CN110207967B - 一种基于小波包能量特征与互相关的状态识别方法与系统 - Google Patents

Abstract

本发明提供一种基于小波包能量特征与互相关的状态识别方法与系统。本发明包括：对采集到的样本信号截段进行小波包分解；计算小波包分解后各个子空间内能量值；将能量值按子空间顺序组成特征向量；基于各样本的特征向量构建样本库；将待检测元件特征向量与样本库中的样本特征向量做互相关分析，其中互相关系数最大时对应的样本状态即为所识别待测信号状态。本发明简单易行，通过软件编程将算法写入硬件平台中，即自动样本制作与状态识别，结果准确性高，识别过程所需时间短，与其他识别方法相比，自动化程度更高。

Description

一种基于小波包能量特征与互相关的状态识别方法与系统

技术领域

本发明涉及机械故障检测领域，尤其涉及一种基于小波包能量特征与互相关的状态识别方法与系统。

背景技术

大多数工程机械的执行元件是旋转机械。有些旋转机械长时间在重载条件下工作会发生机械磨损或疲劳导致机械故障，它的故障可能会导致巨大的经济损失甚至是严重的安全事故，因此对旋转机械进行故障识别的需求十分迫切。故障识别方法主要可分两部分：故障特征提取和故障特征识别。

故障特征提取分为基于物理模型和基于信号数据两大类：物理模型的方法需要相关的动态系统知识，这很难应用于复杂的实际环境中；相比之下，基于信号处理的方法因为不需要精确的物理系统模型已广泛应用于旋转机械的故障诊断中。在旋转机械故障识别领域，傅里叶变换，经验模态分解，小波包分析等是近年来最新的几种信号处理方法，但都有其局限性。其中傅里叶变换及其延伸的短时傅里叶变换很难处理机械故障信号中的信号突变部分；经验模态分解经常受边界效应和模态混淆的影响；小波包分析是小波变换的延伸，它同时对低频与高频成分进行分解。小波包能量法是将原信号分解后的每个子空间内能量值组合成向量作为故障特征，目前该方法广泛应用于旋转机械故障识别。

故障特征识别现阶段多采用支持向量机与神经网络等方法。其中支持向量机方法核函数的选取对识别结果有很大影响，当信号未知时可能无法选择适合的核函数导致结果偏差大；神经网络的弊端在于训练网络所需要的数据量非常大，而且算法上非常复杂难以实现。现有技术在原理的理解及实现上所需的知识成本与时间成本都较高，不利于实际应用的推广与使用。

于此同时，现有技术无法对小波包分解层数、进行状态识别的信号截取长度进行预先判断，只能人为手动进行特征向量的制作。为了解决传统故障特征识别方法的弊端，本发明介绍了一种基于小波包能量特征与互相关的状态识别方法，可以实现无需手动进行数据处理即可生成适合的故障特征向量与进行状态识别。

发明内容

根据上述提出的技术问题，而提供一种基于小波包能量特征与互相关的状态识别方法与系统。本发明采用的技术手段如下：

一种基于小波包能量特征与互相关的状态识别方法，包括如下步骤：

对采集到的样本信号截段进行小波包分解；

计算小波包分解后各个子空间内能量值；

将能量值按子空间顺序组成特征向量；

基于各样本的特征向量构建样本库，所述样本包括正常状态的正常元件样本和至少一种故障状态的故障元件样本；

将待检测元件特征向量与样本库中的样本特征向量做互相关分析，其中互相关系数最大时对应的样本状态即为所识别待测信号状态。

进一步地，特征向量表示如下：

其中：

是元件运行状态为φ的信号截段经过小波包变换后在第j层第k个位置子空间的能量值，l为信号截段的采样点数，

是第j层小波包变换的能量值按子空间顺序组成的特征向量。

进一步地，所述样本特征向量制作部分小波包层数j₀选择由下式表示:

j₀＝{j|max[D(j)]}

其中D(j)的每个元素代表小波包分解层数为j时，遍历元件所有运行状态时互相关系数

与

差值的最小值，

特征向量T^X(τ)对应的状态为X，τ代表时滞，D(j)的计算式如下所示：

其中：min(A)是变量A中的最小值，Δ为元件所有运行模式的集合。

进一步地，为了平衡识别准确率与识别时间之间的关系，合理的截段采样点数l₀由下式确定：

其中f(l)是变量F(l)的拟合函数，F(l)的每个元素代表信号截段采样点数为l时，遍历元件所有运行状态时互相关系数

与

差值的最小值，根据已确定的j₀，F(l)由下式定义：

为了降低因波动导致的F(l)数值误差，采用二阶幂函数对其进行拟合处理，其基函数如下所示：

f(l)＝a·l^b+c。

一种基于上述小波包能量特征与互相关的状态识别方法的状态识别系统，包括：

采集单元，用于采集样本元件和待检测元件的声信号；

信号转换单元，其与采集单元相连，用于将采集到的声信号转换成数字信号；

信号处理单元，用于计算待检测元件特征向量，并将其与样本库中的样本特征向量做互相关分析，其中互相关系数最大时对应的样本状态即为所识别待测信号状态。

本发明具有以下优点：

1、简单易行。通过软件编程将算法写入硬件平台中，即自动样本制作与状态识别。2、结果准确性高。经多次测试识别准确率都在90％以上，效果显著。3、识别过程所需时间短。4.与其他识别方法相比，本方法可以实现信号截段长度的自动选取，自动化程度更高。

基于上述理由本发明可在机械故障检测领域广泛推广。

附图说明

为了更清楚地说明本发明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做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于小波包能量特征与互相关的状态识别方法流程图。

图2为本发明实施例中故障元件实物图。

图3为本发明实施例中采集到的同步液压马达齿轮磨损的信号波形图。

图4为本发明实施例中采集到的同步液压马达齿轮生锈的信号波形图。

图5为本发明实施例中采集到的同步液压马达端盖磨损的信号波形图。

图6为本发明实施例中采集到的同步液压马达正常状态的信号波形图。

图7为本发明实施例中不同小波包分解层数时互相关系数

与

的曲线图。

图8为本发明实施例中不同小波包分解层数时D(j)的曲线及j₀的取值。

图9为本发明实施例中不同信号截段长度时

与

的拟合曲线图。

图10为本发明实施例中不同信号截段长度时F(l)和f(l)的曲线。

图11为本发明实施例中不同信号截段长度时f(l)/l的曲线及l₀的取值

图12为本发明实施例中状态识别处理系统框图。

图13为本发明实施例中改变外界条件时，本发明与支持向量机识别准确率对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。

如图1所示，本发明公开了一种基于小波包能量特征与互相关的状态识别方法，包括如下步骤：

对采集到的样本信号截段进行小波包分解；

计算小波包分解后各个子空间内能量值；

将能量值按子空间顺序组成特征向量；

基于各样本的特征向量构建样本库，所述样本包括正常状态的正常元件样本和至少一种故障状态的故障元件样本；

将待检测元件特征向量与样本库中的样本特征向量做互相关分析，其中互相关系数最大时对应的样本状态即为所识别待测信号状态。

其中特征向量表示如下：

其中：

是元件运行状态为φ的信号截段经过小波包变换后在第j层第k个位置子空间的能量值，l为信号截段的采样点数，

是第j层小波包变换的能量值按子空间顺序组成的特征向量。

所述样本特征向量制作部分小波包层数j₀选择由下式表示:

j₀＝{j|max[D(j)]}

其中D(j)的每个元素代表小波包分解层数为j时，遍历元件所有运行状态时互相关系数

与

差值的最小值，所述运行状态为故障类型和正常运行状态的统称。

特征向量T^X(τ)对应的状态为X，τ代表时滞，D(j)的计算式如下所示：

其中：min(A)是变量A中的最小值，Δ为元件所有运行模式的集合。

随着信号截段采样点数参数l的增大，不同状态对应的特征向量差异性越大，这有利于准确度的提高但会使得识别时间增加。为了平衡识别准确率与识别时间之间的关系，合理的截段采样点数l₀由下式确定：

其中f(l)是变量F(l)的拟合函数，F(l)的每个元素代表信号截段采样点数为l时，遍历元件所有运行状态时互相关系数

与

差值的最小值，根据已确定的j₀，F(l)由下式定义：

为了降低因波动导致的F(l)数值误差，采用二阶幂函数对其进行拟合处理，其基函数如下所示：

f(l)＝a·l^b+c。

本发明还公开了一种基于上述小波包能量特征与互相关的状态识别方法的状态识别系统，包括：

采集单元，用于采集样本元件和待检测元件的声信号；

信号转换单元，其与采集单元相连，用于将采集到的声信号转换成数字信号；

信号处理单元，用于计算待检测元件特征向量，并将其与样本库中的样本特征向量做互相关分析，其中互相关系数最大时对应的样本状态即为所识别待测信号状态。

实施例

本实施例以同步液压马达产生的故障信号为例，如图2所示，故障类型包括齿轮磨损、齿轮生锈和端盖磨损，基于小波包能量特征与互相关的状态识别方法步骤如下：

A、搭建同步液压马达信号采集系统，包括液压系统、采集卡、电脑等；

B、将算法编写程序导入单片机，完成信号处理系统内部结构的搭建；

C、将故障样本信号导入信号处理系统完成信号处理系统的初始化。

本发明步骤A中搭建声信号采集系统过程可描述为：

A1、将声传感器置于同步液压马达附近，其用于采集故障声信号；

A2、声传感器接采集卡连在电脑上，采集卡将声传感器接收的信号转换成数字信号并储存在电脑上。

本发明步骤C所述的完成信号处理系统的初始化过程可描述为：

利用小波包能量特征与互相关的识别方法中小波包层数与信号截取长度的选取算法，对二者参数进行计算并将其设置为状态识别的基础参数。

1.如图8所示，其中样本特征向量制作部分小波包层数j₀选择由下式表示:

j₀＝{j|max[D(j)]}

如图7所示，其中D(j)的每个元素代表小波包分解层数为j时，遍历元件所有运行状态时互相关系数

与

差值的最小值。特征向量T^X(τ)对应的状态为X，τ代表时滞。D(j)的计算式如下所示：

其中：min(A)是变量A中的最小值。Δ为元件所有运行模式的集合。

2.随着信号截段采样点数参数l的增大，不同状态对应的特征向量差异性越大，这有利于准确度的提高但会使得识别时间增加。如图11所示，为了平衡识别准确率与识别时间之间的关系，合理的截段采样点数l₀由下式确定：

其中f(l)是变量F(l)的拟合函数，F(l)的每个元素代表信号截段采样点数为l时，遍历元件所有运行状态时互相关系数

与

差值的最小值。其中相关系数

与

差值的拟合曲线如图9所示。根据已确定的j₀，F(l)由下式定义：

如图10所示，为了降低因波动导致的F(l)数值误差，对其进行拟合处理。经试验采用二阶幂函数拟合效果最好，其基函数如下所示：

f(l)＝a·l^b+c

图10中，竖坐标两个量分别是F和f(纵坐标量是互相关系数的差值，无量纲的标量，无单位)将算法编写的程序导入计算机中，利用采集卡将采集到的信号导入计算机中进行处理分析得到初始化参数。整个信号采集分析系统如图12所示。

对小波包能量互相关法的可行性进行验证，具体地，采集同步液压马达四种状态的声信号：同步液压马达齿轮磨损；同步液压马达齿轮生锈；同步液压马达端面磨损；同步液压马达正常状态，信号波形分别如图3-6所示。

同步液压马达及声信号采集处理参数如表1所示：

表1信号采集系统参数

根据本发明算法计算出适合的初始参数小波包合理层数j₀与信号截取长度l₀。

为了验证识别准确率，在表1条件下对每种信号测试数据进行1000次识别并统计准确率。识别结果如表2所示：

表2小波包能量互相关法的识别结果

改变出口压力分别采用互相关与支持向量机方法(核函数为RBF)进行识别，统计二者准确率如图13所示。可见本发明方法在本条件下由于支持向量机法。

为了对比互相关法与SVM法(100组数据训练，核函数为RBF)的识别用时，在处理器型号为Intel Corei5-7400，RAM为8G的PC上利用matlab软件统计每种方法的计算运行时间。对长度为2⁹，样本状态种类为4的1000组特征向量数据进行识别时间统计，1000次识别过程用时如表3所示：

表3互相关法与SVM法的识别用时

从表3中可以看出，互相关法识别用时大约为SVM法的四分之一，其识别速度比RBF内核的SVM法更快。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (1)

1.一种基于小波包能量特征与互相关的状态识别方法，其特征在于，包括如下步骤：

对采集到的样本信号截段进行小波包分解；

计算小波包分解后各个子空间内能量值；

将能量值按子空间顺序组成特征向量；

基于各样本的特征向量构建样本库，所述样本包括正常状态的正常元件样本和至少一种故障状态的故障元件样本；

将待检测元件特征向量与样本库中的样本特征向量做互相关分析，其中互相关系数最大时对应的样本状态即为所识别待测信号状态；

特征向量表示如下：

其中：

是元件运行状态为φ的信号截段经过小波包变换后在第j层第k个位置子空间的能量值，l为信号截段的采样点数，

是第j层小波包变换的能量值按子空间顺序组成的特征向量；

所述样本特征向量制作部分小波包层数j₀选择由下式表示:

j₀＝{j|max[D(j)]}

其中D(j)的每个元素代表小波包分解层数为j时，遍历元件所有运行状态时互相关系数

与

差值的最小值，

特征向量T^X(τ)对应的状态为X，τ代表时滞，D(j)的计算式如下所示：

其中：min(A)是变量A中的最小值，Δ为元件所有运行模式的集合；

为了平衡识别准确率与识别时间之间的关系，合理的截段采样点数l₀由下式确定：

其中f(l)是变量F(l)的拟合函数，F(l)的每个元素代表信号截段采样点数为l时，遍历元件所有运行状态时互相关系数

与

差值的最小值，根据已确定的j₀，F(l)由下式定义：

为了降低因波动导致的F(l)数值误差，采用二阶幂函数对其进行拟合处理，其基函数如下所示：

f(l)＝a·l^b+c。

Images