[发明专利]基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法

说明书

基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法，包括特征提取、模型参数初始化、参数训练、输出概率计算这四个步骤。(1)特征提取：选取小波函数对振动信号进行3层小波包分解和重构，通过对各频段小波分解系数信号进行分析,实现从各个频段分别提取振动信号所代表的不同故障状态的特征信息。(2)模型参数初始化：将振动信号频带能量作为特征向量进行建模(3)参数训练：根据第二步初始化的参数，用鸟群算法进行重估，(4)输出概率计算：经过上述步骤建好模型后，将监测振动数据特征提取，代入不同故障状态模型，由前向后向算法计算输出概率，概率最大的即为对应的故障类型。

技术领域

本发明涉及风机齿轮箱故障诊断领域，尤其涉及到一种基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法。

背景技术

齿轮传动具有传动平稳、可靠、高效、高寿命、传动比精确、功率范围大等优点，但因结构较复杂，工作环境恶劣等，齿轮较易出现故障，从而导致整个系统出现故障。据有关文献统计，传动机械和旋转机械的故障中分别有80％和10％的故障是齿轮箱故障，随着设备系统的自动化、复杂化、大型化。齿轮的失效给整个工业生产和社会生活造成越来越大的损失，如对齿轮箱进行状态检测及故障诊断，可以从根本上改变齿轮箱事后维修和定期维修的现状，实现视情维修，从而降低事故发生率，减少人员伤亡及不必要的经济损失，创造更多的经济效益和社会效益。目前对齿轮箱故障诊断的方法有很多，如温度测量、油样分析、振动分析、声学测量分析、专家系统等，现有技术缺点：

1.温度测量法通过监测箱体处的温度来判断齿轮箱是否工作正常，对于润滑不良而引起的过热现象较敏感，但该方法不适用于齿轮点烛、断齿、裂纹等局部故障；

2.油样分析是通过从齿轮箱润滑油中提取出油样，通过收集和分析油样中金属颗粒的大小和形状来判断齿轮工况和故障的方法，但这种方法易受其它非齿轮损坏下的颗粒的影响；

3.专家系统需要大量样本进行训练，而且依赖与相关领域的专家经验，对新的故障模式的处理效果不佳。

综上，现有诊断方法均有一定的不足，因此，有必要提供一种新的诊断方法。

发明内容

本发明的目的是提供一种基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法，该方法通过振动分析以及改进的高斯混合隐马尔科夫模型，实现对齿轮箱的故障进行仿真分析，同时为解决隐马尔科夫模型参数训练易陷入局部收敛的问题。

本发明为解决其技术问题所采用的技术方案是：

基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法，包括特征提取、模型参数初始化、参数训练、输出概率计算这四个步骤；

(1)特征提取：选取小波函数对振动信号进行3层小波包分解和重构，通过对各频段小波分解系数信号进行分析,实现从各个频段分别提取振动信号所代表的不同故障状态的特征信息。针对提取的每一频段的重构信号求其能量：

其中，xjk(j＝0,1...,7,k＝1,2,...,n)表示为重构信号s3j的n个离散点的幅值，为了提高特征向量的聚类性,使其分布离散性更好，便于模型输入和辨识，需要对特征向量进行归一化处理，得到归一化后的特征向量C3j＝[c30,c31,...,c37]，归一化的方法是对根据不同频段的能量特征值序列，按下式进行归一化处理：