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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。