[发明专利]一种基于多分类支持向量数据描述的旋转机械故障诊断方法

说明书

本发明公开了一种用于旋转机械多齿轮故障的诊断方法，属于工业监测和故障诊断领域。该方法包括：采集正常和不同故障下的传感器数据作为训练数据集；对训练数据进行时域和频域的特征提取，获取常用特征参数；进行特征选择，组成特征参数子集；建立特征选择后数据矩阵的支持向量数据描述模型，并计算各个故障类别超球体的球心和半径；采集实时工况下传感器测量数据作为测试数据；根据所选特征得到测试数据的特征参数子集，计算与各个球心之间的距离；将此距离与超球体半径对比，若在相应半径范围内则认为该样本属于球心所在类，实现故障诊断。与现有技术相比，本发明无需建立旋转机械的数学模型，并可应用于多类别故障诊断。

技术领域

本发明涉及工业监测和故障诊断领域，特别涉及一种基于多分类支持向量数据描述的旋转机械故障诊断方法。

背景技术

作为现代机械设备的主要动力传动方式之一，旋转机械在世界工业化发展进程中具有重要作用，针对其故障诊断问题的研究也在不断发展并逐渐成熟。行星齿轮箱作为旋转机械的重要组成部分，由于其运动结构复杂，工作环境恶劣，所以在运行过程中经常发生故障。当行星齿轮箱中的齿轮发生故障时，动力传动过程会受到影响，导致机械设备无法正常运行，轻则带来经济损失，重则危害工作人员的生命安全，造成安全事故。针对行星齿轮箱的故障诊断研究能够及时检测到齿轮故障，从而有效降低齿轮故障导致的停机率，具有重要意义。针对行星齿轮箱的故障诊断方法主要分为：基于解析模型的方法、信号处理方法和智能诊断方法。由于行星齿轮箱中的行星轮在自转的同时还要围绕太阳轮公转，复杂的结构使其物理模型难以准确建立，现有的基于模型的行星齿轮箱故障诊断方法都是在一定假设条件的基础上进行的。信号处理方法需要非常丰富的专业知识才能从信号中发现故障。所以，近年来智能诊断方法一直是机械故障诊断研究中最为有效的方法之一。

然而，传统的智能诊断方法在解决旋转机械多种齿轮故障的诊断问题中，仍然存在一些问题，主要表现在：(1)旋转机械的物理结构特殊，运动复杂多变，使得振动信号中包含很多随机成分，一种信号处理方法得到的特征仅仅适用于当前特定的系统状态；(2)旋转机械传动比大，导致信号处理后得到的某些特征参数频率较低，峰值较小，容易被噪声淹没，从而产生误判或漏判。

发明内容

针对现有技术中存在的上述问题，本发明提出了一种基于多分类支持向量数据描述的旋转机械故障诊断方法，克服了现有技术的不足，具有良好的效果。

为实现上述目的，本发明采用如下技术方案：

一种基于多分类支持向量数据描述的旋转机械故障诊断方法，包括离线建模阶段和在线诊断阶段；其中，

一、离线建模阶段

步骤1：分别采集旋转机械正常以及不同齿轮故障类型下的一段传感器测量数据作为训练数据集；

步骤2：通过经验公式对训练数据进行时域和频域的特征提取，获取用于旋转机械故障诊断的常用特征参数，组成特征参数矩阵；

步骤3：根据核空间中样本间余弦相似度均值和方差进行特征选择，将所选择的特征参数组成特征参数子集，同时确定高斯径向基函数的宽度参数；

步骤4：建立步骤3所构造的数据矩阵的支持向量数据描述模型，计算各个故障类别超球体的球心和半径并保存，留作在线诊断阶段用；

二、在线诊断阶段

步骤5：采集旋转机械实时工况下不同齿轮故障类别的传感器测量数据作为测试数据；

步骤6：根据步骤3中所选择的特征参数构建测试数据的特征参数子集，计算特征参数子集中的样本与球心之间的距离；

步骤7：将步骤6所得距离与步骤4中的半径进行对比，判断测试数据是属于正常状态还是某种故障状态，最终得到故障分类及诊断结果。

优选地，所述步骤2具体过程为：