[發明專利]一種柴油機齒輪箱故障診斷方法

在審

• 申請號: 202110661679.9
• 申請日: 2021-06-15
• 公開（公告）號: CN113390631A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 孫希明;王嬡娜;李英順;仲崇權
• 申請（專利權）人: 大連理工大學
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/028;G06K9/00;G06K9/62
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮;潘迅

1.一種柴油機齒輪箱故障診斷方法，其特征在于，所述故障診斷方法首先，利用加速度傳感器采集柴油機齒輪箱四種不同齒輪狀態下的振動信號，并繪制時域圖和頻譜圖；接著，利用集合經驗模態分解EEMD方法對振動信號進行降噪分解處理，得到多內稟模態分量IMF和殘余分量；然后，基于EEMD分解的模態分量提取多域特征參數并構建特征向量，作為有向無環圖支持向量機DAGSVM的輸入；最后，利用采集到的振動信號樣本訓練DAGSVM模型，用于診斷柴油機齒輪箱的故障，完成故障類型識別；具體包括以下步驟：

步驟1：針對典型故障情況，采集柴油機齒輪箱的四種不同齒輪狀態下的振動信號，獲取采樣頻率和獲取數據個數，繪制四種不同齒輪狀態下的原始振動信號時域圖；利用傅里葉變換，得到四種不同齒輪狀態下的真實幅值，并繪制四種不同齒輪狀態下的原始振動信號頻譜圖；

步驟2：利用集合經驗模態分解EEMD方法分別對四種不同齒輪狀態下的振動信號進行降噪處理并分解，得到不同尺度的IMF分量和殘余分量，并依據各分量所包含的原始信號能量的占比，提取最能表征原始信號特征信息的IMF分量；所述的IMF分量需要滿足以下條件：滿足包含相同數目的極值點以及過零點，任何兩個相鄰的過零點之間只能存在一個極值點，而且上下包絡線必須關于時間軸做到局部對稱，任何的兩個模態之間要滿足相互獨立的條件；具體如下：

S2.1)采用EEMD方法對四種不同齒輪狀態下的振動信號進行降噪處理；

S2.2)對步驟S2.1降噪處理后的數據添加高斯白噪聲后進行EMD分解：

S2.2.1)在去噪后的信號中添加高斯白噪聲信號后得到待分解信號，確定待分解振動信號L(t)的所有局部極值點，將所有極大值點和極小值點分別采用三次樣條曲線連接起來，形成上下兩條包絡線；

L(t)＝x(t)+ε(t) (1)

其中，L(t)為待分解振動信號，x(t)為去噪后的信號，ε(t)為高斯白噪聲信號；

S2.2.2)記兩條包絡線的均值為m₁，求出：

h₁(t)＝L(t)-m₁； (2)

其中，h₁(t)表示待分解振動信號L(t)減去上下包絡線的平均值m₁后的差；

如果h₁(t)滿足IMF的條件，那么h₁(t)就是L(t)的第一個IMF分量；

S2.2.3)如果h₁(t)不滿足IMF的條件，則把h₁(t)作為原始數據，重復步驟S2.2.1)～S2.2.2)，直至滿足條件，記第一階IMF分量為c₁；

S2.2.4)將c₁從L(t)中分離出來，得到：

r₁＝L(t)-c₁； (3)

其中，r₁表示原始待分解信號分離出第一階分量后的新的待分解信號；

S2.2.5)將r₁作為原始的待分解信號，重復步驟S2.2.1)～S2.2.4)，直至r_n變成一個單調函數，不能再從待分解信號中選出滿足IMF條件的分量時，循環結束；最終得到：

其中，r_n成為殘余函數，代表信號的平均趨勢；

S2.3)利用步驟S2.2)分解獲得一組IMF分量；

S2.4)每次加入相同幅值的高斯白噪聲，并重復步驟2.2)，得到一系列IMF分量；

S2.5)計算分解得到的一系列IMF分量的均值，獲取消除模態混疊的IMF分量：

其中，s_j(t)為利用EEMD分解的第j階IMF分量，m為加入高斯白噪聲的次數，i為第i次加入高斯白噪聲的次數，s_ij(t)為第i次加入高斯白噪聲利用EMD分解獲得的第j階IMF分量；

所有IMF分量總能量E的計算公式如下：

其中，E_i是第i階IMF分量的能量；c_i(t)為第i階IMF分量的幅值；i表示分量的階數；n表示所分解的IMF分量的總數；

各IMF分量能量與原始振動信號總能量的占比P_i：

步驟3：基于EEMD分解的模態分量提取特征參數構建特征向量，提取最能表征原始信號特征信息的IMF分量的時域和頻域特征參量，進而構建一個特征向量，作為有向無環圖支持向量機DAGSVM的輸入；所述構建特征向量的步驟如下：

S3.1)采集柴油機齒輪箱四種不同齒輪狀態下的原始振動信號；

S3.2)將獲取的振動信號利用EEMD降噪處理并分解，提取最能表征振動信號的特征信息的IMF分量；

S3.3)基于EEMD和IMF能量提取時域特征參數：計算所有IMF分量的總能量，并計算最能表征振動信號的特征信息的IMF分量的歸一化能量、偏度、峰度；

S3.4)基于EEMD和Hilbert邊際譜提取頻域特征參數：計算最能表征振動信號的特征信息的IMF分量的重心頻率和重心幅值，用于反映柴油機齒輪狀態的重要特征；

S3.4)將步驟S3.2)-S3.3)計算得到最能表征原始振動信號特征的IMF分量的歸一化能量、偏度、峰度、重心頻率和重心幅值的所有時頻域特征參量結合構成一個特征向量，作為DAGSVM分類器的輸入；

步驟4：構建DAGSVM分類器用于故障類型識別；利用訓練樣本對DAGSVM分類器進行訓練，并利用測試樣本對訓練好的DAGSVM分類器測試是否達到故障診斷準確度；

步驟5：將步驟1中實際采集的四種不同齒輪狀態下的柴油機齒輪箱原始振動信號，利用步驟2中的EEMD方法降噪分解處理，并提取最能表征原始信號特征信息的IMF分量，利用步驟3獲取由時頻域特征參量構建的特征向量，輸入到步驟4所建立并訓練好的故障診斷模型DAGSVM中，根據輸出情況來識別故障類型。