CN109297711A - 一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法。首先，进行小波去噪和EMD将旋转机械振动信号分解成多个固有模态函数(IMF)；然后，使用SVD对每一个IMF分量的初始特征矩阵进行奇异值分角，将得到的奇异值作为信号的特征向量。最后，对多分类马氏田口方法进行自适应改进，将新方法作为故障诊断的分类器。本发明的方法能够精准地对故障进行识别和分类，识别正确率高，方法可靠。

Description

一种基于自适应多分类马氏田口方法的旋转机械故障诊断 方法

技术领域

本发明涉及一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法，属于机械零部件故障诊断技术领域。

背景技术

旋转机械的用途十分广泛，且已经对社会生活产生了巨大的影响，保证旋转机械的正常运转十分关键。滚动轴承失效是旋转机械中最常见的故障原因，如果轴承发生故障，机械可能会严重损坏。轴承一旦失效，可能导致灾难性的结果。轻微的故障会损坏机械，严重的故障会造成严重的人员伤亡、财产损失和不良的社会影响。因此，对滚动轴承运行状态的监测和对轴承振动信号的分析一直是研究的热点。通过对轴承运行状态的监测和分析，识别和诊断故障状态，是认识故障状态的关键。

马氏田口方法是一种模式识别方法，该方法在处理不平衡数据时具有很好的鲁棒性，能够有效地进行特征变量的选择与故障类别的分类，马氏田口方法还适用于多维空间中，能够进行故障的多分类问题。

发明内容

本发明提出了一种新的旋转机械故障诊断方法，即首先对收集到的信号进行小波去噪，进行去噪处理后的信号以EMD算法进行分解，获得若干IMF分量，并用奇异值分解进一步提取故障特征，提取后的特征矩阵作为故障分类部分的输入，通过判断各个测试数据到基准数据之间的马氏距离来实现故障诊断和分类。

本发明的技术方案如下：

一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法，具体包括以下步骤：

步骤一、首先对通过传感器得到的旋转机械的原始振动信号进行消噪处理，然后使用EMD对信号进行分解，将信号分解成若干个IMF和一个余项。

步骤二、用奇异值分解进一步提取故障特征，对信号分解后的信号矩阵进行奇异值分解，在分解后的IMF中有效提取矩阵特征；

步骤三、最后使用自适应的多分类马氏田口方法对故障进行分类；

其中步骤三所用的自适应马氏田口方法实现故障识别与诊断步骤如下：

将分解得到的奇异值样本分为基准样本、训练样本、验证样本、重验证样本和测试样本五部分；

设有M任意不同的训练样本(x_i,y_i)，x_i(i＝1,2,3,...,M)表示分解后得到的奇异值，此时作为故障识别和分类的输入，y_i(i＝1,2,3,4)表示给数据样本对应的故障类型，同时也是故障分类的输出，首先根据田口方法选定的正交表，生成基准样本和训练样本的马氏空间，马氏田口方法的正交表为二水平正交表，将SVD提取的奇异值特征矩阵安排到正交数组的每一列中，在正交表中，“1”表示变量被选中，“2”表示变量没有被选中，然后计算连续数据之间的马氏距离：

z_ij表示被标准正态化的训练样本，x_ij表示训练样本，s_i表示基准样本的均值和方差；

计算出马田距离之后，通过计算信噪比计算挑选出有效变量，信噪比SNR的计算公式如下：

分别表示j＝1,2时信噪比的均值，表示使用给变量时的信噪比的值，表示不使用该变量时信噪比的值，通过比较和的值，确定该变量是否是对识别结果有效的变量，如果则该变量为有效变量，如果则该变量为非有效变量；

在对有效变量进行挑选时，将所有变量根据信噪比SNR进行排序后，按照由大到小和由小到大的顺序依次进行计算样本的马氏距离，然后根据计算后的马氏距离挑选出有效的变量序列；

设定验证样本和重验证样本，验证样本在进行变量挑选时使用，重验证样本在评价变量排序识别的结果时使用，定义新的评价挑选结果：

E＝log_mdMx*f

f表示新序列变量的识别正确率，md表示相同正确率下的最大马氏距离值，Mx表示新序列变量的马氏距离之和；

通过计算之后，通过比较每个训练样本到各个基准样本之间的马氏距离，对应距离最小的基准样本即为该样本的故障类型，比对样本的标签得出正确率，正确率最大的序列为每个基准样本识别效果最好的序列，通过对测试样本进行验证，得到故障诊断和分类的识别准确率。

其中所述步骤一中的IMF分量个数K由如下方法得到：

将马田系统所需的参数个数定为上限K，将EMD分解多于K的舍去，少于K的补零。

其中步骤二所述的奇异值分解方法具体为：

假设信号数据构建成一个矩阵H,则对H进行如下SVD分解：

X＝KωL^T

K(m×m)和L(n×n)是正交矩阵,ω(ω_ij≠0,i＝j,ω₁₁≥ω₂₂≥…≥0)是非负实数对角矩阵，ω₁₁，ω₂₂，…，ω_ii是H的奇异值。

本发明的优点与积极效果在于：

(1)使用小波去噪和EMD的方法对信号进行处理，在保证不丢失重要数据的前提下，清除原信号中的噪声部分，然后将信号进行EMD分解.

(2)采用SVD分解的方法对EMD分解得到的信号进一步进行故障特征提取，从而达到提取信号本质的目的。

(3)马氏田口方法相较于其它方法而言，在特征优化选择上不需要人为设置新的参数，也不是从测试数据中直接学习，而是通过保持对数据的连续测量，从而得到两组数据之间的马氏距离，马氏田口方法通过这种保持方法，能够保持一系列数据(平衡或者不平衡数据)的鲁棒性。

(4)本发明的方法利用样本和马氏田口方法，建立马田系统模型，即可实现故障的检测和识别，降低了专业要求，增加了工程应用性。

附图说明

为了更容易理解本发明的技术方案和有益的技术效果，通过参照在附图中示出的本发明的具体实施方式来对本申请进行详细的描述。该附图仅绘出了本申请的典型实施方式，并不构成对本申请的保护范围的限制，其中：

图1是本发明故障诊断方法的整体步骤流程图；

图2是正常状态下原始信号图像；

图3是正常状态下去噪后图像；

图4-11是EMD分解得到的振动信号图；

图12、13、14分别为三种故障的识别结果。

具体实施方式

下面将结合附图和实例对本发明作进一步的详细说明。

本发明提出了一种使用小波去噪，并使用EMD和SVD方法来分解信号，并用改进马氏田口方法算法来实现旋转机械故障诊断和分类的方法。如图1所示，该实施方式以轴承为例，具体步骤如下：

步骤一、对轴承振动信号进行小波去噪和EMD分解。

对不同状态的样本故障数据进行EMD分解。

判断IMF的标准如下：

1、整个信号数据中，极值点个数和零交叉点个数一致，或者最多相差一个。

2、在任意时间，局部最大值和最小值形成的包络线均值为0。

EMD分解的步骤如下：

1、识别所有的局部最大值，并用样本插值法将点连接成上包络线。

2、识别所有的局部最小值，使用步骤1的方法形成下包络线，并使振动信号所有的值都在上下包络线之间。

3、用m₁(t)表示上下包络线的均值，h₁(t)表示原信号与包络线均值的差值，即：

h₁(t)＝x(t)-m₁(t)

4、如果分解完毕后，经过判断h₁(t)如果不是一个IMF，则重复步骤1，2，3，直到IMFh_1k(t)出现：

h_1k(t)＝h_(1(k-1))(t)-m_1k(t)

5、然后用c₁(t)代替h_1k(t)：

c₁(t)＝h_1k(t)

重复上述的步骤，生成k-1个IMFc₁(t),c₂(t),.....,c_n(t)和一个余项r_k(t)。

步骤二、奇异值分解进一步提取故障特征。

SVD是一种矩阵分解和变换技术，近年来在信号处理和数据压缩等方面都有广泛的应用，奇异值分解能有效提取矩阵特征，而且具有较好的稳定性，同时矩阵奇异值还具有比例不变性和旋转不变性，因此，它能稳定刻画每个模态的特征。假设信号数据构建成一个矩阵H,则对H进行如下SVD分解：

X＝KωL^T

K(m×m)和L(n×n)是正交矩阵,ω(ω_ij≠0,i＝j,ω₁₁≥ω₂₂≥…≥0)是非负实数对角矩阵，ω₁₁，ω₂₂，…，ω_ii是H的奇异值。

步骤三、用自适应多分类马氏田口方法实现故障诊断与分类。

马氏田口方法算法原理如下：

设有M任意不同的训练样本(x_i,y_i)，x_i(i＝1,2,3,...,M)表示分解后得到的奇异值，此时作为故障识别和分类的输入，y_i(i＝1,2,3,4)表示给数据样本对应的故障类型，同时也是故障分类的输出，首先根据田口方法选定的正交表，生成基准样本和训练样本的马氏空间，

马氏田口方法的正交表为二水平正交表，将SVD提取的奇异值特征矩阵安排到正交数组的每一列中，在正交表中，“1”表示变量被选中，“2”表示变量没有被选中，然后计算连续数据之间的马氏距离：

z_ij表示被标准正态化的训练样本，x_ij表示训练样本，s_i表示基准样本的均值和方差。

计算出马田距离之后，通过计算信噪比计算挑选出有效变量，信噪比(SNR)的计算公式如下：

分别表示j＝1,2时信噪比的均值，表示使用给变量时的信噪比的值，表示不使用该变量时信噪比的值，通过比较和的值，确定该变量是否是对识别结果有效的变量，如果则该变量为有效变量，如果则该变量为非有效变量。

本方法在原有的马氏田口方法的基础之上进行改进：

1、在对有效变量进行挑选时，摒弃原有的硬阈值方法，改用自适应的方法进行挑选。将所有变量根据SNR进行排序后，按照由大到小和由小到大的顺序依次进行计算样本的马氏距离，然后根据计算后的马氏距离挑选出有效的变量序列。

2、设定验证样本和重验证样本，验证样本在进行变量挑选时使用，重验证样本在评价变量排序识别的结果时使用，这样能防止识别结果的过拟合现象。

3、定义新的评价挑选结果：

E＝log_mdMx*f

f表示新序列变量的识别正确率，md表示相同正确率下的最大马氏距离值，Mx表示新序列变量的马氏距离之和。

通过计算之后，通过比较每个训练样本到各个基准样本之间的马氏距离，对应距离最小的基准样本即为该样本的故障类型，比对样本的标签得出正确率，正确率最大的序列为每个基准样本识别效果最好的序列，通过对测试样本进行验证，得到故障诊断和分类的识别准确率。

马氏田口方法在不需要引入参数的情况下，能够根据提取的故障特征数据自身的性质进行优选，挑选出对于故障识别结果最有效的特征值；通过设置不同的基准数据，可以实现对不同故障的分类识别；通过新的评价和计算方法，能够解决马氏田口方法使用硬阈值进行特征选取时导致的过拟合和非自适应性的问题。

实例：

本实例采取西储大学轴承数据中心提供的滚动轴承故障信号进行验证。分别使用正常、内环故障、外环故障和滚动体故障四种状态下的样本信号对本发明基于自适应多分类马氏田口方法的旋转机械故障诊断方法进行检测验证，为了测试本发明在实际应用的作用，使用西储大学内环故障、外环故障和滚动体故障三种状态的变工况数据对真实的情况进行仿真，具体步骤如下：

步骤一、对轴承振动信号进行EMD分解。

四种状态下的信号样本数如表1所示。

表1四种状态下样本数

进行EMD分解必须要预先给定分解得到的IMF分量个数K，本发明根据马田系统模型综合考虑，将个数K定为8。

将K＝8代入到EMD程序中去，从而得到四种不同状态下信号分解结果如图2-9所示。

步骤二、奇异值分解进一步提取故障特征

四种不同状态下，经过奇异值分解得到的奇异值如表2所示，由于样本数据较大，只列出部分数据。

表2 SVD分解得到的奇异值

步骤三、使用自适应多分类马氏田口方法，实现故障诊断与分类

将四种不同状态下经过奇异值分解得到的奇异值分为五部分分别作为基准样本、训练样本、验证样本、重验证样本和测试样本，如表3所示。

表3四种状态下样本数

分别将内环、滚动体、外环故障定为第一、二、三类数据，识别结果如图12、13、14所示，正确率为98.61％

为了说明该方法的有效性，引进SVM模型和BP神经网络进行对比分析。试验结果如表4所示。

表4试验对比结果

根据试验结果可以看出基于自适应多分类马氏田口方法的故障诊断方法明显优于SVM和BP神经网络，并且该方法除认为设置正交表以外，所有参数的设置不需要人工干预，证明该方法在自适应性，运行时间和识别准确率方面具有较高的优越性。

可见本发明的方法能够实现对轴承的故障检测与分类，故障识别成功率高，耗时短，具有明显的实际应用价值。

本发明可以以其他具体的形式进行体现，但并不会脱离本发明的保护范围，本发明的保护范围仅由所附的权利要求限定。

Claims (3)

1.一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法，具体包括以下步骤：

步骤一、首先对通过传感器得到的旋转机械的原始振动信号进行消噪处理，然后使用EMD对信号进行分解，将信号分解成若干个IMF和一个余项。

步骤二、用奇异值分解进一步提取故障特征，对信号分解后的信号矩阵进行奇异值分解，在分解后的IMF中有效提取矩阵特征；

步骤三、最后使用自适应的多分类马氏田口方法对故障进行分类；

其中步骤三所用的自适应马氏田口方法实现故障识别与诊断步骤如下：

将分解得到的奇异值样本分为基准样本、训练样本、验证样本、重验证样本和测试样本五部分；

设有M任意不同的训练样本(x_i,y_i)，x_i(i＝1,2,3,...,M)表示分解后得到的奇异值，此时作为故障识别和分类的输入，yi(i＝1,2,3,4)表示给数据样本对应的故障类型，同时也是故障分类的输出，首先根据田口方法选定的正交表，生成基准样本和训练样本的马氏空间，马氏田口方法的正交表为二水平正交表，将SVD提取的奇异值特征矩阵安排到正交数组的每一列中，在正交表中，“1”表示变量被选中，“2”表示变量没有被选中，然后计算连续数据之间的马氏距离：

z_ij表示被标准正态化的训练样本，xij表示训练样本，s_i表示基准样本的均值和方差；

计算出马田距离之后，通过计算信噪比计算挑选出有效变量，信噪比SNR的计算公式如下：

分别表示j＝1,2时信噪比的均值，表示使用给变量时的信噪比的值，表示不使用该变量时信噪比的值，通过比较和的值，确定该变量是否是对识别结果有效的变量，如果则该变量为有效变量，如果则该变量为非有效变量；

在对有效变量进行挑选时，将所有变量根据信噪比SNR进行排序后，按照由大到小和由小到大的顺序依次进行计算样本的马氏距离，然后根据计算后的马氏距离挑选出有效的变量序列；

设定验证样本和重验证样本，验证样本在进行变量挑选时使用，重验证样本在评价变量排序识别的结果时使用，定义新的评价挑选结果：

E＝log_mdMx*f

f表示新序列变量的识别正确率，md表示相同正确率下的最大马氏距离值，Mx表示新序列变量的马氏距离之和；

通过计算之后，通过比较每个训练样本到各个基准样本之间的马氏距离，对应距离最小的基准样本即为该样本的故障类型，比对样本的标签得出正确率，正确率最大的序列为每个基准样本识别效果最好的序列，通过对测试样本进行验证，得到故障诊断和分类的识别准确率。

2.根据权利要求1所述的一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法，其特征在于，所述步骤一中的IMF分量个数K由如下方法得到：

将马田系统所需的参数个数定为上限K，将EMD分解多于K的舍去，少于K的补零。

3.根据权利要求1或2所述的一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法，其特征在于，步骤二所述的奇异值分解方法具体为：

假设信号数据构建成一个矩阵H,则对H进行如下SVD分解：

X＝KωL^T

K(m×m)和L(n×n)是正交矩阵,ω(ω_ij≠0,i＝j,ω₁₁≥ω₂₂≥…≥0)是非负实数对角矩阵，ω₁₁，ω₂₂，…，ω_ii是H的奇异值。