基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法技术

本发明专利技术公开了一种基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法，利用加速度振动传感器采集实验台齿轮振动信号，得到的信号包括齿轮正常、齿轮断齿、齿轮少齿、齿轮磨损四种故障类型；利用通过相关性分析和信噪比优化的SVD分解降噪方法对包含高斯白噪声的模拟强噪声背景的四种齿轮状态信号进行降噪处理；利用EEMD分解方法分别对降噪之后的四类信号进行分解，根据相关系数选取有效的IMF分量；将得到的每组有效IMF分量进行样本熵计算，并构建由IMF样本熵组成的特征向量；利用PNN神经网络识别四种不同的齿轮故障。本发明专利技术能够在强噪声背景下有效地识别齿轮故障类型，是一种有效的齿轮故障诊断方法。

【技术实现步骤摘要】

本专利技术属于故障诊断
，设及一种基于SVD分解降噪和相关性EEMD滴特征 的齿轮故障诊断方法。
技术介绍
齿轮作为旋转机械设备中重要的零部件，其发生故障会导致机器工作效率降低， 甚至造成重大经济损失。因此，研究齿轮的状态监测与故障诊断技术对于提高机械设备的 运行效率及维修效能，避免人员财产损失具有重要的现实意义。 基于振动信号分析的齿轮故障诊断技术是一种行之有效的诊断方式，具有较高的 精度。常见的诊断方法如：时频特征参数法、倒频谱法、EMD分解等。但是在进行信号处理的 过程中，对于齿轮传动产生的非线性、非平稳信号，该些方法都有各自的局限性。时频特征 参数法中的不同指标只对特定的齿轮缺陷判别较为有效；针对强噪声背景等复杂状况，倒 频谱法难W发现齿轮的缺陷频率；传统的经验模式分解（EmpiricalModeDecomposition, EMD)方法于1998年由N.E.化ang提出，因其适用于非线性、非平稳信号的研究，近年来得 到了广泛的应用，但是EMD方法仍存在诸多问题，包括端点效应、模态混叠、迭代循环次数 多等。EEMD方法在EMD的基础上加W改进，利用了高斯白噪声具有频率均匀分布的统计特 性，当信号加入白噪声之后，将使信号在不同尺度上具有连续性，W减小模态混叠的程度。
技术实现思路
本专利技术的目的是提供一种基于SVD分解降噪和相关性EEMD滴特征的齿轮故障诊 断方法，针对强噪声背景对齿轮运转状态进行监测，W发现并判断齿轮故障，避免机械设备 出现较为严重的故障。 本专利技术所采用的技术方案是，一种基于SVD分解降噪和相关性EEMD滴特征的齿轮 故障诊断方法，包括W下步骤： 步骤1，利用加速度振动传感器采集实验台齿轮振动信号，得到的信号包括齿轮正 常、齿轮断齿、齿轮少齿、齿轮磨损四种故障类型； 步骤2,利用通过相关性分析和信噪比优化的SVD分解降噪方法对包含高斯白噪 声的模拟强噪声背景的四种齿轮状态信号进行降噪处理；[000引步骤3,利用ffiMD分解方法分别对降噪之后的四类信号进行分解，根据相关系数 选取有效的IMF分量； 步骤4,将得到的每组有效IMF分量进行样本滴计算，并构建由IMF样本滴组成的 特征向量； 步骤5,利用P順神经网络识别四种不同的齿轮故障。 本专利技术的特征还在于， 步骤2中SVD分解降噪方法对包含高斯白噪声的模拟强噪声背景的四种齿轮状态 信号进行降噪处理的过程包括w下步骤： 对于含有噪声的齿轮故障振动信号y(k)化=1，2,…，脚，根据相空间重构理论， 将其映射到mXn(m<n)维相空间内，得到满足m+n+1 =N的Hankie矩阵B。，对Bm进行奇异 值分解，求取矩阵Bm的奇异值，保留前k个的奇异值而置零其他位置的奇异值，利用奇异值 分解的逆过程得到B'm，B'm即为Bm的一个最佳逼近，该样就达到了降噪的效果，再对B'm中 的反对角元素取平均即完成信号降噪过程； 轨道矩阵Bm的重构阶次的选择，通过信号的信噪比和相关系数确定有效重构阶 次，其中， 1)相关系数的计算公式：【主权项】1. 一种基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法，其特征在于，包 括以下步骤： 步骤1，利用加速度振动传感器采集实验台齿轮振动信号，得到的信号包括齿轮正常、 齿轮断齿、齿轮少齿、齿轮磨损四种故障类型； 步骤2,利用通过相关性分析和信噪比优化的SVD分解降噪方法对包含高斯白噪声的 模拟强噪声背景的四种齿轮状态信号进行降噪处理； 步骤3,利用EEMD分解方法分别对降噪之后的四类信号进行分解，根据相关系数选取 有效的IMF分量； 步骤4,将得到的每组有效MF分量进行样本熵计算，并构建由MF样本熵组成的特征 向量； 步骤5,利用PNN神经网络识别四种不同的齿轮故障。2. 根据权利要求1所述的齿轮故障诊断方法，其特征在于，所述步骤2中SVD分解降噪 方法对包含高斯白噪声的模拟强噪声背景的四种齿轮状态信号进行降噪处理的过程包括 以下步骤： 对于含有噪声的齿轮故障振动信号y (k) (k = 1，2,…，N)，根据相空间重构理论，将其 映射到mXn (m〈n)维相空间内，得到满足m+n+1 = N的Hankie矩阵Bm，对Bm进行奇异值分 解，求取矩阵1的奇异值，保留前k个的奇异值而置零其他位置的奇异值，利用奇异值分解 的逆过程得到B' m，B'm即为B _"的一个最佳逼近，这样就达到了降噪的效果，再对B' m中的反 对角元素取平均即完成信号降噪过程； 轨道矩阵Bm的重构阶次的选择，通过信号的信噪比和相关系数确定有效重构阶次，其 中， 1) 相关系数的计算公式：其中：yk无噪声信号的第k个数据点；mk为降噪后的信号的第k个数据点，η为数据长 度； 2) 信噪比的计算公式：其中，y(k)为无噪声信号的第k个数据点，为含噪声信号的第k个数据点，N为信 号长度； 在信号与噪声的共同作用下，降噪后信号与原始信号的相关系数和降噪后信号的信噪 比会随着重构阶次的增加而快速增大，当阶次达到一定值时，相关系数和信噪比的增长速 度逐步变缓并趋于稳定，这时重构信号包含的有效信息趋于饱和，所以根据相关系数和信 噪比达到最大的阶次作为重构阶次，可以有效地保留有含噪信号的有用信息。3. 根据权利要求1所述的齿轮故障诊断方法，其特征在于，所述步骤3中，EEMD分解方 法包括以下步骤： 1) 在信号y (t)中加入白噪声(t)，其中幅值均值为0,标准差为原信号标准差的0. 3 倍则： Yi (t) = y (t) +IHj(t) (3)式中，i为Yi⑴分解的次数； 2) 对yi(t)进行EMD分解，得到若干IMF分量djk(t)与余项ej(t);其中d jk(t)为第j 次加入白噪声后所得的第k个IMF分量； 3) 重复步骤1和步骤2N次，得到消除模态混叠的MF为：4. 根据权利要求1所述的齿轮故障诊断方法，其特征在于，所述步骤3中，根据相关系 数选取有效的MF分量包括以下步骤： 相关系数的计算公式为：其中：yk为EEMD分解前信号的第k个数据点；fk为IMF分量的第k个数据点，η为数据 长度。5. 根据权利要求1所述的齿轮故障诊断方法，其特征在于，所述步骤4中，样本熵的计 算其计算步骤如下： 1) 对于一个拥有Nt个点的数据序列，y(l)，y(2)，…，y(Nt)可以组成一组m维的矢 量： y(i) = i = I, 2, ...，Nt-m+l (7) 2) 定义两个m维的矢量Y(i)和Y(j)之间的最大距离为：3) 对于给定的阀值r，从计算d(i，j)〈r的数目除以Nt-m+l的值，记为BimOO,即：6.根据权利要求1所述的齿轮故障诊断方法，其特征在于，所述步骤5中PNN神经网络 识别过程为：根据输入特征向量构建合适的PNN网络，初始化网络后，利用训练样本对网络 进行训练，训练结束后将测试样本输入到网络进行诊断识别并输出结果。【专利摘要】本专利技术公开了一种基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法，利用加速度振动传感器采集实验台齿轮振动信号，得到的信号包括齿轮正常、齿轮断齿、齿轮少齿、齿轮磨损四种故障类型；利用通过相关性分析和信噪比优化的SVD本文档来自技高网...

【技术保护点】
一种基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法，其特征在于，包括以下步骤：步骤1，利用加速度振动传感器采集实验台齿轮振动信号，得到的信号包括齿轮正常、齿轮断齿、齿轮少齿、齿轮磨损四种故障类型；步骤2，利用通过相关性分析和信噪比优化的SVD分解降噪方法对包含高斯白噪声的模拟强噪声背景的四种齿轮状态信号进行降噪处理；步骤3，利用EEMD分解方法分别对降噪之后的四类信号进行分解，根据相关系数选取有效的IMF分量；步骤4，将得到的每组有效IMF分量进行样本熵计算，并构建由IMF样本熵组成的特征向量；步骤5，利用PNN神经网络识别四种不同的齿轮故障。

【技术特征摘要】

【专利技术属性】
技术研发人员：程刚，李宏宇，陈曦晖，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏;32