CN114993671A - 一种基于q因子小波变换的振动故障诊断方法及其系统 - Google Patents
一种基于q因子小波变换的振动故障诊断方法及其系统 Download PDFInfo
- Publication number
- CN114993671A CN114993671A CN202210738014.8A CN202210738014A CN114993671A CN 114993671 A CN114993671 A CN 114993671A CN 202210738014 A CN202210738014 A CN 202210738014A CN 114993671 A CN114993671 A CN 114993671A
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- fault diagnosis
- wavelet transform
- factor
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种基于Q因子小波变换的振动故障诊断方法及其系统。基于可调Q因子小波分析的旋转机械振动故障诊断方法包括如下步骤：获取旋转机械的振动数据；对振动数据进行可调Q因子小波变换、建立振动数据的AR模型，计算振动数据的分形特征；根据变换后的信号计算待测数据特征向量；采用线性判别分析器对正常和待测数据特征向量进行分类；根据分类结果判断机械设备振动是否正常。本申请与现有的故障分析方法相比具备处理非线性、非平稳振动信号的能力，实现机械振动故障准确判断与定位的技术效果。
Description
技术领域
本申请涉及数字处理技术领域，特别涉及一种基于Q因子小波变换的振动故障诊断方法及其系统。
背景技术
机械设备的振动信号可以反应其运行状态。目前基于振动信号分析的机械设备故障诊断方法主要包括时域分析法、频域分析法，Q因子小波分析结合了时域分析和频域分析的优点，是一种融合了多种信息的信号处理技术，是一种新的故障诊断分析方法。
当机械设备发生故障时，特别是齿轮的磨损、点蚀以及断齿等故障，其振动信号表现出一种非线性、非平稳信号，传统的信号处理方法虽然可以分别在时域以及频域内对信号进行有效分析，但缺少同时分析时域和频域的能力，小波变换可以兼具时域和频域分析的优势，可同时在时域和频域内进行分析，对于时变信号可以有效的进行时域和频域的逆变换。小波变换相比于傅里叶变换虽然融合了时域特点，但是在变换过程中需要对小波基进行有效的选择，且单一基函数推导出的小波函数无法准确反应时变信号的局部特征，重构得到的时域信号会丢失原信号的时域特征。可调Q因子小波变换(Tunable Q-FactorWavelet Transform TQWT)包含了信号的振荡特性的可调整参数，是离散小波变换方法中一种，非常适用于机械振动故障的时变信号。在时间尺度上TQWT能够有效地表示出信号的非平稳性。
发明内容
本申请提供一种基于Q因子小波变换的振动故障诊断方法，包括如下步骤：
获取旋转机械的振动数据；
对振动数据进行可调Q因子小波变换，并建立振动数据的AR模型；
根据变换后的信号计算待测数据特征向量；
采用线性判别分析器对正常和待测数据特征向量进行分类；
根据分类结果判断机械设备振动是否正常。
如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，利用振动数据构建小波能量系数，作为数据特征向量的元素之一。
如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，根据数据建立其n阶的AR模型，并根据直接估计法、矩阵递推估计法、参数递推估计法计算AR模型系数。
如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，采用数据的分形维数作为数据特征向量元素之一。
如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，把数据的可调Q因子小波系数、AR模型参数、分形维数的不同形式组合作为数据的特征向量。
如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，对特征向量采用线性分类器进行分类，并计算最佳分类阈值，即互信息阈值，根据互信息阈值判断机械设备振动是否正常。
如上所述的一种基于Q因子小波变换的振动故障诊断方法，其中，判断机械设备振动是否正常，还包括：
对特征向量采用线性分类器进行分类，并计算最佳分类阈值；
根据正常数据和待测数据，计算二者数据的特征向量的欧式距离；
根据最佳分类阈值和欧式距离的相对变化判断机械设备是否发生故障。
本发明还提供一种基于Q因子小波变换的振动故障诊断系统，包括：旋转机械、传感器以及处理器；
其中，所述传感器：用于采集所述旋转机械的振动数据，并将采集的振动数据上传至所述处理器进行处理；所述振动数据包括来自旋转机械的三个方向的振动信号；
所述处理器：用于接收所述振动数据，并执行上述任意一项所述的一种基于Q因子小波变换的振动故障诊断方法，对数据进行处理，得出诊断结果。
本申请的一种基于Q因子小波变换的振动故障诊断方法及其系统，具有能够处理振动设备产生的微弱或非平稳故障特征信号，且能够适用于不同的采样时刻、样本大小和采样频率等不同领域，给出设备的故障特征，实现机械故障的精准判断的技术效果。
附图说明
为了更清楚地说明本申请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作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1和图2为本发明实施例提供的一种基于Q因子小波变换的旋转机械故障诊断方法流程图；
图3为TQWT方法逐层通过高低通滤波器示意图；
图4为样本特征分类图。
具体实施方式
下面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。
本申请的目的在于提供一种基于Q因子小波变换的旋转机械振动故障诊断方法及其系统，能够处理振动设备产生的微弱或非平稳故障特征信号，且能够适用于不同的采样时刻、样本大小和采样频率等不同领域，给出设备的故障特征，实现机械故障的精准判断。
本申请提供一种基于Q因子小波变换的旋转机械故障诊断系统，包括：旋转机械、传感器以及处理器；
其中，传感器：用于采集旋转机械的振动数据，并将采集的振动数据上传至处理器进行处理；该振动数据包括来自旋转机械的三个方向的振动信号。
处理器：用于接收传感器上传的振动数据，并执行下述的基于Q因子小波变换的旋转机械振动故障诊断方法，对振动数据进行处理，得出诊断结果。
为达到上述目的，如图1、2所示，本申请提供一种基于Q因子小波变换的旋转机械故障诊断方法，包括如下步骤：
S1：获取旋转机械的振动数据。
具体的，通过传感器对需要进行故障诊断的旋转机械进行数据采集，获得振动数据，并将数据上传至处理器。其中，振动数据包括来自旋转机械的三个方向的振动信号。
S2：利用TQWT(可调Q因子的小波变换)对振动数据进行变换，并建立其AR模型。
S21：建立高低通滤波器；
根据品质因子Q和过采样率r，即方程确定高低通滤波器的参数αi,βi，并根据方程建立高低通滤波器。
S22：对原始信号进行逐层的高低通滤波。
具体的，利用但不限于矩形窗函数对多维时间序列进行分割，得到原始振动信号的数据集。把振动信号按照图3所示的TQWT方法逐层通过高低通滤波器，图3中的S(n)为原始振动信号，信号S(n)进行离散傅里叶变换后再通过双通道滤波和尺度变换对振动数据进行离散小波变换，最终分解为高通信号di(n)和低通信号ci(n)，高通信号作为本分解层的输出信号，低通信号作为下一层分解的输入信号继续进行分解。直至把信号分解到指定层数J为止，最终在每个窗口处得到振动信号的J+1个小波变换系数。
在第i层的可调Q因子小波变换中，高通信号di(n)和低通信号ci(n)的采样频率均小于原始信号的采样频率，分别为αifs和βifs，其中0＜αi,βi＜1。
具体地，在第i层的可调Q因子小波变换中，高通和低通滤波器的表达式如下：
其中，αi为高通滤波器的参数，βi为低通滤波器的参数，ω为频率，θ函数表示Daubechies频率响应，其表达式表示如下：
其中，可调Q因子小波变换的品质因子Q和过采样率r，可通过高低通滤波器的参数αi,βi表示：
重复子步骤S22，得到所有方向的所有振动信号片段的小波变换系数。
S23：建立振动信号的AR模型(自回归模型)；
具体的，通过交叉验证的方式确定每个振动信号片段的AR模型的阶数和AR系数。
重复子步骤S23，得到所有方向的振动信号片段的AR模型系数。
S3：计算每个振动信号片段的分形数特征。
S4：根据Q因子小波变换系数、AR模型系数、分形数特征建立正常数据和待测数据的特征向量。
具体地，根据变换后的信号计算小波系数能量、AR系数以及分形维数等时频域的非线性特征，具体包括：对分解得到的子频带使用滑移矩形窗口进行特征提取，其中特征分为三类：小波系数能量、AR系数和分形维数，小波系数能量的个数为J+1，AR的阶数为n，则有n个AR系数，以及2个分形维数，所以的特征量的个数为：J+n+3。
其中，三类参数的计算方法如下：
信号的小波系数能量计算公式为：
K为数据段的数据个数。信号的n阶AR估计模型为
e(t)为残差，把方程中的AR系数a(i)作为特征向量的元素。分形维数是从统计学的角度定义时域信号的复杂程度和非线性特征，可以解释信号的不规则性和不稳定性，采用盒维数计算方法计算分形维数，选择网格的最大边长为1024，或者最大边长可以为2n,n≥10。
S5：采用线性判别分类器对正常和待测数据特征向量进行分类；
具体地，采用线性判别分类器对正常和待测数据特征向量进行分类，确定最佳分类阈值，即互信息阈值。其中，采用线性判别分析方法进行分类包括：
1)定义Fisher准则函数：
其中，Ω表示投影的方向向量，Sb和SΩ表示正常振动数据样本和待测数据样本两种类别的类间和类内离散度矩阵。
2)采用Lagrange乘子法求解该函数的极值；
L(Ω,λ)＝ΩTSbΩ-λ(ΩTSΩΩ-C) C为任意常数 (6)
3)将方程关于Ω求偏导，得到最佳的投影方向为：
其中
和
为正常数据样本和待测数据样本的均值向量。
S6：根据互信息阈值判断机械设备振动是否正常；
根据互信息阈值判断机械设备振动是否正常的子步骤包括：根据互信息计算公式，计算互信息大小：
MI＝0.5log2(SNRt)+1 (8)
其中SNRt表示信噪比，其计算式为：
其中varN表示正常振动数据集的方差，varD表示待检测数据集的方差，varA表示所有数据集的方差。互信息值越大，表示分类系统具有良好的分类效果，当互信息值大于互信息阈值则可以判断待检测数据和正常数据存在明显的分类，则可以判断机械设别的振动异常。
另外，本申请还可以通过以下方案判断机械设备是否发生故障，具体包括：计算正常数据的特征向量与待测数据特征向量的欧氏距离；通过最佳分类阈值和欧氏距离的相对变换判断机械设备是否发生故障。
本申请具有能够处理振动设备产生的微弱或非平稳故障特征信号，且能够适用于不同的采样时刻、样本大小和采样频率等不同领域，给出设备的故障特征，实现机械故障的精准判断的技术效果。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，本申请的保护范围意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请保护范围及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种基于Q因子小波变换的振动故障诊断方法，其特征在于，包括如下步骤：
获取旋转机械的振动数据；
对振动数据进行可调Q因子小波变换、建立振动数据的AR模型，计算振动数据的分形特征；
根据变换后的信号计算待测数据特征向量；
采用线性判别分析器对正常和待测数据特征向量进行分类；
根据分类结果判断机械设备振动是否正常。
2.根据权利要求1所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，利用振动数据构建小波能量系数，作为数据特征向量的元素之一。
3.根据权利要求1所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，根据数据建立其n阶的AR模型，并根据直接估计法、矩阵递推估计法、参数递推估计法计算AR模型系数。
4.根据权利要求1所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，采用数据的分形维数作为数据特征向量元素之一。
5.根据权利要求1所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，把数据的可调Q因子小波系数、AR模型参数、分形维数的不同组合作为数据的特征向量。
6.根据权利要求1或5所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，对特征向量采用线性分类器进行分类，并计算最佳分类阈值，即互信息阈值，根据互信息阈值判断机械设备振动是否正常。
7.根据权利要求1所述的一种基于Q因子小波变换的振动故障诊断方法，其特征在于，判断机械设备振动是否正常，还包括：
对特征向量采用线性分类器进行分类，并计算最佳分类阈值；
根据正常数据和待测数据，计算二者数据的特征向量的欧式距离；
根据最佳分类阈值和欧式距离的相对变化判断机械设备是否发生故障。
8.一种基于Q因子小波变换的振动故障诊断系统，其特征在于，包括：旋转机械、传感器以及处理器；
其中，所述传感器：用于采集所述旋转机械的振动数据，并将采集的振动数据上传至所述处理器进行处理；所述振动数据包括来自旋转机械的三个方向的振动信号；
所述处理器：用于接收所述振动数据，并执行权利要求1-7中任意一项所述的一种基于Q因子小波变换的振动故障诊断方法，对数据进行处理，得出诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210738014.8A CN114993671A (zh) | 2022-06-27 | 2022-06-27 | 一种基于q因子小波变换的振动故障诊断方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210738014.8A CN114993671A (zh) | 2022-06-27 | 2022-06-27 | 一种基于q因子小波变换的振动故障诊断方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114993671A true CN114993671A (zh) | 2022-09-02 |
Family
ID=83036661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210738014.8A Pending CN114993671A (zh) | 2022-06-27 | 2022-06-27 | 一种基于q因子小波变换的振动故障诊断方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114993671A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115268417A (zh) * | 2022-09-29 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应ecu故障诊断控制方法 |
-
2022
- 2022-06-27 CN CN202210738014.8A patent/CN114993671A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115268417A (zh) * | 2022-09-29 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应ecu故障诊断控制方法 |
| CN115268417B (zh) * | 2022-09-29 | 2022-12-16 | 南通艾美瑞智能制造有限公司 | 一种自适应ecu故障诊断控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
| CN113405825B (zh) | 一种基于声音信号的带式输送机故障诊断方法 | |
| CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN111307438A (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 | |
| CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
| CN113916536A (zh) | 一种正弦滚轴筛联轴器故障诊断方法及系统 | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其系统 | |
| CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
| CN110987431A (zh) | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 | |
| CN117434337A (zh) | 一种宽频电压信号测量方法及系统 | |
| Hu et al. | A novel detrended fluctuation analysis method for gear fault diagnosis based on variational mode decomposition | |
| CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统 | |
| CN116046968A (zh) | 一种液相色谱工作站数据处理方法、系统及可存储介质 | |
| CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
| CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
| CN115586406A (zh) | 一种基于特高频信号的gis局部放电故障诊断方法及系统 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
| CN114398922A (zh) | 一种基于CNN-BiLSTM的高压并联电抗器绕组松动的故障诊断方法 | |
| Zeng et al. | Application of local histogram clipping equalization image enhancement in bearing fault diagnosis | |
| CN112326248B (zh) | 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法 | |
| CN112560674B (zh) | 一种声音信号质量的检测方法及系统 | |
| CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
| CN113609207B (zh) | 一种边坡形变监测数据的数据预处理方法 |
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 |