[发明专利]基于TVF-EMD和THGWO-ELM的齿轮箱故障诊断方法

说明书

本发明公开了一种基于TVF‑EMD和THGWO‑ELM的齿轮箱故障诊断方法，包括以下步骤：1）建立齿轮箱样本数据集，使用Savitzky‑Golay滤波对原始数据进行降噪；2）使用时变滤波器的经验模态分解TVF‑EMD将去噪后的信号分解成多个内涵模态分量IMF；3）利用方差贡献率‑信息熵筛选出最优IMF；4）利用Tent混沌映射初始化种群，并引入非线性正弦学习因子，利用混合正弦余弦算法优化灰狼算法GWO，更新头狼位置；5）利用优化后的GWO优化极限学习机ELM阈值和权重，构造基于改进灰狼优化算法的极限学习机THGWO‑ELM模型，利用该模型进行故障诊断。与现有技术相比，本发明构造一种混合齿轮箱故障诊断模型，减少搜索中陷入局部最优的现象，显著提升诊断准确率。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于TVF-EMD和THGWO-ELM的齿轮箱故障诊断方法。

背景技术

作为旋转机械的重要部件，齿轮箱在机器中发挥着不可替代的作用。由于运行工况以及环境的复杂性，导致齿轮箱出现多种故障，如齿轮磨损、点蚀、断齿及裂纹等。一个故障的存在会诱发其他故障的产生，因此对齿轮箱进行故障诊断是非常重要的。

近年来，很多国内外学者针对齿轮箱故障诊断提出了很多可行方法。神经网络被广泛应用于该领域中。极限学习机因其训练速度快，结果准确率高等优点，在故障诊断领域发挥着显要的作用。然而，极限学习机存在着结果不稳定、非线性能力差等缺点，对其进行优化至关重要。

齿轮箱信号中存在大量虚假信号，对信号中的数据进行处理必不可少。因此，研究基于数据处理与神经网络相结合的齿轮箱故障诊断方法，可以显著提高诊断效率和准确率，降低经济损失，具有重要的实际工程意义。

发明内容

发明目的：针对背景技术中指出的问题，本发明公开了一种基于TVF-EMD和THGWO-ELM的齿轮箱故障诊断方法，可以提高其对水轮发电机转子故障的诊断准确率和诊断时间。

技术方案：本发明公开了一种基于TVF-EMD和THGWO-ELM的齿轮箱故障诊断方法，包括如下步骤：

步骤1：建立齿轮箱样本数据集，使用Savitzky-Golay滤波对原始数据进行降噪；

步骤2：使用时变滤波器的经验模态分解TVF-EMD将去噪后的信号分解成多个内涵模态分量IMF；

步骤3：利用方差贡献率-信息熵方法筛选出最优IMF；

步骤4：利用Tent混沌映射初始化种群，并利用混合正弦余弦算法优化灰狼算法GWO，更新头狼位置，引入非线性正弦学习因子；

步骤5：利用优化后的灰狼算法GWO优化极限学习机ELM的阈值和权重，构造基于改进灰狼优化算法的极限学习机THGWO-ELM模型，利用该模型进行故障诊断。

进一步地，所述步骤1中使用Savitzky-Golay滤波对数据进行降噪，其“平滑”去除信号中的高频成分，一组数据x_i的Savitzky-Golay滤波的数学公式为：

其中，Y*是时间序列的拟合值，是平滑系数，H是卷积数目。

进一步地，所述步骤2中TVF-EMD分解信号，实现步骤如下：

(21)获得局部截止频率；利用Hilbert变换求出信号x(t)的瞬时频率和瞬时幅值a(t)，分别计算它们的局部最大值以及局部最小值，利用差值运算分别得到μ₁(t)和μ₂(t)；进而，采用时变滤波器处理信号，得到瞬时均值α1(t)和瞬时包络α2(t)，最后计算局部截止频率为：

(22)重构信号为h(t)