CN106096154B - 一种小波包时域信号流形学习故障诊断方法 - Google Patents

一种小波包时域信号流形学习故障诊断方法 Download PDF

Info

Publication number
CN106096154B
CN106096154B CN201610431875.6A CN201610431875A CN106096154B CN 106096154 B CN106096154 B CN 106096154B CN 201610431875 A CN201610431875 A CN 201610431875A CN 106096154 B CN106096154 B CN 106096154B
Authority
CN
China
Prior art keywords
signal
frequency
wavelet packet
manifold
carried out
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610431875.6A
Other languages
English (en)
Other versions
CN106096154A (zh
Inventor
谷玉海
王少红
吴国新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Kexin Electromechanical Technology Research Institute Co ltd
Original Assignee
Beijing Information Science and Technology University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN201610431875.6A priority Critical patent/CN106096154B/zh
Publication of CN106096154A publication Critical patent/CN106096154A/zh
Application granted granted Critical
Publication of CN106096154B publication Critical patent/CN106096154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种小波包时域信号流形学习故障诊断方法，其步骤：对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号；对解调信号采用FIR低通滤波器消除高频噪声，并以低采样频率对各分量信号进行重采样保留低频信号；对重采样信号进行自相关计算并归一化为自相关系数，将处理后的各分层数据构造形成高维数据向量；采用t‑SNE流形学习算法对高维数据向量进行降维处理，形成L×2N维矩阵，最终形成2维或3维图形，对于机电设备不同的故障形式，其最终形成的流形结构不同，进而通过流形结构的形状判断设备的故障状态。

Description

一种小波包时域信号流形学习故障诊断方法
技术领域
本发明涉及一种机械设备故障诊断方法，特别是关于一种旋转机械设备的小波包时域信号流形学习故障诊断方法。
背景技术
对旋转机械的关键部位采集振动信号，从振动信号中提取与故障相关的敏感特征并进行分析是目前主要的旋转机械故障诊断方法。对振动信号进行消噪提纯预处理后，只提取单一特征信息往往难以有效判断设备的故障状态。采用多种特征提取方法获取多项特征并综合运用能够更准确的判断设备状态，但特征信息的增加致使信息维数大量增加，给工程应用带来困难。由多种特征参数构成的高维特征向量的结构不同，其的对应的故障状态不同，采用流形学习方法可以将高维数据的内部结构可视化的表达出来，直观的区分故障状态。流形学习算法(Manifold Learning)是一种非线性机器学习算法，能够根据高维数据的内在规律或空间几何结构将高维空间数据映射至低维空间表示，以二维或三维流形分布形式将高维空间中数据之间的相似度或距离可视化的表示出来。现在研究较多的流形学习算法主要有主成分分析(PCA)算法、局部线性嵌入(LLE)算法、等距映射(Isomap)算法、局部切空间排列算法(LTSA)等，这些流形学习算法在机械故障诊断领域已有很多应用，但这些算法在机械故障诊断应用中多数存在非线性数据拥挤，低维流形表达不够清晰等问题。
发明内容
针对上述问题，本发明的目的是提供一种小波包时域信号流形学习故障诊断方法，该方法能有效降低数据长度，使不同的故障状态形成2维或3为图形，处理后的结果更加规则和清晰。
为实现上述目的，本发明采取以下技术方案：一种小波包时域信号流形学习故障诊断方法，其特征在于，该方法包括以下步骤：1)对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；2)对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号，该低频信号为相对于载波信号的阶次信号；3)对解调信号采用FIR低通滤波器消除高频噪声，并以低采样频率对各分量信号进行数字重采样保留低频信号；4)对重采样信号进行自相关计算并归一化为自相关系数，将处理后的各分层自相关系数向量构造形成高维数据向量，形成L×2N维矩阵，L为分量信号重采样后的数据长度；5)采用t-SNE流形学习算法对高维数据向量进行降维处理，最终形成2维或3维图形，通过流形结果的形状判断设备的故障状态。
所述高频噪声为0.5倍载波信号频率以上的频率成分。
所述低采样频率为0.5倍载波信号频率。
所述步骤4)中，对各层重采样信号进行自相关计算并归一化，使最大值为1，归一化后的数据向量称为自相关系数向量。
本发明由于采取以上技术方案，其具有以下优点：本发明以t分布的随机近邻嵌入算法(t-SNE)为基础，采用小波包对采集的振动信号进行多层分解，然后对分解后的各层数据分别采用希尔伯特变换进行解调处理，进一步采用FIR滤波器消除高频噪声、通过低频重采样保留低频信号，降低数据长度，将处理后的各分层数据构造形成高维数据向量，采用流形学习算法对高维向量进行降维处理，最终形成2维或3为图形，不同的故障形式，其流形结果不同，藉此用于判断设备的故障状态。
附图说明
图1是本发明的整体流程示意图；
图2是基于PCA降维处理的不平衡故障2维流形图；
图3是基于PCA降维处理的碰磨故障2维流形；
图4是基于PCA降维处理基础松动2维流形；
图5是采用PCA方法降维处理后正常状态2维流形；
图6是本发明的不平衡故障2维流形；
图7是本发明的碰磨故障2维流形；
图8是本发明的基础松动2维流形；
图9是本发明的正常状态2维流形。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供一种小波包时域信号流形学习故障诊断方法，该方法是通过对采集到的振动信号通过流形学习降维处理形成低维流形的故障诊断方法，对由旋转机器设备特定部位上采集获得的振动数据通过小波包分解生成多层细节数据，由这些分层数据构成高维数据向量。不同层的数据中蕴含的低频到高频的特征信息不同，不同的故障特征在不同分层中的频率成分分布不同，因此对不同的故障状态，所生成的高维数据之间的内部结构也会不同，最终通过流形学习降维处理后的二维可视化图形形状与故障状态形成映射关系。采用小波包分解后，从空间的角度观察，将原来1维数据分解为代表不同频率分量的高维数据，对分解后的高维数据采用希尔伯特包络解调及重采样的特征提取方法，最终采用流形学习降维处理后的可视化图形也会不同。其具体步骤如下：
1)对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；
2)对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号，该低频信号为相对于载波信号的阶次信号；
3)对解调信号采用FIR低通滤波器消除0.5倍载波信号频率以上的频率成分，并以0.5倍载波信号频率为采样频率对各分量信号进行数字重采样保留低频信号，降低数据长度以提高计算速度；载波信号频率是采样时齿轮的拟合频率。
4)对各层重采样信号进行自相关计算并归一化，使最大值为1，归一化后的数据向量称为自相关系数向量，将处理后的各分层自相关系数向量构造形成高维数据向量；形成L×2N维矩阵，L为分量信号重采样后的数据长度；各分层重采样数据是指以低采样频率进行数字重采样后获得的信号。
5)采用t-SNE流形学习算法对高维数据向量进行降维处理，最终形成2维或3维图形；对于机电设备不同的故障形式，其最终形成的流形结果不同，进而通过流形结果的形状判断设备的故障状态。
实施例：为了验证基于小波包分解时域特征生成高维数据方法的有效性，对在本特利RK4转子实验台上采集的正常状态、转子不平衡故障、碰磨故障以及基础松动故障数据分别基于本发明的方法生成高维数据矩阵，并采用PCA及t-SNE流形学习算法进行验证，每种故障状态的数据长度为40960点。对4种状态的振动数据分别采用4层小波包分解为16个分量数据，对各分量数据进行希尔伯特包络解调，对解调后数据按原采样频率的1/8频率进行FIR数字低通滤波，滤波后数据按原采样频率的1/4频率重采样，计算重采样数据的自相关函数并归一化，将归一化数据合并生成640×16维特征数据。如图2～图5所示，为采用小波包分解信号预处理后采用PCA流形学习降维处理结果的结果，从图中看出不同的故障状态表现出不同的2维流形形态，但2维流形的流形结构规则性不好，流形结构不够清晰。
如图6～图9所示，为采用t-SNE算法对同一组640×16维特征数据进行降维处理生成的2维可视化流形。从图中看出，采用t-SNE流形学习降维处理后的流形结构，不同的故障状态表现的2维流形相比PCA算法处理的结果更加规则和清晰，t-SNE算法相比PCA具有更好的降维处理流形结构。
综上所述，本发明通过采用小波包分解、希尔伯特变换包络解调、FIR滤波及低频重采样构造代表故障状态结构特征的高维数据向量，然后采用t-SNE流形学习算法将高维数据进行降维处理形成2维低维流形，通过不同的流形结构形式来判断机器设备的故障状态，形成机器设备的故障辨识。本发明还能进一步采用多个机器敏感特征部位的振动信号分别进行小波包分解，统一构造形成高维数据，采用该信号预处理及降维方法获得低维流形，用于辨识机器设备的故障状态。
上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (3)

1.一种小波包时域信号流形学习故障诊断方法，其特征在于，该方法包括以下步骤：
1)对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；
2)对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号，该低频解调信号为相对于载波信号的阶次信号；
3)对解调信号采用FIR低通滤波器消除高频噪声，并以低采样频率对各分量信号进行数字重采样保留低频信号；
4)对重采样信号进行自相关计算并归一化为自相关系数，将处理后的各分层自相关系数向量构造形成高维数据向量，形成L×2N维矩阵，L为分量信号重采样后的数据长度；
对各层重采样信号进行自相关计算并归一化，使最大值为1，归一化后的数据向量称为自相关系数向量；
5)采用t-SNE流形学习算法对高维数据向量进行降维处理，最终形成2维或3维图形，通过流形结果的形状判断设备的故障状态。
2.如权利要求1所述的一种小波包时域信号流形学习故障诊断方法，其特征在于：所述高频噪声为0.5倍载波信号频率以上的频率成分。
3.如权利要求1所述的一种小波包时域信号流形学习故障诊断方法，其特征在于：所述低采样频率为0.5倍载波信号频率。
CN201610431875.6A 2016-06-17 2016-06-17 一种小波包时域信号流形学习故障诊断方法 Active CN106096154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610431875.6A CN106096154B (zh) 2016-06-17 2016-06-17 一种小波包时域信号流形学习故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610431875.6A CN106096154B (zh) 2016-06-17 2016-06-17 一种小波包时域信号流形学习故障诊断方法

Publications (2)

Publication Number Publication Date
CN106096154A CN106096154A (zh) 2016-11-09
CN106096154B true CN106096154B (zh) 2019-05-28

Family

ID=57236717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610431875.6A Active CN106096154B (zh) 2016-06-17 2016-06-17 一种小波包时域信号流形学习故障诊断方法

Country Status (1)

Country Link
CN (1) CN106096154B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194044B (zh) * 2017-05-08 2020-08-18 天津大学 一种基于输入和输出数据操作的fir滤波器故障注入方法
CN109561437B (zh) * 2017-09-26 2020-10-16 大唐移动通信设备有限公司 一种对信号进行处理的方法及装置
CN108760675A (zh) * 2018-06-05 2018-11-06 厦门大学 一种太赫兹异常光谱识别方法及系统
CN110427918B (zh) * 2019-08-15 2022-03-08 国网重庆市电力公司电力科学研究院 一种电子式电力互感器的故障分类方法及可读存储介质
CN110503050A (zh) * 2019-08-26 2019-11-26 济南大学 一种基于子带编码的振动信号感知哈希方法及系统
CN115356631B (zh) * 2022-10-24 2023-04-14 新黎明科技股份有限公司 高维变量下电机状态监测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234767A (zh) * 2013-04-21 2013-08-07 蒋全胜 基于半监督流形学习的非线性故障检测方法
CN105134619A (zh) * 2015-09-28 2015-12-09 北京航空航天大学 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9835594B2 (en) * 2012-10-22 2017-12-05 Augury Systems Ltd. Automatic mechanical system diagnosis
WO2014123443A1 (ru) * 2013-02-06 2014-08-14 Ivanov Alexandr Vladimirovich Способ вибрационной диагностики и прогнозирования внезапного отказа двигателя и устройство

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234767A (zh) * 2013-04-21 2013-08-07 蒋全胜 基于半监督流形学习的非线性故障检测方法
CN105134619A (zh) * 2015-09-28 2015-12-09 北京航空航天大学 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于泛化流形学习的风电机组传动系统早期故障诊断方法研究;苏祖强;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20160115(第1期);第6-7、15-20、39-70页
随机近邻嵌入分析方法及其在水电机组故障诊断中的应用;邱虹;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180315(第3期);第8-9页

Also Published As

Publication number Publication date
CN106096154A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106096154B (zh) 一种小波包时域信号流形学习故障诊断方法
Yan et al. Application of CSA-VMD and optimal scale morphological slice bispectrum in enhancing outer race fault detection of rolling element bearings
Li et al. Recent progress on decoupling diagnosis of hybrid failures in gear transmission systems using vibration sensor signal: A review
Yongbo et al. Review of local mean decomposition and its application in fault diagnosis of rotating machinery
Zhang et al. Time-varying singular value decomposition for periodic transient identification in bearing fault diagnosis
Ding et al. Detection of faults in rotating machinery using periodic time-frequency sparsity
CN102607845B (zh) 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法
CN105973584B (zh) 一种小波包频域信号流形学习故障诊断方法
Ma et al. Early fault diagnosis of rotating machinery based on composite zoom permutation entropy
CN105134619A (zh) 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法
CN109975013A (zh) 基于ivmd-se的风电机组齿轮箱故障特征提取方法
CN109506938A (zh) 基于改进小波包阈值去噪与局部均值分解的故障提取方法
Hu et al. A new multiscale noise tuning stochastic resonance for enhanced fault diagnosis in wind turbine drivetrains
CN104504403B (zh) 一种基于散射变换的旋转机械故障预测方法
Chen et al. A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data
Jiang et al. On the bi-dimensional variational decomposition applied to nonstationary vibration signals for rolling bearing crack detection in coal cutters
Saini et al. Detection and diagnosis of induction motor bearing faults using multiwavelet transform and naive Bayes classifier
CN107525671B (zh) 一种风电机组传动链复合故障特征分离与辨识方法
CN112270312A (zh) 风机轴承故障诊断方法、系统、计算机设备和存储介质
CN110806315A (zh) 一种基于倒位编辑的齿轮箱复合故障诊断方法
CN109187023A (zh) 一种汽车发电机轴承故障诊断方法
Bao et al. Anti-aliasing lifting scheme for mechanical vibration fault feature extraction
CN112485028B (zh) 振动信号的特征频谱提取方法及机械故障诊断分析方法
Feng et al. A fault diagnosis for rolling bearing based on multilevel denoising method and improved deep residual network
Wang et al. Concentric diversity entropy: A high flexible feature extraction tool for identifying fault types with different structures

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221018

Address after: Room B51, Jiali Hotel, No. 21, Jiuxianqiao Road, Chaoyang District, Beijing 100016

Patentee after: Beijing Kexin Electromechanical Technology Research Institute Co.,Ltd.

Address before: 100192 Key Laboratory of Beijing city of Haidian District and small business Qinghe Road No. 12 electromechanical system

Patentee before: BEIJING INFORMATION SCIENCE AND TECHNOLOGY University