买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖南科技大学;广东中贸科技有限公司

摘要：本发明属于减速机故障诊断技术领域，公开了一种双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法，重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，并建立减速箱故障诊断故障特征模型；确定结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，并分析棘轮棘爪故障的影响。本发明对减速机棘轮棘爪机构进行了故障重点检测和故障机理分析，采用相关性指标方法解决了由于减速箱结构对称导致同一个故障特征频率可能出现在减速机左侧或右侧的问题，对故障定位具有重要意义。本发明将振动信号分解为不同步的故障特征频率、其他分量和噪音这三个分量，从而解决模态混淆问题，为双电机驱动的减速机棘轮棘爪故障提供有效的理论依据。

主权项：1.一种双电机驱动棘轮棘爪减速机不同步故障诊断方法，其特征在于，所述双电机驱动棘轮棘爪减速机不同步故障诊断方法包括：重点分析结构对称的减速箱中棘轮棘爪故障对减速箱故障诊断的影响，并建立减速箱故障诊断故障特征模型；确定结构对称的减速箱中棘轮棘爪故障诊断的具体解决方法，并分析棘轮棘爪故障的影响；所述双电机驱动棘轮棘爪减速机不同步故障诊断方法包括以下步骤：步骤一，针对对称式减速机故障提出两个问题，分别为同一个故障特征频率出现在减速机左侧或右侧，棘轮棘爪机构本身就难以做到严格同步存在一定故障特征频率；步骤二，针对同一个故障特征频率出现在减速机左侧或右侧的问题，通过计算故障齿轮与其他齿轮的相关性，并根据相关性指标进行故障定位；步骤三，利用复值微分调制算子，将不同步的故障特征频率进行提取并与其他各种信号进行分离，同时确定不同步的故障特征频率、其他分量和噪音；步骤四，利用时域和频率指标进行特征量计算，利用局部保持投影算法对不同步的故障特征频率信号和其他分量信号进行降维以及特征量融合；步骤五，将特征量融合后的显著特征输入到卷积神经网络中进行训练；通过二进制蝙蝠算法对卷积神经网络进行参数优化，建立故障识别模型，利用实际数据进行测试，从而完成整个识别过程；所述步骤二中的相关性指标包括：相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度；基于减速箱振动信号的时域分析和包络谱分析方法，计算得到齿数相同的齿轮相关系数；相关性系数的计算公式如下所示： 所述步骤三中的复值调制微分算子包括：1内禀窄带分量振动信号st表示为的形式，如果At是带限的，则最大频率远小于ω，且是“缓变”相位函数，振动信号st就称为窄带信号；窄带信号的概念推广到局部窄带信号，如果st的任一时间点上均存在一个领域区间，使得在区间中近似于窄带信号，st称为局部窄带信号；若使用信号分解方法得到的分量满足局部窄带信号的条件，则称为内禀窄带分量INBC；2复值调制微分算子复值调制微分算子通过优化滤波器的各项参数将混合信号的分解问题转变为非线性优化问题，优化目标为使得分解的余量的能量最小，约束条件为使得单分量满足局部窄带信号的条件，最终优化分解为若干个内禀窄带分量；分解步骤如下：1选择时域信号st，同时令sit＝st，sit是每次迭代的初始输入信号；2对sit进行快速傅里叶变换FFT，得到sik＝fftsit，sik快速傅里叶逆变换为sit＝ifftsit；3建立如以下公式所示的滤波器χk|λ，其中λ＝[ω，ωb,ωc]，由于使用遗传算法优化滤波器参数，并且随机生成初始种群，故ω、ωb与ωc随机产生； 对信号进行滤波得到滤波后的信号4根据每次滤波后的信号产生复数微分算子T＝D-αt；通过步骤3获得具有一定特征的滤波信号，同时建立完备字典库Dic：Dic＝Atcosωt+δt{At的最大频率远小于ω，δt是缓变函数}3符合Dic公式条件的称之为窄带信号；5利用遗传算法解决如下的最优化问题：令 利用步骤4中的复数微分算子使内禀窄带分量在最优化问题公式中为零，进而得到最优化参数λ0；令INBCI＝ifft[χk|λ0sik]，得到内禀窄带分量；6令si+1＝si-INBCi，使得继续得到内禀窄带分量；7若||si+1||2＜ξ，则分解终止，否则令i＝i+1并返回步骤2，直至得到所有的内禀窄带分量；所述步骤四中的时域频域指标包括：减速机故障诊断使用频域及时域的统计参数提取故障特征；利用复值调制微分算子将原始信号分解为系列内禀窄带分量，提取减速箱振动信号中的故障特征信息，并从复值调制微分算子产生的INBC中提取时域和频域统计参数；局部保留投影算法包括：在特征向量选择上，局部保留投影法通过将高维数据降到低维，保留数据内在的非线性结构和局部特征；通过寻找最优线形变换矩阵形，对高维数据线性变换实现降维；设有样本数据集F，J和Ni分别为特征值参数和样本的数目；LPP的目标是寻找一个矩阵A，从而将高维特征值F映射到低维特征值F′；其中J′J′＜＜J为降维后的特征值向量的维度；LPP的目标函数为： 式中，权重矩阵Si，j用于衡量成为近邻的第i个样本和第j个样本之间的相近程度，选用k均值方法度量邻近点，Si，j称为对称相似性矩阵；Si，j的定义如下所示： 设f′i＝aTfi，则优化目标函数的简化过程转换成如下表示： 式中，Dii＝∑jSi，j，Dii为N阶对角矩阵，L＝D-S为Laplacian矩阵；Dii用于衡量f′i的重要性，Dii越大则对应的f′i更重要；LPP方法引入以下约束条件： 优化问题描述成以下表示： 最小化有约束问题转化成以下特征方程特征值的求解问题：FLFTa＝λFDFTa；式中，FLFT和FDFT均为对称及半正定矩阵，最小特征值相应的特征向量；所述步骤五中的卷积神经网络的识别训练与二进制蝙蝠算法优化，包括：1卷积神经网络识别训练卷积神经网络CNN是由一个或多个卷积层和顶端的全连通层组成的前馈神经网络，CNN采用权值共享结构简化网络模型的复杂度，图像直接作为网络的输入，且无须人工提取和选择特征；CNN由输人层、交替连接的卷积层和降采样层、全连接层及输出层组成；输人层为原始输入图像；卷积层用于特征提取，卷积核就是一个特征矩阵；降采样层用于降低特征维度；卷积层和降采样层均由多个二维平面组成，每个平面为各层处理后输出的特征图，卷积层和降采样层的数目根据实际需要确定；全连接层位于CNN的末尾位置，用于计算整个网络的输出；CNN根据实际情况选择网络的各个结构参数；在CNN进行优化训练时，将得到的分量通过LPP参量融合后输入到CNN；从每一类信号对应的融合参量中随机选择部分样本组成训练样本，余下的则作为测试样本；将训练样本输人到CNN中，对网络进行训练，训练过程结束后则会得到一个训练好的网络模型；输入测试样本到已经训练好的神经网络中，得到分类的结果；2二进制蝙蝠算法在蝙蝠算法BA中，人工蝙蝠的参数是在训练过程的位置、速度和频率三个向量指标；D维空间中，第i只蝙蝠t时刻的位置为速度为则t+1时刻的位置和速度的更新分别如以下公式所示： 式中，x*是获得的最佳解决方案，fi是指第i个蝙蝠在当前时刻发出的声波的频率，在每个迭代过程中更新如下：fi＝fmin+fmax-fminβ；式中，β满足在[0，1]中均匀分布的随机数；fmax，fmin分别表示第i个蝙蝠在当前时刻发出的声波频率的最大值和最小值；算法具有局部搜索原则，当前最好解为其中一个解，则按随机游走实现得出局部新解xnew：xnew＝xold+εAt；式中，xold表现为最优解集的一个随机最优解；At是所有蝙蝠同一时间段内的响度均值；ε是[0，1]中的随机数；发现猎物时，脉冲的响度会减小，而脉冲发射速率则变大，以下是蝙蝠响度和脉冲发射速率的更新过程： 式中，α是脉冲响度衰减系数，为[0，1]上的常数； 式中，y是脉冲频度增加系数，为大于零的常数；在二进制蝙蝠算法BBA中，蝙蝠每维位置都设置为0或1，但速度不作限定；速度值表明蝙蝠在相对维度位置值为0或1，位置更新代表从0到和1的转换，转换要求按照速度在传输；函数中对应映射的大小，根据S型函数对最初BA进行离散化；蝙蝠位置更新公式如下式所示： 式中，为t次迭代时，第i只蝙蝠的k维空间速度；通过传递函数计算概率后，更新蝙蝠位置方程则通过以下两式实现： 式中，是第t次迭代次数时，第i只蝙蝠在第k维空间中的位置；设计传递函数后，采用V型传递函数进行蝙蝠位置的更替： 式中，和分别是k维空间t次迭代时，第i只蝙蝠的位置与速度是的补集；利用更新蝙蝠位置方程实现位置向量的更新，利用传递函数实现BBA速度及概率更新的位置向量元素的映射。

全文数据：

权利要求：

百度查询： 湖南科技大学 广东中贸科技有限公司 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法