[发明专利]一种旋转机械的振动信号故障识别方法

说明书

技术领域

本发明涉及一种机械振动信号的故障诊断领域，涉及一种旋转机械的振动信号故障识别方法。

背景技术

机械振动信号的故障诊断对于保障机械设备的安全、稳定运行具有重要意义。基于机械振动信号分析的机械故障诊断方法具有可在线、实时、非损伤、诊断便捷准确等优点，已经得到广泛应用。现今的机械振动信号的故障分析存在故障样本获取困难、故障样本数量往往有限，没有考虑机械振动信号的频率分类，因此，需要提供一种解决上述问题的旋转机械的振动信号故障识别方法。

发明内容

有鉴于此，本发明要解决的技术问题是提供一种旋转机械的振动信号故障识别方法，用于解决上述提出的无法解决的问题。

为达到上述技术方案的效果，本发明的技术方案为：一种旋转机械的振动信号故障识别方法，故障类型判别，首先提取旋转机械的振动信号，采用小波包分析将旋转机械的振动信号分解到时间尺度域，从发生脉冲的时间间隔来获取旋转机械的振动信号的特征频率，从而判别旋转机械是否存在故障，如果存在故障，将存在故障的旋转机械的振动信号进行故障特征提取；

故障特征提取采用小波包分解把存在故障的旋转机械的振动信号分解到相邻的不同频段上，提取感兴趣的频段成分进行重构，从而有效提取存在故障的旋转机械的振动信号的有效特征；

故障指标提炼将存在故障的旋转机械的振动信号的有效特征数字化，并根据小波包分解原理构建时频能量表达式，将数字化后的存在故障的旋转机械的振动信号的有效特征作为时频能量表达式的计算参数，从而计算出从存在故障的旋转机械的振动信号的频率尺度随时间变化的局部化指标，以时间为横坐标、以存在故障的旋转机械的振动信号的频率尺度为纵坐标，绘制局部化指标曲线；

故障模式识别以局部化指标曲线作为输入，构建一个两级多层神经网络，两级多层神经网络的一级用于识别存在故障的旋转机械的振动信号的故障模式，两级多层神经网络的二级用于估算存在故障的旋转机械的振动信号的故障的程度，将故障模式的结果综合，以数据表存储的形式结果。

本发明的有益成果是，本发明能获取多种故障样本，通过对故障振动信号的特征进行处理，通过数学过程计算、分析信号，识别信号的故障，因此，结果更加准确、更加科学化。

附图说明

图1为一种旋转机械的振动信号故障识别方法的流程图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。具体方法如下：

实施例一：

机械设备由于受到转速、载荷和故障产生的冲击等因素的影响，其振动信号往往表现出强烈的非平稳性。对于振动信号的非平稳信号只了解信号在时域或频域的全局特性是不够的，还希望得到振动信号的信号频谱随时间变化的情况。时频分析技术是将信号变换到二维时频域内进行分析，是分析非平稳信号的有效手段。基于振动信号经过分解后在不同频带时域特征的故障诊断方法，没有考虑振动信号的频域特征。基于时频域特征的机械振动信号故障诊断方法可以将奇异值分解方法用于时频矩阵的特征提取中。目前，时频分析技术已经广泛应用于机械故障诊断领域，包含短时傅里叶变换、小波变换。短时傅里叶变换存在窗函数固定的问题，分布存在交叉项干扰的问题，小波变换则存在能量泄漏和小波基函数选择的问题。它提出的变换是一种新的具有自适应的时频分析方法，

可根据信号的局部时变特征进行自适应的时频分解，非常适合对非平稳信号进行分析。信号变换由两部分组成：任何复杂的信号都可以通过经验模态分解方法分解为若千个内蕴模态函数的相加，并且在每个上瞬时频率都有定义。变换已经成为机械故障诊断领域研究的热点。目前，基于变换的故障诊断大部分是利用分解得到的内蕴模态函数，对内蕴模态函数进行分析提取机械故障特征，利用对轴承振动信号分解，将局部损伤轴承产生的高频调幅信号成分作为内蕴模态函数分离出来，然后用变换得到其包络信号，通过包络谱提取轴承故障特征频率。利用齿轮振动信号分解后得到的内蕴模态函数的能量熵作为特征，对齿轮进行裂纹和断齿故障诊断。基于内蕴模态函数奇异值分解和支持向量机的故障诊断方法，利用内蕴模态函数形成向量矩阵，然后对该矩阵进行奇异值分解，提取其奇异值作为故障特征向量，然后用支持向量机进行故障诊断。