[发明专利]一种基于散射变换的旋转机械故障预测方法

说明书

本发明涉及一种基于散射变换的旋转机械故障预测方法，该方法主要包括以下步骤：1.信号获取；2.特征变换和故障特征的提取，对原信号进行散射变换得到散射变换系数，然后对散射变换各个子带的系数计算其能量值作为信号区分的特征值；3.故障诊断，采用最小二乘投影双支持向量机作为分类器，进行故障预测。本发明所提供的一种基于散射变换的旋转机械故障预测方法，通过利用采用非下采样对偶双树复小波的散射变换，提高了其平移不变性和弹性形变稳定性，增加了信息冗余度，有利于提取的特征具有较好的表征能力，较好地解决了旋转机械信号的故障预测问题。

技术领域

本发明涉及一种机械故障预测方法，特别涉及一种基于散射变换的旋转机械故障预测方法。

背景技术

旋转机械系统在航空、舰船、机床与车辆等工程已得到广泛应用并发挥着越来越重要的作用。当旋转机械出现损伤与故障时不但会严重影响到整个工程系统的可靠性与安全性，而且带来了巨大经济损失，因此国内外一直在开展相关研究与工程实现。

旋转机械系统的故障预测系统主要由3部分组成：一是传动系统的数据采集，根据各个组成装置的特点，在不同位置布置传感器，采集在不同状态下的设备运行状态的数据。二是齿轮系统信号特征提取，针对传动系统信号特点，对去噪信号提取相关齿轮振动特征，提高系统对不同类故障的类类间区别度，如时域特征、频率特征、时频分析等；三是信号分类，以信号特征为依据，采用机器学习算法，提高系统故障诊断精度，主要有神经网络(ANN)、SVM、逻辑回归、HMM等。

目前常用传动系统信号处理方法采用小波理论，在离散小波变换(DWT)和二代小波变换(LWT)均有时移变化的缺点，易造成故障信息遗漏，且后者固有的分解操作会有混淆现象，这种频率混叠现象使得小波分解系数并不能真实地反应设备的状态信息，影响了特征信息的提取效果；双树复小波变换(Dual-Tree Complex Wavelet Transform，DT-CWT)具有近似的时移不变性，采用奇偶采样，有效地减小了频率混叠，其性能优于SGWT和其他方法。经验模型分解(EMD)在计算瞬时频率时出现困难，故EMD也会造成提取一定的无用特征。尽管小波变换在提取信号的结构和细节信息上具有一定优势，但在描述细节信息方面存在大量高频系数，其破坏了特征稳定性，使小波域特征不变性较差，如何平衡小波在时频域表达的区分度和稳定性是一个重要的研究课题。

S.Mallat提出了基于复小波的卷积网络的散射变换，主要通过对信号高频分量进行迭代的小波模运算和低通滤波，即可获得稳定的信号特征，又能恢复出由低通滤波运算而损失的高频信息，迭代得到的信号散射系数具有局部平移不变性和弹性形变稳定性，同时能够有效地降低信号的类内散度使得其分类和识别能力有了提高。散射变换已经在手写体数字识别、纹理分类和音频信号分类中取得很好的分类结果。在散射变换中复小波的选择很重要，常用DT-CWT，但其采用了下采样技术，具有近似的时移不变性，冗余度低的特点，不利于提取机械旋转信号的本质特征。

在故障预测的机器学习算法中，常用的算法高斯混合模型(GMM)存在优化参数受初始方法敏感，难以确定最佳的组成数；ANN没有标准的方法确定网络的学习结构，存在过学习问题；粗糙集方法需要离散化，不适合连续的数值变化，决策的阈值并不可靠。HMM需要足够的训练样本才能训练出满意的模型，导致计算复杂高且耗时；近年来，根据传统SVM理论存在的不足，Javadeva等在2007年提出双支持向量机(Twin Support Vector Machines简写TSVM)，克服了传统支持向量机构造的两个超平面必须是平行的限制，但双联支持向量机构造的正负类超平面是不平行的，实现了减少计算复杂度的目的。2012年Yuan-Hai Shao提出了最小二乘投影双支持向量机(Least squares recursive projection twinsupport vector machine简写LSPTSVM)用于二分类，提高了其分类性能，进一步降低了计算复杂度，提高了其适应性。因此，本发明提出一种预测率较高的旋转机械故障预测新方法。

发明内容