CN107463872A - 一种旋转机械转轴裂纹故障诊断方法 - Google Patents

一种旋转机械转轴裂纹故障诊断方法 Download PDF

Info

Publication number
CN107463872A
CN107463872A CN201710500560.7A CN201710500560A CN107463872A CN 107463872 A CN107463872 A CN 107463872A CN 201710500560 A CN201710500560 A CN 201710500560A CN 107463872 A CN107463872 A CN 107463872A
Authority
CN
China
Prior art keywords
mrow
msub
wavelet
vibration signal
model
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.)
Pending
Application number
CN201710500560.7A
Other languages
English (en)
Inventor
霍志强
舒磊
张宇
周长兵
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN201710500560.7A priority Critical patent/CN107463872A/zh
Publication of CN107463872A publication Critical patent/CN107463872A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种旋转机械转轴裂纹故障诊断方法，包括以下步骤：1，离散采样转轴的震动信号，对此震动信号进行预处理以消除数据量级误差；2，构建基于震动脉冲模型的小波基函数并初始化，使用该模型对震动信号进行连续小波变换；3，计算震动信号分解后前n不同小波系数的香农熵，以构成故障特征向量；4，使用支持向量机对故障特征向量进行故障分类；5，利用粒子群算法和基于BFGS的拟牛顿法不断搜索和更新小波基模型参数，以使能够获得最优SVM分类结果。本发明通过使用连续小波变换进行多尺度信号分析，结合使用香农熵进行故障特征提取，可以自动识别不同故障的类别。

Description

一种旋转机械转轴裂纹故障诊断方法
技术领域
本发明涉及工业旋转机械故障诊断技术领域，具体涉及一种旋转机械转轴裂纹故障诊断方法。
背景技术
近几十年来，旋转机械故障诊断已经得到大量来自工业和学术界的关注。在工业生产和制造过程中，旋转机械被广泛应用于加工生产过程中，替代人工劳动力更加高效地以低成本方式创造工业价值。安全高效的加工制造过程取决于旋转机械的良好运行状态，在旋转部件高速、重负载的运行过程中，转轴部件一旦发生损坏，会直接或间接造成生产性能退化，以及对其他旋转部件造成损害，更严重的故障事件甚至可能会对一线生产工作人员造成人身伤害。因此，旋转机械故障诊断在工业生产活动中扮演着不可或缺的重要角色，通过及时、智能的故障诊断技术，能够在线预测并监测工业设备的实时工作状态，从而能够提供有效的修缮或更换部件的决策，以帮助管理员实时监测机械运行性能，为企业降低不必要的经济损失，以及保障一线工人安全的作业环境。
近几年，基于小波分析的机械旋转轴故障诊断已经引起了国内外学者专家的关注。在此类故障诊断方法中，小波基函数，分解层数，和小波系数多数是根据学者的经验选择。此外，使用现成的小波基函数对实际生产过程中产生的非线性非稳定性振动信号，可能会出现能量泄露和不能完全捕获信号特征的现象。因此，基于实际情况，使用优化后的小波基函数，结合高效的特征选取和分类方法对旋转轴进行故障诊断，以确保更加准确的对故障进行监测和分类，已经引起了研究学者的关注。
针对当前研究的基于小波分析的旋转轴故障诊断课题，国内外研究学者提出了多种故障诊断方法，相关文献如下：
1.2012年Gu等人在《Evaluation of the use of envelope analysis and DWTon AE signals generated from degrading shafts》中提出使用基于离散小波分解的包络分析方法分析采集于退化的旋转轴的声音信号。该方法中包含几个重要的故障诊断分析步骤：1)使用离散小波分解和Hilbert黄分解进行信号分解。在离散小波分解中，小波基：Daubechies 8,分解层数1:5被应用于此方法。2)使用四个统计信号特征值抽取故障特征，分别为：峰值，均值，均方根值和预测熵。此方法中，并未详细分析不同故障特征状态下，用于提取信号差异的特征值的变化趋势和差别。且，在该方法中，没有使用机器学习进行故障特征分类，没有验证提出的基于信号的故障诊断方法的故障故障预测和分类的有效性和准确性。
2.2012年Bin等人在《Early fault diagnosis of rotating machinery basedon wavelet packets–Empirical mode decomposition feature extraction and neuralnetwork》中提出联合使用小波包分解和经验模态分解方法对信号进行信号分析。在此方法中，小波包函数用于去噪，Daubechies 8被选取为基函数，小波节点：node(4,3)选取为降噪后最能代表旋转轴震动信号的小波系数。之后该系数被用于经验模态分解。2)使用震动信号的频谱能量作为特征提取。3)使用人工神经网络对震动信号进行故障分类。在该方法中，不同的故障震动信号主要采集于旋转机械的发动机，并未详细对旋转轴的故障诊断进行分析和分类。且，在该方法中，用于Hilbert黄分解的小波包分解系数为手动选取，并未涉及小波基函数的优化过程。
3.2016年，Gomez等人在《Analysis of the influence of crack location fordiagnosis in rotating shafts based on 3x energy》中提出使用基于3倍谐波频谱特征进行小波包分解从而分析旋转轴的裂纹故障深度及增长趋势。在此方法中，1)小波包分解用于分析震动信号，提取振动信号3倍频谱特征信号。选取的小波基函数和分解层数为Daubechies 8,level 9。2)信号分解后，使用均值和均方根特征抽取裂纹故障特征。在该方法中，小波包分解的分解层数和系数为手动选取，且并未涉及小波基函数的优化过程。该方法虽详细分析了时间域故障特征值在不同故障程度下的变化趋势，然而并没有使用机器学习方法验证该方法用于故障预测和分类中的准确性。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种旋转机械转轴裂纹故障诊断方法，提出了用于小波分解的适用于振动信号的小波基函数，在连续小波分解中，使用全局和局部优化方法优化该小波基函数参数，从而自动优化小波基函数，自动选取能够达到最高分类正确率的小波分解层数和小波系数。
为解决上述技术问题，本发明提供了一种旋转机械转轴裂纹故障诊断方法，其特征是，包括以下步骤：
步骤S1，离散采样转轴的震动信号，对此震动信号进行预处理以消除数据量级误差；
步骤S2，构建基于震动脉冲模型的小波基函数并初始化，使用该模型对震动信号进行连续小波变换；小波基函数为：
f(t)＝sin(αt+β)e-γ|t|
其中f)代表位移，α、β、γ为基函数模型参数；
步骤S3，计算震动信号分解后前n不同小波系数的香农熵，以构成故障特征向量；
步骤S4，使用支持向量机对故障特征向量进行故障分类；
步骤S5，利用粒子群算法和基于BFGS的拟牛顿法不断搜索和更新小波基模型参数，以使能够获得最优SVM分类结果。
进一步的，步骤S3提取故障特征向量的具体过程为：首先用小波功率谱计算前n个小波系数ci的功率能量，计算过程如下所示：
假设n个尺度的小波系数的功率谱总和为Esum，即
之后，使用pi代表每个小波系数所占的功率比例：
因此每个小波系数ci的香浓熵Hi的计算过程如下所示：
在得到每个振动信号分解后的香农熵后，构成故障特征向量F如下：
F＝[H1,H2,…,Hn]。
进一步的，n的取值范围为1～小波分解尺度。
进一步的，预处理步骤方法如下：
假设xi代表有限震动信号数据集中的第i个离散时间的振幅，代表该震动信号数据集的均值，σ代表该信号数据集的方差，Xi代表消除量级后的数值，该数据集中的每个元素可使用如下公式消除量级差别：
进一步的，在步骤S5中，先利用粒子群算法进行全局搜索定位可能出现最优结果的参数范围，之后利用拟牛顿法在以上参数范围内最终缩小并定位到能够产生最优分类结果的模型参数。
进一步的，5折交叉验证方法获取平均分类结果准确率。
与现有技术相比，本发明所达到的有益效果是：本发明通过使用连续小波变换进行多尺度信号分析，结合使用香农熵进行故障特征提取，并使用支持向量机分类方法对不同旋转轴状态下震动信号特征进行故障分类。通过使用粒子群优化算法和拟牛顿法对震动脉冲模型进行优化，选取最终能够获得最优分类准确率的自适应小波基函数，并用于新数据集的测试已验证该模型的可靠性和准确性。本发明方法可以探测机械旋转轴故障并自动识别不同故障的类别，用于及时发现旋转机械由于轴裂纹故障产生的性能退化，并采取必要措施以减小生产过程中可能的经济损失。
附图说明
图1是本发明方法的流程图；
图2是使用粒子群和拟牛顿方法优化模型参数的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明的一种旋转机械转轴裂纹故障诊断方法，包括以下步骤：
步骤S1，离散采样转轴的震动信号，对此震动信号进行预处理以消除数据量级误差。
从实验结果和文献阅读得知，实验数据的量级会对实验的结果产生不同的影响。在本发明中，为了消除因采集的震动信号的数据量级产生的量级误差和对实验分析结果的影响，在使用震动信号构建故障诊断模型前，使用信号预处理方法到达以上目的。本发明中采集的振动信号属于横向转轴的健康和有裂纹状态的震动信号，其中裂纹故障为横向裂纹。
预处理步骤方法如下：
假设xi代表有限震动信号数据集中的第i个离散时间的振幅，代表该震动信号数据集的均值，σ代表该信号数据集的方差，Xi代表消除量级后的数值，该数据集中的每个元素可使用如下公式消除量级差别：
步骤S2，构建基于震动脉冲模型的小波基函数并初始化，使用该模型对震动信号进行连续小波变换。
旋转机械转轴的震动信号是一个复合信号，该复合信号包含多个信号分量，每个信号分量都具有一个单一的频率。通常利用小波分析此震动信号。而现有的小波分解基函数的模型在分析非线性和非稳定复杂信号过程中会出现不能够全面捕获信号特征的问题。
已知震动系统中，系统的瞬时振幅可被描述为单自由度响应模型，可以用如下公式代表该模型：
其中f)代表时间t时刻的位移，α代表初始振幅，β代表震动衰减，其中r为阻抗系统，m为系统的总质量，w代表共振频率，代表初始条件参数。假设系统的震动状态开始和结束保持一致，该模型可被优化为仅三个参数表示的震动模型，如下所示：
f(t)＝sin(αt+β)e-γ|t|
其中α、β、γ为基函数模型参数，此二次模型被选为本发明中基于震动脉冲模型的小波基函数，使用该模型对震动信号进行连续小波变换。
在使用该模型前，初始化该模型的三个参数，即α，β，γ分别为1，使用该方程作为首次信号分解的小波基函数模型。
在本方法中，设定连续小波信号分解的尺度为10-40之间。根据设定的分解尺度，从一维震动信号数据集获得相应的多尺度，即多维的等同数据长度的小波系数。如尺度选为30，则一个震动信号数据集可获得30个等通常信号长度的小波系数，其中这30个小波系数含有不同的时间和震动频率的分辨率。
之后在每次用该模型进行连续小波分析时，使用步骤S5中优化函数更新模型参数，并使用最新的模型进行小波分解，以确保能够获得最优分类故障信号的基函数模型，并从信号中提取不同故障状态的信号特征以获得最优的故障分类结果。
步骤S3，计算震动信号分解后前n个不同小波系数的香农熵，以构成故障特征向量。
在旋转机械故障中，高速旋转过程中轴裂纹的出现能够带来轴不对称的故障现象，因此会产生多倍频的谐波出现，该种多倍频谐波能够改变信号的复杂度和不规则程度。信息熵是描述复杂度和不确定性在一个系统中的指标，用来量化信息的不确定性程度。在一个系统中，熵的取值越大，通常表示这个系统含有更多的不确定性和复杂度。在本发明中，使用香农熵(Shannon entropy)来对连续小波系数进行特征提取，使用多倍频谐波的出现带来的系统复杂度来比较和确定不同损害程度的裂纹种类和严重程度。
香农熵故障特征提取方法如下：
在使用连续小波对一个震动信号数据集进行信号分解后，假设分解的尺度为30，那么相应地会得到30个拥有不同时间和频率尺度的小波系数，选取前n(n≤30)各不同的小波系数，用ci,(1≤i≤n)表示该不同尺度的小波系数。首先用小波功率谱计算每个小波系数ci的功率能量，计算过程如下所示：
因此得到每个小波功率谱之后，使用香农熵计算每个小波系数在当前数据集分解后得到的整个分解系数中所占的比例，即复杂度或不确定性比例。假设n个尺度的小波系数的功率谱总和为Esum，即
之后，使用pi代表每个小波系数所占的功率比例：
因此每个小波系数ci的香浓熵Hi的计算过程如下所示：
在得到每个振动信号分解后的香农熵后，每单个震动信号可以用分解后得到n个不同尺度系数香农熵代表故障特征，因此故障特征向量F构成如下：
F＝[H1,H2,…,Hn]
步骤S4，使用支持向量机对故障特征向量进行故障分类。
在基于机器学习故障诊断方法论中，利用强大的机器学习能力和成熟的分类算法，结合有效的特征提取方法，通过训练和优化分类模型能够将采集于不同故障件的震动信号进行准确地归类。在本发明中，使用支持向量机SVM(Support vector machine)帮助提高不同信号的特征向量的识别与归类从而对轴裂纹故障分类。
在使用的支持向量机SVM算法中，本发明选用径向基模型作为核模型，径向基模型参数如下所示：
K(xi,xj)＝exp(-μ||x-y||2)
在该方法中，重要的两个机器学习参数即损失或惩罚系数c(cost)和核函数半径g(gamma)使用网格搜索法获取最佳学习参数。该两种参数搜索的范围是2-10-210。并使用5折交叉验证方法获取平均分类准确率从而保证该发明中提出的故障诊断方法的可信度和准确率。
步骤S5，利用粒子群算法和基于BFGS的拟牛顿法不断搜索和更新小波基模型参数，以使能够获得最优SVM分类结果。
本发明中提出的基于震动脉冲的小波基函数中，首次使用时设置的初始值分别为α，β，γ分别为1。原始震动信号在经过信号分析，特征提取和故障分类后，设置SVM分类成功率为目标函数，使用优化函数不断寻找能够满足最大分类成功率的α，β，γ参数即为最优的小波基函数。同时表示，该模型能够通过分析信号的特征从而优化基函数模型，而非选取既定的函数描述并抽取信号特征。在优化算法过程中，本发明使用两个优化函数粒子群算法和基于BFGS的拟牛顿算法分别从全局和局部的角度搜索最优模型参数。其中，全局搜索用于定位可能出现最优结果的参数范围，之后结合使用局部最优优化算法最终缩小并定位到能够产生最优分类结果的模型参数。
基于粒子群算法和拟牛顿法的模型优化算法方法如下：
使用粒子群和拟牛顿方法优化本发明提出的基于震动脉冲模型的小波基函数模型详细过程如图2所示。首先应用粒子群算法进行全局搜索，考虑到该算法目前已经比大范围使用，且比较成熟，下面简单介绍标准算法，和在使用该算法过程中重要的优化参数以及本发明使用的优化参数。标准粒子群优化算法可表示如下：
vi,j(t+1)＝w×vi,j(t)+c1×r1()×(pbestj(t)-xi,j(t))+c2×r2()
×(gbestj(t)-xi,j(t))
xi,j(t+1)＝xi,j(t)+vi,j(t+1)
其中w为惯性权重(inertia weight)，c1和c2为加速常数(accelerationconstants)，r1()和r2()为两个在[0,1]范围里变化的随机值，标准PSO的算法流程如下：
1.初始化一群微粒(群体规模为m)，包括随机的位置和速度；
2.评价每个微粒的适应度；
3.对每个微粒，将它的适应值和它经历过的最好位置pbest的作比较，如果较好，则将其作为当前的最好位置pbest；
4.对每个微粒，将它的适应值和全局所经历最好位置gbest的作比较，如果较好，则重新设置gbest的索引号；
5.根据优化公式变化微粒的速度和位置；
6.如未达到结束条件(通常为足够好的适应值或达到一个预设最大代数Gmax)，回到2)。
在本实施例中，PSO参数设置如下：粒子群p＝20，c1＝2，c2＝2，最大迭代次数tmax＝6。本文提出的小波基函数的搜索范围分别设置为α，β，γ[0,0,0]到[200,200,200]。
在使用PSO优化后，可得到全局的α，β，γ优化参数，之后使用基于BFGS的拟牛顿法局部搜索最优参数。拟牛顿法优化算法也属于现有技术。在该算法中，主要模型如下：
在每次迭代中，不断更新Hessian海森矩阵以此更新寻找最优参数的方向，在计算Hessian矩阵时，BFGS方法快速更新该矩阵的值，因此能够节省大量的计算时间，在本发明设计中，使用BFGS方法更新Hessian矩阵，以此快速更新寻优曲率即参数搜索方向。在BFGS方法中，使用逼近Hessian矩阵的方程解决求解Hessian矩阵问题，主要计算发放描述如下：
在每次迭代过程中，线性搜索过程被用来定位局部搜索最优方向，当x的偏导数趋向于0时该方法有最解。拟牛顿方法中最优解搜索方向dk计算如下：
在本发明中用到的拟牛顿法中，参数设置如下：最大迭代次数tmax＝80，最大方程评估次数为300次。
通过使用粒子群和拟牛顿优化算法不断迭代搜索最优小波基模型参数，即α，β，γ，从而获得能够获取最优故障分类结果的参数及模型。值得注意的是，在此优化方法的训练阶段中，通过优化算法最终得到的最优参数需要在每次迭代优化中(新一轮信号分析步骤开始前)更新模型参数。在测试阶段，不再使用优化算法，只使用从训练阶段获得的最优分类参数进行分类测试，且在此过程中，使用SVM的5折分类方法进行可靠性和准确性测试。
步骤S6，用测试数据集验证此方法可用于自动识别并诊断旋转机械转轴裂纹故障。
本步骤用于测试在训练阶段获得的最优小波基函数模型用于新数据集的可靠性和准确性。
使用在训练阶段获得的最优小波基函数模型对震动信号进行连续小波变换，使用步骤S3到S4，依次对多尺度连续小波系数进行故障特征提取和故障特征分类，从而将测试震动数据集通过SVM分类器归类到制定的故障种类中，以此验证本发明方法可用于自动识别并诊断旋转机械转轴裂纹故障。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种旋转机械转轴裂纹故障诊断方法，其特征是，包括以下步骤：
步骤S1，离散采样转轴的震动信号，对此震动信号进行预处理以消除数据量级误差；
步骤S2，构建基于震动脉冲模型的小波基函数并初始化，使用该模型对震动信号进行连续小波变换；小波基函数为：
f(t)＝sin(αt+β)e-γ|t|
其中f(t)代表位移，α、β、γ为基函数模型参数；
步骤S3，计算震动信号分解后前n不同小波系数的香农熵，以构成故障特征向量；
步骤S4，使用支持向量机对故障特征向量进行故障分类；
步骤S5，利用粒子群算法和基于BFGS的拟牛顿法不断搜索和更新小波基模型参数，以使能够获得最优SVM分类结果。
2.根据权利要求1所述的一种旋转机械转轴裂纹故障诊断方法，其特征是，步骤S3提取故障特征向量的具体过程为：首先用小波功率谱计算前n个小波系数ci的功率能量，计算过程如下所示：
<mrow> <msub> <mi>E</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mo>&amp;Integral;</mo> <mrow> <mo>-</mo> <mi>&amp;infin;</mi> </mrow> <mrow> <mo>+</mo> <mi>&amp;infin;</mi> </mrow> </msubsup> <mo>|</mo> <msub> <mi>c</mi> <mi>i</mi> </msub> <msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>|</mo> <mi>d</mi> <mi>t</mi> </mrow>
假设n个尺度的小波系数的功率谱总和为Esum，即
<mrow> <msub> <mi>E</mi> <mrow> <mi>s</mi> <mi>u</mi> <mi>m</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>E</mi> <mi>i</mi> </msub> </mrow>
之后，使用pi代表每个小波系数所占的功率比例：
<mrow> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>E</mi> <mi>i</mi> </msub> <msub> <mi>E</mi> <mrow> <mi>s</mi> <mi>u</mi> <mi>m</mi> </mrow> </msub> </mfrac> <mo>,</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow>
因此每个小波系数ci的香浓熵Hi的计算过程如下所示：
<mrow> <msub> <mi>H</mi> <mi>i</mi> </msub> <mo>=</mo> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <msub> <mi>log</mi> <mn>2</mn> </msub> <msub> <mi>p</mi> <mi>i</mi> </msub> </mrow>
在得到每个振动信号分解后的香农熵后，构成故障特征向量F如下：
F＝[H1,H2,…,Hn]。
3.根据权利要求2所述的一种旋转机械转轴裂纹故障诊断方法，其特征是，n的取值范围为1～小波分解尺度。
4.根据权利要求1所述的一种旋转机械转轴裂纹故障诊断方法，其特征是，预处理步骤方法如下：
假设xi代表有限震动信号数据集中的第i个离散时间的振幅，代表该震动信号数据集的均值，σ代表该信号数据集的方差，Xi代表消除量级后的数值，该数据集中的每个元素可使用如下公式消除量级差别：
<mrow> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> <mi>&amp;sigma;</mi> </mfrac> <mo>.</mo> </mrow>
5.根据权利要求1所述的一种旋转机械转轴裂纹故障诊断方法，其特征是，在步骤S5中，先利用粒子群算法进行全局搜索定位可能出现最优结果的参数范围，之后利用拟牛顿法在以上参数范围内最终缩小并定位到能够产生最优分类结果的模型参数。
6.根据权利要求5所述的一种旋转机械转轴裂纹故障诊断方法，其特征是，5折交叉验证方法获取平均分类结果准确率。
CN201710500560.7A 2017-06-27 2017-06-27 一种旋转机械转轴裂纹故障诊断方法 Pending CN107463872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710500560.7A CN107463872A (zh) 2017-06-27 2017-06-27 一种旋转机械转轴裂纹故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710500560.7A CN107463872A (zh) 2017-06-27 2017-06-27 一种旋转机械转轴裂纹故障诊断方法

Publications (1)

Publication Number Publication Date
CN107463872A true CN107463872A (zh) 2017-12-12

Family

ID=60546589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710500560.7A Pending CN107463872A (zh) 2017-06-27 2017-06-27 一种旋转机械转轴裂纹故障诊断方法

Country Status (1)

Country Link
CN (1) CN107463872A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109933922A (zh) * 2019-03-19 2019-06-25 桂林电子科技大学 一种矩形金属薄板直线穿透裂纹的识别方法
CN111079076A (zh) * 2019-12-24 2020-04-28 武汉工程大学 一种故障诊断方法、系统及电子设备
CN112949524A (zh) * 2021-03-12 2021-06-11 中国民用航空飞行学院 一种基于经验模态分解与多核学习的发动机故障检测方法
CN115437303A (zh) * 2022-11-08 2022-12-06 壹控智创科技有限公司 一种智慧安全用电监测与控制系统
CN118535976A (zh) * 2024-07-24 2024-08-23 山东金煜电子科技有限公司 基于物联网的配电网故障分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462803A (zh) * 2014-11-27 2015-03-25 哈尔滨工程大学 一种基于小波近似熵的自主式水下机器人故障辨识方法
CN106053988A (zh) * 2016-06-18 2016-10-26 安徽工程大学 基于智能分析的逆变器故障诊断系统及方法
CN106198000A (zh) * 2016-07-11 2016-12-07 太原理工大学 一种采煤机摇臂齿轮故障诊断方法
CN106441896A (zh) * 2016-10-14 2017-02-22 石家庄铁道大学 滚动轴承故障模式识别及状态监测的特征向量提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462803A (zh) * 2014-11-27 2015-03-25 哈尔滨工程大学 一种基于小波近似熵的自主式水下机器人故障辨识方法
CN106053988A (zh) * 2016-06-18 2016-10-26 安徽工程大学 基于智能分析的逆变器故障诊断系统及方法
CN106198000A (zh) * 2016-07-11 2016-12-07 太原理工大学 一种采煤机摇臂齿轮故障诊断方法
CN106441896A (zh) * 2016-10-14 2017-02-22 石家庄铁道大学 滚动轴承故障模式识别及状态监测的特征向量提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHIQIANG HUO 等: "Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures", 《IEEE ACCESS》 *
司景萍 等: "信息熵和RBF神经网络的发动机故障诊断", 《噪声与振动控制》 *
汪明 等: "基于小波包 Shannon 熵与GA-SVM的船舶轴系故障诊断方法", 《宁波大学学报（理工版）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109933922A (zh) * 2019-03-19 2019-06-25 桂林电子科技大学 一种矩形金属薄板直线穿透裂纹的识别方法
CN111079076A (zh) * 2019-12-24 2020-04-28 武汉工程大学 一种故障诊断方法、系统及电子设备
CN112949524A (zh) * 2021-03-12 2021-06-11 中国民用航空飞行学院 一种基于经验模态分解与多核学习的发动机故障检测方法
CN115437303A (zh) * 2022-11-08 2022-12-06 壹控智创科技有限公司 一种智慧安全用电监测与控制系统
CN118535976A (zh) * 2024-07-24 2024-08-23 山东金煜电子科技有限公司 基于物联网的配电网故障分析方法及系统
CN118535976B (zh) * 2024-07-24 2024-09-27 山东金煜电子科技有限公司 基于物联网的配电网故障分析方法及系统

Similar Documents

Publication Publication Date Title
CN107463872A (zh) 一种旋转机械转轴裂纹故障诊断方法
CN108181107B (zh) 计及多分类目标的风电机组轴承机械故障诊断方法
CN111797567B (zh) 一种基于深度学习网络的轴承故障分类方法及系统
CN103955750B (zh) 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法
CN109102005A (zh) 基于浅层模型知识迁移的小样本深度学习方法
CN109916628B (zh) 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法
CN105973594B (zh) 一种基于连续深度置信网络的滚动轴承故障预测方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN110674892A (zh) 一种基于加权多特征融合和svm分类的故障特征筛选方法
CN103115789B (zh) 金属结构损伤剩余寿命的第二代小波支持向量机评估方法
CN110044623A (zh) 经验模态分解剩余信号特征的滚动轴承故障智能识别方法
CN109829402A (zh) 基于gs-svm的不同工况下轴承损伤程度诊断方法
CN106447039A (zh) 基于自编码神经网络的无监督特征提取方法
CN111238815B (zh) 一种样本不平衡下基于数据增强的轴承故障识别方法
CN112991579B (zh) 一种基于生成对抗网络的直升机动部件异常检测方法
CN109000921B (zh) 一种风电机组主轴故障的诊断方法
CN106021771A (zh) 一种故障诊断方法及装置
CN108343599A (zh) 一种基于多粒度级联森林的水泵机组智能故障诊断方法
CN111351665B (zh) 基于emd和残差神经网络的滚动轴承故障诊断方法
CN108444696A (zh) 一种齿轮箱故障分析方法
CN110399854B (zh) 基于混合特征提取的滚动轴承故障分类方法
CN112668105B (zh) 一种基于sae与马氏距离的直升机传动轴异常判定方法
CN107101829A (zh) 一种航空发动机结构类故障的智能诊断方法
Junior et al. Unbalance evaluation of a scaled wind turbine under different rotational regimes via detrended fluctuation analysis of vibration signals combined with pattern recognition techniques
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171212

RJ01 Rejection of invention patent application after publication