一种机械故障检测方法及装置制造方法及图纸

本申请公开了一种机械故障检测方法及装置，方法包括：采用预置小波包变换方法对预置机械振动信号进行特征提取，得到初始特征向量，初始特征向量包括能量分布特征；通过预置K‑SVD算法对初始特征向量进行字典学习，得到过完备字典；根据预置CoSaMp算法对过完备字典进行稀疏求解，得到稀疏表征，稀疏表征包括稀疏参数；通过预置SVM模型对稀疏表征进行分类，得到检测结果。本申请能够解决现有技术在机械部件参数或者型号未知的情况下无法获取有效且可靠的故障特征，导致故障检测准确度较低的技术问题。

【技术实现步骤摘要】
一种机械故障检测方法及装置
本申请涉及故障检测
，尤其涉及一种机械故障检测方法及装置。
技术介绍
机械故障诊断方法主要是基于故障特征频率的诊断。基于故障特征频率的诊断方法根据轴承、齿轮和转子等旋转机械关键零部件的故障特征频率来识别故障。当轴承、齿轮和转子发生故障时，其振动信号频谱中的峰值频率即为该部件的理论故障特征频率。现有的机械故障检测技术在机械部件参数或者型号未知的情况下，故障特征频率变化较大，无法保证获取的故障特征的可靠性，使得检测结果准确度较低，无法适应实际情况中的非平稳信号下的故障检测。
技术实现思路
本申请提供了一种机械故障检测方法及装置，用于解决现有技术在机械部件参数或者型号未知的情况下无法获取有效且可靠的故障特征，导致故障检测准确度较低的技术问题。有鉴于此，本申请第一方面提供了一种机械故障检测方法，包括：采用预置小波包变换方法对预置机械振动信号进行特征提取，得到初始特征向量，所述初始特征向量包括能量分布特征；通过预置K-SVD算法对所述初始特征向量进行字典学习，得到过完备本文档来自技高网...

【技术保护点】
1.一种机械故障检测方法，其特征在于，包括：/n采用预置小波包变换方法对预置机械振动信号进行特征提取，得到初始特征向量，所述初始特征向量包括能量分布特征；/n通过预置K-SVD算法对所述初始特征向量进行字典学习，得到过完备字典；/n根据预置CoSaMp算法对所述过完备字典进行稀疏求解，得到稀疏表征，所述稀疏表征包括稀疏参数；/n通过预置SVM模型对所述稀疏表征进行分类，得到检测结果。/n

【技术特征摘要】
1.一种机械故障检测方法，其特征在于，包括：
采用预置小波包变换方法对预置机械振动信号进行特征提取，得到初始特征向量，所述初始特征向量包括能量分布特征；
通过预置K-SVD算法对所述初始特征向量进行字典学习，得到过完备字典；
根据预置CoSaMp算法对所述过完备字典进行稀疏求解，得到稀疏表征，所述稀疏表征包括稀疏参数；
通过预置SVM模型对所述稀疏表征进行分类，得到检测结果。


2.根据权利要求1所述的机械故障检测方法，其特征在于，所述通过预置K-SVD算法对所述初始特征向量进行字典学习，得到过完备字典，包括：
通过预置K-SVD算法对初始特征向量集中的每个所述初始特征向量分别进行字典学习，得到多个子字典；
将所有所述子字典进行拼接，得到所述过完备字典。


3.根据权利要求1所述的机械故障检测方法，其特征在于，所述通过预置K-SVD算法对所述初始特征向量进行字典学习，得到过完备字典，包括：
通过预置K-SVD算法对所述初始特征向量集中所有的所述初始特征向量统一进行字典学习，得到所述过完备字典。


4.根据权利要求1所述的机械故障检测方法，其特征在于，所述通过预置SVM模型对所述稀疏表征进行分类，得到检测结果，之前还包括：
采用训练样本对应的稀疏表征训练初始SVM模型，得到所述预置SVM模型。


5.根据权利要求4所述的机械故障检测方法，其特征在于，所述采用训练样本对应的稀疏表征训练初始SVM模型，得到所述预置SVM模型，还包括：
采用预置粒子群优化算法优化所述预置SVM模型的相关参数，得到优化后的预置SVM模型，所述预...

【专利技术属性】
技术研发人员：房小兆，郭蔚颖，滕少华，江粼，刘志虎，江凯航，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44