[发明专利]基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法

权利要求书

1.一种基于SVD分解降噪和相关性EEMD熵特征的齿轮故障诊断方法，其特征在于，包括以下步骤：

步骤1，利用加速度振动传感器采集实验台齿轮振动信号，得到的信号包括齿轮正常、齿轮断齿、齿轮少齿、齿轮磨损四种故障类型；

步骤2，利用通过相关性分析和信噪比优化的SVD分解降噪方法对包含高斯白噪声的模拟强噪声背景的四种齿轮状态信号进行降噪处理；

步骤3，利用EEMD分解方法分别对降噪之后的四类信号进行分解，根据相关系数选取有效的IMF分量；

步骤4，将得到的每组有效IMF分量进行样本熵计算，并构建由IMF样本熵组成的特征向量；

步骤5，利用PNN神经网络识别四种不同的齿轮故障。

2.根据权利要求1所述的齿轮故障诊断方法，其特征在于，所述步骤2中SVD分解降噪方法对包含高斯白噪声的模拟强噪声背景的四种齿轮状态信号进行降噪处理的过程包括以下步骤：

对于含有噪声的齿轮故障振动信号y(k)(k＝1,2,…,N)，根据相空间重构理论，将其映射到m×n(m<n)维相空间内，得到满足m+n+1＝N的Hankle矩阵B_m，对B_m进行奇异值分解，求取矩阵B_m的奇异值，保留前k个的奇异值而置零其他位置的奇异值，利用奇异值分解的逆过程得到B'_m，B'_m即为B_m的一个最佳逼近，这样就达到了降噪的效果，再对B'_m中的反对角元素取平均即完成信号降噪过程；

轨道矩阵B_m的重构阶次的选择，通过信号的信噪比和相关系数确定有效重构阶次，其中，

1)相关系数的计算公式:

r=Σk=1n(yk-y‾)(mk-m‾)Σk=1n(yk-y‾)2·Σk=1n(mk-m‾)2---(1)]]>

其中：y_k无噪声信号的第k个数据点；m_k为降噪后的信号的第k个数据点，n为数据长度；

2)信噪比的计算公式：

SNR=10log[Σk=1Ny2(k)Σk=1N(y(k)-y^(k))2---(2)]]>

其中，y(k)为无噪声信号的第k个数据点，为含噪声信号的第k个数据点，N为信号长度；

在信号与噪声的共同作用下，降噪后信号与原始信号的相关系数和降噪后信号的信噪比会随着重构阶次的增加而快速增大，当阶次达到一定值时，相关系数和信噪比的增长速度逐步变缓并趋于稳定，这时重构信号包含的有效信息趋于饱和，所以根据相关系数和信噪比达到最大的阶次作为重构阶次，可以有效地保留有含噪信号的有用信息。