[发明专利]基于小波阈值降噪与AdaBoost的轴系故障识别方法

说明书

本发明提出一种基于小波阈值降噪与AdaBoost的轴系故障识别方法。使用能够消除频率混叠的双树复小波变换方法提取信号特征，在信号分解与重构的过程中，提出改进小波阈值降噪方法对信号降噪处理，并对降噪后的信号提取能量作为特征向量，结合对不均衡数据分类处理效果较好的AdaBoost多分类方法，使用多个简单的单层决策树作AdaBoost弱分类器，最终构建强分类器，将各种轴系故障区分开来。本发明可以编程实现，成本低，效率高，易于实施。

技术领域

本发明属于故障识别领域，具体涉及一种机械设备的轴系故障识别方法。

背景技术

旋转机械轴系故障最有效诊断途径是通过轴系振动信号分析故障，工业生产现场环境比较复杂，获取的振动信号中包含许多噪声，大量噪声的存在严重影响轴系故障识别的准确度。如何有效地降噪、去燥一直以来是人们研究的热点。振动信号属于非平稳时间信号，常使用小波变换对其进行处理，相应的小波去燥方法得到了广泛地应用。其中，常见的小波去燥方法有：利用小波变换模极大值去燥；基于小波变换尺度间相关性去燥；采用非线性小波阈值去燥。在众多的小波去燥方法中，Donoho的阈值去燥法(硬阈值和软阈值)由于处理方法简单、计算量小而得到广泛的应用。其主要理论依据是,小波变换具有很强的数据去相关性,能够使信号的能量在小波域集中在少量的大的小波系数中,而噪声却分布在整个小波域,对应大量的数值小的小波系数,经小波分解后,信号的小波系数的幅值要大于噪声的小波系数的幅值,于是可以采用阈值的办法把信号的小波系数保留,而使大部分噪声的小波系数减少为零。

硬阈值与软阈值去燥在设定上都有些粗糙，硬阈值去燥不处理大于阈值的小波系数造成去燥不足，软阈值去燥在处理大于阈值的小波系数时直接减去阈值造成过度去燥。目前，一些专家、学者在去燥时结合硬阈值与软阈值综合去燥，效果好坏不一，不如人意。故而，有必要对阈值降噪方法进行改进，提高去燥效果。

发明内容

本发明的目的是提供基于小波阈值降噪与AdaBoost的轴系故障识别方法，首先提供一种小波降噪方法，在信号双树复小波变换后阈值降噪；再构造一种轴系故障特征AdaBoost集成学习分类，对故障进行识别。

基于小波阈值降噪与AdaBoost的轴系故障识别方法，包括以下步骤：

S1：使用工业现场安装在电机轴承支撑架上的加速度传感器，分别获取水平、竖直、轴向的振动加速度数据，对振动加速度数据一次积分获得振动速度数据，取三个方向的振动速度数据作为轴系振动表征；

S2：对三个方向振动信号分别使用双树复小波4层分解，提出改进阈值降噪方法，对分解得到的小波系数和尺度系数进行降噪调整，提高信噪比；降噪分为两个部分，一为阈值选取，二为降噪处理，阈值选取使用Stein无偏似然估计，降噪处理时在软阈值处理的基础上提出改进阈值处理方法，具体描述分别如下：

Stein无偏似然估计基于均方差无偏自适应阈值估计，计算时先将小波系数的平方由小到大排列s₁≤s₂≤...≤s_K，构成向量S＝[s₁,s₂,...,s_K]，其中K为小波系数的个数，再计算各系数的风险系数K个风险系数构成风险向量R＝[r₁,r₂,...,r_k]，以R中最小元素r_B作为风险值，寻找对应的系数s_B，计算阈值σ为向量S的标准差，提出改进阈值处理得到新的小波系数：

初始状态：令A₁＝0，A已知；

k＝1,2,...,j循环输入各层小波系数w_j,k

当|w_j,k|＜A时，A₁＝max(A₁,|w_j,k|)；