专利名称：一种基于改进多变量预测模型的齿轮故障诊断方法
技术领域：
本发明涉及一种齿轮故障诊断方法，特别涉及一种基于改进多变量预测模型的齿轮故障诊断方法。
背景技术：
机械设备的诊断过程包括诊断信息获取、故障特征信息提取和状态识别三部分。
在模式识别中，常用的方法有决策树聚类分析、灰度聚类分析、模糊算法聚类分析。这些方法虽然已被应用于机械故障诊断中，但它们缺乏通用性，同时计算量较大。此外，模式识别还包括粗糙集理论、神经网络模式识别方法以及支持向量回归机(Support vector machine, SVM)。粗糙集理论在处理模糊和不确定信息上具有较大的优越性,但其决策规则很不稳定，精确性有待提高，而且是基于完备的信息系统，处理数据时，常常会遇到数据丢失现象；神经网络模式识别方法虽然具有较强的自组织、自学习和非线性模式分类性能，但它需要大量的典型故障样本。此外，神经网络的结构选择和权重的初值设定没有一定的标准，往往需要借助于经验或先验知识，而这都将会影响其分类精度。发明内容
有鉴于此，本发明提出一种基于改进多变量预测模型的齿轮故障诊断方法，以解决以上技术问题。
本发明解决上述技术问题的技术方案包括以下步骤
I)测量故障物体的振动信号；
2)从振动信号中提取LCD瞬时幅值熵作为故障特征值；
3)将故障特征值分为训练样本和测试样本；
4)用训练样本进行基于支持向量回归机方法的多变量预测模型的训练，建立最佳变量预测模型；
5 )根据最佳变量预测模型对测试样本进行分类；
6)根据分类结果识别故障物体的工作状态和故障类型。
优选地，所述步骤2)包括以下步骤
对振动信号进行局部特征尺度分解得到内禀尺度分量；
提取内禀尺度分量的瞬时幅值熵，作为故障特征值，内禀尺度分量的瞬时幅值熵可由以下公式得到
权利要求
1.一种基于改进多变量预测模型的齿轮故障诊断方法，包括以下步骤1)测量故障物体的振动信号；2)从振动信号中提取LCD瞬时幅值熵作为故障特征值；3)将所述故障特征值分为训练样本和测试样本；4)用训练样本进行基于支持向量回归机方法的多变量预测模型的训练，建立最佳变量预测模型；5)根据最佳变量预测模型对测试样本进行分类；6)根据分类结果识别该故障物体的工作状态和故障类型。
2.根据权利要求1所述的基于改进多变量预测模型的齿轮故障诊断方法，所述步骤2) 包括以下步骤对振动信号进行局部特征尺度分解得到内禀尺度分量；提取内禀尺度分量的瞬时幅值熵，作为故障特征值，内禀尺度分量的瞬时幅值熵可由以下公式得到
3.根据权利要求1所述的基于改进多变量预测模型的齿轮故障诊断方法，所述步骤4) 包括以下步骤11)为训练样本确定多变量预测模型类型；12)用训练样本进行基于支持向量回归机方法的多变量预测模型的训练，建立多变量预测模型；23)从多变量预测模型中选择出最佳变量预测模型，并确定最佳变量预测模型的类型。
4.根据权利要求3所述的基于改进多变量预测模型的齿轮故障诊断方法，所述步骤11)包括以下步骤21)对于多变量预测模型类型的每个变量预测模型类型中的多类分类问题，分别针对每一类分类问题的训练样本确定预测变量与被预测变量；22)分别建立被预测变量的多变量预测模型；23)分别针对每一类分类问题，利用支持向量回归机方法对被预测变量进行线性拟合， 得到被预测变量的预测值；24)根据预测值，分别计算每一类分类问题的多变量预测模型的预测误差平方和，并在每一类分类问题中选择多变量预测模型中预测误差平方和的最小值对应的变量预测模型作为分类问题的训练样本的多变量预测模型。
5.根据权利要求4所述的基于改进多变量预测模型的齿轮故障诊断方法，所述多变量预测模型类型为，线性模型:
6.根据权利要求4所述的基于改进多变量预测模型的齿轮故障诊断方法，所述步骤23)中支持向量回归机方法包括以下步骤寻找一个核函数k(s, t),使得k(xm, χη) = Φ (Xm) · Φ (Xn);其中m和η分别表示第m和第η个样本，Xm和Xn分别表示第m和第η个样本的数据，Φ (xm)和Φ (Xn)为映射函数； 采用序列最小优化算法求优化问题
7.根据权利要求1所述的基于改进多变量预测模型的齿轮故障诊断方法，所述步骤5) 包括以下步骤根据最佳变量预测模型进行预测取得预测值；根据预测值，分别计算测试样本的预测误差平方和，选择预测误差平方和值中的最小值作为判别函数，并对测试样本进行分类。
全文摘要
本发明提出一种基于改进多变量预测模型的齿轮故障诊断方法，包括以下步骤测量故障物体的振动信号；从振动信号中提取故障特征值，即局部特征尺度分解瞬时幅值熵；将故障特征值分为训练样本和测试样本；分别对训练样本进行基于支持向量回归机方法的多变量预测模型的训练以建立最佳变量预测模型，根据最佳变量预测模型对测试样本进行分类；根据分类结果识别故障物体的工作状态和故障类型。本发明提出的基于改进多变量预测模型的齿轮故障诊断方法，在模式识别过程中具有较高的识别度。
文档编号G01M13/02GK103033362SQ20121059054
公开日2013年4月10日 申请日期2012年12月31日 优先权日2012年12月31日
发明者杨宇, 潘海洋, 程军圣 申请人:湖南大学