[发明专利]一种混合分解与提取的智能旋转机械故障诊断方法

说明书

本发明公开了一种混合分解与提取的智能旋转机械故障诊断方法，包括：获取旋转机械的原始振动序列进行去噪处理，得到已去噪处理的振动序列；采用不同消失矩的母小波包函数，对已去噪处理的振动序列进行分解操作，得到各自若干个振动子序列；采用主元分析法，对每个振动子序列进行特征提取，得到旋转机械的特征参数矩阵；获取旋转机械训练样本，且已知训练样本的故障类型，使用训练样本训练支持向量机模型得到旋转机械故障诊断分类器；实时采集待检测旋转机械的原始振动序列，获取其特征参数矩阵，并输入到旋转机械故障诊断分类器，从而判断待检测旋转机械的故障类型。本发明提高了对旋转机械故障诊断的时效性和精度。

技术领域

本发明涉及机械系统故障辨识与预测领域，特别是涉及一种混合分解与提取的智能旋转机械故障诊断方法。

背景技术

随着科技的不断进步和中国制造2025的提出，各种机械装备广泛使用在各行各业，其中旋转机械在这些机械装备中占据了重要地位。但是旋转机械在长期使用过程中，因为一直存在不同程度的振动工况，极其容易出现不同程度的损耗而产生各种机械故障，如果发现不及时导致机械故障不断积累，轻则出现停机事故导致经济损耗，重则产生安全隐患造成安全事故。

目前对旋转机械系统的状态监测与诊断最常用的方法是采集旋转机械系统的随机振动信号，然后对随机振动信号进行时频分析。但由于所测取的振动信号不但有故障信号，而且还包含其它机械零部件的振动信号，并且旋转机械在早期的故障产生阶段，其故障特征信息很微弱，信噪比很小，难以提取。

发明内容

本发明提出一种混合分解与提取的智能旋转机械故障诊断方法，可以更好更及时的检测出旋转机械的故障类型，即发生故障的部位和故障名称，提高故障诊断的准确性和时效性。

为实现上述技术目的，本发明的技术方案为：

一种混合分解与提取的智能旋转机械故障诊断方法，包括以下步骤：

步骤1，获取旋转机械的原始振动序列，对原始振动序列进行去噪处理，得到已去噪处理的振动序列；

步骤2，采用若干个具有不同消失矩的母小波包函数，对已去噪处理的振动序列进行分解操作；已去噪处理的振动序列在采用不同消失矩的母小波包函数分解后分别得到各自若干个振动子序列；

步骤3，采用主元分析法，对每个振动子序列进行特征提取，得到特征参数矩阵；

步骤4，按照步骤1-3对已知故障类型的旋转机械提取特征参数矩阵，作为训练样本；

以旋转机械的特征参数矩阵训练样本为输入、故障类型为输出，训练支持向量机模型，得到旋转机械故障诊断分类器；

步骤5，实时采集待检测旋转机械的原始振动序列，按照步骤1-3获取待检测旋转机械的特征参数矩阵；

将待检测旋转机械的特征参数矩阵输入到旋转机械故障诊断分类器，旋转机械故障诊断分类器输出待检测旋转机械的故障类型。

本方案通过采用小波包分解方法，使用多个不同的消失矩对振动序列进行分解，在采用不同消失矩的母小波包函数分解后分别得到多个不同的振动子序列；采用主元分析法，针对每个振动子序列进行特征提取，得到旋转机械的特征参数矩阵；这种小波包分解与主元分析法特征提取相结合的方法，使得到的特征参数矩阵在保证广度和深度的前提下，不但保留了主要特征信息，而且降低了输入支持向量机模型的维度，在后续对待检测旋转机械故障诊断分类器对故障诊断的计算时间，提升了分类器的时效性；而且以训练样本的该特征参数矩阵和故障类型训练的旋转机械故障诊断分类器，对待检测旋转机械的故障诊断精度更高。

进一步地，所述支持向量机模型的输入层包括1个节点，输出层包括1个节点，核函数为径向基函数，支持向量机模型的惩罚系数和核函数参数采用狼群-模拟退火混合算法进行优化选择。