[发明专利]基于波形和无量纲学习的大机组摩擦故障分析方法及系统

权利要求书

1.一种基于波形和无量纲学习的大机组摩擦故障分析方法，其特征在于，所述基于波形和无量纲学习的大机组摩擦故障分析方法，包括：

利用双探头提取机器故障振动信号，并对数据进行预处理；

进行摩擦故障特征提取：(1)对故障信号进行小波包2层分解变换，小波包即利用多次叠代的小波转换分析输入信号的细节部分，得到不同尺度下的小波系数，将信号HH层的尺度系数置零；

(2)计算无量纲特征波形指标S_f，将波形指标作为提取的特征之一，具体计算公式如下：

其中表示波形数据均方根值，表示波形数据绝对平均；

(3)计算无量纲特征峰值指标，将峰值指标作为提取的特征之一，具体计算公式如下：

其中x_max表示波形峰值，表示表示均方根值；

(4)计算无量纲特征脉冲指标，将脉冲指标作为提取的特征之一，具体计算公式如下：

其中x_max表示波形峰值，表示波形数据绝对平均；

(5)计算无量纲特征峭度指标，表示实际峭度相对于正常峭度的高低，峭度指标反映振动信号中的冲击特征，将无量纲特征峭度指标作为提取的特征之一，具体计算公式如下：

其中

(6)计算无量纲特征裕度指标，一般用于检测机械设备的磨损情况；若歪度指标变化不大，有效值与平均值的比值增大，说明由于磨损导致间隙增大，因而振动的能量指标有效值比平均值增加快，其裕度指标也增大了，将无量纲特征裕度指标作为提取的特征之一，具体计算公式如下：

其中

(7)计算无量纲特征Teager能量算子，将Teager能量算子为提取的特征之一，具体计算公式如下：

其中，t表示数据采集时间，α_t为t时刻前后的偏移角；

(8)计算标准偏差，标准偏差表征的是数据的离散程度，表征的是单个统计量在多次抽样中呈现出的变异性；可以这样理解，前者是表示数据本身的变异性，而后者表征的是抽样行为的变异性，具体计算公式如下：

(9)计算平均值的标准偏差，平均值的标准偏差是指一种度量数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度；标准偏差越小，这些值偏离平均值就越少，反之亦然；标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量，具体计算公式如下：

(10)计算样本的样本圆均值(circle_mean)，将样本圆均值做为提取的特征之一，具体计算公式如下：

其中X为样本，sin为正弦函数，cos为余弦函数，arctan2为正切函数，π为圆周率；

其中S′＝∑_isin(angle)C＝∑_icos(angle)，res＝arctan2(S′,C)；

利用机器学习方法建立故障预测模型；

预测未知标签信号是否存在故障，并确定故障类型。

2.如权利要求1所述基于波形和无量纲学习的大机组摩擦故障分析方法，其特征在于，所述机器故障振动信号及数据进行预处理的过程为：

1)安装两个探点，通过两个探点采集得到大型滑动机组振动双视图信号，数据采集为32/rms，即轴承每转一圈采样32个点，采集32圈的数据；

2)探针采集数据后，对齐进行离散傅里叶变换，窗口大小32*32＝1024个点，并修饰变换后的傅里叶值；根据信号情况设置自适应阈值，降低信号存储量，加速传输。

3.如权利要求2所述基于波形和无量纲学习的大机组摩擦故障分析方法，其特征在于，所述2)中离散傅里叶变换公式具体如下：

其中n＝0，…，N-1，N表示数据长度。

4.如权利要求1所述基于波形和无量纲学习的大机组摩擦故障分析方法，其特征在于，利用提取出的两个视图特征进行cca降维，将降维后两个视图的特征进行拼接，作为输入向量，使用机器学习模型进行训练。