[發(fā)明專利]一種基于混沌檢測(cè)的行星齒輪箱早期微弱故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202210358859.4
• 申請(qǐng)日: 2022-04-07
• 公開(kāi)（公告）號(hào): CN114894468B
• 公開(kāi)（公告）日: 2023-01-03
• 發(fā)明（設(shè)計(jì)）人: 李宏坤;曹順心;陳鈞;張孔亮;楊晨
• 申請(qǐng)（專利權(quán)）人: 大連理工大學(xué)
• 主分類號(hào): G01M13/021
• 分類號(hào): G01M13/021;G01M13/028
• 代理公司: 遼寧鴻文知識(shí)產(chǎn)權(quán)代理有限公司 21102
• 代理人: 隋秀文

1.一種基于混沌檢測(cè)的行星齒輪箱早期微弱故障診斷方法，其特征在于，包括AO-VMD算法和雙耦合Duffing振子正反向檢測(cè)方法，具體步驟如下：

步驟1：將加速度傳感器以磁吸方式安裝于行星齒輪箱箱體表面，采集行星齒輪箱振動(dòng)信號(hào)data(n)，其中，n＝1,2,…,L，L為振動(dòng)信號(hào)data(n)的長(zhǎng)度；

步驟2：使用AO-VMD算法對(duì)步驟1中采集的振動(dòng)信號(hào)data(n)進(jìn)行模態(tài)分解：基于步驟1中采集的振動(dòng)信號(hào)data(n)，使用天鷹優(yōu)化器AO對(duì)變分模態(tài)分解VMD的模態(tài)數(shù)K和懲罰因子α進(jìn)行自適應(yīng)尋優(yōu)，具體包括以下尋優(yōu)步驟：

步驟2.1：初始化VMD最優(yōu)參數(shù)候選解個(gè)數(shù)M，VMD參數(shù)初始位置X，其維度為M×Dim，由于尋優(yōu)參數(shù)為K和α，因此Dim＝2，設(shè)定X的搜索空間，設(shè)置總迭代步數(shù)T，適應(yīng)度函數(shù)F_{_obj}；

將基于余弦相似度加權(quán)的峭度作為AO-VMD的適應(yīng)度函數(shù)，其表達(dá)式為：

s.t K∈[2,10],α∈[100,9000]

其中，kurtosis(u_i(n))表示振動(dòng)信號(hào)data(n)經(jīng)AO-VMD分解后各模態(tài)分量的峭度值，C_s(u_i(n),data(n))表示模態(tài)分量u_i(n)與振動(dòng)信號(hào)data(n)的余弦相似度，σ為模態(tài)分量u_i(n)的標(biāo)準(zhǔn)差；

步驟2.2：將步驟2.1中VMD參數(shù)的初始位置X作為VMD的參數(shù)K和α，對(duì)步驟1中采集的振動(dòng)信號(hào)data(n)進(jìn)行VMD分解，并根據(jù)步驟2.1中的適應(yīng)度函數(shù)F_{_obj}計(jì)算當(dāng)前適應(yīng)度函數(shù)值，然后基于適應(yīng)度函數(shù)F_{_obj}的計(jì)算公式，天鷹優(yōu)化器AO通過(guò)逐步下降的過(guò)程利用四種方法更新當(dāng)前最優(yōu)VMD參數(shù)K和α；

四種方法的使用條件為：當(dāng)滿足j≤(2/3)T時(shí)，j是當(dāng)前迭代步，T是總迭代步數(shù)，采用方法I和方法II，當(dāng)j＞(2/3)T時(shí)，使用方法III和方法IV；

方法I：

其中，X₁(j+1)表示在第j+1迭代步數(shù)時(shí)的利用方法I確定的VMD參數(shù)K和α的值，X_best(j)表示在迭代步數(shù)達(dá)到第j步時(shí)的最優(yōu)VMD參數(shù)K和α的值，X_M(j)代表在迭代步數(shù)達(dá)到第j步時(shí)VMD參數(shù)K和α的平均值，rand是[0,1]區(qū)間內(nèi)的隨機(jī)數(shù)；

方法II：X₂(j+1)＝X_best(j)×Levy(D)+X_R(j)+(y-x)×rand

其中，X₂(j+1)表示在第j+1迭代步數(shù)時(shí)的利用方法II確定的VMD參數(shù)K和α的值，L_evy(D)是levy飛行分布函數(shù)，D是尺度空間，x和y用于在搜索中顯示螺旋形狀，X_R(j)是在第j次迭代時(shí)在[1,M]范圍內(nèi)獲得的VMD參數(shù)K和α的隨機(jī)解；

方法III：X₃(j+1)＝(X_best(j)-X_M(j))×a-rand+((UB-LB)×rand+LB)×δ

其中，X₃(j+1)表示在第j+1迭代步數(shù)時(shí)的利用方法III確定的VMD參數(shù)K和α的值，a和δ為調(diào)整參數(shù)，UB為X的搜索空間的上界，LB為X的搜索空間的下界；

方法IV：X₄(j+1)＝QF×X_best(j)-(G₁×X(j)×rand)-G₂×Levy(D)+rand×G₁

其中，X₄(j+1)表示在第j+1迭代步數(shù)時(shí)的利用方法IV確定的VMD參數(shù)K和α的值，QF是用來(lái)平衡搜索策略的質(zhì)量函數(shù)，G₁用于跟蹤VMD參數(shù)K和α，G₂表示用于VMD參數(shù)K和α的飛行斜率，X(j)表示第j迭代步數(shù)時(shí)的VMD參數(shù)K和α的值；

步驟2.3：使用步驟2.2中搜尋的當(dāng)前最優(yōu)VMD參數(shù)K和α對(duì)振動(dòng)信號(hào)data(n)進(jìn)行模態(tài)分解，并計(jì)算當(dāng)前適應(yīng)度函數(shù)F_{_obj}的值；

步驟3：循環(huán)執(zhí)行步驟2，直至達(dá)到最大迭代步數(shù)，并根據(jù)對(duì)比每個(gè)迭代步產(chǎn)生的當(dāng)前最優(yōu)VMD參數(shù)K和α所對(duì)應(yīng)的適應(yīng)度函數(shù)F_{_obj}的值，更新適應(yīng)度函數(shù)F_{_obj}的最小值對(duì)應(yīng)的VMD參數(shù)K和α為針對(duì)步驟1采集的振動(dòng)信號(hào)data(n)的全局最優(yōu)VMD參數(shù)K和α；

步驟4：使用步驟3中得到的全局最優(yōu)VMD參數(shù)K和α對(duì)振動(dòng)信號(hào)data(n)進(jìn)行模態(tài)分解，得到K個(gè)模態(tài)分量u_i(n)，i＝1,2,…,K；

步驟5：根據(jù)灰色關(guān)聯(lián)度指標(biāo)，從步驟4中分解得到的K個(gè)模態(tài)分量中選擇包含豐富故障特征的最佳模態(tài)分量進(jìn)行后續(xù)處理；

灰色關(guān)聯(lián)度指標(biāo)為：計(jì)算步驟4中分解得到的K個(gè)模態(tài)分量u_i(n)與振動(dòng)信號(hào)data(n)之間的灰色關(guān)聯(lián)度，選取最大灰色關(guān)聯(lián)度對(duì)應(yīng)的模態(tài)分量作為最佳模態(tài)分量進(jìn)行后續(xù)分析；

步驟6：對(duì)步驟5中選取的最佳模態(tài)分量進(jìn)行雙耦合Duffing振子反向檢測(cè)：設(shè)定雙耦合Duffing振子系統(tǒng)中阻尼系數(shù)k及非線性恢復(fù)力系數(shù)c和d為常數(shù)，角頻率ω設(shè)置為行星齒輪箱嚙合頻率的角頻率，內(nèi)部驅(qū)動(dòng)力幅值f設(shè)置為大于混沌閾值F_b，此時(shí)Duffing振子處于大尺度周期運(yùn)動(dòng)，然后將步驟5中選取的最佳模態(tài)分量輸入Duffing振子系統(tǒng)中，若Duffing振子運(yùn)動(dòng)狀態(tài)為大尺度周期運(yùn)動(dòng)，則表明行星齒輪箱嚙合頻率不存在明顯的邊頻帶，即表示行星齒輪箱為健康狀態(tài)，反之則表明行星齒輪箱嚙合頻率出現(xiàn)了豐富的邊頻帶，即表示行星齒輪箱發(fā)生故障；

步驟7：當(dāng)步驟6判斷齒輪箱發(fā)生故障后，對(duì)步驟5中選取的最佳模態(tài)分量執(zhí)行雙耦合Duffing振子正向檢測(cè)，具體步驟如下：

步驟7.1：設(shè)定雙耦合Duffing振子系統(tǒng)中阻尼系數(shù)k及非線性恢復(fù)力系數(shù)c和d為常數(shù)，角頻率ω設(shè)置為故障齒輪特征頻率及其倍頻的角頻率，內(nèi)部驅(qū)動(dòng)力幅值f設(shè)置為混沌閾值F_b，此時(shí)Duffing振子處于臨界混沌狀態(tài)；

步驟7.2：將步驟5中選取的最佳模態(tài)分量進(jìn)行Hilbert變換得到包絡(luò)信號(hào)，進(jìn)一步將包絡(luò)信號(hào)進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化包絡(luò)信號(hào)；

步驟7.3：將步驟7.2中得到的標(biāo)準(zhǔn)化包絡(luò)信號(hào)輸入步驟7.1中設(shè)定的雙耦合Duffing振子系統(tǒng)，若Duffing振子運(yùn)動(dòng)狀態(tài)轉(zhuǎn)變?yōu)榇蟪叨戎芷谶\(yùn)動(dòng)，則表明步驟5選取的最佳模態(tài)分量中存在故障齒輪的特征頻率，即表明步驟1中采集的振動(dòng)信號(hào)data(n)中存在故障齒輪的特征頻率，即判斷特征頻率對(duì)應(yīng)的齒輪發(fā)生故障。