基于VMD-SSA-LSSVM的齿轮箱故障检测模型制造技术

本发明专利技术专利涉及一种基于VMD

【技术实现步骤摘要】
基于VMD
‑
SSA
‑
LSSVM的齿轮箱故障检测模型


[0001]本专利技术涉及齿轮箱检测
，尤其涉及一种基于VMD
‑
SSA
‑
LSSVM的齿轮箱故障检测模型，属于机械转动体齿轮箱故障检测方法。

技术介绍

[0002]齿轮箱在现代工业中旋转机械的健康状况监测和故障诊断具有重要意义。如变速箱，其在机械传动系统中起着至关重要的作用。齿轮箱的任何故障都可能导致不必要的停机、昂贵的维修，甚至造成人员伤亡。据统计，在齿轮箱各类故障中，齿轮故障占到了60%，滚动轴承故障仅占19%。近年来，针对齿轮的典型故障，国内外学者开展了大量的理论分析工作通过对这些关键零部件的故障机理进行研究，能够了解各类典型故障的产生原因以及故障与设备状态信号之间的对应关系，为准确识别故障类型、分析故障原因提供了可靠的先验知识和充分的理论依据。
[0003]故障是指机械设备的零部件发生结构变化、力学性能退化等情况，进而导致机械设备无法正常运行的现象。当设备出现故障时，至少一个系统特征或变量出现了不被允许的偏差，而故障诊断技术则是根据系统的运行信息来识别运行状态，准确判断是否出现故障，进而确定故障位置及故障类别，并为后续维修维护提供指导。因此，各国政府及相关科研人员都十分重视机械设备故障诊断技术。齿轮箱含有较多的构件，信号需要在各成分间传递，会发生相互耦合、调制，使信号在特征提取过程中面临种种困难。支持向量机(SVM)是一种基于统计学习理论的智能故障诊断方法。齿轮箱故障特征提取方法中大都使用经验模态分解(EMD)或常规归一化处理来对数据中噪声进行滤除。

技术实现思路

[0004]本专利技术针对现有对齿轮箱故障检测技术中关于预处理中常规经验模态分解(EMD)和EMD衍生方法中的分解不充分和模态混叠还有分类器的优化不理想问题，提出一种基于变分模态分解(VMD)结合小波包阈值分析相结合的方法进行去噪，和用麻雀算法(SSA)对最小乘支持向量机(LSSVM)的参数优化，以多次实验下分类识别率平均值来评估模型好坏。
[0005]本专利技术是通过如下技术方案实现的：一种基于VMD
‑
SSA
‑
LSSVM的齿轮箱故障检测模型，包括数据预处理和数据重构、特征提取、建立VMD的SSA
‑
LSSVM模型、建立评估策略的步骤。
[0006]数据预处理和数据重构：对数据进行VMD分解和小波包阈值分析相结合去噪，再与其余稳态分量数据重构。
[0007]进一步地，数据预处理与数据重构的具体步骤如下：（1）预处理过程：数据导入之后，用自适应经验模态分解确定信号分解层数k，将k值设为变模态分解的分解层数来将信号进行分解，通过对分解分量与原始信号的皮尔逊系数、信噪比和均方根差的对比，来表征信号含噪声的含量高低进行后期去噪处理。
[0008]a、数据获取：不同工况下齿轮箱振动传感器数据进行提取；
b、变分模态分解(VMD)：本专利技术对振动传感器数据进行了变模态分解，一次性将复杂信号分解为k个调幅调频信号，表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式中，u
k
（t）为第k个模态分量，A
k
（t）为u
k
（t）的瞬时振幅，φ
k
（t）作为瞬时相位。
[0009]为了避免模态混叠现象，由控制带宽的方法来实现。构造约束变分问题如下：为了避免模态混叠现象，由控制带宽的方法来实现。构造约束变分问题如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中，u
k
（t）为k第个模态分量，δ（t）为脉冲函数，ω
k
指各模态中心频率。之后，为实现将约束变分问题转变为非约束变分问题，引入惩罚因子α和Lagrange算子λ（t），构造增广Lagrange表达式如下：grange表达式如下：
ꢀꢀꢀꢀꢀ
（3）其中，f（t）表示原信号，u
k
（t）表示模态函数，ω
k
指各模态中心频率；经过乘法算子交替法求解上述方程，得到模态u（k）和中心频率的更新算法为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5） ȗ
（ω）经过FFT逆变换，由频域转换到时域，进而求出
ȗ
k
（ω）。将自适应的经验模态分解(EMD)的分解分量数k，运用在VMD中实现将信号分解为k个模态分量。本专利技术将信号通过VMD分解后的模态分量经阈值选择后，进行去噪处理。
[0010]（2）去噪处理：运用小波包阈值去噪方法对含噪高的振动信号分量进行去噪处理。
[0011]VMD
‑
小波包阈值联合降噪：由于VMD分解会将原始信号分解为若干模态分量后，选取含噪信号去噪的标准不规范会造成去噪结果不理想。通过比较各个模态分量与原始信号的皮尔逊相关系数，经相关系数筛选原则筛选，表达式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（6）得到需要去噪处理信号的阈值ρ，相关系数若小于参数ρ，则做去噪处理；若相关系数大于ρ，则认为该模态分量与原始信号相关性好并将其保留。
[0012]齿轮箱两侧传感器采集振动信号的高频分量中也有大量的噪声信号和齿轮箱工作特征信息，所以在本专利技术中，去噪处理部分选用优于小波降噪的小波包阈值降噪。该方法是通过小波包变换对分解得到的小波系数进行阈值处理。经小波包分解后，小波系数较大的信号进行重构，得到去噪后的模态量。
[0013]定义以下递推关系，令U
n
（t）满足：
ꢀꢀꢀꢀꢀ
（7）式中：h（k）和g（k）相当于多分辨率分析中的滤波器系数，同时有g（k）=（
‑
1）
k
h（k
‑
1）。通过上式构造的序列为由u0=Φ（t）确定小波包，Φ（t）为正交尺度函数。
[0014]设g
nj
∈U
nj
，则g
nj
（t）可以表示为：
ꢀꢀꢀꢀꢀ
（8）可以得到小波包分解结果：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）小波包重构表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）在小波包阈值处理时，使用heursure阈值的硬阈值处理和sym6的小波基函数对含噪信号进行3层分解去噪。sym6小波基函数是对db小波基的一种改进，有更好的对称性和正则性，有效减少对信号进行分解和重构时的相位失真问题。
[0015]（3）信号重构：对去噪后的高频信号分量和中低频分量加残差，重构出纯净的重构信号； 特征提取：对重构数据提取不同性质特征以及特征组合。...

【技术保护点】

【技术特征摘要】
1.一种基于VMD
‑
SSA
‑
LSSVM的齿轮箱故障检测模型，其特征在于，包括如下步骤：S1、数据预处理和数据重构：对数据进行VMD分解和小波包阈值分析相结合去噪，再与其余稳态分量数据重构；S2、特征提取：对S1步骤的重构数据提取不同性质特征以及特征组合；S3、建立VMD的SSA
‑
LSSVM模型：对S2步骤的特征集进行训练测试，衡量在不同分类器下的分类效果。2.根据权利要求1所述的基于VMD
‑
SSA
‑
LSSVM的齿轮箱故障检测模型，其特征在于，步骤S1中，数据预处理与数据重构的具体步骤如下：（1）预处理过程：数据导入之后，用自适应经验模态分解确定信号分解层数k，将k值设为变模态分解的分解层数来将信号进行分解，通过对分解分量与原始信号的皮尔逊系数、信噪比和均方根差的对比，来表征信号含噪声的含量高低进行后期去噪处理；（2）去噪处理：运用小波包阈值去噪方法对含噪高的振动信号分量进行去噪处理；（3）信号重构：对去噪后的高频信号分量和中低频分量加残差，重构出纯净的重构信号。3.根据权利要求2所述的基于VMD
‑
SSA
‑
LSS...

【专利技术属性】
技术研发人员：孟博，余中舟，郇战，周静诺，王佳晖，
申请(专利权)人：江苏立达电梯有限公司，
类型：发明
国别省市：