[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

摘要

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。

主权项

1.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，其特征在于：(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： E 3 j = ∫ | s 3 j ( t ) 2 | d t = Σ k = 1 n | x j k | 2 ; ]]>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E3j＝[e30,e31,…,e37]，按下式进行归一化处理： c 3 j = e 3 j - max ( E 3 j ) max ( E 3 j ) - min ( E 3 j ) ; ]]>(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，则模型中的观测值O＝{o(1),...,o(h),...,o(H)}＝{E(1),...,E(h),...,E(H)}，其中表示振动信号第h观测值的频带能量，T表示频带数；(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，步骤如下：①初始化BSA种群及相关参数，初始化个体X，X＝cell(pi，A，c，u，U，)；②进行迭代，每一次BSA迭代中，进行隐马尔科夫传统训练算法k次迭代，目标函数计算；③当满足结束条件，即输出概率P(O|λ)的增量小于一定阈值，则结束迭代，输出结果；(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。