一种行星齿轮箱的故障诊断方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112069918A(43)申请公布日2020.12.11(21)申请号202010823453.X(22)申请日2020.08.17(71)申请人上海电机学院地址200240上海市闵行区江川路690号(72)发明人郑坤鹏丁云飞(74)专利代理机构上海科盛知识产权代理有限公司31225代理人赵继明(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G01M13/021(2019.01)G01M13/028(2019.01)权利要求书2页说明书8页附图8页(54)发明名称一种行星齿轮箱的故障诊断方法和装置(57)摘要本发明涉及一种行星齿轮箱的故障诊断方法和装置，方法包括以下步骤：S1：获取行星齿轮箱的振动信号；S2：采用MEEMD分解算法对所述振动信号进行分解，得到IMF函数；S3：根据所述IMF函数，计算其样本熵，提取行星齿轮箱的故障特征；S4：根据所述故障特征，采用WOA‑LSSVM分类模型，进行故障类型的分类识别。与现有技术相比，本发明采用MEEMD分解算法不仅抑制了模态混叠现象，而且限制了EEMD算法的不足；采用鲸鱼优化算法优化LSSVM模型的正则化参数和核函数参数，具有运算简单快速，全局搜索能力强等特点，有很大的概率摆脱局部极值。CN112069918ACN112069918A权利要求书1/2页1.一种行星齿轮箱的故障诊断方法，其特征在于，包括以下步骤：S1：获取行星齿轮箱的振动信号；S2：采用MEEMD分解算法对所述振动信号进行分解，得到IMF函数；S3：根据所述IMF函数，提取行星齿轮箱的故障特征；S4：根据所述故障特征，进行故障类型的分类识别。2.根据权利要求1所述的一种行星齿轮箱的故障诊断方法，其特征在于，所述MEEMD分解算法包括以下步骤：S201：在所述振动信号中分别加入一组幅值相反、均值为零的白噪声信号，分别得到第一处理信号和第二处理信号；S202：分别对所述第一处理信号和第二处理信号进行EMD分解，得到多阶的IMF分量；S203：将所述第一处理信号中的第j阶IMF分量与所述第二处理信号中的第j阶IMF分量进行集成平均，得到第j阶的集成平均分量；S204：计算所述集成平均分量的排列熵；S205：判断所述步骤S204计算的排列熵是否大于预设的阈值，若是，则执行步骤S206，否则执行步骤S207；S206：将所述第j阶的集成平均分量标记为异常信号，执行j＝j+1，并返回步骤S203；S207：从所述步骤S201获取的振动信号中剔除异常信号，得到剩余信号，对所述剩余信号进行EMD分解，获取所述IMF函数。3.根据权利要求2所述的一种行星齿轮箱的故障诊断方法，其特征在于，所述白噪声信号的幅值在所述振动信号的标准差的0.1至0.2倍的范围以内。4.根据权利要求2所述的一种行星齿轮箱的故障诊断方法，其特征在于，所述第j阶的集成平均分量的计算表达式为：式中，Ij(t)为第j阶的集成平均分量，N为振动信号的长度，Ne为白噪声信号的对数，为第一处理信号中第j阶的IMF分量，为第二处理信号中第j阶的IMF分量。5.根据权利要求1所述的一种行星齿轮箱的故障诊断方法，其特征在于，所述步骤S4中，采用预先建立并训练后的LSSVM分类模型，进行故障类型的分类识别。6.根据权利要求1所述的一种行星齿轮箱的故障诊断方法，其特征在于，所述步骤S4中，采用预先建立并训练后的WOA-LSSVM分类模型，进行故障类型的分类识别，所述WOA-LSSVM分类模型为采用鲸鱼优化算法优化正则化参数和核函数参数的LSSVM分类模型。7.根据权利要求6所述的一种行星齿轮箱的故障诊断方法，其特征在于，所述WOA-LSSVM分类模型的训练过程包括以下步骤：S401：确定适应度函数，并获取行星齿轮箱振动信号的训练样本；S402：初始化所述鲸鱼优化算法和所述LSSVM分类模型的参数；S403：将所述训练样本载入所述LSSVM分类模型中进行模型训练，并计算所述LSSVM分类模型的适应度函数；S404：基于所述自适应函数，采用所述鲸鱼优化算法更新所述LSSVM分类模型的正则化2CN112069918A权利要求书2/2页参数和核函数参数；S405：循环执行步骤S403至步骤S404，直至达到预设的最大迭代次数；S406：采用迭代过程中最优的所述适应度函数计算值，对应的正则化参数和核函数参数，建立所述WOA-LSSVM分类模型。8.根据权利要求7所述的一种行星齿轮箱的故障诊断方法，其特征在于，所述适应度函数为所述训练样本的分类精确度。9.根据权利要求1所述的一种行星齿轮箱的故障诊断方法，其特征在于，所述步骤S4中，所述分类识别出的故障类型包括正常、断齿、磨损