基于角度重采样与ROC-SVM的旋转机械故障诊断方法技术

本发明专利技术公开了一种基于角度重采样与ROC‑SVM的旋转机械故障诊断方法，属于机械设备故障诊断领域。该方法采用角度重采样技术消除转速波动；从时域和时频域维度进行特征值提取；运用ROC‑SVM实现旋转机械的特征选择与故障诊断。本发明专利技术使用角度重采样方法能够有效的消除转速波动引起的单位时间内振动信号采样点数变化，提高了后续提取特征值的品质；将时域和时频域特征结合起来，达到更加广泛的特征提取，得到足够多的振动信号信息；使用ROC‑SVM进行特征选择与故障诊断，选取最好的特征，防止不良特征降低故障分类器的效果；能够提高轴承故障诊断的准确性和有效性，能提高诊断速度，为解决轴承故障诊断问题提供了一种新思路。

Fault Diagnosis Method of Rotating Machinery Based on Angle Resampling and ROC-SVM

The invention discloses a fault diagnosis method for rotating machinery based on angle resampling and ROC SVM, which belongs to the fault diagnosis field of mechanical equipment. This method uses angle resampling technology to eliminate speed fluctuation, extracts eigenvalues from time domain and time-frequency domain, and realizes feature selection and fault diagnosis of rotating machinery by using ROC SVM. The method of angle resampling can effectively eliminate the change of sampling points of vibration signals per unit time caused by speed fluctuation, and improve the quality of subsequent extraction of eigenvalues; combines time-domain and time-frequency-domain features to achieve more extensive feature extraction and obtain enough vibration signal information; and uses ROC_SVM to select features and fault diagnosis, and the best selection is made. It can improve the accuracy and validity of bearing fault diagnosis, improve the speed of diagnosis, and provide a new way to solve the problem of bearing fault diagnosis.

【技术实现步骤摘要】
基于角度重采样与ROC-SVM的旋转机械故障诊断方法
本专利技术属于机械设备故障诊断领域，更具体地，涉及一种对转速波动信号的角度重采样技术和基于ROC-SVM的旋转机械故障诊断方法及设备。
技术介绍
目前，旋转机械已经成为工业设备系统中的重要组成部分，其运行状态直接影响整个系统的稳定运行。旋转机械故障会降低系统的可靠性和减少系统的使用寿命，甚至造成严重的人员伤亡与经济损失。因此，对旋转机械进行故障诊断是十分必要的。传统的旋转机械故障诊断方法大多数是基于时域分析或频域分析亦或时频域分析，但是旋转机械因转速波动而导致振动信号在等间隔内采样点并不同，并且单一的进行时域、频域、时频域分析都不能最好的得到准确评估。此外，支持向量机(Supportvectormachine,SVM)可以实现对损坏与非损坏的特征值分类，但是对于分类器而言最影响分类效果的还是输入特征值矩阵的大小与品质，很多基于SVM的分类方法都没有好的特征提取方法。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，其目的在于，通过角度重采样技术消除转速波动，并从时域和时频域维度进行特征值提取后，运用ROC-SVM实现旋转机械的特征选择与故障诊断，从而实现高精度的自动故障诊断。为实现上述目的，按照本专利技术的一个方面，提供了一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，包括如下步骤：步骤1：采集正常状态和故障模式状态下旋转机械的振动信号与转速信号，得到包含正常状态和故障状态的振动信号与转速信号的样本点；随机选取部分样本点组建训练数据集，剩余的样本点组建测试数据集；步骤2：使用同步采样的转速信号，对训练数据集中样本点的振动信号进行角度重采样，以消除转速波动引起的振动信号误差；步骤3：对步骤2重采样后的振动信号进行随机周期信号分离；步骤4：从步骤3的每个信号分离结果中提取时域特征，得到时域特征数据集；步骤5：使用小波包变换方法对步骤2重采样后的振动信号进行分解，得到分解后的模态分量，计算各模态分量的能量值作为时频域特征，得到时频域特征数据集；步骤6：将步骤4、5提取的时域特征数据集和时频域特征数据集输入ROC-SVM故障诊断模型中，自动选择最优特征并进行故障诊断模型的训练；步骤7：测试数据集中的样本点经步骤2至步骤5处理后，将提取的特征输入到经步骤6训练好的ROC-SVM故障诊断模型中进行诊断，得到诊断结果，即是否故障、若故障则属于哪种故障模式。进一步地，步骤4的时域特征包括：均值、绝对均值、最小值、方差、峰值、峰峰值、有效值、方根幅值、峭度、歪度、峭度指标、歪度指标、裕度因子、峰值指标、脉冲指标、波形指标；进一步地，步骤2的重采样过程包括如下子步骤：步骤2.1：已知振动信号的原始采样频率Fs0及各个时间间隔内旋转机械的转速rpm。步骤2.2：依据原始采样频率Fs0确定所需要的每转采样点数M，使得重采样之后的采样频率与原始值近似，作为需要达到的目标值；步骤2.3：计算重采样后的目标采样频率Fs：Fs＝M*rpm/60步骤2.4：判断当前rpm对应的时间间隔内目标采样频率Fs与Fs0之间的大小，如果Fs大于Fs0则需要利用线性插值增大此时间间隔内每秒采样点数来达到所需每转采样点数M，若Fs小于Fs0则需要减少此时间间隔每秒采样点数，从而保证每转采样点数M的一定；步骤2.5：按照步骤2.4调整后，最终得到使用转速信号rpm处理后的振动重采样信号；进一步地，步骤6中涉及使用ROC-SVM故障诊断模型对特征进行自适应选择以及故障诊断模型训练，具体实施如下描述：步骤6.1：选择所有特征中的一种；针对所选特征，将训练数据集中所有正常状态的样本的特征值组建矩阵A，所有故障状态的样本的特征值组建矩阵B；步骤6.2：将A与B中的特征值按照大小降序排序，设置一个阈值C矩阵，用于分辨故障特征值与正常状态特征值的区别；步骤6.3：构建全零矩阵FPR和TPR，长度和阈值矩阵相同；令i＝1,j＝1,w＝1；判断正常状态特征值的平均值与故障状态特征值的平均值的关系：如果故障状态特征值的平均值大于正常状态特征值的平均值，判断A(i)与C(j)，B(w)与C(j)的关系，执行循环：④若A(i)＞C(j)，则FPR(j)＝1，j＝j+1，i＝i+1；⑤若B(w)＞C(j)，则TPR(j)＝1，j＝j+1，w＝w+1；⑥若A(i)＜C(j)且B(w)＜C(j)，则j＝j+1；重复上述判断，直到j＝n+1则循环终止；如果正常状态特征值的平均值大于故障状态特征值的平均值，判断A(w)与C(j)，B(i)与C(j)的关系，执行循环：④若B(i)＞C(j)，则FPR(j)＝1，j＝j+1，i＝i+1；⑤若A(w)＞C(j)，则TPR(j)＝1，j＝j+1，w＝w+1；⑥若A(w)＜C(j)且B(i)＜C(j)，则j＝j+1；重复上述判断，直到j＝n+1则循环终止；上述循环结束后，得到用于绘制ROC曲线的TPR与FPR矩阵；步骤6.4：按照如下公式对矩阵FPR和TPR进行更新：其中，P为故障状态特征值个数，N为正常状态特征值个数；更新后，得到连续从0增加到1的TPR与FPR矩阵。步骤6.5：以TPR为纵坐标，FPR为横坐标，得到ROC曲线图；选取输入特征值的标准如下：①曲线必须位于从左下至右上45°延伸的直线之上，②曲线积分值越大则表示故障特征值与正常状态特征值的差异越大，则该故障特征值与正常状态特征值越益于作为ROC-SVM故障诊断模型的输入特征值；步骤6.6：依次选择其它的特征，重复步骤6.1至步骤6.5，得到每个特征的ROC曲线，同时选择出ROC曲线积分值较大的输入特征值构成特征数据集；步骤6.7：使用步骤6.6选择出的特征数据集训练ROC-SVM故障诊断模型。进一步地，步骤6.2中，阈值C矩阵设置为降序排序后的故障矩阵B。进一步地，步骤6.7中，利用SMO参数优化的线性核函数对训练后的ROC-SVM故障诊断模型进行参数优化。为实现上述目的，按照本专利技术的另一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的任意一种方法。为实现上述目的，按照本专利技术的另一个方面，提供了一种实时检测施工现场图像中多类实体对象的设备，包括如前所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。总体而言，本专利技术构思的以上技术方案与现有技术相比，能够取得以下有益效果：1.使用角度重采样方法能够有效的消除转速波动引起的单位时间内振动信号采样点数变化，提高了后续提取特征值的品质。2.将时域和时频域特征结合起来，达到更加广泛的特征提取，得到足够多的振动信号信息。3.使用ROC-SVM进行特征选择与故障诊断，选取最好的特征，防止不良特征降低故障分类器的效果。4.与现有技术比较，本专利技术的轴承故障诊断方法能够提高轴承故障诊断的准确性和有效性，能提高诊断速度，为解决轴承故障诊断问题提供了一种新思路。附图说明图1为本专利技术所述方法的流程图；图2为角度重采样的原理图；图3为采样点重采样后的振动信号图；图4为小波包变换四层分解的小波包分解树；图5为小波包本文档来自技高网...

【技术保护点】
1.一种基于角度重采样与ROC‑SVM的旋转机械故障诊断方法，其特征在于，包括如下步骤：步骤1：采集正常状态和故障模式状态下旋转机械的振动信号与转速信号，得到包含正常状态和故障状态的振动信号与转速信号的样本点；随机选取部分样本点组建训练数据集，剩余的样本点组建测试数据集；步骤2：使用同步采样的转速信号，对训练数据集中样本点的振动信号进行角度重采样，以消除转速波动引起的振动信号误差；步骤3：对步骤2重采样后的振动信号进行随机周期信号分离；步骤4：从步骤3的每个信号分离结果中提取时域特征，得到时域特征数据集；步骤5：使用小波包变换方法对步骤2重采样后的振动信号进行分解，得到分解后的模态分量，计算各模态分量的能量值作为时频域特征，得到时频域特征数据集；步骤6：将步骤4、5提取的时域特征数据集和时频域特征数据集输入ROC‑SVM故障诊断模型中，自动选择最优特征并进行故障诊断模型的训练；步骤7：测试数据集中的样本点经步骤2至步骤5处理后，将提取的特征输入到经步骤6训练好的ROC‑SVM故障诊断模型中进行诊断，得到诊断结果，即是否故障、若故障则属于哪种故障模式。

【技术特征摘要】
1.一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，其特征在于，包括如下步骤：步骤1：采集正常状态和故障模式状态下旋转机械的振动信号与转速信号，得到包含正常状态和故障状态的振动信号与转速信号的样本点；随机选取部分样本点组建训练数据集，剩余的样本点组建测试数据集；步骤2：使用同步采样的转速信号，对训练数据集中样本点的振动信号进行角度重采样，以消除转速波动引起的振动信号误差；步骤3：对步骤2重采样后的振动信号进行随机周期信号分离；步骤4：从步骤3的每个信号分离结果中提取时域特征，得到时域特征数据集；步骤5：使用小波包变换方法对步骤2重采样后的振动信号进行分解，得到分解后的模态分量，计算各模态分量的能量值作为时频域特征，得到时频域特征数据集；步骤6：将步骤4、5提取的时域特征数据集和时频域特征数据集输入ROC-SVM故障诊断模型中，自动选择最优特征并进行故障诊断模型的训练；步骤7：测试数据集中的样本点经步骤2至步骤5处理后，将提取的特征输入到经步骤6训练好的ROC-SVM故障诊断模型中进行诊断，得到诊断结果，即是否故障、若故障则属于哪种故障模式。2.如权利要求1所述的一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，其特征在于，步骤4的时域特征包括：均值、绝对均值、最小值、方差、峰值、峰峰值、有效值、方根幅值、峭度、歪度、峭度指标、歪度指标、裕度因子、峰值指标、脉冲指标、波形指标。3.如权利要求1或2所述的一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，其特征在于，步骤2的重采样过程包括如下子步骤：步骤2.1：已知振动信号的原始采样频率Fs0及各个时间间隔内旋转机械的转速rpm；步骤2.2：依据原始采样频率Fs0确定所需要的每转采样点数M，使得重采样之后的采样频率与原始值近似，作为需要达到的目标值；步骤2.3：计算重采样后的目标采样频率Fs：Fs＝M*rpm/60步骤2.4：判断当前rpm对应的时间间隔内目标采样频率Fs与Fs0之间的大小，如果Fs大于Fs0则需要利用线性插值增大此时间间隔内每秒采样点数来达到所需每转采样点数M，若Fs小于Fs0则需要减少此时间间隔每秒采样点数，从而保证每转采样点数M的一定；步骤2.5：按照步骤2.4调整后，最终得到使用转速信号rpm处理后的振动重采样信号。4.如权利要求3所述的一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，其特征在于，步骤6中涉及使用ROC-SVM故障诊断模型对特征进行自适应选择以及故障诊断模型训练，具体实施如下描述：步骤6.1：选择所有特征中的一种；针对所选特征，将训练数据集中所有正常状态的样本的特征值组建矩阵A，所有故障状态的样本的特征值组建矩阵B；步骤6.2：将A与...

【专利技术属性】
技术研发人员：吴军，郭鹏飞，程一伟，徐雪兵，林漫曦，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42