技术摘要：
本发明公开了一种基于MFFOA优化SVM的齿轮裂纹故障在线监控方法，通过安装在减速箱主动轴上的振动传感器采集齿轮啮合过程中的振动信号样本集表示为X＝[x(1),x(2),…,x(n)]，n表示信号长度，其中齿轮裂纹失效形式是疲劳裂纹，通过局域均值分解(LMD)可以将所提取的原始振  全部
背景技术：
齿轮是机械系统中常用的传动部件之一，已经广泛应用于航空航天、汽车和工程 机械等行业。在齿轮的长期使用过程中，由于驱动齿轮与被动齿轮各齿之间的不断啮合和 分离，容易出现冲击载荷和应力集中，进而导致齿轮出现裂纹和疲劳损伤，严重影响齿轮的 性能和寿命，甚至导致整个设备的停机。因此，亟需建立一套齿轮的故障诊断系统，提前感 知齿轮的工作状态，为机械系统的维护和维修提供必要的信息。
技术实现要素：
针对现有技术中存在的问题，本发明提供了一种提前感知齿轮的工作状态，为机 械系统的维护和维修提供必要的信息的基于MFFOA优化SVM的齿轮裂纹故障在线监控方法。 本发明的目的通过以下技术方案实现。 一种基于MFFOA优化SVM的齿轮裂纹故障在线监控方法，包括以下步骤： S1、通过安装在减速箱主动轴上的振动传感器采集齿轮啮合过程中的振动信号样 本集表示为X＝[x(1) ,x(2) ,…,x(n)]，n表示信号长度； S2、对其不同裂纹严重程度下的原始振动信号进行局部均值分解，以此确定信号X 的所有局部极值点和包络估计，得到多个PF分量，并通过组合所有PF分量的瞬时幅度和瞬 时频率，获得原始信号的完整时频分布； S3、通过上述的时频分布所提取的PF分量进行FFT变换，提取包含主要故障信息的 前五个PF分量，将其用作特征向量T＝[PE1，PE2，PE3，PE4，PE5]； S4、基于置换熵算法原理，通过提取的五个PF分量进行计算置换熵，来作为后期的 特征训练样本集； S5、将提取的置换熵特征向量输入到多个故障分类器以训练支持向量机；然后，将 测试样本输入到训练的支持向量机中，并由分类器的输出确定轴承的故障类型和故障程 度； S6、在支持向量机的基本原理中，影响支持向量机性能的参数主要是惩罚因子c和 核函数参数g，惩罚因子c控制间隔的最大化和分类误差之间的折衷；核函数参数g影响样本 数据在高维特征空间中分布的复杂程度，将MFFOA算法和SVM的参数优化中，即将实际问题 的适应度函数作为果蝇浓度函数，依据适应度最优的原则采用MFFOA算法进行迭代寻优，直 至算法结束，从而选择最优的模型参数。 所述置换熵算法包括如下步骤： 1)离散时间序列X＝{x(i) ,i＝1,2,...,n}，是通过系统方程的迭代获得的，根据 Takens理论，将离散时间序列重构为X，得到的矩阵如下： 4 CN 111579238 A 说　明　书 2/6 页 其中j＝1，2，…，K；m是嵌入维数，τ是延迟时间，K是重构向量的数量，K＝n-(m-1) τ； 2)矩阵中的每一行可当做一个重构分量，共有m个重构分量，重构矩阵中的每一行 都用作一个组成部分，然后组成元素按升序重新排列： x(j (q1-1)τ)≤x(j (q2-1)τ)≤···≤x(j (qm-1)τ) 其中，q1,q2,q3,···,qm是重建组件每个元素的索引； 3)因此将任意的行分量按升序重排，可以得到以下一组符号序列：S(j)＝(q1j , q2j,···,qmj) 4)重建向量以满足K＝m！，m是重构矩阵的不同符号序列，计算S(j)的出现计算概 率P1,P2,···Pj,···,PK； 5)根据香农熵理论，时间序列X的置换熵Hp(m)定义如下： 6)当Pj＝1/m！，置换熵Hp(m)达到最大值。In(m！)通常用于归一化Hp(m)，即0≤Hp＝ Hp(m)/In(m！)≤1，其中，通过归一化后的Hp，反映了时间序列X的程度：Hp越大，时间序列越 随机；Hp越小，序列越规则，并且也可以反映和放大时间序列中的微小变化。 所述MFFOA算法基于传统果蝇优化算法理论基础，通过如下陈述部分的改进方案 进行优选，首先当迭代开始时，根据赋予初始化随机飞行距离L0可知，求得迭代时的飞行距 离值L； 式中，L0为初始随机飞行距离；maxgen为最大迭代次数；max  gen '为当前迭代次 数，当第一次迭代时，此时的飞行距离L＝L.0；往复以此迭代，每迭代一次，果蝇觅食飞行距 离就减少了L0/max  gen，知道最后一次迭代时的果蝇觅食飞行距离减少L0/max  gen。 所述MFFOA算法和SVM的参数优化包括如下步骤： 1)果蝇群体的位置以及飞行距离参数的初始化； 2)设定SVM初始参数，包括惩罚因子和核函数； 3)计算果蝇适应度； 4)计算味道浓度并寻找极值； 5)保留最优果蝇个体的最佳位置； 6)当位置参数最优时，则获得最优SVM参数，建立MFFOA-SVM模型，否则，执行步骤 3)。 相比于现有技术，本发明的优点在于：本发明提前感知齿轮的工作状态，为机械系 5 CN 111579238 A 说　明　书 3/6 页 统的维护和维修提供必要的信息。在计算精度和效率方面具有综合优势，能够满足齿轮裂 纹故障诊断的需求。 附图说明 图1为齿轮完好状态信号的时域波形和频谱； 图2为完好无损故障信号的LMD分解结果及频域波形； 图3为置换熵算法流程图。 图4为最大间隔分类器； 图5为基于MFFOA的SVM模型流程图。