[发明专利]基于信号原子驱动小波再生核机器学习的机械多故障诊断方法

说明书

本发明公开一种基于信号原子驱动小波再生核机器学习的机械多故障模式识别方法，该方法采集机械设备的待分析信号，再对机械设备进行故障设置，并采集故障设备的非平稳机械振动信号；采用基于蚁群搜索策略的Gabor原子正交匹配追踪方法对非平稳机械振动信号进行跟踪和分解，获得与待分析信号最佳匹配的多个原子分量和残差分量；将获得的多个原子分量作为特征样本输入机器学习——小波再生核支持向量机分类器中进行训练和测试学习，从而识别机械多故障模式类型。本发明能够提高识别精度。

技术领域

本发明涉及基于信号原子驱动小波再生核机器学习的机械多故障诊断方法，属于机械故障诊断技术领域。

背景技术

机械故障诊断本质上是机器运行状态的模式识别问题，特征提取和分类器设计是模式识别的关键。

在对机械故障进行诊断识别时，首先要对故障信号进行特征提取。随着信号处理技术的发展，各种新的信号时频分析被引入故障诊断领域。例如：傅里叶变换方法、小波变换方法以及原子分解算法等。傅里叶变换是处理平稳信号最为常用的一种方法，但采用FF'I'算法分析存在机械振动问题的非平稳信号时，则受限于算法的时频分辨能力，不能准确识别扰动信号的特征；小波变换是对信号的时间和频率的局域变换，相对傅里叶变换来说，小波变换更能从信号中提取有效的信息，实用性更强，但是小波变换中小波基的选择对分析结果影响很大；Gabor原子分解算法，它是时间-频率-尺度三维空间中的基函数，综合了Gabor基函数和小波基函数的特点，同时避免了二者的不足。但如何构造出于信号内在结构最佳匹配的原子字典，提高计算效率仍是目前研究热点。

在机械故障模式识别方面，基于统计学习理论的机器学习——支持向量机 (SVM)表现出其他学习机无可比拟的优越性能。但在应用中发现，对于现有的SVM核函数不能通过平移生成平方可积空间上的一组完备的基，这种基的不完备性导致了分类SVM不能逼近该空间上的任意分类界面。另一方面，SVM 是用于解决从样本进行学习的一种基于核方法的新技术，而从样本进行学习是个不适定问题(主要表现为多解性)。目前，由小波多分辨分析知，小波函数的伸缩和平移能够构成平方可积空间的一组完备基。而采用正则化方法转化为一个适定问题加以解决，再生核及其相应的再生核Hilbert空间在函数逼近和正则化理论中扮演了重要的角色，而构造再生核函数是核稀疏表示分类模型的关键，目前尚未形成完善的理论。

发明内容

本发明所要解决的技术问题是提供一种提高识别精度的基于信号原子驱动小波再生核机器学习的机械多故障诊断方法。

本发明解决上述技术问题所采用的技术方案是：基于信号原子驱动小波再生核机器学习的机械多故障诊断方法，包括以下步骤：

步骤S10、采集机械设备的待分析信号，再对机械设备进行故障设置，并采集故障设备的非平稳机械振动信号；

步骤S20、采用基于蚁群搜索策略的Gabor原子正交匹配追踪方法对非平稳机械振动信号进行跟踪和分解，获得与待分析信号最佳匹配的多个原子分量和残差分量；

步骤S30、将获得的多个原子分量作为特征样本输入机器学习——小波再生核支持向量机分类器中进行训练和测试学习，从而识别机械多故障模式类型。

进一步的实施方案是，所述步骤S20的具体过程为：

步骤S201、初始化残余信号R⁰f，指定原子字典参数的取值范围，并初始化蚁群优化算法，其中初始化残余信号R⁰f等于非平稳机械振动信号，当前残余信号Rⁿf等于待分析信号；

步骤S202、利用蚁群优化算法搜索与当前残余信号Rⁿf最佳匹配的Gabor 原子其Gabor原子的表达式为：