一种基于Q因子小波变换的振动故障诊断方法及其系统技术方案

本申请公开了一种基于Q因子小波变换的振动故障诊断方法及其系统。基于可调Q因子小波分析的旋转机械振动故障诊断方法包括如下步骤：获取旋转机械的振动数据；对振动数据进行可调Q因子小波变换、建立振动数据的AR模型，计算振动数据的分形特征；根据变换后的信号计算待测数据特征向量；采用线性判别分析器对正常和待测数据特征向量进行分类；根据分类结果判断机械设备振动是否正常。本申请与现有的故障分析方法相比具备处理非线性、非平稳振动信号的能力，实现机械振动故障准确判断与定位的技术效果。术效果。术效果。

【技术实现步骤摘要】
一种基于Q因子小波变换的振动故障诊断方法及其系统


[0001]本申请涉及数字处理
，特别涉及一种基于Q因子小波变换的振动故障诊断方法及其系统。

技术介绍

[0002]机械设备的振动信号可以反应其运行状态。目前基于振动信号分析的机械设备故障诊断方法主要包括时域分析法、频域分析法，Q因子小波分析结合了时域分析和频域分析的优点，是一种融合了多种信息的信号处理技术，是一种新的故障诊断分析方法。
[0003]当机械设备发生故障时，特别是齿轮的磨损、点蚀以及断齿等故障，其振动信号表现出一种非线性、非平稳信号，传统的信号处理方法虽然可以分别在时域以及频域内对信号进行有效分析，但缺少同时分析时域和频域的能力，小波变换可以兼具时域和频域分析的优势，可同时在时域和频域内进行分析，对于时变信号可以有效的进行时域和频域的逆变换。小波变换相比于傅里叶变换虽然融合了时域特点，但是在变换过程中需要对小波基进行有效的选择，且单一基函数推导出的小波函数无法准确反应时变信号的局部特征，重构得到的时域信号会丢失原信号的时域特征。可调Q因子小波变换(Tunable Q
‑
Factor Wavelet Transform TQWT)包含了信号的振荡特性的可调整参数，是离散小波变换方法中一种，非常适用于机械振动故障的时变信号。在时间尺度上TQWT能够有效地表示出信号的非平稳性。

技术实现思路

[0004]本申请提供一种基于Q因子小波变换的振动故障诊断方法，包括如下步骤：
[0005]获取旋转机械的振动数据；
[0006]对振动数据进行可调Q因子小波变换，并建立振动数据的AR模型；
[0007]根据变换后的信号计算待测数据特征向量；
[0008]采用线性判别分析器对正常和待测数据特征向量进行分类；
[0009]根据分类结果判断机械设备振动是否正常。
[0010]如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，利用振动数据构建小波能量系数，作为数据特征向量的元素之一。
[0011]如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，根据数据建立其n阶的AR模型，并根据直接估计法、矩阵递推估计法、参数递推估计法计算AR模型系数。
[0012]如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，采用数据的分形维数作为数据特征向量元素之一。
[0013]如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，把数据的可调Q因子小波系数、AR模型参数、分形维数的不同形式组合作为数据的特征向量。
[0014]如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，对特征向量采用线性分类器进行分类，并计算最佳分类阈值，即互信息阈值，根据互信息阈值判断机械设备
振动是否正常。
[0015]如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，判断机械设备振动是否正常，还包括：
[0016]对特征向量采用线性分类器进行分类，并计算最佳分类阈值；
[0017]根据正常数据和待测数据，计算二者数据的特征向量的欧式距离；
[0018]根据最佳分类阈值和欧式距离的相对变化判断机械设备是否发生故障。
[0019]本专利技术还提供一种基于Q因子小波变换的振动故障诊断系统，包括：旋转机械、传感器以及处理器；
[0020]其中，所述传感器：用于采集所述旋转机械的振动数据，并将采集的振动数据上传至所述处理器进行处理；所述振动数据包括来自旋转机械的三个方向的振动信号；
[0021]所述处理器：用于接收所述振动数据，并执行上述任意一项所述的一种基于Q因子小波变换的振动故障诊断方法，对数据进行处理，得出诊断结果。
[0022]本申请的一种基于Q因子小波变换的振动故障诊断方法及其系统，具有能够处理振动设备产生的微弱或非平稳故障特征信号，且能够适用于不同的采样时刻、样本大小和采样频率等不同领域，给出设备的故障特征，实现机械故障的精准判断的技术效果。
附图说明
[0023]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0024]图1和图2为本专利技术实施例提供的一种基于Q因子小波变换的旋转机械故障诊断方法流程图；
[0025]图3为TQWT方法逐层通过高低通滤波器示意图；
[0026]图4为样本特征分类图。
具体实施方式
[0027]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]本申请的目的在于提供一种基于Q因子小波变换的旋转机械振动故障诊断方法及其系统，能够处理振动设备产生的微弱或非平稳故障特征信号，且能够适用于不同的采样时刻、样本大小和采样频率等不同领域，给出设备的故障特征，实现机械故障的精准判断。
[0029]本申请提供一种基于Q因子小波变换的旋转机械故障诊断系统，包括：旋转机械、传感器以及处理器；
[0030]其中，传感器：用于采集旋转机械的振动数据，并将采集的振动数据上传至处理器进行处理；该振动数据包括来自旋转机械的三个方向的振动信号。
[0031]处理器：用于接收传感器上传的振动数据，并执行下述的基于Q因子小波变换的旋
转机械振动故障诊断方法，对振动数据进行处理，得出诊断结果。
[0032]为达到上述目的，如图1、2所示，本申请提供一种基于Q因子小波变换的旋转机械故障诊断方法，包括如下步骤：
[0033]S1：获取旋转机械的振动数据。
[0034]具体的，通过传感器对需要进行故障诊断的旋转机械进行数据采集，获得振动数据，并将数据上传至处理器。其中，振动数据包括来自旋转机械的三个方向的振动信号。
[0035]S2：利用TQWT(可调Q因子的小波变换)对振动数据进行变换，并建立其AR模型。
[0036]S21：建立高低通滤波器；
[0037]根据品质因子Q和过采样率r，即方程确定高低通滤波器的参数α
i
,β
i
，并根据方程建立高低通滤波器。
[0038]S22：对原始信号进行逐层的高低通滤波。
[0039]具体的，利用但不限于矩形窗函数对多维时间序列进行分割，得到原始振动信号的数据集。把振动信号按照图3所示的TQWT方法逐层通过高低通滤波器，图3中的S(n)为原始振动信号，信号S(n)进行离散傅里叶变换后再通过双通道滤波和尺度变换对振动数据进行离散小波变换，最终分解为高通信号d
i
(n)和低通信号c...

【技术保护点】

【技术特征摘要】
1.一种基于Q因子小波变换的振动故障诊断方法，其特征在于，包括如下步骤：获取旋转机械的振动数据；对振动数据进行可调Q因子小波变换、建立振动数据的AR模型，计算振动数据的分形特征；根据变换后的信号计算待测数据特征向量；采用线性判别分析器对正常和待测数据特征向量进行分类；根据分类结果判断机械设备振动是否正常。2.根据权利要求1所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，利用振动数据构建小波能量系数，作为数据特征向量的元素之一。3.根据权利要求1所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，根据数据建立其n阶的AR模型，并根据直接估计法、矩阵递推估计法、参数递推估计法计算AR模型系数。4.根据权利要求1所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，采用数据的分形维数作为数据特征向量元素之一。5.根据权利要求1所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，把数据的可调Q因子小波系数、AR模型参数、分形维数的不同组合作为数据的特征向量。...

【专利技术属性】
技术研发人员：李少华，李卓群，
申请(专利权)人：厦门纵行信息科技有限公司，
类型：发明
国别省市：