基于小波包分解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小波包分解的旋转机械故障诊断方法，该方法包括以下步骤：1)采集正常状态和故障状态下旋转机械的振动信号；2)选取用于故障特征提取的小波基函数；3)根据选取的小波基函数，通过小波包分解获取振动信号不同频带的子信号；4)计算所述子信号的模糊熵值，得到故障特征向量；5)根据相关性进行特征重要性排序，依此排序结果选取排序结果靠前的设定数量的故障特征向量；6)使用分类器构建故障诊断模型，将选取的故障特征向量与类别标签共同划分为训练集和测试集，并将训练集作为模型的输入训练该模型；7)将测试集输入所述故障诊断模型，得到故障诊断结果。本发明专利技术能有效提取高质量的故障特征，提高故障诊断的准确率。率。率。

【技术实现步骤摘要】
基于小波包分解的旋转机械故障诊断方法


[0001]本专利技术涉及机械故障诊断技术，尤其涉及一种基于小波包分解的旋转机械故障诊断方法。

技术介绍

[0002]旋转机械作为传动系统中的关键部件，广泛应用于电机、发动机、轴承、齿轮箱等工业生产中。旋转机械关键部件在恶劣或复杂的工况下运行极易发生故障，直接影响机械性能，甚至严重影响生产安全。因此，构建复杂工况下旋转机械的故障诊断方案，对保证设备安全运行和减少经济损失具有重要意义。
[0003]在旋转机械故障诊断领域，振动信号采集、特征提取和故障模式识别是三个重要方面，而特征提取直接影响最终的诊断结果。基于振动信号分析的故障特征提取方法包括时域分析、频域分析和时频域分析，相应的特征称为时域特征、频域特征和时频域特征。时域特征包含均方根、均值和峰度等，频域分析主要基于傅立叶变换。然而，由于旋转机械振动信号的非线性和非平稳性，这些方法受到先验知识和专家经验的限制，难以有效地挖掘出隐藏在振动信号中的故障信息。近些年来，常用时频域分解方法包括经验模态分解(EMD)、局部均值分解(LMD)和变分模态分解(VMD)等。但是，上述方法仍然存在一些缺陷。例如，EMD具有端点效应、模态混叠、欠包络和过包络等缺点，而LMD具有模式混叠和计算效率低的缺点。另外，这些方法都基于“模态”，它们的子信号可能会丢失原始信号的某些频率分量。

技术实现思路

[0004]本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于小波包分解的旋转机械故障诊断方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种基于小波包分解的旋转机械故障诊断方法，包括以下步骤：
[0006]1)采集正常状态和故障状态下旋转机械的振动信号，得到包含正常状态和故障状态的振动信号的样本点；
[0007]2)选取用于故障特征提取的小波基函数；
[0008]3)根据选取的小波基函数，通过小波包分解获取振动信号不同频带的子信号；
[0009]4)计算所述子信号的模糊熵值，得到故障特征向量；
[0010]5)故障特征选择；根据相关性进行特征重要性排序，依此排序结果选取排序结果靠前的设定数量的故障特征向量；
[0011]6)故障模式识别，通过分类器构建故障诊断模型，将选取的故障特征向量与类别标签共同划分为训练集和测试集，并将训练集作为模型的输入以训练该模型；
[0012]7)将测试集输入所述故障诊断模型，得到故障诊断结果。
[0013]按上述方案，所述步骤2)中选取用于故障特征提取的小波基函数基于能量-香农
熵比值最大和相似性最小选取。
[0014]按上述方案，所述步骤2)中选取用于故障特征提取的小波基函数，具体如下：
[0015]2.1)结合旋转机械振动信号和不同小波族的特点，确定待测基函数；
[0016]2.2)在每种故障类型下随机选取s个样本组成新的数据集，利用上述小波基函数对每个样本进行j层小波包分解；
[0017]2.3)分别计算所选样本的总能量与香农熵比，然后计算平均值；
[0018]2.4)根据能量-香农熵比值最大原则，确定各小波族的最优小波基函数；
[0019]2.5)针对不同小波族的最优小波基函数，计算其构建的重建信号与原始信号的相似性，取重构信号与原始信号最相似的小波基函数为用于故障特征提取的小波基函数。
[0020]按上述方案，所述步骤2.1)中待测基函数包括：coif1至coif5小波，sym2至sym8小波,以及db1至db10小波。
[0021]按上述方案，所述步骤2.3)中计算所选样本的总能量与香农熵比，采用以下公式：
[0022]对j层小波包分解，共有2
j
个节点，则其在第n个节点的能量值E(n)定义为：其中，i为第n个节点中的离散点序号；m为第n个节点的离散点总个数；C
n,i
为对应离散点的小波包系数。
[0023]第n个节点小波系数的熵S
entropy
(n)定义为：
[0024][0025]其中为小波系数的能量概率分布；
[0026]因此，一个j层小波包分解的总能量与总香农熵的比值定义为：
[0027][0028]按上述方案，所述步骤2.5)中针对不同小波族的最优小波基函数，计算其构建的重建信号与原始信号的相似性，如下：
[0029]针对不同小波族的最优小波基函数，分别用其进行小波包分解，并将分解后最后一层节点的系数重构成时序信号，通过标准化的欧几里得距离度量k维原始信号x
i
,(i＝1,2,
…
,k)和重构信号y
i
(i＝1,2,
…
,k)之间的相似性：
[0030][0031]其中，s
i
是x
i
和y
i
的标准差，d越小，原信号与重构信号越相似。
[0032]按上述方案，所述步骤3)中在进行小波包分解之前，对原始振动信号进行Z-Score标准化，标准化后的信号均值为0，标准差为1。
[0033]按上述方案，所述步骤4)中根据j层小波包分解将振动信号分解为2
j
个具有不同
频带的子信号，计算每个子信号的模糊熵值构成故障特征向量。
[0034]按上述方案，所述步骤4)中故障特征向量获取方式如下：
[0035]对于每个子信号，子信号对应一个N维时间序列{x(i)，i＝1,2，
…
，N}，其相似度定义为:
[0036][0037]其中,r为相似度容限,表示和之间的距离，t表示相似度容限的梯度；
[0038]定义函数
[0039][0040]得到该子信号的模糊熵值，即故障特征值为：
[0041][0042]对于j层小波包分解，振动信号被分解为2
j
个具有不同频带的子信号，因此故障特征向量的维度为2
j
。
[0043]按上述方案，所述步骤5)中通过最小冗余-最大相关准进行特征重要性排序。
[0044]按上述方案，所述步骤6)中通过CatBoost分类器构建故障诊断模型。
[0045]本专利技术产生的有益效果是：
[0046]1、本专利技术采取小波包分解结合模糊熵，选取最佳小波基函数的基础上将小波包分解用于提取信号的频率分量。此外，利用模糊熵提取分解后的子信号中的隐含故障信息，既保留了信息熵方法的优点，又可以有效地提取时间序列的动态信息。同时，模糊熵还具有对背景噪声不敏感和鲁棒性好的优点。二者结合能有效提取高质量的故障特征，尤其适用于复杂工况下的故障特征提取；
[0047]2、本专利技术采取基于最小冗余-最大相关准则的特征选择方法，能有效去除冗余特征，简化分类器建模；
[0048]3、本专利技术通过小波包分解将振动信号分解为具有不同频带的子信号，并计算子信号的模糊熵值，得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波包分解的旋转机械故障诊断方法，其特征在于，包括以下步骤：1)采集正常状态和故障状态下旋转机械的振动信号，得到包含正常状态和故障状态的振动信号的样本点；2)选取用于故障特征提取的小波基函数；3)根据选取的小波基函数，通过小波包分解获取振动信号不同频带的子信号；4)计算所述子信号的模糊熵值，得到故障特征向量；5)故障特征选择；根据相关性进行特征重要性排序，依此排序结果选取排序结果靠前的设定数量的故障特征向量；6)故障模式识别；使用分类器构建故障诊断模型，将选取的故障特征向量与类别标签共同划分为训练集和测试集，并将训练集作为模型的输入训练该模型；7)将测试集输入所述故障诊断模型，得到故障诊断结果。2.根据权利要求1所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤2)中选取用于故障特征提取的小波基函数基于能量-香农熵比值最大和相似性最小选取。3.根据权利要求1所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤2)中选取用于故障特征提取的小波基函数，具体如下：2.1)结合旋转机械振动信号和不同小波族的特点，确定待测基函数；2.2)在每种故障类型下随机选取s个样本组成新的数据集，利用上述小波基函数对每个样本进行j层小波包分解；2.3)分别计算所选样本的总能量与香农熵比，然后计算平均值；2.4)根据能量-香农熵比值最大原则，确定各小波族的最优小波基函数；2.5)针对不同小波族的最优小波基函数，计算其构建的重建信号与原始信号的相似性，取重构信号与原始信号最相似的小波基函数为用于故障特征提取的小波基函数。4.根据权利要求3所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤2.1)中待测基函数包括：coif1至coif5小波，sym2至sym8小波,以及db1至db10小波。5.根据权利要求3所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤2.3)中计算所选样本的总能量与香农熵比，采用以下公式：对j层小波包分解，共有2
j
个节点，则其在第n个节点的能量值E(n)定义为：其中，i为第n个节点中的离散点序号；m为第n个节点的离散点总个数；C
n,...

【专利技术属性】
技术研发人员：周涛涛，陈志敏，原宗，张冬，邹大程，
申请(专利权)人：中国舰船研究设计中心，
类型：发明
国别省市：