[发明专利]基于PSO-SVM和分形盒维数的变载荷工况下齿轮故障诊断方法

摘要

一种基于PSO‑SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，包括以下步骤：1、通过齿轮振动时域图的峭度对齿轮带负载类型进行分类；2、求每种负载类型下的时域振动信号的分形盒维数、裕度因子、峰值因子、波形因子、脉冲因子等特征参数作为故障分类指标；3、进行基于粒子群优化支持向量机(PSO‑SVM)模型的搭建与训练，每一种负载类型建立一个PSO‑SVM，将步骤2得到的故障分类指标输入到相应的PSO‑SVM中进行故障分类。本发明方法能够很好地对变载荷下的齿轮故障类型进行分类，解决了变载荷激励下齿轮故障难以诊断的问题。

主权项

1.一种基于PSO‑SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，其特征在于，所述方法包括以下步骤：步骤1，通过齿轮振动时域图的峭度对齿轮带负载类型进行分类；齿轮运行状态包括正常、断齿、裂纹、裂纹‑断齿耦合故障，齿轮箱带的变负载为不同幅值下的阶跃负载、斜坡负载、梯形负载；通过峭度对齿轮带负载类型进行分类；齿轮振动时域图的峭度与齿轮带负载的类型有关，斜坡负载的峭度值在2～3之间，阶跃负载的峭度值≈1，梯形负载的峭度值﹥3，利用峭度对齿轮带的负载类型进行分类；步骤2，求每种负载类型下的时域振动信号的分形盒维数、裕度因子、峰值因子、波形因子、脉冲因子特征参数作为故障分类指标；分形盒维数的计算方法如下：设时间序列信号X是n维欧式空间Rⁿ上的闭集；将Rⁿ划分成细的网格；若N_△为网格宽度是△的离散空间上集合X的网格计数，则盒维数定义为把网格△逐步放大为网格k△，其中k∈Z+；令Nk△是格子宽度为k△的离散空间集合X的网格计数，它也可以用下列式子来计算，式中，N0——采样点数；则信号x(j)的网格计数Nk△＝P(k△)/k△+1                     (3)其中，Nk△>1；用三折线段拟合法、相关系数检验法或遗传优化选择算法，在lgk△‑lgNk△图中确定线性较好的一段为信号无标度区；若无标度区间的起点和终点为k1、k2，那么在此区间lgk△、lgNk△应满足线性回归模型：lgNk△＝algk△+b k1≤k≤k2                  (4)最后，用最小二乘法确定该线性回归模型的斜率：盒维数dB为：步骤3，进行基于粒子群优化支持向量机(PSO‑SVM)模型的搭建与训练，每一种负载类型建立一个PSO‑SVM，将步骤2得到的故障分类指标输入到相应的PSO‑SVM中进行故障分类；PSO‑SVM算法如下：步骤3.1，初始化粒子群，随机产生粒子的位置和速度；步骤3.2，结合齿轮故障样本，训练SVM分类器并计算适应度值，采用交叉验证的方法计算适应度值，交叉验证是将原始数据均分为K组，将每个子集数据分别做一次测试集，同时其余的K‑1组子集数据作为训练集，得到K个模型，用K个模型最终的测试集的分类准确率的平均值作为此K‑CV下分类器的性能指标；步骤3.3，根据适应度值更新pbest和gbest；步骤3.4，更新当前粒子的位置和速度；步骤3.5，当迭代次数或者适应值满足条件，则终止迭代；否则返回步骤3.2。