[發明專利]基于差分進化概率神經網絡的行星齒輪故障診斷方法

有效

• 申請號: 202010316612.7
• 申請日: 2020-04-21
• 公開（公告）號: CN111504635B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 王亞萍;王博;李士松;葛江華;王艷
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/028;G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 楊紅娟

1.基于差分進化神經網絡的行星齒輪故障診斷方法，其特征在于：包括如下步驟：

S1、確定故障模式類型，通過傳感器獲取行星齒輪的振動信號；

S2、采用經驗小波變換方法分解所述振動信號，所述經驗小波變換通過二分K均值劃分頻譜，具體包括如下步驟：

S21、將步驟S1獲取的振動信號進行傅里葉變換，得到原始振動信號的頻譜圖；

S22、通過二分k-means聚類算法確定若干閾值，具體包括如下步驟：

S221、將頻譜所有幅值作為一個簇，利用K-means聚類算法將其分成兩個子簇；

S222、分別計每個子簇的誤差平方和，計算公式為：

其中，w_i表示權重值，y*表示該子簇所有幅值點的平均值；

S223、選擇使誤差平方和sse最小的子簇利用K-means聚類算法將其分成兩子簇；

S224、重復S222-S223操作，直到將頻譜幅值點分成k個簇，進而得到k+1個邊界閾值；

S23、將S22中的閾值作為頻譜劃分的邊界，將原始振動信號的頻譜分割成若干頻帶區間；

S24、在每個頻帶上建立濾波器，提取具有緊支撐的調幅調頻分量；

S25、構建經驗小波函數，篩選含有所述故障模式的頻率的IMF信號分量；

S26、計算各個IMF信號分量指標；

S3、根據時頻域指標選擇差異較大的信號分量，并將該信號分量的時頻域指標形成特征矩陣，所述時頻域指標包括均值、峰值指標、脈沖指標、裕度指標、峭度指標和波形指標；

S4、通過t-SNE特征降維方法對所述特征矩陣降維；

S5、利用概率神經網絡模型進行故障類型診斷，所述概率神經網絡的光滑因子δ通過差分進化優化算法優化后選取最優的δ值。

2.根據權利要求1所述基于差分進化神經網絡的行星齒輪故障診斷方法，其特征在于：所述故障模式類型包括故障種類和故障位置，故障種類包括行星齒輪正常、太陽輪斷齒故障、行星輪斷齒故障、齒圈斷齒故障和太陽輪點蝕故障，故障位置包括太陽輪故障、行星輪故障和齒圈故障。

3.根據權利要求1所述基于差分進化神經網絡的行星齒輪故障診斷方法，其特征在于：步驟S5所述利用概率神經網絡模型進行故障類型診斷包括如下步驟：

S51、構建概率神經網絡模型；

S52、通過差分進化方法優化得到平滑因子δ，將該平滑因子輸入步驟S51中的概率神經網絡模型中，根據所述概率神經網絡模型的輸出結果輸入故障診斷評價指標模型中進行診斷結果準確率的判斷；

S53、判斷是否達到預設優化次數，若是，則進行步驟S54，若否，重復步驟S52；

S54、選擇準確率達到最大值時的平滑因子δ，得到最終優化的概率神經網絡模型；

S55、輸入測試樣本矩陣，檢驗最終優化的概率神經網絡模型的準確性；

S56、將步驟S4得到的特征矩陣輸入最終優化的概率神經網絡模型中診斷故障種類和故障位置。

4.根據權利要求3所述基于差分進化神經網絡的行星齒輪故障診斷方法，其特征在于：所述差分進化具體過程包括：

S521、初始化平滑因子種群；

S522、對所述平滑因子種群的個體進行變異、交叉和選擇操作，產生新個體平滑因子δ；

S523、判斷是否達到迭代次數，若是，則進入步驟S524，否則，重復進行步驟S522；

S524、終止差分進化迭代運算。

5.根據權利要求3所述基于差分進化神經網絡的行星齒輪故障診斷方法，其特征在于：所述故障診斷評價指標模型為：

其中，p表示訓練樣本中真正為故障樣本的樣本率，TP為訓練樣本中的故障樣本數量，FP為訓練樣本中為非故障的樣本數量。