[发明专利]一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法

说明书

本发明涉及一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法。首先，进行小波去噪和EMD将旋转机械振动信号分解成多个固有模态函数(IMF)；然后，使用SVD对每一个IMF分量的初始特征矩阵进行奇异值分角，将得到的奇异值作为信号的特征向量。最后，对多分类马氏田口方法进行自适应改进，将新方法作为故障诊断的分类器。本发明的方法能够精准地对故障进行识别和分类，识别正确率高，方法可靠。

技术领域

本发明涉及一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法，属于机械零部件故障诊断技术领域。

背景技术

旋转机械的用途十分广泛，且已经对社会生活产生了巨大的影响，保证旋转机械的正常运转十分关键。滚动轴承失效是旋转机械中最常见的故障原因，如果轴承发生故障，机械可能会严重损坏。轴承一旦失效，可能导致灾难性的结果。轻微的故障会损坏机械，严重的故障会造成严重的人员伤亡、财产损失和不良的社会影响。因此，对滚动轴承运行状态的监测和对轴承振动信号的分析一直是研究的热点。通过对轴承运行状态的监测和分析，识别和诊断故障状态，是认识故障状态的关键。

马氏田口方法是一种模式识别方法，该方法在处理不平衡数据时具有很好的鲁棒性，能够有效地进行特征变量的选择与故障类别的分类，马氏田口方法还适用于多维空间中，能够进行故障的多分类问题。

发明内容

本发明提出了一种新的旋转机械故障诊断方法，即首先对收集到的信号进行小波去噪，进行去噪处理后的信号以EMD算法进行分解，获得若干IMF分量，并用奇异值分解进一步提取故障特征，提取后的特征矩阵作为故障分类部分的输入，通过判断各个测试数据到基准数据之间的马氏距离来实现故障诊断和分类。

本发明的技术方案如下：

一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法，具体包括以下步骤：

步骤一、首先对通过传感器得到的旋转机械的原始振动信号进行消噪处理，然后使用EMD对信号进行分解，将信号分解成若干个IMF和一个余项；

步骤二、用奇异值分解进一步提取故障特征，对信号分解后的信号矩阵进行奇异值分解，在分解后的IMF中有效提取矩阵特征；

步骤三、最后使用自适应的多分类马氏田口方法对故障进行分类；

其中步骤三所用的自适应马氏田口方法实现故障识别与诊断步骤如下：

将分解得到的奇异值样本分为基准样本、训练样本、验证样本、重验证样本和测试样本五部分；

设有M任意不同的训练样本(x_i,y_i)，x_i(i＝1,2,3,...,M)表示分解后得到的奇异值，此时作为故障识别和分类的输入，y_i(i＝1,2,3,4)表示给数据样本对应的故障类型，同时也是故障分类的输出，首先根据田口方法选定的正交表，生成基准样本和训练样本的马氏空间，马氏田口方法的正交表为二水平正交表，将SVD提取的奇异值特征矩阵安排到正交数组的每一列中，在正交表中，“1”表示变量被选中，“2”表示变量没有被选中，然后计算连续数据之间的马氏距离：

k表示训练样本中特征的个数，C表示基准样本生成的相关系数矩阵，z_ij表示被标准正态化的训练样本，x_ij表示训练样本，和s_i分别表示基准样本的均值和方差；

计算出马氏距离之后，通过计算信噪比计算挑选出有效变量，信噪比SNR的计算公式如下：