故障特征提取和基于EEMD诊断齿轮箱和深内裤网络

文摘

齿轮传动系统是一个复杂的非平稳和非线性时变耦合系统。齿轮系统发生故障时,很难提取故障特征。在这篇文章中,一个新颖的基于集成经验模态分解的故障诊断方法(EEMD)和深度内裤网络(DBN)提出了对齿轮箱的振动信号测量。原始数据分解为一组固有模式函数(首先使用EEMD,然后主要货币选择重构信号抑制不正常的噪音干扰。DBN的重构信号被视为输入识别变速箱的工作状态和故障类型。验证的有效性EEMD-DBN检测故障,一系列的齿轮故障模拟实验在不同的州。结果表明,该方法耦合EEMD和DBN可以改善齿轮故障识别的准确性,适用于故障诊断在实际应用的能力。

1。介绍

变速箱是现代工业中不可或缺的部分,尤其是对于很多大型设备(1]。传动功率的装置,它通常是容易失败,因为它复杂的结构和恶劣的工作条件。变速箱的失败不仅会导致关闭或威胁人身安全,但也会造成相当大的经济损失。因此,它是非常重要的工程师和研究人员监控设备条件,以防止这类故障的植物。

齿轮箱系统的内部结构是相互关联的,耦合(内2]。在操作过程中,很多因素需要考虑当评估设备的性能状态,如振动、噪声温度、污染物的残骸在油脂中,电源输入和输出的转矩,在牙齿表面应力分布。齿轮箱故障诊断方法有多种,包括振动分析(3),噪声分析4),和石油分析。在线、实时和nondamage,振动信号分析显示许多优点使其广泛应用于齿轮箱故障诊断。

最常见的信号处理方法包括时域分析和时频分析(5)如振幅谱分析、订单分析(6)、倒频谱分析(7,8),包络谱分析(6[],希尔伯特变换解调分析9)、小波分析、自相关分析(10,经验模态分解(EMD) [11]。中可用的振动分析方法,EMD是一种有效的信号分析方法适合处理非线性和非平稳的信号(12]。它由在地方和完全数据驱动的快速和慢速振荡信号的分离。然而,EMD经历的一些问题,如存在非常不同的振幅的振荡模式或非常相似的振动在不同模式的存在,命名为“混合模式。“为了克服缺点,合奏经验模态分解(EEMD)提出了13]。EEMD执行EMD信号的一个加高斯白噪声。考虑到齿轮箱的振动信号是非线性和非平稳的,EEMD算法适用于分析和判断齿轮箱信号(14]。

有几个在齿轮故障失效模式;一些研究人员利用智能模式识别技术在故障检测和诊断。支持向量机是用于机器状态监测和故障诊断15]。RBF神经网络应用于提高故障识别率在齿轮箱的故障诊断16]。提出了人工神经网络专家系统来检测和定位滚动体轴承缺陷(17]。然而,传统的神经网络收敛速度慢和寻找最优解的可能性很小,这限制了神经网络的应用在实际项目。但由于深度学习,辛顿等人在2006年推出了(18),一种新的方法在机器学习技术开始应用于视觉数据分类(19[],解码分析20.),语言信息检索(21),和分类错误(22]。AlphaGo尤其是在2016年,一位杰出的产品的深度学习算法,击败了一位著名棋手的得分4:1 (23]。其优良的性能在游戏中揭示了学习算法的力量。因此,有必要将这种先进的算法引入到齿轮箱的故障诊断。在本文中,一种新的方法加上EEMD和DBN将诊断齿轮故障。

2。故障诊断方法的描述

2.1。EEMD算法

EMD时频信号分析方法的非线性信号,可以自适应分解数据,获得一系列货币基金(24]。这些货币基金反映信号本身的特征和分布从高频到低频。EMD算法非常适用于齿轮箱振动信号的分析,由于齿轮箱的振动信号的非平稳。

然而,在实际应用中,发现有一个问题模式混合的EMD分解过程(13];就是一个国际货币基金组织(IMF)包含不同的频率成分或相同的频率成分分解为不同的货币。

发生在EMD减轻混合模式问题,一个经验模态分解(EEMD)提出了25]。EEMD算法的关键是将原始信号分解,反复利用EMD方法添加高斯噪声,振动和原始数据分解成一系列不同尺度和连续特色首先因为高斯白噪声的频率均匀分布的特点,它可以抑制混合模态的出现。

EEMD算法可以概括如下:

()添加一个白噪声对原始信号可以得到一个新的信号:

()信号通过EMD分解,获得一组货币:

()重复步骤()和()次;得到国际货币基金组织(IMF)通过添加组不同振幅的白噪声,= 1 ~米:

()保护的意思的每一个首先作为最终货币基金:

核实EEMD的有效性,模拟信号所示公式(5分别)是通过使用EMD分解和EEMD;模拟信号,分解结果如图1。

从图可以看出1EEMD可以解决模式混合现象比EMD。此外,IMF2 IMF3, IMF4分解EEMD基本上是一样的三个组件在原始的模拟信号。

2.2。深度信念网络

2.2.1。受限制的玻尔兹曼机的体系结构

限制玻耳兹曼机(元),提出了一种生成随机神经网络,由辛顿和Sejnowski 1986年(26]。在疟疾行动有两个组件:可见层(输入层)和隐藏层底部以上。所有可见的单元连接到所有隐藏的单位,但是没有visible-visible或hidden-hidden连接。可见层和隐层之间的重量用。单位的随机变量把值和联合概率分布在这种模式下服从玻耳兹曼分布(27]。遏制的体系结构如图2。

学习过程如下:当输入层可见,隐藏层获得的是,反之亦然。换句话说,可见层是由和隐藏层。然后参数调整直到差异可见一层一层和派生可见最小化。这意味着获得的隐层中间过程是可见的另一种表示层。

遏制疟疾重量的推导过程使用对比差异(CD)描述如下28]:(1)随机选择一组训练样本作为输入的数据(上标表示火车时间);确定学习速率和节点数量的隐藏层。(2)随机初始化,,。(3)更新的隐藏变量根据公式(4): 在哪里隐层的节点数。(4)重建根据和公式(5): 在哪里输入层的节点数。(5)然后计算根据和公式(4)。(6)根据公式(更新重量和偏见6): (7)重复步骤(),()和()次;完成参数更新的遏制。

2.2.2。深度信念网络

DBN堆积形成的是一个遏制层的层数,如图3。疟疾是独立的,每一层和层重量的互联。深度信念网络结构如图3。

一个可用的DBN网络模型可以获得通过pretraining和微调。注意,这个学习过程,所谓pretraining无监督。培训过程描述如下(29日]:(1)每个组织遏制层是单独训练,确保每一层的输出包含尽可能多的输入特性。培训过程如下:输入数据映射到输出数据按重量;然后输出数据试图重建输入数据。网络更新的重量根据重建后的区别。重复这个过程,直到输入数据和输出数据之间的区别非常小;这是在前一节中给出的疟疾行动学习过程。(2)在前面的步骤中,只训练优化输入层和输出层之间的映射,而不是整个DBN。因此,有必要设置最后DBN层softmax分类器。遏制的输出特征向量是softmax分类器的输入特征向量训练监控之下。网络的所有参数的调整是根据错误的输出和输入每个遏制层从上到下蔓延。这个过程是照亮流程图,如图4。

3所示。实验装置和故障数据

3.1。实验装置

评估的性能故障诊断方法,实验分析的齿轮传动进行了实验装置。如图5实验装置由电机、正时皮带滑轮,耦合,齿轮箱和磁粉制动器。电机和变频器的速度是1500 r / min,是开车。输入齿轮的齿数是55岁,而输出的齿轮是75;因此,速度比是55/75。磁粉制动器作为外部负载。传感器的压电加速度计(ca -码- 186)。

振动信号在传输过程中衰减的振幅,振幅衰减的高频分量低频分量要快得多。轴承附近的位置,振动信号的衰减和畸变最小,是最好的传感器测点。在实验中,加速度传感器是用来测量齿轮箱的振动信号。传感器是安排在每个轴承座位附近的变速箱在垂直方向,这比水平方向上靠近轴承的实验装置。传感器测点如图5。

3.2。故障数据收集

为了收集齿轮故障类型的故障数据,一系列齿轮加工模拟常见故障齿轮。如图6三个典型的齿轮故障模拟,牙齿断裂,根裂纹,麻点腐蚀。

实验旨在收集数据的质量在各种故障和工作条件下,涉及四个齿轮状态(正常、打破穿,和坑),两种类型的电动机转速(1500 r / min和1200 r / min),和三种负载(0,0.1和0.2)。采样频率为10240赫兹。有131072个采样点在每个条件;数据被分成64个零件,每一个都被认为是一种与2048年的数据样本点。因此,每个装备的384组数据生成状态,其中64套被选为测试样本随机图,而其他320套被选为训练样本。总共1280个训练样本和256个测试样本提取振动数据。

4所示。提出了诊断方法的应用程序

4.1。EEMD-DBN诊断方法

原始振动信号被分解成几个EEMD方法首先组件。分解首先组件代表原始振动信号中不同频率的分量。EEMD结果在一个样本的不同故障信号显示在图7。有11首先组件在每个EEMD结果,并且每个分解显示故障信号从高频到低频。

在真实的工作条件,收集到的振动信号通常包含噪声背景,所以假成分影响EEMD分解。这些假成分中所包含的频率成分的可能性与国际货币基金组织特征频带和他们应该被消除。齿轮箱故障诊断的过程基于EEMD降噪和DBN照图8。

齿轮的固有频率高,噪音信号分解成EEMD低频段。然而,信息包含变速箱工作状态和故障特征分解为高频。因此,高频部分EEMD结果主要是研究什么。前面四阶首先由原始数据被选出来分解重建信号。EEMD降噪后,DBN用于齿轮箱的四个州进行分类。

4.2。DBN培训结果

从理论上讲,输入数据的长度应该是2048点,但输入数据的类型是重组的频域信号,对称,所以上半年。这个选择不会影响分类结果。此外,它可以减少培训时间。因此,输入数据的大小是1024。DBN的参数如表所示1。

之间的比较分析进行了耦合EEMD DBN和DBN没有EEMD验证耦合方法的可用性。

增加集群之间的分离特性,以获得更多的诊断准确性和减少有效的特征维数计算,主成分分析(PCA)是先后应用于获得的特性集。新特征空间的分布特性可以通过可视化观察。

前三个主成分的提取层第一层和第二元,和视觉图形数据所示9和10。图9没有EEMD DBN训练方法的结果,和图吗10是与EEMD降噪DBN训练的结果。

4.3。DBN测试结果

为了估计两个训练数据样本的分类效果DBN,数据进行了测试。测试数据处理的训练数据(如果训练数据是由EEMD处理,所以测试数据;如果训练数据是未经加工的,所以测试数据)。DBN网络的测试进行了20次,每次的准确率图所示11。

它可以看到从图11EEMD处理的平均识别率是99.25%,而平均识别率没有处理是96.25%。后,识别率提高近3% EEMD处理。此外,识别率是处理数据时更稳定。可以说,DBN方法有效地协助改善齿轮故障诊断的准确性。

5。结论

本文介绍了利用振动信号诊断齿轮故障的新方法。原始振动信号被分解成几个EEMD方法首先组件。分解首先组件代表原始振动信号的不同频率成分。在振动信号处理不稳定发生,只有主要货币选择重建信号消除噪声信号的影响。故障特征提取的DBN培训。

最后,功能是输入DBN测试,所以他们的性能评价。的结果表明,该方法耦合EEMD和DBN可以改善齿轮故障识别的准确性,适用于故障诊断在实际应用的能力。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这个项目是由交通运输部应用基础研究的资助项目(没有。2013329811360),中国国家自然科学基金(没有。51139005也没有。51509194),中央大学(没有基础研究基金。2014 - yb - 018)。

引用

1. x z . Li Yan, c .元,j .赵和z .彭,“齿轮箱的故障检测和诊断船用推进系统使用双频谱分析和人工神经网络,”海洋科学与应用杂志》上,10卷,不。1,17-24,2011页。视图:出版商的网站|谷歌学术搜索
2. x z . Li Yan, z, c .元,z, l·李,“盲振动组件分离和非线性特征提取应用于齿轮箱故障诊断构成的非平稳振动信号,”测量期刊的国际联盟,46卷,不。1,第271 - 259页,2013。视图:出版商的网站|谷歌学术搜索
3. 陈,z, c .太阳,b . Li y子,z和他“变速箱的故障特征提取使用overcomplete理性扩张离散小波变换在信号测量的振动传感器,”机械系统和信号处理33卷,第298 - 275页,2012年。视图:出版商的网站|谷歌学术搜索
4. Ş。但和美国Erkaya齿轮诊断的实验研究利用声发射技术,”国际期刊的声学和振动,21卷,不。1,第111 - 103页,2016。视图:出版商的网站|谷歌学术搜索
5. y z . Li江、胡c和z,“最近进展脱钩的混合故障诊断齿轮传动系统振动传感器信号:复习一下,”测量卷。90年,4-19,2016页。视图:出版商的网站|谷歌学术搜索
6. y . j . Cheng杨,d . Yu”信封阶谱基于广义解调时频分析及其应用齿轮故障诊断,”机械系统与信号处理,24卷,不。2、508 - 521年,2010页。视图:出版商的网站|谷歌学术搜索
7. h .李娜和郑洁,“基于顺序倒频谱分析的齿轮故障诊断。”《振动与冲击,25卷,不。5,65 - 68年,2006页。视图:谷歌学术搜索
8. l . Nacib K.-M。Pekpe, s . Sakhara”检测齿裂纹使用cepstral分析直升机齿轮箱,”国际工程科技的进步杂志》上,2013年。视图:谷歌学术搜索
9. a . Djebala n . Ouelaa c Benchaabane, d . f . Laefer”应用小波多分辨率分析和希尔伯特变换齿轮齿缺陷的预测,”Meccanica卷,47号7,1601 - 1612年,2012页。视图:出版商的网站|谷歌学术搜索
10. M.-E。Morsy和g . Achtenova”自相关分析在汽车变速箱故障诊断的价值,”国际期刊汽车噪声与振动,11卷,不。2、181 - 193年,2015页。视图:谷歌学术搜索
11. y, z汉、j·高和s .宁”EMD在齿轮故障诊断中的应用基于自相关分析,“《中国农业机械化,2015年。视图:谷歌学术搜索
12. d . j . Cheng Yu, y,“基于EMD的转子系统故障诊断和分形维数,“中国机械工程,2005年。视图:谷歌学术搜索
13. s . r . n . e .黄m . c . Wu长et al .,“信心限制经验模态分解和希尔伯特谱分析,“英国伦敦皇家学会。程序。系列a数学、物理和工程科学,卷459,不。2037年,第2345 - 2317页,2003年。视图:出版商的网站|谷歌学术搜索|MathSciNet
14. m·e·托雷斯·m·A·Colominas g . Schlotthauer和p . Flandrin”一个完整的整体经验模态分解与自适应噪声”美国第36届IEEE国际会议音响、演讲和信号处理,页4144 - 4147,布拉格,捷克共和国,2011年5月。视图:出版商的网站|谷歌学术搜索
15. 答:中,s。杨”,支持向量机在机器状态监测和故障诊断,”机械系统与信号处理,21卷,不。6,2560 - 2574年,2007页。视图:出版商的网站|谷歌学术搜索
16. j .愣,s . Jing, z . Wu”故障诊断基于RBF神经网络的变速箱,”杂志的机械强度,2010年。视图:谷歌学术搜索
17. p .贾S.-N。Verma A.-K。EBP-Artificial Wadhwani”,发展为滚动轴承故障诊断神经网络专家系统,”振动与控制杂志》上,17卷,不。8,1131 - 1148年,2011页。视图:出版商的网站|谷歌学术搜索
18. g·e·辛顿美国Osindero, Y.-W。格兰”,快速学习算法深度信念网”,神经计算,18卷,不。7,1527 - 1554年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
19. s . y . Liu周、陈问:“歧视的深层信念网络视觉数据分类,”模式识别,44卷,不。年级,2287 - 2296年,2011页。视图:出版商的网站|谷歌学术搜索
20. y畠山直哉,h . Kataoka y Okuhara, s .吉田“解码分析基于深度的fMRI短暂的网络,”2014年世界自动化大会,WAC 2014美国,页268 - 272年,2014年8月。视图:出版商的网站|谷歌学术搜索
21. j . j . Kim Nam, i Gurevych”学习语义深层信念网络的跨语言信息检索”在计算语言学国际会议,579 - 588页。视图:谷歌学术搜索
22. p . Tamilselvan和p . Wang”故障诊断使用基于深层信念学习健康状态分类,“可靠性工程和系统安全,卷115,不。7,124 - 135年,2013页。视图:出版商的网站|谷歌学术搜索
23. F.-Y。王,j . j .张x郑et al .,“AlphaGo哪里去:从church-turing论文AlphaGo论文之外,“IEEE / CAA自动化杂志》上,3卷,不。2、113 - 120年,2016页。视图:出版商的网站|谷歌学术搜索
24. y y, z .他和子,“应用EEMD转子旋转机械故障诊断的方法,”机械系统与信号处理,23卷,不。4、1327 - 1338年,2009页。视图:出版商的网站|谷歌学术搜索
25. f . x, c . Liu Bi, x Bi,和k .邵”柴油机的故障诊断基于自适应小波包和EEMD-fractal维度,“机械系统与信号处理第41卷。。1,第597 - 581页,2013。视图:出版商的网站|谷歌学术搜索
26. G.-E。辛顿和T.-J。Sejnowski”,在玻耳兹曼的机器学习和再学习,”第317 - 282页,1986年。视图:谷歌学术搜索
27. r . Salakhutdinov a Mnih g·辛顿,“限制玻耳兹曼机协同过滤,”24日国际会议的程序机器学习(ICML ' 07)卷,227年,页791 - 798,科瓦利斯,俄勒冈州,2007年6月。视图:出版商的网站|谷歌学术搜索
28. a·费舍尔和c·伊格尔介绍限制玻耳兹曼机海德堡,激飞柏林,2012年。
29. g .辛顿深度信念网施普林格,2011年。

版权

版权©2017 Kai陈等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。