[发明专利]一种用于振动信号分析的敏感特征选取与降维方法

说明书

本发明公开了一种用于振动信号分析的敏感特征选取与降维方法，该方法包括以下步骤：将振动信号进行MODWPT分解得到各频带系数和节点信号，单支重构各节点信号并计算相应的统计特征；通过基于极限学习机的特征选取方法FSELM完成敏感特征的筛选，利用NPEMMC对选取的敏感特征进行降维分析；将低维的敏感特征作为输入空间对分类器进行训练，使用训练后的分类模型完成故障模式识别。本发明可以达到比较理想的滚动轴承故障状态识别效果。

技术领域

本发明属于机械故障检测技术领域，尤其涉及一种用于振动信号分析的敏感特征选取与降维方法。

背景技术

滚动轴承作为旋转机械的关键部件之一，其发生故障会严重影响到旋转机械的安全稳定运行，若不能及时发现故障并对其采取有效措施，可能会造成严重的人员伤亡与财产损失，因此，进行滚动轴承故障诊断对于保障设备持续安全和降低维护成本，具有重要意义。近年来，在故障诊断技术方面，随着信号处理、数据挖掘以及人工智能技术的不断发展，基于数据驱动的故障诊断方法正愈受重视。

滚动轴承在运行过程中的振动信号蕴含着丰富的状态信息，是轴承故障状态分析与诊断的有效手段。小波变换是分析非线性、非平稳振动信号的有效方法，但是由于小波变换没有对信号的高频部分做进一步的分解，容易导致高频部分故障特征信息的丢失。针对此问题，在小波变换的基础上，小波包变换被提出，它能进一步分解信号在高频区的细节系数，提供更详细、更全面的时频面。Qiu等利用小波滤波检测振动信号周期性脉冲分量，并通过一系列实验证明小波滤波器更适合于检测像机械脉冲缺陷信号这样的微弱特征。Talhaoui等研究了用DWT提取转子连杆故障特征。虽然DWT可以克服CWT带来的大数据量的问题，将原始复杂信号分解成不同分辨率的信号，但是DWT的隔点采样会丢失部分信息，信号变换有平移敏感性；其次，由于小波滤波器的非理想截止性质以及隔点采样，因此在信号分解和重构过程中会产生虚假频率成分；随DWT级数的增加，其小波系数和尺度系数会相应的减半，从而影响对系数的统计分析；而且DWT不能对信号的高频部分进行细致分解。为了克服这些缺点，最大重叠离散小波包变换(Maximal Overlap Discrete Wavelet PacketTransform，MODWPT)被提出。它不仅可以对信号的高频部分进行很好的分解，而且对于采样频率没有限制。Yang等利用MODWPT将齿轮故障振动信号分解成单个信号，将单个信号对应的希尔伯特谱用于齿轮故障诊断，通过仿真和实例验证，使用MODWPT方法的故障诊断结果比使用EMD方法的效果好。杨宇等采用MODWPT将多分量的滚动轴承振动信号分解为若干个分量，再对各分量信号的包络信号进行角域采样，计算对应的包络阶次谱，用于故障诊断。程军圣等将基于MODWPT的Hilbert谱应用于齿轮故障诊断当中，并利用具有裂纹和断齿的故障信号进行实验，验证了所使用方法在故障特征提取上的有效性。

统计特征和设备故障模式之间存在着复杂的映射关系，不同统计特征对故障状态的敏感度不同，如何有效地选择反映滚动轴承故障的敏感特征是实现故障识别的关键。计算振动信号经小波包分析后的统计参数，可得到一个高维原始特征集。然而，由于故障类型与统计特征之间存在复杂的映射关系，原始特征集中存在干扰和冗余特征，可能会影响故障诊断的准确度。在没有先验知识的情况下，仅凭经验人为地选择统计特征进行故障诊断效果不佳。因此，需要在特征降维前进行故障敏感特征的选择。

有人提出一种基于极限学习机(Extreme Learning Machine，ELM)分类器的特征选择方法(Features Selection base on ELM，FSELM)，实现对原始特征集中单个统计特征的故障敏感度的量化分析，筛选出故障敏感度较高的统计特征进行故障诊断。但是，将高维统计特征直接用于故障分类，计算复杂度较高，同时还会影响故障分类准确率。