一种基于宽度学习的风机齿轮箱早期故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115235759A(43)申请公布日2022.10.25(21)申请号202210849731.8(22)申请日2022.07.19(71)申请人浙江工业大学地址310014浙江省杭州市下城区潮王路18号(72)发明人郭方洪林凯窦云飞吴祥董辉俞立陈积明(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师忻明年(51)Int.Cl.G01M13/021(2019.01)G01M13/028(2019.01)权利要求书3页说明书8页附图1页(54)发明名称一种基于宽度学习的风机齿轮箱早期故障诊断方法(57)摘要本发明公开了一种基于宽度学习的风机齿轮箱早期故障诊断方法，包括：采集原始振动信号形成数据集；基于变分模态分解法将原始振动信号分解为若干个固有模态分量；构建“信息熵‑峭度‑包络谱峭度”综合评价模型，分别计算各固有模态分量的信息熵、峭度和包络谱峭度；采用熵权法获取信息熵、峭度和包络谱峭度各自权重，加权得到综合评价系数，筛选重构信号；利用改进小波阈值降噪法对重构信号进行降噪；将降噪后的重构信号划分为训练集和测试集；对BLS神经网络进行训练并验证，获得风机齿轮箱故障诊断模型。该方法从原始运行数据中提取微弱的早期故障特征，并高效完成故障类型识别，所占计算资源少并具有较高预测精度，有利于保障风机安全运行。CN115235759ACN115235759A权利要求书1/3页1.一种基于宽度学习的风机齿轮箱早期故障诊断方法，其特征在于：所述基于宽度学习的风机齿轮箱早期故障诊断方法包括如下步骤：S1、采集风机齿轮箱的原始振动信号形成数据集，所述数据集包括正常数据和故障数据；S2、基于变分模态分解法将数据集中的各原始振动信号分解为若干个固有模态分量，每个固有模态分量表示为随机序列x(n)＝(x1,x2,…,xi,…,xn)，xi为第i个采样点的值，i＝1～n，n为采样点数；S3、构建“信息熵‑峭度‑包络谱峭度”综合评价模型，分别计算每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke，所述“信息熵‑峭度‑包络谱峭度”综合评价模型构建如下：式中，p(xi)表示xi出现的概率，为每个固有模态分量的平均值，SE(xi)表示xi的信号包络谱；S4、采用熵权法获取每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke各自的权重，并通过加权得到综合评价系数，筛选出综合评价系数最大的预设数量的固有模态分量重构信号；S5、利用改进小波阈值降噪法对重构信号进行降噪，所述改进小波阈值降噪法采用haar小波基函数、4层分解，且小波阈值函数公式如下：式中，μ表示原始小波系数，θ表示阈值，a∈R+表示调节因子；S6、将降噪后的重构信号划分为训练集和测试集；S7、将训练集输入BLS神经网络模型进行训练并利用测试集进行验证，获得训练好的BLS神经网络模型作为风机齿轮箱故障诊断模型。2.如权利要求1所述的基于宽度学习的风机齿轮箱早期故障诊断方法，其特征在于：步骤S1中，所述原始振动信号的振动方向为竖直方向，采样频率为5120Hz。3.如权利要求1所述的基于宽度学习的风机齿轮箱早期故障诊断方法，其特征在于：步骤S2中，所述基于变分模态分解法将数据集中的各原始振动信号分解时，参数设置为判断精度ε＝1×10‑7，噪声容限τ＝0。2CN115235759A权利要求书2/3页4.如权利要求1所述的基于宽度学习的风机齿轮箱早期故障诊断方法，其特征在于：步骤S4中，所述采用熵权法获取每个固有模态分量的信息熵Kh、峭度Kr和包络谱峭度Ke各自的权重，并通过加权得到综合评价系数，具体如下：S41、将信息熵划为Ⅰ类指标，峭度和包络谱峭度划为Ⅱ类指标，并对各类指标进行标准化，其中：Ⅰ类指标的标准化公式如下：Ⅱ类指标的标准化公式如下：式中，Khj、Krj、Kej依次为第j个固有模态分量的信息熵、峭度和包络谱峭度，j＝1～m，m为固有模态分量的数量；lhj、lrj、lej依次为第j个固有模态分量的信息熵、峭度和包络谱峭度的标准化值；S42、计算各指标的权重，其中：信息熵指标的熵值Hh、峭度指标的熵值Hr和包络谱峭度指标的熵值He计算如下：信息熵指标的权重Sh、峭度指标的权重Sr和包络谱峭度指标的权重Se计算如下：其中，S43、通过加权获取第j个固有模态分量的综合评价系数Cj，公式如下：Cj＝Khj·Sh+Krj·Sr+Kej·Se。5.如权利要求1所述的基于宽度学习的风机齿轮箱早期故障诊断方法，其特征在于：步3CN115235759A权利要求书3/3页骤S4中，所述重构信号为将筛选出综合评价系数最大的预设数量的固有模态分量进行相加。6.如权利要求5所述的基于宽度学习的风机齿轮箱早期故障诊断方法，其特征在于：所述预设数量为两