本發(fā)明涉及基于自適應(yīng)共振稀疏分解理論的風(fēng)電齒輪箱故障診斷方法。

背景技術(shù)：

隨著風(fēng)電行業(yè)的迅猛發(fā)展，對(duì)風(fēng)電機(jī)組的可靠性要求越來(lái)越高，其故障診斷技術(shù)已經(jīng)成為該行業(yè)的第三產(chǎn)業(yè)。風(fēng)電齒輪箱作為風(fēng)電機(jī)組中的關(guān)鍵組件，加強(qiáng)其狀態(tài)監(jiān)測(cè)與故障診斷具有重要意義。由于風(fēng)電齒輪箱具有復(fù)雜的傳動(dòng)結(jié)構(gòu)，特殊的工作環(huán)境，并且其早期故障信息十分微弱，提取過(guò)程需要較高的頻率分辨率，因此必須采用更加有效的信號(hào)處理方法，提取故障特征信息。

常見(jiàn)的風(fēng)電齒輪箱故障診斷方法包括短時(shí)傅里葉變換(STFT)，小波變換，經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)，希爾伯特黃變換(HHT)和局部均值分解(LMD)等。但在實(shí)際診斷過(guò)程中，這些方法都存在各自的局限性。小波變換適合處理非線性，非平穩(wěn)，存在突變的故障振動(dòng)信號(hào)，但是小波基函數(shù)的構(gòu)造需要人為確定，缺乏自適應(yīng)性。EMD和LMD等新穎的信號(hào)處理方法在近幾年開始應(yīng)用到故障診斷領(lǐng)域，但它們存在的端點(diǎn)效應(yīng)，失真現(xiàn)象和模式混淆等問(wèn)題還沒(méi)有很好地解決。在EMD基礎(chǔ)上提出的希爾伯特—黃變換(Hilbert-Huang Transform，HHT)，徹底擺脫了一直以來(lái)傅里葉變換思想體系的束縛，但是HHT受噪聲的影響很大，這一點(diǎn)很大程度上限制了HHT在風(fēng)電齒輪箱故障信息檢測(cè)中的應(yīng)用。一種基于共振的信號(hào)稀疏分(Resonance-based sparse signal decomposition,RSSD)于2011年被提出，用兩個(gè)品質(zhì)因子可調(diào)小波基函數(shù)來(lái)擬合不同的信號(hào)成分，大大提高了共振稀疏分解法的適應(yīng)性和靈活性。

目前應(yīng)用共振稀疏分解理論從風(fēng)電齒輪箱振動(dòng)信號(hào)中提取故障信息時(shí)，由于早期復(fù)合故障信息十分微弱，而對(duì)于高、低共振分量品質(zhì)因子Q_H,Q_L的選取多數(shù)采用人為嘗試，容易造成故障信息的流失并且無(wú)法用于復(fù)合故障的診斷。另一方面，在對(duì)風(fēng)電齒輪箱早期復(fù)合故障信號(hào)的稀疏分解過(guò)程中，人為的選取比例系數(shù)矩陣K_H和K_L，使可以被小波基函數(shù)庫(kù)S_H,S_L匹配的成分或多或少的被分解到兩個(gè)高、低共振分量中，造成有效成分的分流，降低故障信息的準(zhǔn)確性以及可信度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有風(fēng)電齒輪箱早期復(fù)合故障信號(hào)背景噪聲強(qiáng)，故障特征信息微弱的問(wèn)題，提供一種基于自適應(yīng)優(yōu)化共振稀疏分解的風(fēng)電齒輪箱復(fù)合故障診斷方法。

一種基于自適應(yīng)共振稀疏分解理論的風(fēng)電齒輪箱故障診斷方法具體過(guò)程為：

步驟一：使用BBM噪聲振動(dòng)檢測(cè)系統(tǒng)采集實(shí)驗(yàn)齒輪箱的振動(dòng)數(shù)據(jù)，得到行星架軸承外圈剝落和行星齒輪局部剝落的故障振動(dòng)信號(hào)；

步驟二：根據(jù)故障振動(dòng)信號(hào)的形態(tài)特征，確定與之匹配的共振分量，并利用遺傳算法對(duì)共振稀疏分解的品質(zhì)因子和比例系數(shù)同時(shí)進(jìn)行優(yōu)化，得到最佳參數(shù)矩陣X^*；

步驟三：將最佳參數(shù)矩陣X^*代入自適應(yīng)共振稀疏分解方法中，實(shí)現(xiàn)故障振動(dòng)信號(hào)的共振稀疏分解，得到故障振動(dòng)信號(hào)的高、低共振分量；

步驟四：對(duì)故障振動(dòng)信號(hào)的高共振分量進(jìn)行包絡(luò)分析，識(shí)別出故障信息和非故障振動(dòng)信號(hào)。

本發(fā)明的有益效果為：

本發(fā)明的目的是提供一種基于自適應(yīng)共振稀疏分解理論的風(fēng)電齒輪箱故障診斷方法，針對(duì)風(fēng)電齒輪箱早期復(fù)合故障信號(hào)背景噪聲強(qiáng)，故障特征微弱的特點(diǎn)，基于遺傳算法自適應(yīng)優(yōu)化共振稀疏分解的參數(shù)，準(zhǔn)確有效提取出故障特征信息，提高風(fēng)電齒輪箱的早期復(fù)合故障特征的識(shí)別能力。與傳統(tǒng)共振稀疏分解方法相比，本發(fā)明的有益效果為：

1.本發(fā)明利用遺傳算法自適應(yīng)優(yōu)化選擇品質(zhì)因子Q_H,Q_L和比例系數(shù)k_H,k_L，較傳統(tǒng)方法能夠更好地與振動(dòng)信號(hào)中的故障沖擊相應(yīng)成分相匹配。

2.本發(fā)明針對(duì)比例系數(shù)矩陣K_H和K_L中各元素相差不大，微小的區(qū)別對(duì)信號(hào)共振稀疏分解的效果影響較小的問(wèn)題，分別利用比例系數(shù)k_H和k_L代替比例系數(shù)矩陣K_H和K_L，減少優(yōu)化過(guò)程中的運(yùn)算量，提高優(yōu)化效率。

3.本發(fā)明建立品質(zhì)因子和比例系數(shù)組成的優(yōu)化參數(shù)矩陣X＝[Q_H,Q_L,k_H,k_L]，利用遺傳算法對(duì)品質(zhì)因子和比例系數(shù)同時(shí)優(yōu)化，最大限度發(fā)揮共振稀疏分解法的優(yōu)勢(shì)。

附圖說(shuō)明

圖1是基于自適應(yīng)共振稀疏分解理論的風(fēng)電齒輪箱故障診斷方法的流程圖；

圖2是基于自適應(yīng)共振稀疏分解理論的風(fēng)電齒輪箱故障診斷方法中采集故障振動(dòng)信號(hào)的傳感安裝布局圖；

圖3是自適應(yīng)優(yōu)化選擇品質(zhì)因子和比例系數(shù)的算法流程圖；

圖4a為測(cè)點(diǎn)1振動(dòng)信號(hào)高共振分量包絡(luò)圖，信號(hào)為經(jīng)過(guò)共振稀疏分解后的信號(hào)；

圖4b為測(cè)點(diǎn)2振動(dòng)信號(hào)高共振分量包絡(luò)圖，信號(hào)為經(jīng)過(guò)共振稀疏分解后的信號(hào)；

圖4c為測(cè)點(diǎn)3振動(dòng)信號(hào)高共振分量包絡(luò)圖，信號(hào)為經(jīng)過(guò)共振稀疏分解后的信號(hào)；

圖4d為測(cè)點(diǎn)4振動(dòng)信號(hào)高共振分量包絡(luò)圖，信號(hào)為經(jīng)過(guò)共振稀疏分解后的信號(hào)；

圖4e為測(cè)點(diǎn)5振動(dòng)信號(hào)高共振分量包絡(luò)圖，信號(hào)為經(jīng)過(guò)共振稀疏分解后的信號(hào)。

具體實(shí)施方式

具體實(shí)施方式一：結(jié)合圖1說(shuō)明本實(shí)施方式，本實(shí)施方式的一種基于自適應(yīng)共振稀疏分解理論的風(fēng)電齒輪箱故障診斷方法具體過(guò)程為：

步驟一：使用BBM噪聲振動(dòng)檢測(cè)系統(tǒng)采集實(shí)驗(yàn)齒輪箱的振動(dòng)數(shù)據(jù)，得到行星架軸承外圈剝落和行星齒輪局部剝落的故障振動(dòng)信號(hào)；

步驟二：根據(jù)故障振動(dòng)信號(hào)的形態(tài)特征，確定與之匹配的共振分量，并利用遺傳算法對(duì)共振稀疏分解的品質(zhì)因子和比例系數(shù)同時(shí)進(jìn)行優(yōu)化，得到最佳參數(shù)矩陣X^*；

步驟三：將最佳參數(shù)矩陣X^*代入自適應(yīng)共振稀疏分解方法中，實(shí)現(xiàn)故障振動(dòng)信號(hào)的共振稀疏分解，得到故障振動(dòng)信號(hào)的高、低共振分量；

共振稀疏分解的目的是將需要的信息分解到高共振分量和低共振分量中(本發(fā)明中是高共振分量)；

步驟四：對(duì)故障振動(dòng)信號(hào)的高共振分量進(jìn)行包絡(luò)分析，識(shí)別出故障信息和非故障振動(dòng)信號(hào)。

具體實(shí)施方式二：結(jié)合圖3說(shuō)明本實(shí)施方式，本實(shí)施方式與具體實(shí)施方式一不同的是：所述步驟二中根據(jù)故障振動(dòng)信號(hào)的形態(tài)特征，確定與之匹配的共振分量，并利用遺傳算法對(duì)共振稀疏分解的品質(zhì)因子和比例系數(shù)同時(shí)進(jìn)行優(yōu)化，得到最佳參數(shù)矩陣X^*；具體步驟為：

行星架軸承外圈剝落和行星齒輪局部剝落的故障沖擊響應(yīng)均為持續(xù)的振蕩衰減信號(hào)，形態(tài)特征有別于正常的齒輪嚙合振動(dòng)、底座振動(dòng)和背景噪聲等成分，故應(yīng)當(dāng)盡可能被分解到高共振分量中。

兩種故障的沖擊響應(yīng)信號(hào)的形態(tài)特征均有別于其他信號(hào)，故應(yīng)當(dāng)都分解到高共振分量中。高低共振分量的區(qū)分在于共振程度，用數(shù)值量化的話，高共振分量的品質(zhì)因子在3-8之間，低共振分量的品質(zhì)因子在1-1.5之間，步驟三三為分解步驟。

步驟二一、確定冗余因子r_H＝r_L＝3.5，并分別用比例系數(shù)k_H和k_L代替比例系數(shù)矩陣K_H和K_L，建立基于遺傳算法的共振稀疏分解的目標(biāo)函數(shù)：

式中，J(W_H,W_L)為目標(biāo)函數(shù)；S_H，S_L為高、低共振分量的小波基函數(shù)庫(kù)，s_H,m，s_L,n分別對(duì)應(yīng)該庫(kù)中的一級(jí)小波；j_H，j_L分別為S_H，S_L的分解級(jí)數(shù)；W_H，W_L為高、低共振分量的匹配系數(shù)矩陣，w_H,m，w_L,n分別對(duì)應(yīng)各級(jí)小波的匹配系數(shù)，x為故障振動(dòng)信號(hào)；

步驟二二、建立品質(zhì)因子和比例系數(shù)組成的優(yōu)化參數(shù)矩陣X＝[Q_H,Q_L,k_H,k_L]，設(shè)置遺傳算法的基本參數(shù)，主要包括初始種群規(guī)模、遺傳代數(shù)、遺傳概率、交叉概率和變異概率等，產(chǎn)生優(yōu)化參數(shù)矩陣X的初始種群中的個(gè)體；

式中，Q_H，Q_L分別為高、低共振分量品質(zhì)因子，分別用于衡量高、低共振分量的共振程度，高共振分量品質(zhì)因子數(shù)值大小為3-8，低共振分量品質(zhì)因子數(shù)值大小為1-1.5；共振程度越高，時(shí)域上表現(xiàn)為波形的振蕩次數(shù)越多；

步驟二三、根據(jù)目標(biāo)函數(shù)J(W_H,W_L)和SALSA算法計(jì)算當(dāng)前種群中每一個(gè)個(gè)體的適應(yīng)度f(wàn)；

所述每一個(gè)個(gè)體指的是優(yōu)化參數(shù)矩陣X中四個(gè)參數(shù)Q_H,Q_L,k_H,k_L組成的二進(jìn)制編碼；

步驟二四、判斷個(gè)體的適應(yīng)度是否達(dá)到設(shè)定的品質(zhì)因子的優(yōu)化精度或者遺傳代數(shù)是否達(dá)到設(shè)定的最大值；如果達(dá)到品質(zhì)因子的優(yōu)化精度或者最大遺傳代數(shù)，則獲得最佳的參數(shù)矩陣X^*，否則，轉(zhuǎn)到步驟步驟二五；

步驟二五、根據(jù)個(gè)體的適應(yīng)度，采用輪盤賭的方法選擇優(yōu)良的個(gè)體，進(jìn)行遺傳計(jì)算，即對(duì)個(gè)體進(jìn)行交叉、變異和選擇，獲得下一代種群，轉(zhuǎn)到步驟二三。

其它步驟及參數(shù)與具體實(shí)施方式一相同。

具體實(shí)施方式三：本實(shí)施方式與具體實(shí)施方式一或二不同的是：所述步驟二一中分解級(jí)數(shù)j_H和j_L為：

確定S_H,S_L的分解級(jí)數(shù)j_H和j_L，保證基函數(shù)庫(kù)的頻率范圍能夠覆蓋故障振動(dòng)信號(hào)頻譜；對(duì)于故障振動(dòng)信號(hào)長(zhǎng)度為N的信號(hào)，j_H和j_L的最大值由下式確定：

1≤j_H≤j_Hmax，1≤j_L≤j_Lmax；

式中，α_H是高共振分量低通尺度因子，α_L是低共振分量低通尺度因子，β_H是高共振分量高通尺度因子，β_L是低共振分量高通尺度因子，j_Hmax為高共振分量分解級(jí)數(shù)，j_Lmax是低共振分量分解級(jí)數(shù)，S_H、S_L為高、低共振分量的小波基函數(shù)庫(kù)，[]表示不超過(guò)該數(shù)的最大正整數(shù)，根據(jù)下式計(jì)算得到r_H,r_L為冗余因子，N為信號(hào)長(zhǎng)度。

其它步驟及參數(shù)與具體實(shí)施方式一或二相同。

具體實(shí)施方式四：本實(shí)施方式與具體實(shí)施方式一至三之一不同的是：所述步驟二四中每一個(gè)個(gè)體指的是優(yōu)化參數(shù)矩陣X中四個(gè)參數(shù)Q_H,Q_L,k_H,k_L組成的二進(jìn)制編碼。

其它步驟及參數(shù)與具體實(shí)施方式一至三之一相同。

具體實(shí)施方式五：本實(shí)施方式與具體實(shí)施方式一至四之一不同的是：所述步驟二四中根據(jù)目標(biāo)函數(shù)J(W_H,W_L)和SALSA算法計(jì)算當(dāng)前種群中每一個(gè)個(gè)體的適應(yīng)度f(wàn)；具體公式為：

取目標(biāo)函數(shù)的倒數(shù)值作為適應(yīng)度函數(shù)，

其它步驟及參數(shù)與具體實(shí)施方式一至四之一相同。

具體實(shí)施方式六：本實(shí)施方式與具體實(shí)施方式一至五之一不同的是：所述品質(zhì)因子的優(yōu)化精度為人為設(shè)定，考慮到比例系數(shù)對(duì)共振稀疏分解的影響，品質(zhì)因子的優(yōu)化精度為0.0001；最大遺傳代數(shù)為200。

其它步驟及參數(shù)與具體實(shí)施方式一至五之一相同。

具體實(shí)施方式七：本實(shí)施方式與具體實(shí)施方式一至六之一不同的是：所述步驟三中將最佳參數(shù)矩陣X^*代入自適應(yīng)共振稀疏分解方法中，實(shí)現(xiàn)信號(hào)的共振稀疏分解，得到高共振分量和低共振分量；具體步驟為：

步驟三一、提取最佳參數(shù)矩陣X^*中的參數(shù)并結(jié)合分解級(jí)數(shù)j_H,j_L以及冗余因子r_H,r_L，確定出最優(yōu)小波基函數(shù)和

步驟三二、根據(jù)目標(biāo)函數(shù)J(W_H,W_L)，利用分裂增廣拉格朗日收縮算法(SALSA)獲取最優(yōu)的高、低共振分量的匹配系數(shù)矩陣和

步驟三三、由和對(duì)故障振動(dòng)信號(hào)進(jìn)行重構(gòu)，獲得故障振動(dòng)信號(hào)的高低共振分量分別為實(shí)現(xiàn)故障振動(dòng)信號(hào)的共振稀疏分解，得到高共振分量和低共振分量。

其它步驟及參數(shù)與具體實(shí)施方式一至六之一相同。

采用以下實(shí)施例驗(yàn)證本發(fā)明的有益效果：

實(shí)施例一：

本實(shí)施例一種基于自適應(yīng)共振稀疏分解理論的風(fēng)電齒輪箱故障診斷方法具體是按照以下步驟制備的：

結(jié)合圖2，圖2是本發(fā)明一種基于自適應(yīng)共振稀疏分解理論的風(fēng)電齒輪箱故障診斷方法中采集故障振動(dòng)信號(hào)的傳感安裝布局圖，共安裝5只傳感器。測(cè)點(diǎn)1和5主要針對(duì)行星齒輪部分，并選擇正上方和側(cè)面作為測(cè)試點(diǎn)。測(cè)點(diǎn)2、3和4主要針對(duì)兩級(jí)平行軸部分，箱體正上方布置兩點(diǎn)，側(cè)面布置一個(gè)測(cè)點(diǎn)。

在使用BBM噪聲振動(dòng)檢測(cè)系統(tǒng)采集實(shí)驗(yàn)齒輪箱的振動(dòng)數(shù)據(jù)時(shí)，采樣率設(shè)置為24kHz，電機(jī)轉(zhuǎn)速為f＝50Hz同時(shí)液壓加載器的壓力為0.2MPA，得到行星架軸承外圈剝落和行星齒輪局部剝落的復(fù)合故障信號(hào)。經(jīng)計(jì)算，行星齒輪故障特征頻率f_p＝2.547f，行星架軸承外圈故障特征頻率f_b＝4.587f。

根據(jù)上述步驟優(yōu)化選擇品質(zhì)因子和比例系數(shù)，設(shè)定優(yōu)化精度為0.0001，得到的參數(shù)如表1所示。在表1中，k_H均接近0.1，k_H和k_L的數(shù)值大小決定了分解結(jié)果中高低共振分量的多少。k_H越小，高共振分量越多；k_L越小，低共振分量越多。由于實(shí)驗(yàn)產(chǎn)生的故障信號(hào)的噪聲較少，所以高共振分量較多，導(dǎo)致k_H接近0.1。

表1優(yōu)化參數(shù)列表

將表1中的優(yōu)化系數(shù)代入到共振稀疏分解方法中，并進(jìn)行包絡(luò)分析得到5處測(cè)點(diǎn)振動(dòng)信號(hào)高共振分量的包絡(luò)圖，如圖4a、4b、4c、4d、4e所示。從圖4a、4b、4c、4d、4e可以看出，除了圖4c外，其余4張包絡(luò)圖在行星齒輪和行星架軸承對(duì)應(yīng)的故障特征頻率值f_p和f_b及其倍頻處均出現(xiàn)幅值占優(yōu)情況，即除測(cè)點(diǎn)3外，其余4個(gè)測(cè)點(diǎn)均通過(guò)自適應(yīng)共振稀疏分解方法實(shí)現(xiàn)了故障特征提取，有效甄別出故障信息。同時(shí)，行星架轉(zhuǎn)頻f及其倍頻處也出現(xiàn)幅值占優(yōu)的情況，這是因?yàn)閷?shí)驗(yàn)臺(tái)上的反裝齒輪箱和實(shí)驗(yàn)齒輪箱在長(zhǎng)期運(yùn)行后出現(xiàn)了對(duì)中性誤差。從實(shí)驗(yàn)結(jié)果可知，本發(fā)明可以在風(fēng)電齒輪箱故障振動(dòng)信號(hào)噪聲背景強(qiáng)，故障特征微弱的條件下，提取出行星架軸承和行星齒輪的復(fù)合故障信息，表明方法有效。

本發(fā)明還可有其它多種實(shí)施例，在不背離本發(fā)明精神及其實(shí)質(zhì)的情況下，本領(lǐng)域技術(shù)人員當(dāng)可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形，但這些相應(yīng)的改變和變形都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護(hù)范圍。