一种基于混合分类器的齿轮单类型故障检测方法

摘要

本发明公开了一种基于混合分类器的齿轮单类型故障检测方法。按下述步骤进行：a.信号采集：使用多个传感器采集齿轮的运行数据，得到原始信号；b.数据预处理：从原始信号中随机抽样，产生训练集和测试集；c.特征提取：对训练集和测试集进行特征提取；d.分类器训练：将每个传感器的特征数据输入到分类器进行训练；e.决策集融合：利用改进的D‑S证据理论对检测结果进行融合。本发明提高了检测的准确性和稳定性。

权利要求

1.一种基于混合分类器的齿轮单类型故障检测方法，其特征在于，按下述步骤进行：a.信号采集：使用多个传感器采集齿轮的运行数据，得到原始信号；

b.数据预处理：从原始信号中随机抽样，产生训练集和测试集；

c.特征提取：对训练集和测试集进行特征提取；

d.分类器训练：将每个传感器的特征数据输入到分类器进行训练；

e.决策集融合：利用改进的D-S证据理论对检测结果进行融合；

步骤b中，从原始信号中随机抽样具体为：利用小波包分解将原始信号分解；

步骤e中，改进的D-S证据理论的改进过程如下：e1.计算各证据体之间的距离得到距离矩阵，并且该距离可以表示证据体之间的相似度：d′ij＝dij/4+0.5  (2)其中：m表示证据体，A表示命题，d表示各证据体之间的距离，d’表示各标准化后的证据体之间的距离，D表示由证据体之间的距离构成的距离矩阵；

e2.利用修改的信息熵计算各证据体之间的支持度S(i)并标准化：S(i)表示其他证据体对证据体i的支持度，S(i)r表示标准化后的支持度；

e3.计算各传感器的权重：

其中，p表示融合之前各分类器的检测精度，w表示传感器权重；

e4.修正原始证据体的基本概率分配：

其中，m’表示通过支持度、原始证据体和传感器权重修改后的证据体；

e5.用传统D-S证据理论的融合规则将原始证据体的基本概率分配的平均值和修正后的基本概率分配进行融合：其中，n表示证据体个数，m*表示原始证据体的平均值，K表示冲突因子。

2.根据权利要求1所述的基于混合分类器的齿轮单类型故障检测方法，其特征在于，步骤c中，特征提取具体为：计算每段小波频带的小波包系数的均方根值，并将其作为特征。

3.根据权利要求1所述的基于混合分类器的齿轮单类型故障检测方法，其特征在于，步骤d中，分类器训练具体为：通过单类型故障检测的规则训练随机森林分类器，然后利用测试集的数据评估训练的模型。

说明书

一种基于混合分类器的齿轮单类型故障检测方法

技术领域

[0001] 本发明涉及齿轮故障诊断方法，特别是一种基于混合分类器的齿轮单类型故障检测方法。

背景技术

[0002] 随着机器学习技术的不断发展，目前出现很多针对单点故障检测的研究。但是，这类研究检测的故障类型并不全面，只能检测出一种故障类型。同时，目前的单点故障检测方法只集中在对单点故障和正常数据的检测，而缺少从复合故障中检测出其中的单点故障，当既需要检测单点故障，又需要检测出包含于复合故障中的单点故障时，目前使用的单分类器检测的泛化能力较低。随着工业的发展，多传感器数据的使用越来越多，信息融合方法仍然有很大的必要性。

发明内容

[0003] 本发明的目的在于，提供一种基于混合分类器的齿轮单类型故障检测方法。本发明提高了检测的准确性和稳定性。

[0004] 本发明的技术方案：一种基于混合分类器的齿轮单类型故障检测方法，按下述步骤进行：

[0005] a.信号采集：使用多个传感器采集齿轮的运行数据，得到原始信号；

[0006] b.数据预处理：从原始信号中随机抽样，产生训练集和测试集；

[0007] c.特征提取：对训练集和测试集进行特征提取；

[0008] d.分类器训练：将每个传感器的特征数据输入到分类器进行训练；

[0009] e.决策集融合：利用改进的D-S证据理论对检测结果进行融合。

[0010] 前述的基于混合分类器的齿轮单类型故障检测方法所述的步骤b中，从原始信号中随机抽样具体为：利用小波包分解将原始信号分解。

[0011] 前述的基于混合分类器的齿轮单类型故障检测方法所述的步骤c中，特征提取具体为：计算每段小波频带的小波包系数的均方根值，并将其作为特征。

[0012] 前述的基于混合分类器的齿轮单类型故障检测方法所述的步骤d中，分类器训练具体为：通过单类型故障检测的规则训练随机森林分类器，然后利用测试集的数据评估训练的模型。

[0013] 前述的基于混合分类器的齿轮单类型故障检测方法所述的步骤e中，改进的D-S证据理论的改进过程如下：

[0014] e1.利用距离矩阵计算各证据体之间的距离得到距离矩阵，并且该距离可以表示证据体之间的相似度：

[0015]

[0016] d′ij＝dij/4+0.5  (2)

[0017]

[0018] 其中：m表示证据体，A表示命题，d表示各证据体之间的距离，d’表示各标准化后的证据体之间的距离，D表示由证据体之间的距离构成的距离矩阵；

[0019] e2.利用修改的信息熵计算各证据体之间的支持度S(i)并标准化：

[0020]

[0021]

[0022] S(i)表示其他证据体对证据体i的支持度，S(i)r表示标准化后的支持度；

[0023] e3.计算各传感器的权重：

[0024]

[0025] 其中，p表示融合之前各分类器的检测精度，w表示传感器权重；

[0026] e4.修正原始证据体的基本概率分配(BPA)：

[0027]

[0028] 其中，m’表示通过支持度，原始证据体和传感器权重修改后的证据体；

[0029] e5.用传统D-S证据理论的融合规则将原始证据体的基本概率分配的平均值和修正后的基本概率分配进行融合：

[0030]

[0031]

[0032]

[0033] 其中，n表示证据体个数，m*表示原始证据体的平均值，K表示冲突因子。

[0034] 与现有技术相比，本发明具有如下有益效果：

[0035] 1.本发明实现了齿轮的单类型故障检测；

[0036] 2.本发明融合了多个分类器的决策结果，提高了检测的准确性和稳定性，且改进后的D-S证据理论要优于传统的D-S证据理论。

[0037] 3.本发明在检测多种故障类型，尤其是检测复合故障中的故障类型能达到较高的检测准确度。

[0038] 为了验证本发明方法的有效性，发明人进行了以下实验研究：

[0039] 使用本发明分析齿轮箱的混合多故障状态，具体使用三个安装在不同位置的传感器的数据在五种不同的工况条件下进行了实验。实验结果如图3至图11所示。结果证明了本方法在单类型故障检测中是有意义和有效的。

[0040] 除此外，发明人还进行了混合分类器和D-S证据理论对齿轮单类型故障检测方法的有效性分析，具体分析如下：

[0041] 在图3～5中，每种类型的故障检测都有详细的准确性。从所提出的结果来看，单一类型故障诊断的研究具有重要意义。特别是在磨损故障中，检测精度最高。比较平均准确度(AVG)得出：传感器1腐蚀故障的平均精度比传感器2的87.2％低86.1％，高于传感器3的85.1％；传感器3断齿故障的平均精度为88.5％，最高为87％；传感器2的百分比和传感器3的84.9％。此外，传感器1的磨损故障准确率为98.4％，低于传感器2的98.7％和传感器3的
98.9％。这种现象表明，安装在不同位置的不同传感器反映了机械装置的不同运行状态，导致不同的检测结果。特别是在实际工业生产中，设备的复杂性和干扰水平远高于实验设备的程度。还不清楚哪个安装位置更适合反映设备的运行状态。因此，多传感器可以相互补充，同时反映设备的运行状态。

[0042] 在图6～8中，通过传统DS证据理论融合的腐蚀，断齿和磨损的融合结果如图5所示。可以看出，DS证据理论后三种故障类型的检测精度高于任何单一传感器在五种工况下的检测精度：三种断层类型的平均融合精度分别达到91.2％，92.7％和99.9％。

[0043] 从图9～11中可以看出，所提出的改进的D-S融合方法用于融合三个传感器的结果。通过比较单传感器的检测精度，改进的D-S方法也提高了检测精度。从图6和图4中可以看出，腐蚀，断齿和磨损的平均精度的最大增幅分别高达6.3％，8.1％和1.6％。

[0044] 将改进的D-S融合方法与传统的D-S融合方法进行比较，可以看出，改进的D-S融合方法融合的三种断层类型的平均融合精度高于传统的D-S融合方法。在腐蚀条件下，Ⅰ和Ⅳ工作条件下最大增幅达到0.6％。断齿时，在工作状态Ⅰ下最大增幅达到1.1％。在磨损情况下，工作条件Ⅰ的最大增幅达到0.3％，特别是在所有工况下，改进的D-S熔合法的熔合精度达到100％。由此得出：通过修改基本概率分配和增加传感器权重的改进的D-S融合方法是有效的。

[0045] 为了量化所提出的单类型故障检测方法的性能，发明人还计算了三个误差测量：precision,recall and f1-score。选择这些不同的指标是因为它们反映了对状态监测(CM)要求的影响。如表1所示，基于混合分类器的用于单类型故障检测的多流水线架构是有价值的。

[0046] 表1单类型故障检测模型中各通道分别在三个指标下的得分

[0047]

附图说明

[0048] 图1是本发明流程图；

[0049] 图2是单类型故障检测规则的流程图；

[0050] 图3是未融合的点蚀故障检测精度；

[0051] 图4是未融合的断齿故障检测精度；

[0052] 图5是未融合的磨损故障检测精度；

[0053] 图6是融合与未融合的点蚀故障比较；

[0054] 图7是融合与未融合的断齿故障比较；

[0055] 图8是融合与未融合的磨损故障比较；

[0056] 图9是D-S与ID-S在点蚀故障的结果对比；

[0057] 图10是D-S与ID-S在断齿故障的结果对比

[0058] 图11是D-S与ID-S在磨损故障的结果对比。

具体实施方式

[0059] 下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

[0060] 实施例1。一种基于混合分类器的齿轮单类型故障检测方法，如图1所示，按下述步骤进行：

[0061] a.信号采集：使用多个传感器采集齿轮的运行数据，得到原始信号；

[0062] b.数据预处理：从原始信号中随机抽样，产生训练集和测试集；

[0063] c.特征提取：对训练集和测试集进行特征提取；

[0064] d.分类器训练：将每个传感器的特征数据输入到分类器进行训练；

[0065] e.决策集融合：利用改进的D-S证据理论对检测结果进行融合。

[0066] 前述的步骤b中，从原始信号中随机抽样具体为：利用小波包分解将原始信号分解。

[0067] 前述的步骤c中，特征提取具体为：计算每段小波频带的小波包系数的均方根值，并将其作为特征。

[0068] 前述的步骤d中，分类器训练具体为：通过单类型故障检测的规则训练随机森林分类器，然后利用测试集的数据评估训练的模型。参见图2，在图2中每个字母代表一种故障类型，本方法中使用的分类器为随机森林(Random Forest)，故障A的分类器表示该分类器用于检测故障类型A。

[0069] 前述的步骤e中，改进的D-S证据理论的改进过程如下：

[0070] e1.利用距离矩阵计算各证据体之间的距离得到距离矩阵，并且该距离可以表示证据体之间的相似度：

[0071]

[0072] d′ij＝dij/4+0.5  (2)

[0073]

[0074] 其中：m表示证据体，A表示命题，d表示各证据体之间的距离，d’表示各标准化后的证据体之间的距离，D表示由证据体之间的距离构成的距离矩阵；

[0075] e2.利用修改的信息熵计算各证据体之间的支持度S(i)并标准化：

[0076]

[0077]

[0078] S(i)表示其他证据体对证据体i的支持度，S(i)r表示标准化后的支持度；

[0079] e3.计算各传感器的权重：

[0080]

[0081] 其中，p表示融合之前各分类器的检测精度，w表示传感器权重；

[0082] e4.修正原始证据体的基本概率分配(BPA)：

[0083]

[0084] 其中，m’表示通过支持度，原始证据体和传感器权重修改后的证据体；

[0085] e5.用传统D-S证据理论的融合规则将原始证据体的基本概率分配的平均值和修正后的基本概率分配进行融合：

[0086]

[0087]

[0088]

[0089] 其中，n表示证据体个数，m*表示原始证据体的平均值，K表示冲突因子。