CN107560850A - 基于小波阈值降噪与AdaBoost的轴系故障识别方法 - Google Patents

Abstract

本发明提出一种基于小波阈值降噪与AdaBoost的轴系故障识别方法。使用能够消除频率混叠的双树复小波变换方法提取信号特征，在信号分解与重构的过程中，提出改进小波阈值降噪方法对信号降噪处理，并对降噪后的信号提取能量作为特征向量，结合对不均衡数据分类处理效果较好的AdaBoost多分类方法，使用多个简单的单层决策树作AdaBoost弱分类器，最终构建强分类器，将各种轴系故障区分开来。本发明可以编程实现，成本低，效率高，易于实施。

Description

基于小波阈值降噪与AdaBoost的轴系故障识别方法

技术领域

本发明属于故障识别领域，具体涉及一种机械设备的轴系故障识别方法。

背景技术

旋转机械轴系故障最有效诊断途径是通过轴系振动信号分析故障，工业生产现场环境比较复杂，获取的振动信号中包含许多噪声，大量噪声的存在严重影响轴系故障识别的准确度。如何有效地降噪、去燥一直以来是人们研究的热点。振动信号属于非平稳时间信号，常使用小波变换对其进行处理，相应的小波去燥方法得到了广泛地应用。其中，常见的小波去燥方法有：利用小波变换模极大值去燥；基于小波变换尺度间相关性去燥；采用非线性小波阈值去燥。在众多的小波去燥方法中，Donoho的阈值去燥法(硬阈值和软阈值)由于处理方法简单、计算量小而得到广泛的应用。其主要理论依据是,小波变换具有很强的数据去相关性,能够使信号的能量在小波域集中在少量的大的小波系数中,而噪声却分布在整个小波域,对应大量的数值小的小波系数,经小波分解后,信号的小波系数的幅值要大于噪声的小波系数的幅值,于是可以采用阈值的办法把信号的小波系数保留,而使大部分噪声的小波系数减少为零。

硬阈值与软阈值去燥在设定上都有些粗糙，硬阈值去燥不处理大于阈值的小波系数造成去燥不足，软阈值去燥在处理大于阈值的小波系数时直接减去阈值造成过度去燥。目前，一些专家、学者在去燥时结合硬阈值与软阈值综合去燥，效果好坏不一，不如人意。故而，有必要对阈值降噪方法进行改进，提高去燥效果。

发明内容

本发明的目的是提供基于小波阈值降噪与AdaBoost的轴系故障识别方法，首先提供一种小波降噪方法，在信号双树复小波变换后阈值降噪；再构造一种轴系故障特征AdaBoost集成学习分类，对故障进行识别。

基于小波阈值降噪与AdaBoost的轴系故障识别方法，包括以下步骤：

S1：使用工业现场安装在电机轴承支撑架上的加速度传感器，分别获取水平、竖直、轴向的振动加速度数据，对振动加速度数据一次积分获得振动速度数据，取三个方向的振动速度数据作为轴系振动表征；

S2：对三个方向振动信号分别使用双树复小波4层分解，提出改进阈值降噪方法，对分解得到的小波系数和尺度系数进行降噪调整，提高信噪比；降噪分为两个部分，一为阈值选取，二为降噪处理，阈值选取使用Stein无偏似然估计，降噪处理时在软阈值处理的基础上提出改进阈值处理方法，具体描述分别如下：

Stein无偏似然估计基于均方差无偏自适应阈值估计，计算时先将小波系数的平方由小到大排列s₁≤s₂≤...≤s_K，构成向量S＝[s₁,s₂,...,s_K]，其中K为小波系数的个数，再计算各系数的风险系数K个风险系数构成风险向量R＝[r₁,r₂,...,r_k]，以R中最小元素r_B作为风险值，寻找对应的系数s_B，计算阈值σ为向量S的标准差，提出改进阈值处理得到新的小波系数：

初始状态：令A₁＝0，A已知；

k＝1,2,...,j循环输入各层小波系数w_j,k

当|w_j,k|＜A时，A₁＝max(A₁,|w_j,k|)；

循环结束若A₁＝0取A₁＝A；

输出：A₁；

式中sgn()为符号函数，max()为取最大值，w_j,_k为原始小波系数，A为阈值，A₁为小于阈值的小波系数与尺度系数中的最大值，j为小波分解层数，k为当前层数，小于阈值的系数置零，其余系数变为小波系数绝对值与阈值的差，并保持符号不变；

S3：对降噪后的信号进行双树复小波重构，边重构边获取每层信号的能量，并进行能量归一化，作为轴系故障识别特征向量；

S4：振动故障识别是一种不均衡数据分类，采用AdaBoost多分类算法SAMME.R以构建集成学习多分类器，多分类器以单层决策树作为弱分类器，以各层归一化能量作为输入，使用已有的样本训练分类器；

S5：使用已训练的SAMME.R多分类器对振动信号进行故障识别，轴系故障被划分为不同的类别。

本发明提出基于小波阈值降噪与AdaBoost的轴系故障识别方法。轴系振动信号具有非平稳、非高斯、非线性的特点，使用双树复小波变换相比于常用的小波变换，能够更有效地消除频率混叠、提高信噪比、降低冗余度和计算量。轴系振动信号中含有大量的噪声，在对信号进行降噪时提出改进阈值降噪方法，在软阈值降噪的基础上进一步细化阈值处理，首先找到小于阈值A的小波系数中的最大值A₁，当小波系数大于阈值A时，新的小波系数改进为sgn(w_j,k)(|w_j,k|-A₁)，这种改进基于“有用信号的能量主要分布在低分辨的尺度函数上，而噪声能量仍然均匀分布在低分辨的尺度系数和所有小波系数上”的原理，A₁作为小于阈值的小波系数中的最大值，代表了噪声的能量水平，同样能用于小波系数大于阈值的情况下。这种改进避免了阈值A设置过大而造成“过度降噪”，提高了信噪比，在极端情况下A₁与A相等，具有通用普适性。轴系故障数据一般为非均衡数据，各种故障类别数据不均衡，在进行故障类型识别时，AdaBoost方法相比于神经网络、支持向量机来说更适应于非均衡分类。实验证明，本发明提供的轴系故障识别方法能够实现故障自动识别，具有良好的模式可分性，计算量低，效率高，对工业现场轴系运行状态监控有良好的指导作用。

附图说明

图1轴系故障识别流程图；

图2传感器安装示意图；

图3双树复小波分解重构图。

具体实施方式

下面结合附图对本发明采用的技术方案做进一步说明。

如图1轴系故障识别流程图所示，基于小波阈值降噪与AdaBoost的轴系故障识别方法，包括S1～S5五个步骤。

S1：使用工业现场安装在电机轴承支撑架上的加速度传感器，如图2示意图，分别获取水平、竖直、轴向的振动加速度数据，对振动加速度数据一次积分获得振动速度数据，取三个方向的振动速度数据作为轴系振动表征。

S2：对三个方向振动信号分别使用双树复小波4层分解，双树复小波分解重构如图3所示，采用Q-shift双树滤波器，逼近相应的小波空间与尺度空间，分解后得到4个小波系数和1个尺度系数。

对分解得到的小波系数和尺度系数进行降噪调整，降噪分为两个部分，一为阈值选取，二为降噪处理，阈值选取使用Stein无偏似然估计，降噪处理时在软阈值处理的基础上提出改进阈值处理方法，具体描述分别如下：

Stein无偏似然估计基于均方差无偏自适应阈值估计，计算时先将小波系数的平方由小到大排列s₁≤s₂≤...≤s_K，构成向量S＝[s₁,s₂,...,s_K]，其中K为小波系数的个数，再计算各系数的风险系数K个风险系数构成风险向量R＝[r₁,r₂,...,r_k]，以R中最小元素r_B作为风险值，寻找对应的系数s_B，计算阈值σ为向量S的标准差，提出改进阈值处理得到新的小波系数：

初始状态：令A₁＝0，A已知；

k＝1,2,...,j循环输入各层小波系数w_j,_k

当|w_j,k|＜A时，A₁＝max(A₁,|w_j,k|)；

循环结束若A₁＝0取A₁＝A；

输出：A₁；

式中sgn()为符号函数，max()为取最大值，w_j,_k为原始小波系数，A为阈值，A₁为小于阈值的小波系数与尺度系数中的最大值，j为小波分解层数，k为当前层数，小于阈值的系数置零，其余系数变为小波系数绝对值与阈值的差，并保持符号不变。

S3：对降噪后的信号进行双树复小波重构，边重构边获取每层信号的能量，获取水平方向每层信号的能量E_x1,E_x2,E_x3,E_x4,E_x5，并进行能量归一化保证各层能量值在[0,1]，得到能量向量E_x'＝[E_x1',E_x2',E_x3',E_x4',E_x5']^T，获取能量时，每重构一层获取一层能量然后重构下一层，同理得到竖直方向与轴向的能量向量分别为E_y'与E_z'，将三个方向能量向量组合得到轴承故障诊断特征向量X＝[E_x',E_y',E_z']。

S4：振动故障识别是一种不均衡数据分类，采用AdaBoost多分类算法SAMME.R以构建集成学习多分类器，多分类器以单层决策树作为弱分类器，以各层归一化能量作为输入，使用已有的样本训练分类器。

SAMME.R算法具体描述为，假设m个样本序列{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，其中y_i为类别，且y_i∈Y＝{1,2,...,K}，弱分类器h_t(x)，y_i＝P,P∈{1,2,...,K}，弱分类器h_t(x)，在第P类样本的分类中，分到各类的概率为{p₁,p₂,...,p_K}，若有a＝P，则要求b∈{1,2,...,a-1,a+1,...,K}，若不满足此条件，则重新训练h_t(x)，直到训练处的弱分类器h_t(x)满足上述条件，在此基础上的SAMME.R算法流程如下：

步骤1初始化权值其中表示第1轮迭代第i个样本权值；

步骤2for t＝1,2,...,T，执行步骤2.1、2.2；

步骤2.1按照权值w^t，即第t轮迭代权值向量，选择训练样本，对样本进行分类识别，h_t:X→Y；

步骤2.2for k＝1,2,...,K，循环计算各类中，分到各类样本的权值和：

for j＝1,2,...,K，判断各类中分类正确的样本权值和是否大于分到其他各类的样本的权值和：若满足，则进行下一次循环，若不满足，则返回步骤2.1重新开始计算；

步骤3计算h_t的伪错误率并重置表示第t轮弱分类器在最终分类器中的权重；

步骤4计算新的权重向量并归一化；

步骤5最终强分类器为：

S5：将振动测试数据依次双树复小波分解、降噪、重构，采集每层能量作为特征向量，输入到SAMME.R算法构建的集成多分类器，轴系故障被划分为不同的类别。

采用的加速度传感器采样频率2560HZ，最高有效分析频率为1000HZ，编程设定采样点数1000点。

对加速度数据一次积分得到速度数据，不直接采用加速度值是因为大型电机转速小于3600r/min，属于中低速运行，加速度值过小，效果不明显；另一方面，国家标准和国际标准与电机振动的相关规定一般采用的振动速度，标准统一。

将轴系故障状态划分为5种，分别为正常状态、外环故障、内环故障、滚动体故障、轴故障。其中内环故障、外环故障、滚动体故障三者均为轴承故障，工业现场经验发现除了轴承故障，电机的轴也会弯曲、磨损等故障，本发明将轴故障加入分析。因为这些故障信号都能通过安装在同一位置的加速度传感器检测到。

本发明中采用双树复小波4层分解，1000HZ采样频率4层分解后其每层中心频率大致在500HZ、250HZ、125HZ、62.5HZ、<62.5HZ，而滚动体故障、外环故障、内环故障的故障频率常分布在100HZ以内，四层分解相比较三层分解能大大提高密集在100HZ频率内的信息量。

实验证明本发明提供的基于小波阈值降噪与AdaBoost的轴系故障识别方法在处理轴系故障时具有良好的模式可分性，计算量低，效率高，对工业现场轴系运行状态监控有良好的指导作用。

以上所述,仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (1)

1.基于小波阈值降噪与AdaBoost的轴系故障识别方法，包括以下步骤：

S1：使用工业现场安装在电机轴承支撑架上的加速度传感器，分别获取水平、竖直、轴向的振动加速度数据，对振动加速度数据一次积分获得振动速度数据，取三个方向的振动速度数据作为轴系振动表征；

S2：对三个方向振动信号分别使用双树复小波4层分解，提出改进阈值降噪方法，对分解得到的小波系数和尺度系数进行降噪调整，提高信噪比；降噪分为两个部分，一为阈值选取，二为降噪处理，阈值选取使用Stein无偏似然估计，降噪处理时在软阈值处理的基础上提出改进阈值处理方法，具体描述分别如下：

Stein无偏似然估计基于均方差无偏自适应阈值估计，计算时先将小波系数的平方由小到大排列s₁≤s₂≤...≤s_K，构成向量S＝[s₁,s₂,...,s_K]，其中K为小波系数的个数，再计算各系数的风险系数K个风险系数构成风险向量R＝[r₁,r₂,...,r_k]，以R中最小元素r_B作为风险值，寻找对应的系数s_B，计算阈值σ为向量S的标准差，提出改进阈值处理得到新的小波系数：

初始状态：令A₁＝0，A已知；

k＝1,2,...,j循环输入各层小波系数w_j,k

当|w_j,k|＜A时，A₁＝max(A₁,|w_j,k|)；

循环结束若A₁＝0取A₁＝A；

输出：A₁；

<mrow> <msub> <mover> <mi>w</mi> <mo>^</mo> </mover> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>sgn</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mo>|</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>|</mo> <mo>-</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mrow> <mo>|</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>|</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <mi>A</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mrow> <mo>|</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>|</mo> </mrow> <mo>&lt;</mo> <mi>A</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>

式中sgn()为符号函数，max()为取最大值，w_j,k为原始小波系数，A为阈值，A₁为小于阈值的小波系数与尺度系数中的最大值，j为小波分解层数，k为层数，小于阈值的系数置零，其余系数变为小波系数绝对值与阈值的差，并保持符号不变；

S3：对降噪后的信号进行双树复小波重构，边重构边获取每层信号的能量，并进行能量归一化，作为轴系故障识别特征向量；

S4：振动故障识别是一种不均衡数据分类，采用AdaBoost多分类算法SAMME.R以构建集成学习多分类器，多分类器以单层决策树作为弱分类器，以各层归一化能量作为输入，使用已有的样本训练分类器；

S5：使用已训练的SAMME.R多分类器对振动信号进行故障识别，轴系故障被划分为不同的类别。