王 洪,張銳麗,吳 凱

(1.宜賓職業(yè)技術(shù)學(xué)院 智能制造學(xué)院,四川 宜賓 644003;2.成都理工大學(xué) 機(jī)電工程學(xué)院,四川 成都 610059)

0 引 言

齒輪箱是一種常用的傳動(dòng)系統(tǒng)部件,目前已被廣泛應(yīng)用于汽車(chē)、航空航天、化工等領(lǐng)域。由于齒輪箱的結(jié)構(gòu)復(fù)雜,并且運(yùn)行工況不穩(wěn)定,導(dǎo)致齒輪箱內(nèi)部的零部件極易發(fā)生疲勞失效,導(dǎo)致整個(gè)設(shè)備的振動(dòng),不利于設(shè)備的安全運(yùn)行[1]。

齒輪箱發(fā)生故障后,其振動(dòng)信號(hào)中包含大量與故障特征無(wú)關(guān)的諧波信息,干擾其故障特征的提取[2]。因此,有必要采取信號(hào)分解方法對(duì)源信號(hào)進(jìn)行處理,以降低噪聲的干擾[3]。

高淑芝等人[4]提出了一種基于集成經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition,EEMD)的故障診斷方法,采用該方法準(zhǔn)確地識(shí)別出了滾動(dòng)軸承的故障信息;然而EEMD的運(yùn)行效率極為低下,且引入噪聲進(jìn)行輔助分解,會(huì)導(dǎo)致分解分量殘留部分噪聲。為此,肖俊青等人[5]采用自適應(yīng)噪聲完備集成經(jīng)驗(yàn)?zāi)B(tài)分解方法,對(duì)故障信號(hào)進(jìn)行了處理,結(jié)果表明了其效果優(yōu)于EEMD,故障信號(hào)分解得更為精確;然而其分解的信號(hào)依然殘留少量噪聲。針對(duì)該問(wèn)題,李銘等人[6]將改進(jìn)自適應(yīng)噪聲完備集成經(jīng)驗(yàn)?zāi)B(tài)分解(ICEEMDAN)用于處理滾動(dòng)軸承振動(dòng)信號(hào),并進(jìn)行了實(shí)驗(yàn),結(jié)果驗(yàn)證了ICEEMDAN的優(yōu)越性,其能夠更好地去除信號(hào)中的噪聲。

基于此,筆者采用ICEEMDAN來(lái)剔除齒輪箱振動(dòng)信號(hào)中的噪聲,以減少噪聲對(duì)后續(xù)分析的干擾。

齒輪箱振動(dòng)信號(hào)為非線(xiàn)性的一維數(shù)據(jù),通常需要采用基于熵值的非線(xiàn)性分析方法進(jìn)行處理[7]。常見(jiàn)的熵值分析方法包括樣本熵、排列熵、多尺度熵等。排列熵(permutation entropy,PE)具有計(jì)算效率高、抗噪性強(qiáng)和性能優(yōu)異等特點(diǎn),被廣泛用于故障診斷的研究中。

顧云青等人[8]提出了一種基于ICEEMDAN和PE的滾動(dòng)軸承故障診斷方法,并將其用于軸承故障診斷,診斷結(jié)果驗(yàn)證了排列熵的性能;然而PE忽略了信號(hào)的幅值信息。為此,ZHOU Shen-han等人[9]將加權(quán)排列熵(weighted permutation entropy,WPE)用于表征滾動(dòng)軸承的健康狀態(tài),準(zhǔn)確檢測(cè)和識(shí)別了滾動(dòng)軸承的故障;然而WPE只是進(jìn)行了單一尺度的分析。YUAN Xu-yi[10]提出了多尺度加權(quán)排列熵(multiscale weighted permutation entropy,MWPE),采用MWPE有效提取出了隔膜泵的故障特征;然而MWPE的粗?；幚硪蕾?lài)于分析數(shù)據(jù)的長(zhǎng)度,造成熵值偏差隨著尺度的增加而變大。為此,王振亞等人[11]對(duì)粗粒化方式進(jìn)行了優(yōu)化,提出了改進(jìn)多尺度加權(quán)排列熵,并將其應(yīng)用于故障診斷,結(jié)果驗(yàn)證了該算法的有效性;但是在分析某些信號(hào)時(shí),基于方差改進(jìn)的加權(quán)排列熵可能會(huì)失去有效性[12]。

針對(duì)上述問(wèn)題,筆者采用均方根對(duì)改進(jìn)多尺度加權(quán)排列熵進(jìn)行改進(jìn),提出另一種形式的改進(jìn)加權(quán)排列熵(IMWPE),以進(jìn)一步增強(qiáng)算法的特征提取能力;在此基礎(chǔ)上,提出一種基于ICEEMDAN信號(hào)重構(gòu)、IMWPE故障特征提取、線(xiàn)性判別分析(LDA)特征降維和蝴蝶優(yōu)化算法優(yōu)化支持向量機(jī)(BOA-SVM)的損傷識(shí)別模型(ICEEMDAN-IMWPE-LDA-BOA-SVM)。

首先,采用ICEEMDAN對(duì)樣本進(jìn)行處理,篩選出核心組件,進(jìn)行故障信號(hào)重構(gòu);隨后,利用IMWPE提取重構(gòu)信號(hào)的故障特征,并采用LDA進(jìn)行特征的降維;最后,采用基于蝴蝶算法優(yōu)化的支持向量機(jī)SVM進(jìn)行故障識(shí)別。

1 ICEEMDAN信號(hào)重構(gòu)

1.1 ICEEMDAN算法原理

ICEEMDAN利用數(shù)據(jù)的局部均值來(lái)獲取k階模態(tài),能夠進(jìn)一步消除數(shù)據(jù)中的殘留噪聲和偽模態(tài),使得分解得到的本征模態(tài)函數(shù)(intrinsic mode function,IMF)分量具有更清晰的物理意義。ICEEMDAN對(duì)信號(hào)處理的詳細(xì)過(guò)程可參考逄英等人的研究[13]。

1.2 分量選擇原則

相關(guān)系數(shù)能夠準(zhǔn)確地刻畫(huà)IMF分量與原始數(shù)據(jù)之間的緊密程度,根據(jù)相關(guān)系數(shù),能夠據(jù)此保留信息量更多的IMF分量[14]。首先,筆者計(jì)算了歸一化處理后的原始數(shù)據(jù)自相關(guān)函數(shù),以及各階IMF分量自相關(guān)函數(shù)之間的相關(guān)系數(shù)。

相關(guān)系數(shù)的定義如下:

(1)

式中:E(x)為數(shù)據(jù)序列xi的均值;E(y)為數(shù)據(jù)序列yi的均值;n為數(shù)據(jù)的采樣點(diǎn)數(shù)。

隨后,定義分量的選擇閾值。假設(shè)各樣本經(jīng)過(guò)ICEEMDAN分解后得到的最少I(mǎi)MF分量數(shù)量為m,則閾值δ定義為:

(2)

當(dāng)IMF分量的相關(guān)系數(shù)大于閾值時(shí),則將其視為有效分量;否則,將其剔除。

2 改進(jìn)多尺度加權(quán)排列熵特征提取

2.1 加權(quán)排列熵算法

排列熵對(duì)時(shí)間序列的幅值不敏感,對(duì)幅值相等的時(shí)間序列無(wú)法進(jìn)行有效的區(qū)分[15]。

受到基于方差的加權(quán)排列熵的啟發(fā),筆者采用均方根對(duì)排列熵進(jìn)行改進(jìn),提出了加權(quán)排列熵的另外一種形式,其原理如下:

(3)

式中:m為嵌入維數(shù);τ為時(shí)間延遲。

2)定義各子信號(hào)的權(quán)重ωi:

(4)

(5)

4)求解信號(hào)X的WPE值為:

(6)

2.2 多尺度加權(quán)排列熵算法

多尺度加權(quán)排列熵能夠有效地從多個(gè)尺度來(lái)表征非線(xiàn)性數(shù)據(jù)的復(fù)雜性。對(duì)于信號(hào)X={x1,x2,…,xN},多尺度加權(quán)排列熵的具體計(jì)算步驟如下:

1)對(duì)信號(hào)進(jìn)行粗?；幚?生成粗?；蛄衁s={ys(j)}。

(7)

式中:s為尺度因子。

2)提取不同尺度因子s下,各粗?；蛄衁s的加權(quán)排列熵值,則得到MWPE如下:

MWPE(X,m,τ,s)=WPE(Ys,m,τ)

(8)

2.3 改進(jìn)多尺度加權(quán)排列熵

MWPE避免了WPE只能進(jìn)行單尺度分析的不足,然而原始的粗?；幚頃?huì)造成熵值誤差隨著尺度因子的增加而增大。因此,筆者平均同一尺度下全部粗粒序列的WPE熵值,以避免由于粗粒序列變短而造成WPE熵值突變現(xiàn)象的出現(xiàn),使得復(fù)雜性分析更加準(zhǔn)確[16]。

對(duì)于信號(hào)X={x1,x2,…,xN},改進(jìn)多尺度加權(quán)排列熵的原理如下:

(9)

(10)

當(dāng)尺度因子為s=3時(shí),傳統(tǒng)的粗?；幚砗透倪M(jìn)的粗?；幚砣鐖D1所示。

圖1 尺度因子s=3時(shí)的傳統(tǒng)粗?；透倪M(jìn)粗?；^(guò)程

由圖1可以發(fā)現(xiàn):在傳統(tǒng)的粗粒化過(guò)程中,粗粒序列中的元素?cái)?shù)量會(huì)隨著尺度的增加而變少,導(dǎo)致熵值的不穩(wěn)定性。此外,傳統(tǒng)的粗?；幚磉€忽視了部分相鄰樣本點(diǎn)之間的動(dòng)態(tài)關(guān)系,如在圖1(a)中,x3和x4之間的信息就被忽略了;反之,在改進(jìn)的粗?；幚磉^(guò)程中,在相同尺度因子s下,改進(jìn)的粗?；幚砟軌颢@得s組粗粒序列,對(duì)這些序列進(jìn)行平均處理,能夠有效解決熵值不穩(wěn)定的問(wèn)題。

而且改進(jìn)粗粒化處理通過(guò)滑動(dòng)操作,充分考慮了相鄰樣本點(diǎn)之間的關(guān)系,數(shù)據(jù)的利用率更高。

IMWPE方法的性能與嵌入維數(shù)m、時(shí)間延遲τ和尺度因子s有關(guān)。m選擇得過(guò)小,重構(gòu)向量的長(zhǎng)度變短,算法無(wú)法有效探測(cè)信號(hào)的動(dòng)力學(xué)突變;相反,m設(shè)置過(guò)大,不僅降低計(jì)算效率,而且無(wú)法有效表征信號(hào)的微弱波動(dòng)。因此,通常設(shè)置嵌入維數(shù)的取值范圍在[4,7],筆者設(shè)置為m=5。

尺度因子s的設(shè)置沒(méi)有嚴(yán)格的要求,通常設(shè)置為s≥10,筆者設(shè)置為s=25。

時(shí)間延遲τ對(duì)IMWPE的影響幾乎可以忽略不計(jì),筆者設(shè)置為τ=1。

3 LDA特征降維和BOA-SVM分類(lèi)識(shí)別

3.1 LDA算法原理

LDA算法基于Fisher判別定理,定義子空間J,并將數(shù)據(jù)向子空間J做投影,生成低維樣本作為新的特征樣本,進(jìn)而實(shí)現(xiàn)降維的目的[17]。

假定有C個(gè)樣本類(lèi)別,而數(shù)據(jù)X={xi∈Rn,i=1,…,N}則是N個(gè)n維的訓(xùn)練樣本,則基于Fisher定理對(duì)空間J進(jìn)行定義為:

(11)

(12)

(13)

當(dāng)Sw非奇異時(shí),廣義特征方程的d(d≤C-1)個(gè)最大的特征值所對(duì)應(yīng)的特征向量wi即為最佳投影矩陣W的列向量:

Sbwi=λSwwi

(14)

筆者將數(shù)據(jù)xi向子空間J進(jìn)行投影,即yi=WTxi,則yi對(duì)應(yīng)低維特征向量。

3.2 蝴蝶優(yōu)化算法

蝴蝶在飛行時(shí),會(huì)在周?chē)l(fā)一種氣味,其他蝴蝶聞到該氣味后,會(huì)基于香味的濃度而被吸引。當(dāng)某只蝴蝶聞到最佳香味時(shí),會(huì)朝著散發(fā)氣味的蝴蝶靠近,這個(gè)過(guò)程稱(chēng)為全局搜索階段;而當(dāng)蝴蝶無(wú)法聞到任何蝴蝶氣味時(shí),將在全局搜索范圍內(nèi)隨機(jī)選擇移動(dòng)位置,這個(gè)過(guò)程稱(chēng)為局部搜索階段[18]。

蝴蝶會(huì)在飛行時(shí)散發(fā)氣味,定義氣味濃度為:

f=cIa

(15)

式中:I為刺激強(qiáng)度;c為感知形態(tài);a為激勵(lì)系數(shù)。

蝴蝶的運(yùn)動(dòng)模型包含兩個(gè)階段:

1)全局搜索階段

蝴蝶在飛行中會(huì)散發(fā)氣味,其他蝴蝶會(huì)按照聞到的氣味濃度來(lái)搜索目標(biāo),模型定義如下:

(16)

式中:xi(t)為迭代t時(shí)蝴蝶i的位置;g*為全局最佳解;r1為[0,1]之間的隨機(jī)數(shù);fi為蝴蝶i的氣味濃度。

2)局部搜索階段

若蝴蝶缺乏感知其他蝴蝶氣味的能力,則它將在搜索范圍內(nèi)隨機(jī)移動(dòng),模型定義為:

(17)

式中:xj(t),xk(t)為任意選擇的蝴蝶;r2為[0,1]之間的隨機(jī)數(shù)。

BOA進(jìn)行全局尋優(yōu)或局部尋優(yōu)的概率由閾值P決定,在每次迭代時(shí)會(huì)隨機(jī)生成隨機(jī)數(shù)r3,并與P進(jìn)行對(duì)比,定義為:

(18)

4 ICEEMDAN-IMWPE-LDA-BOA-SVM方法

4.1 故障診斷流程

基于上述理論介紹,筆者提出了基于ICEEMDAN信號(hào)重構(gòu)、IMWPE特征提取、LDA特征降維、BOA-SVM模式識(shí)別的齒輪箱故障診斷方法。

該方法的主要診斷步驟如下:

1)采集齒輪箱在多個(gè)常見(jiàn)工況下的振動(dòng)信號(hào),并將其分割為長(zhǎng)度為2 048的多組樣本;

2)采用ICEEMDAN對(duì)振動(dòng)信號(hào)進(jìn)行分解,基于IMF分量選擇原則,篩選得到包含主要信息的IMF分量,并進(jìn)行信號(hào)的重構(gòu);

3)利用IMWPE提取重構(gòu)信號(hào)的故障特征,并采用LDA進(jìn)行特征降維,得到低維敏感特征,并將其分為訓(xùn)練樣本和測(cè)試樣本;

4)利用BOA算法對(duì)SVM模型中的參數(shù)進(jìn)行優(yōu)化。其中,對(duì)于蝴蝶種群,適應(yīng)度設(shè)置為SVM對(duì)訓(xùn)練樣本的識(shí)別精度;

5)判斷是否符合迭代終止條件,若符合則輸出最佳參數(shù)的(C,g)組合,并將其代入至SVM模型中;

6)將測(cè)試樣本輸入至優(yōu)化后的SVM模型中,實(shí)現(xiàn)故障的識(shí)別。

4.2 故障診斷實(shí)驗(yàn)

4.2.1 實(shí)驗(yàn)平臺(tái)及數(shù)據(jù)

為了檢驗(yàn)ICEEMDAN-IMWPE-LDA-BOA-SVM方法,筆者采用東南大學(xué)的齒輪箱故障數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。

齒輪箱故障實(shí)驗(yàn)平臺(tái)如圖2所示[19]。

圖2 齒輪箱實(shí)驗(yàn)平臺(tái)

該平臺(tái)由驅(qū)動(dòng)電機(jī)、電機(jī)控制器、行星齒輪箱、平行齒輪箱和制動(dòng)器等組成。

振動(dòng)信號(hào)由布置在行星齒輪箱表面的振動(dòng)加速度計(jì)以5 120 Hz的頻率進(jìn)行采集。轉(zhuǎn)速和負(fù)載分2兩種,分別是20 Hz/0 V和30 Hz/2 V,筆者選擇30 Hz的振動(dòng)數(shù)據(jù)進(jìn)行分析;每種工況均截取60個(gè)長(zhǎng)度2 048的樣本,其中30組用于訓(xùn)練,剩余30組用于測(cè)試。

齒輪箱故障及樣本的詳細(xì)信息如表1所示。

表1 齒輪箱樣本的詳細(xì)信息

齒輪箱振動(dòng)信號(hào)的波形如圖3所示。

圖3 齒輪箱振動(dòng)信號(hào)波形

4.2.2 結(jié)果與分析

首先,為了消除齒輪箱振動(dòng)信號(hào)中的噪聲,筆者利用ICEEMDAN對(duì)振動(dòng)信號(hào)進(jìn)行分解,并進(jìn)行信號(hào)的重構(gòu)。

此處以健康齒輪振動(dòng)信號(hào)為例,其ICEEMDAN的分解結(jié)果如圖4所示。

圖4 健康齒輪的ICEEMDAN分解波形

從圖4可以發(fā)現(xiàn):對(duì)于健康齒輪的振動(dòng)信號(hào)而言,在經(jīng)過(guò)ICEEMDAN分解后,不同頻率成分的特征信息實(shí)現(xiàn)了分離,但是高階IMF分量包含的信息較少,更多的是噪聲成分,有必要進(jìn)行剔除。

為此,筆者基于相關(guān)系數(shù),對(duì)IMF分量進(jìn)行重要性評(píng)估。

所有樣本的相關(guān)系數(shù)如圖5所示。

圖5 IMF分量與原始信號(hào)的相關(guān)系數(shù)

經(jīng)過(guò)計(jì)算,5種工況樣本的相關(guān)系數(shù)閾值均近似為0.2,因此,筆者根據(jù)該閾值選擇IMF分量進(jìn)行信號(hào)重構(gòu)。

從圖5可以發(fā)現(xiàn):前兩階IMF分量的相關(guān)系數(shù)均大于閾值,即這兩個(gè)分量包含了原始信號(hào)的大部分故障信息,因此,筆者選擇這兩階分量進(jìn)行信號(hào)重構(gòu)。

重構(gòu)信號(hào)如圖6所示。

圖6 齒輪箱重構(gòu)信號(hào)

從圖6可以發(fā)現(xiàn):經(jīng)過(guò)信號(hào)重構(gòu)后,部分的沖擊成分更加明顯(這是因?yàn)樘蕹腎MF分量中包含許多噪聲),可見(jiàn),信號(hào)重構(gòu)有利于突出核心的故障成分。

隨后,筆者利用IMWPE提取齒輪箱重構(gòu)信號(hào)的故障特征,得到5種狀態(tài)下的IMWPE值,如圖7所示。

圖7 5種狀態(tài)下的IMWPE值

從圖7可知:5種狀態(tài)下的IMWPE值具有類(lèi)似的趨勢(shì),即熵值隨著尺度因子的變化而存在較顯著的波動(dòng),且在不同尺度下熵值存在明顯的交叉重疊,故不能直接將原始的故障特征輸入至分類(lèi)器進(jìn)行識(shí)別。

為了提高特征的準(zhǔn)確率,筆者對(duì)IMWPE特征進(jìn)行優(yōu)化,利用LDA對(duì)特征進(jìn)行可視化降維,提取前2個(gè)故障特征進(jìn)行分類(lèi)識(shí)別。

5種工況樣本的LDA降維結(jié)果如圖8所示。

圖8 IMWPE特征的可視化

從圖8可知:基于ICEEMDAN-IMWPE提取的故障特征具有比較好的質(zhì)量,可視化的結(jié)果表明,樣本5能夠?qū)崿F(xiàn)完全的區(qū)分,而樣本4、樣本2、樣本1發(fā)生了較明顯的混疊,證明這3種樣本可能會(huì)出現(xiàn)錯(cuò)誤識(shí)別的樣本。

筆者利用BOA方法,對(duì)支持向量機(jī)中的參數(shù)進(jìn)行優(yōu)化,隨后對(duì)測(cè)試樣本進(jìn)行識(shí)別。

ICEEMDAN-IMWPE-LDA-BOA-SVM的故障識(shí)別結(jié)果,如圖9所示。

圖9 ICEEMDAN-IMWPE-LDA-BOA-SVM的故障識(shí)別結(jié)果

從圖9可知:ICEEMDAN-IMWPE-LDA-LDA-BOA-SVM故障診斷方法僅錯(cuò)誤識(shí)別了一個(gè)樣本,即將樣本3錯(cuò)誤識(shí)別為樣本2,總的準(zhǔn)確率為99.33%。

該結(jié)果證明,該方法能夠較為有效地識(shí)別齒輪箱的故障類(lèi)型,具有一定的應(yīng)用潛力。

為了驗(yàn)證ICEEMDAN-IMWPE-LDA-BOA-SVM故障診斷方法相對(duì)于其他故障診斷方法的優(yōu)劣,筆者從3個(gè)維度開(kāi)展對(duì)比分析。

1)特征提取維度對(duì)比

筆者將ICEEMDAN-IMWPE-LDA故障特征提取方法分別與EEMD-IMWPE-LDA故障特征提取方法、IMWPE-LDA故障特征提取方法和ICEEMDAN-IMWPE故障特征提取方法進(jìn)行比較,利用上述幾種方法進(jìn)行故障特征提取。

筆者將特征輸入到BOA-SVM中進(jìn)行故障識(shí)別,識(shí)別結(jié)果如圖10所示。

圖10 不同故障特征提取方法的診斷結(jié)果

4種方法的詳細(xì)診斷結(jié)果如表2所示。

表2 4種特征提取方法的故障診斷結(jié)果

由表2可知:經(jīng)ICEEMDAN-IMWPE-LDA故障特征識(shí)別后的準(zhǔn)確率高于EEMD-IMWPE-LDA特征提取方法,ICEEMDAN算法在特征提取效果方面優(yōu)于EEMD的原因是,EEMD進(jìn)行信號(hào)重構(gòu)時(shí)無(wú)法完全去除信號(hào)中的噪聲和干擾。

ICEEMDAN-IMWPE-LDA和EEMD-IMWPE-LDA的準(zhǔn)確率高于IMWPE-LDA,即對(duì)信號(hào)進(jìn)行分解和重構(gòu)的準(zhǔn)確率高于對(duì)原始信號(hào)進(jìn)行分析的準(zhǔn)確率,這是因?yàn)樵夹盘?hào)中的噪聲會(huì)對(duì)分析結(jié)果造成極大影響。

而ICEEMDAN-IMWPE-LDA的結(jié)果高于ICEEM-DAN-IMWPE方法,這是因?yàn)長(zhǎng)DA特征降維有效去除了冗余信息,突出了核心故障信息,從而提高了識(shí)別準(zhǔn)確率。

2)熵值方法對(duì)比

為了證明IMWPE方法在特征提取中的優(yōu)越性,筆者利用改進(jìn)多尺度排列熵(improved multiscale permutation entropy,IMPE)、MPE、多尺度加權(quán)排列熵(MWPE)、基于方差的多尺度加權(quán)排列熵(multiscale weighted permutation entropy based on variance,MWPE_rms)進(jìn)行對(duì)比,并將采用上述5種方法提取的故障特征經(jīng)過(guò)LDA降維,然后將其輸入至BOA-SVM中,進(jìn)行故障的識(shí)別。

筆者重復(fù)10次上述操作,得到了故障診斷結(jié)果,如表3所示。

表3 故障診斷結(jié)果對(duì)比

由表3可知:基于IMWPE的故障診斷方法實(shí)現(xiàn)了98.47%的平均識(shí)別準(zhǔn)確率,高于其他4種診斷方法;與其他4方法相比,該方法多次實(shí)驗(yàn)的平均識(shí)別精度分別高了2.74%、17%、17.14%和16.20%,證明了其具有較好的穩(wěn)定性;同時(shí),其最小準(zhǔn)確率為96.67%,表明其能夠穩(wěn)定可靠地識(shí)別齒輪箱的不同故障類(lèi)型。

3)分類(lèi)模型對(duì)比

為了驗(yàn)證BOA-SVM的可行性,筆者采用常見(jiàn)的遺傳算法優(yōu)化支持向量機(jī)(genetic algorithm optimized support vector machine,GA_SVM)、粒子群算法優(yōu)化支持向量機(jī)(particle swarm optimization optimized support vector machine,PSO_SVM)和差分算法優(yōu)化支持向量機(jī)(differential evolution optimized support vector machine,DE_SVM)進(jìn)行故障診斷對(duì)比,得到的診斷結(jié)果如表4所示[20-22]。

表4 故障診斷結(jié)果對(duì)比

由表4可知:相較于其他3種故障診斷模型,基于BOA優(yōu)化的SVM取得了最高的故障診斷準(zhǔn)確率和效率,診斷精度為99.33%,用時(shí)5.31 s,比GA_SVM縮短了近三分之二的時(shí)間,比PSO_SVM縮短了近一半的時(shí)間,說(shuō)明BOA優(yōu)化得到的參數(shù)最優(yōu),同時(shí)耗時(shí)最少,在故障診斷中最具有優(yōu)勢(shì)。

筆者基于多個(gè)維度開(kāi)展了對(duì)比實(shí)驗(yàn),結(jié)果表明ICEEMDAN-IMWPE-LDA-BOA-SVM方法在效率和準(zhǔn)確率方面均具有一定的優(yōu)越性。

5 結(jié)束語(yǔ)

綜上所述,筆者提出了一種基于ICEEMDAN信號(hào)重構(gòu)、IMWPE特征提取、LDA特征降維和BOA-SVM故障識(shí)別的齒輪箱故障診斷方法,并利用東南大學(xué)齒輪箱數(shù)據(jù)集對(duì)其進(jìn)行了實(shí)驗(yàn),以驗(yàn)證該方法的有效性。

研究結(jié)論如下:

1)采用ICEEMDAN對(duì)信號(hào)進(jìn)行處理,結(jié)合相關(guān)系數(shù)分量篩選準(zhǔn)則能夠?qū)崿F(xiàn)信號(hào)的降噪和重構(gòu)。利用齒輪箱數(shù)據(jù)集對(duì)ICEEMDAN-IMWPE-LDA-BOA-SVM方法進(jìn)行了驗(yàn)證,得到的故障識(shí)別準(zhǔn)確率為99.33%,證明了該方法的有效性;

2)在提取故障特征方面,基于均方根的IMWPE特征提取方法優(yōu)于IMPE、MWPE、MPE和MWPE_rms方法,多次實(shí)驗(yàn)的平均識(shí)別精度也得到了不同程度的提高;

3)采用BOA對(duì)SVM的懲罰系數(shù)和核函數(shù)參數(shù)進(jìn)行了優(yōu)化,減小了分類(lèi)識(shí)別的不確定性,增加了分類(lèi)精度,同時(shí)降低了模型的訓(xùn)練時(shí)間;與其他3種分類(lèi)模型相比較,其效率最高,診斷時(shí)間只需5.31 s,診斷精度為99.33%,在故障診斷中更具比較優(yōu)勢(shì)。

雖然該方法取得了不錯(cuò)的損傷識(shí)別結(jié)果,但最低識(shí)別準(zhǔn)確率為96.67%,證明診斷性能存在提升空間。后續(xù),筆者將進(jìn)一步降低信號(hào)中的噪聲,提升故障識(shí)別精度。