群及相关参数，初始化个体x，x＝cell(pi，a，c，u，u，)；

②进行迭代，每一次bsa迭代中，进行隐马尔科夫传统训练算法k次迭代，目标函数计算；

③当满足结束条件，即输出概率p(o|λ)的增量小于一定阈值，则结束迭代，输出结果。

(4)输出概率计算：经过上述步骤建好模型后，将监测振动数据特征提取，代入不同故障状态模型，由前向后向算法计算输出概率，概率最大的即为对应的故障类型。

所述步骤(2)中建立的模型为连续隐马尔科夫模型。

连续隐马尔可夫模型参数如下：

(1)状态个数：设n个状态分别为s1,s2,...,sn,则有t(1≤t≤t)处所处的状态qt∈(s1,s2,...,sn)，n表示所有频带能量的值分成的类数；

(2)初始状态分布矢量：π＝{πi}，表示1处状态处于某一状态的概率，即：e1取值为某一类的概率，其中1≤i≤n；

(3)状态转移矩阵：a＝{aij},元素为状态之间转移的概率，即：一类e值在下一个频带中变成另一类e值的概率；

(4)高斯混合参数和输出概率矩阵:混合高斯元个数m＝{mj}，混合高斯元权系数c＝{cjl}，均值向量u＝{ujl}，协方差矩阵u＝{ujl}，观测值矩阵b＝{bj(o)}，其中1≤j≤n，l表示状态sj的第l个高斯分量，设观测向量为d维，则概率密度函数表示为：

初始化时：

π、a均匀取值，即：π＝{1/n}n×1；

对于n、m、c、u、u，由ap聚类算法确定：

n和m的取值通过ap聚类算法确定的过程为：首先，将ap聚类算法所求得的所有数据点的聚类个数确定为n；然后，对得到的n个聚类的每一类继续使用ap算法的第二次聚类结果即可作为向量m的对应数值。

c、u、u的取值：

其中，ujl＝属于的观测向量的均值向量；ujl＝属于的观测向量的协方差矩阵。

在一实施例中以齿轮故障为例进行说明：实验台为qpzz-ii机械故障模拟及试验平台。数据采集系统由ac102加速度传感器(其电压灵敏度为～10mv，分辨率为～0.04)、x1，x10，x100信号放大器、nipxi数据采集系统(nipxi-1042机箱，并配ada16-8/2(lpci)数据采集卡)及装有基于labview开发的数据采集软件的工作站组成。将齿轮分别换成不同类型故障的齿轮，让其正常运行，然后获取对应的振动数据。轴承、轴的故障以此类推。实验数据采样频率为5120hz，每种状态采样点数为53248，信号时长10.4s，驱动电机转速1500r/min。以齿轮为例，分别对齿轮正常、磨损、点蚀和断齿四种状态进行了实验。将四种状态数据各分为52组，每组1024个采样点，前32组用于模型训练，后20组数据作为试验数据检验模型的结果。然后通过本方法得到特征向量c3j＝[c30,c31,...,c37]，如图4所示，为四种状态的特征能量分布柱状图。由图中可以看出，在不同频段，各个状态的能量变化明显，说明频段能量作为特征向量是可行的。再由近邻传播算法，得到n＝4,m＝3,其他参数初始值按前文所述方法取得。

为了验证本发明所提方法的效果，分别用连续隐马尔(chmm)模型和鸟群连续隐马尔(bsa-chmm)模型对齿轮进行故障诊断参数训练。将四种状态各32组训练样本特征向量分别输入chmm模型和bsa-chmm模型，设置最大迭代步数50，输出概率阈值0.001，得到正常、点蚀、磨损、断齿四种状态的模型，如图5至图8为两个模型在四种状态下的训练曲线，由图可知，chmm(隐马尔科夫)模型四种状态的输出概率均小于bsa-chmm，说明chmm容易陷入局部最优值，在迭代步数较小时，过早收敛。而bsa-chmm相较于chmm能够有效地跳出局部极值，能取得更好的训练结果。

为了验证模型对齿轮故障的诊断是否准确，将四种状态各20组试验数据，分别带入训练好的正常，点蚀，磨损，断齿四种模型中，计算输出概率，概率最大值对应的为该组数据相应的故障状态。图9为bsa-chmm模型四种状态模型的输出概率，图10为chmm模型四种状态模型的输出概率。从表格中可以看bsa-chmm模型的诊断结果与预先设置的检验样本的状态完全一致，准确率为100％，而chmm模型则有7次诊断出错误的结果，准确率为91.25％。以上结果说明bsa-chmm模型作为风机齿轮箱故障诊断方法是可行的、准确的。而改进后的bsa-bw参数重估算法相较于传统的bw算法能够取得更优的训练结果。

以上实施方式只为说明本发明的技术构思及特点，其目的在于让本领域的技术人员了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所做的等效变化或修饰，都应涵盖在本发明的保护范围内。