一种基于VMD-SDAE的行星齿轮箱故障诊断方法.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CN110146281A(43)申请公布日2019.08.20(21)申请号201910495399.8(22)申请日2019.06.06(71)申请人南京航空航天大学地址210016江苏省南京市江宁区胜太西路169号(72)发明人孙灿飞王友仁(51)Int.Cl.G01M13/02(2019.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于VMD-SDAE的行星齿轮箱故障诊断方法(57)摘要本发明公开了一种基于变分模态分解(VMD)与堆栈去噪自动编码网络(SDAE)的行星齿轮箱故障诊断方法。首先采用加速度传感器采集行星齿轮箱振动信号，并分为训练样本与测试样本；然后采用VMD对所有样本进行模态分解，获得若干窄带固有模态函数(BIMF)分量，并从BIMF分量中提取出故障敏感分量BIMFS，计算BIMFS的瞬时能量信号Ers；然后采用所有训练样本的瞬时能量信号对SDAE网络模型进行训练；最后采用训练后的SDAE网络模型对测试样本的瞬时能量信号Ers进行故障特征提取与模式分类，并输出故障诊断结果。该方法结合了VMD对含噪信号的高质量分解以及SDAE对故障特征的高质量提取与诊断，适用于复杂振动信号和工业现场噪声环境下的行星齿轮箱故障诊断，具有分类准确率高、抗噪能力强的优点。CN110146281ACN110146281A权利要求书1/1页1.一种基于VMD-SDAE的行星齿轮箱故障诊断方法，其特征在于，具体包括以下步骤：S1、通过安装在行星齿轮箱外壳上的加速度传感器采集行星齿轮箱振动信号，并将采集的振动信号分为训练样本与测试样本；S2、采用变分模态分解(VMD)对所有样本进行模态分解，获得若干窄带固有模态函数(BIMF)分量；S3、从分解的BIMF分量中提取出故障敏感分量BIMFs；S4、计算故障敏感分量BIMFs的瞬时能量信号Ers；S5、采用所有训练样本的瞬时能量信号Ers对堆栈去噪自动编码(SDAE)进行训练；S6、采用训练后的SDAE网络模型对测试样本的瞬时能量信号Ers进行故障特征提取与模式分类，并输出故障诊断结果。2.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法，其特征在于，所述步骤S1中的行星齿轮箱振动信号包括正常、行星齿轮裂纹、行星齿轮缺齿、行星齿轮断齿和行星齿轮箱磨损五种类型。3.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法，其特征在于，所述步骤S2中的采用VMD进行模态分解的样本信号的输入频带宽度为[0，5fm]，fm为行星齿轮啮合频率。4.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法，其特征在于，所述步骤S3中故障敏感分量BIMFs的选取原则为：选取中心频率等于或接近行星齿轮啮合频率fm及倍频中的频率最高的BIMF分量。5.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法，其特征在于，所述步骤S4中瞬时能量信号Ers计算步骤如下：步骤1、计算故障敏感信号BIMFs的希尔伯特变换：步骤2、计算BIMFs的瞬时包络信号：步骤3、计算BIMFs的瞬时能量信号：2Ers(t)＝|as(t)|6.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法，其特征在于，所述步骤S5、S6中的SDAE采用softmax分类器作为输出层。2CN110146281A说明书1/4页一种基于VMD-SDAE的行星齿轮箱故障诊断方法技术领域[0001]本发明涉及一种行星齿轮箱故障诊断方法，属于机械故障诊断技术领域。背景技术[0002]行星齿轮箱具有结构紧凑，减速比大，效率高的优点，广泛使用在航空航天、船舶、矿山等大型旋转机械传动系统中。行星齿轮箱由于结构复杂，组件繁多，工况瞬时多变以及工作环境恶劣的影响，导致行星齿轮箱齿轮容易出现各种故障，这些故障影响行星齿轮箱的运行效率，严重时引起重大安全事故。行星齿轮箱振动信号成分复杂，而且具有调幅调频特性和非平稳性，直接从时域信号和频域信号中提取故障特征困难。研究人员提出了采用经验模式分解(EMD)对振动信号分解提取故障敏感信号的方法，但EMD分解存在端点效应和模态混叠的缺点，而其他改进的方法在面对噪声背景时分解效果不理想。而VMD不仅有效解决了分解过程中所产生的端点效应和模态混叠问题，而且具有良好的噪声健壮性。[0003]近年来，深度学习广泛应用于旋转机械系统的特征提取与故障诊断。相比于其他深度学习模型，比如包括深度置信网络(Deepbeliefnetwork，DBN)、堆叠自动编码器(Stackedautoencoder，SAE)、卷积神经网络(Convolutionalneuralnetwork，CNN)