[发明专利]一种基于小波包能量特征与互相关的状态识别方法与系统

说明书

本发明提供一种基于小波包能量特征与互相关的状态识别方法与系统。本发明包括：对采集到的样本信号截段进行小波包分解；计算小波包分解后各个子空间内能量值；将能量值按子空间顺序组成特征向量；基于各样本的特征向量构建样本库；将待检测元件特征向量与样本库中的样本特征向量做互相关分析，其中互相关系数最大时对应的样本状态即为所识别待测信号状态。本发明简单易行，通过软件编程将算法写入硬件平台中，即自动样本制作与状态识别，结果准确性高，识别过程所需时间短，与其他识别方法相比，自动化程度更高。

技术领域

本发明涉及机械故障检测领域，尤其涉及一种基于小波包能量特征与互相关的状态识别方法与系统。

背景技术

大多数工程机械的执行元件是旋转机械。有些旋转机械长时间在重载条件下工作会发生机械磨损或疲劳导致机械故障，它的故障可能会导致巨大的经济损失甚至是严重的安全事故，因此对旋转机械进行故障识别的需求十分迫切。故障识别方法主要可分两部分：故障特征提取和故障特征识别。

故障特征提取分为基于物理模型和基于信号数据两大类：物理模型的方法需要相关的动态系统知识，这很难应用于复杂的实际环境中；相比之下，基于信号处理的方法因为不需要精确的物理系统模型已广泛应用于旋转机械的故障诊断中。在旋转机械故障识别领域，傅里叶变换，经验模态分解，小波包分析等是近年来最新的几种信号处理方法，但都有其局限性。其中傅里叶变换及其延伸的短时傅里叶变换很难处理机械故障信号中的信号突变部分；经验模态分解经常受边界效应和模态混淆的影响；小波包分析是小波变换的延伸，它同时对低频与高频成分进行分解。小波包能量法是将原信号分解后的每个子空间内能量值组合成向量作为故障特征，目前该方法广泛应用于旋转机械故障识别。

故障特征识别现阶段多采用支持向量机与神经网络等方法。其中支持向量机方法核函数的选取对识别结果有很大影响，当信号未知时可能无法选择适合的核函数导致结果偏差大；神经网络的弊端在于训练网络所需要的数据量非常大，而且算法上非常复杂难以实现。现有技术在原理的理解及实现上所需的知识成本与时间成本都较高，不利于实际应用的推广与使用。

于此同时，现有技术无法对小波包分解层数、进行状态识别的信号截取长度进行预先判断，只能人为手动进行特征向量的制作。为了解决传统故障特征识别方法的弊端，本发明介绍了一种基于小波包能量特征与互相关的状态识别方法，可以实现无需手动进行数据处理即可生成适合的故障特征向量与进行状态识别。

发明内容

根据上述提出的技术问题，而提供一种基于小波包能量特征与互相关的状态识别方法与系统。本发明采用的技术手段如下：

一种基于小波包能量特征与互相关的状态识别方法，包括如下步骤：

对采集到的样本信号截段进行小波包分解；

计算小波包分解后各个子空间内能量值；

将能量值按子空间顺序组成特征向量；

基于各样本的特征向量构建样本库，所述样本包括正常状态的正常元件样本和至少一种故障状态的故障元件样本；

将待检测元件特征向量与样本库中的样本特征向量做互相关分析，其中互相关系数最大时对应的样本状态即为所识别待测信号状态。

进一步地，特征向量表示如下：

其中：是元件运行状态为φ的信号截段经过小波包变换后在第j层第k个位置子空间的能量值，l为信号截段的采样点数，是第j层小波包变换的能量值按子空间顺序组成的特征向量。

进一步地，所述样本特征向量制作部分小波包层数j₀选择由下式表示:

j₀＝{j|max[D(j)]}