一种基于线性判别分析和随机森林的齿轮故障诊断方法

本发明属于齿轮故障诊断的，尤其涉及一种基于线性判别分析和随机森林的齿轮故障诊断方法。

背景技术：

1、行星齿轮传动系统具有结构紧凑、体积小、质量轻、承载能力强、传动比大、传动效率高、运行平稳等独特优点，因此被广泛应用于机床、石油化工以及冶金矿石等各个领域。但是在实际工作过程中，由于工作环境的恶劣以及设备长时间处于服役状态，齿轮极易产生磨损以及表面损伤等故障，进而影响系统健康运行，甚至引发灾难性事故。因此，针对齿轮的智能诊断研究十分重要，不仅能在一定程度上保证设备的正常工作还能在此基础上实现故障的早发现早解决，对设备以及工作人员的安全提供了重要保障。

2、齿轮的故障诊断早期研究是通过对传感器采集到的振动信号进行处理和分析来完成的。但随着数据采集方法的不断进步，实验所得的故障数据集不断扩大，单一的信号分析技术已经不能实现对齿轮故障的准确判断。近年来，机器学习领域得到了飞速的发展，掀起了人工智能发展的又一波浪潮，这项技术也被运用到故障诊断中来。因此，神经网络、随机森林和支持向量机等机器学习模型与齿轮的特征参数有机的结合进行综合分析的智能诊断技术得到了快速发展。

3、机器学习尽管实现了端对端的齿轮故障诊断，但是由于其会根据故障数据自适应更新网络模型参数的特点，导致模型参数和超参数组合等多种问题，想要达到理想的收敛状态需要大量的有标签数据。因此，此方法依赖于足够数量的有标签的故障数据。然而在设备的实际的工作过程中，其几乎处于健康的服役状态，这就使得故障数据极难获取，造成部分有标签的故障数据不足，难以进行准确的模型训练。且训练集和测试集之间的分布会由于操作条件不同进而发生变化，使得基于机器学习的故障诊断方法泛化能力下降。

技术实现思路

1、基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于线性判别分析和随机森林的齿轮故障诊断方法，其利用振动加速度信号，构建故障诊断模型，并利用线性判别分析与随机森林相结合的方式完成故障特征准确提取。

2、为了解决上述技术问题，本发明通过以下技术方案来实现：本发明提供一种基于线性判别分析和随机森林的齿轮故障诊断方法，包括：

3、s1：在齿轮正常工作以及故障工作状态下，利用加速度传感器采集振动加速度信号，通过随机采样的方法来构建故障样本数据集；

4、s2：根据步骤s1中得到的故障信号，对所得振动信号进行结合ceemdan的改进小波阈值降噪，进行信号的预处理；

5、s3：以步骤s2处理后的信号为基础，将含有故障的信号输入随机森林分类器，结合线性判别分析方法，建立lda-rfa的齿轮故障诊断模型；

6、s4：基于步骤s3构建的故障诊断模型，采用变异粒子群优化算法对构建的齿轮故障诊断模型进行参数优化，得到模型最优参数的设置，并对模型进行训练；

7、s5：利用实验所得数据输入所建立模型并进行模型测试，完成齿轮故障诊断工作。

8、进一步的，所述步骤s1构建各传感器下的故障样本集，具体包括；

9、s11：在齿轮正常以及不同故障共5种状态下，分别采集不同位置传感器返回的振动加速度信号；

10、s12：对各传感器在各种状态下返回的每个振动加速度信号进行连续采样，每t个时刻采集一次，共采集m个样本；

11、s13：将同一个传感器在各种状态下采集的样本进行连接，建立同一个传感器下的故障样本集。

12、进一步的所述步骤s2对所得振动信号进行结合ceemdan的改进小波阈值降噪，进行信号的预处理，具体包括：

13、s21:在原始信号基础上添加高斯白噪声，得到含噪信号，对含噪信号进行emd分解得到一阶本征模态分量，将得到的n个一阶本征模态分量进行总体平均得到ceemdan分解的第一个本征模态分量imf1并计算去除第一个模态分量后的残差；

14、s22:在所得残差信号中加入正负成对的高斯白噪声得到新的信号，对新信号进行emd分解，取其分解后的第一阶本征模态分量，进而计算出ceemdan分解的第二个本征模态imf2，计算去除第二个模态分量后的残差，重复上述步骤直到获得的残差信号为单调函数，不能继续分解为止，此时便得到原始信号的k个本征模态分量与残差；

15、s23:对ceemdan分解后的相关分量进行平滑处理，不相关分量进行小波分解，得到的高频信号进行小波阈值降噪，低频信号与经过平滑处理后的分量一起进行信号重构。

16、进一步的所述步骤s3基于随机森林分类器，结合线性判别分析方法，建立lda-rfa的齿轮故障诊断模型，具体包括：

17、s31：采用线性判别分析的方法对采集的信号进行降维处理，形成故障特征集a；

18、s32：通过有放回的抽样方法在故障特征集a中均匀抽样，并随机产生n个故障特征集，根据得到的训练集得到相对应的决策树；

19、s33:将测试集样本x分别输入到各个决策树中进行判别，并得到n个决策树的判别结果，在n个决策树输出结果中，输出结果次数最多的数作为最终结果，并作为测试集样本x所属的类别。

20、进一步的所述步骤s4对构建的齿轮故障诊断模型进行参数优化，得到模型最优参数,具体包括：

21、s41:对变异粒子群算法自身参数及待寻优参数进行初始化，并随机设置各粒子的初始位置和初始速度；

22、s42:采用lda和rfa处理齿轮故障数据集，并以数据分类准确率作为适应度，得到初始粒子最优位置和种群全部粒子的最优位置；

23、s43:更新所有粒子的速度和位置并对所有粒子实施变异操作，再次利用lda和rfa处理齿轮故障数据集，计算粒子适应度并更新初始粒子最优位置和种群全部粒子的最优位置；

24、s44:判断是否满足模型终止条件，若满足，则寻优结束；若未满足则转至继续寻优，最终得到最优参数。

25、进一步的，所述步骤s5,具体包括：

26、s51：在齿轮正常以及不同故障共5种状态下，分别采集加速度传感器采集到的返回的振动加速度信号；

27、s52：振动加速度信号样本根据步骤s4评估后的故障诊断模型进行计算，并计算振动加速度信号样本的频域特征进行故障诊断；

28、s53：按齿轮正常以及不同故障共5种状态进行细分，以确定故障诊断在每一状态下的准确率。

29、由上，本发明的基于线性判别分析和随机森林的齿轮故障诊断方法至少具有如下有益效果：

30、1、本发明实现了故障诊断的自动提取以及噪声环境下端到端的智能故障诊断，首先利用传感器采集以及提取齿轮的振动信号，再对所得振动信号进行结合ceemdan的改进小波阈值降噪，进行信号的预处理；然后基于随机森林分类器，结合线性判别分析方法，建立lda-rfa的齿轮故障诊断模型，对构建的齿轮故障诊断模型进行参数优化，得到模型最优参数。将测试数据输入到诊断中进行诊断，完成对齿轮故障检测；本方法利用基于线性判别分析和随机森林相结合的故障诊断方法进行特征处理，精准提取故障特征，提高了轴承故障诊断的准确率。

31、2、本发明对所得振动信号进行结合ceemdan的改进小波阈值降噪，对原始信号进行预处理，其次，本发明基于线性判别分析和随机森林相结合的故障诊断方法，实现对故障状态的识别与诊断。

32、3、本发明提出的方法，与其他方法相比具有较高的故障诊断精度，实现在噪声干扰以及小样本数据时仍能够获得精确的故障诊断结果。