关键词:
齿轮箱
故障诊断
可调品质因子小波变换
混合核极限学习机
改进麻雀搜索算法
摘要:
齿轮箱作为旋转机械设备中的重要零部件之一,广泛运用在工业生产领域当中。由于齿轮箱受制造过程和装配过程中的误差以及高温、重载等恶劣工作环境等多种因素的影响,极易出现各种故障缺陷。一旦齿轮发生故障不但影响工业生产,还有可能引发重大安全问题。因此,对齿轮箱进行状态监测和故障诊断以保证其运行状态正常对工业生产尤为重要。目前针对强背景噪声下,齿轮箱中低速重载斜齿轮的相关故障诊断方法和分类模型仍有不足之处。本文主要研究了基于可调品质因子小波变换(Tunable Q-Factor Wavelet Transform,TQWT)和混合核极限学习机(Hybrid Kernel Extreme Learning Machine,HKELM)的故障诊断方法,并且设计了一套基于振动信号的齿轮箱故障诊断系统。本文主要的研究内容如下:
1.针对齿轮箱在低速重载的条件下,齿轮箱故障产生的以周期性冲击为主的故障信号在强背景噪声环境下难以提取的问题,采用K-均值奇异值分解(K-means Singular Value Decomposition,KSVD)联合参数自适应TQWT分解的故障诊断方法。结合学习字典自适应性高和TQWT具有平移不变性且可以灵活选取不同的小波基来匹配不同振荡特征信号的优势,提取低速重载条件下齿轮箱振动信号的故障特征。针对TQWT分解对噪声鲁棒性不强且参数调试困难的问题,结合齿轮箱早期故障的周期性和冲击性特性,提出一种自相关峭谱积指标用于评估单支重构信号包含的故障特征强弱,所提方法首先利用KSVD对强噪声背景下的齿轮箱故障信号进行稀疏降噪,再根据齿轮箱振动信号特性,自适应地寻找最优参数进行TQWT分解,单支重构信号以实现精确提取齿轮箱的故障特征,完成齿轮箱的故障诊断。
2.针对齿轮箱故障分类难的问题,首先从齿轮箱振动信号中提取故障特征向量,并将其作为HKELM模型的输入。考虑到HKELM模型参数众多且参数对模型精度影响显著,为避免传统人工选择参数的低效性和精度难以最优的问题,引入改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)进行参数寻优。针对原算法容易陷入局部最优与算法不稳定的缺点,引入微分递减权重因子和Tent混沌映射初始化种群提高了种群的寻优能力和种群多样性。使用改进的麻雀搜索算法对HKELM模型参数进行寻优,提升模型的性能和稳定性。最后,在公开的齿轮箱故障缺陷数据集以及实验采集的齿轮箱故障缺陷数据集上验证了模型的有效性。
3.完成齿轮箱故障诊断软件系统。基于系统的整体性需求,搭建齿轮箱测试平台,并确定实验所需的传感器等关键设备的型号。设计开发软件的信号采集和处理算法等模块。基于MATLAB开发软件系统,实现数据存储及故障诊断功能,通过对振动信号分析实现故障诊断,系统中集成了多种信号处理方法和分类模型。将该系统在实验台上进行部署,在齿轮箱实验平台进行实验测试,验证所搭建的齿轮箱故障诊断系统的有效性。