[发明专利]用于模拟地铁风机状态的故障台、故障分类方法及装置

权利要求书

1.一种用于模拟地铁风机状态的故障分类方法，其特征在于，包括用于模拟地铁风机状态的故障台，在所述故障台上安装有电机、与所述电机传动连接的主转动轴以及通过皮带与所述主转动轴传动连接的从转动轴；

在所述主转动轴上，沿其轴向依次设置有：第一轴承座、皮带的第一折返端、第二轴承座以及负载组件，所述负载组件可拆卸安装于所述主转动轴上；

在所述第一轴承座上安装有第一传感器，在所述第二轴承座上安装有第二传感器，所述第一传感器用于采集主转动轴正常运行状态下的振动信号，所述第二传感器用于采集主转动轴在非平衡故障状态下的振动信号；

在所述从转动轴上，沿其轴向依次设置有皮带的第二折返端、第三轴承座、完好齿轮以及第四轴承座，且所述完好齿轮能够与另一转动轴上的断齿齿轮啮合；

在所述第三轴承座上安装有第三传感器，在所述第四轴承座上安装有第四传感器，所述第三传感器用于采集从转动轴正常运行状态下的振动信号，所述第四传感器用于采集从转动轴在齿轮故障状态下的振动信号；

所述方法具体包括以下步骤：

步骤1：获取所述故障台上的第一传感器、第二传感器、第三传感器和第四传感器采集的振动信号；

步骤2：将采集的每个振动信号进行处理，形成六个复合特征，六个特征具体为:均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子；

步骤3：对所有复合特征形成的样本数据进行特征提取，形成分类特征向量；

步骤4：利用分类特征向量作为训练样本数据对基于SVM的三维四分类分类器进行训练，获得训练好的分类器，并输出三维的分类决策边界；

步骤5：利用训练好的分类器对测试样本数据进行故障诊断和分类，输出所属的故障类型；

步骤6：对训练样本数据进行k-means聚类，得到聚类中心坐标，当测试样本数据相较预测后类的聚类中心的轮廓系数在训练数据平均轮廓系数的±k以内，则判别为故障诊断正确，否则报警。

2.根据权利要求1所述的故障分类方法，其特征在于，所述电机与所述主转动轴靠近第一轴承座的位置传动连接。

3.根据权利要求1或2所述的故障分类方法，其特征在于，所述负载组件的重量和/或重心位置能够进行调节。

4.根据权利要求1所述的故障分类方法，其特征在于，步骤2具体包括以下内容：将采集的每个振动信号分解成n个信号，并经过快速傅里叶变换，分别求出分解后的信号与原信号的相关系数corr，根据下式得到六个复合特征，第j个复合特征CH_j具体为；其中：ch_j(x)为六个特征中的第j特征，六个特征具体为:均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子。

5.根据权利要求4所述的故障分类方法，其特征在于，步骤3具体包括以下内容：利用PCA主成分分析法对所有复合特征形成的样本数据进行主成分分析，并提取前M个重要特征形成分类特征向量。

6.一种故障分类装置，其特征在于，用于执行权利要求1-5任一项所述的故障分类方法，包括故障分类器，所述故障分类器上设有以下模块：

振动信号采集模块，所述振动信号采集模块用于获取故障台上第一传感器、第二传感器、第三传感器和第四传感器采集的振动信号

复合特征形成模块，所述复合特征形成模块用于将采集的每个振动信号进行处理，形成六个复合特征，六个特征具体为:均方、峭度、波形因子、峰值因子、脉冲因子、裕度因子；

特征提取模块，对所有复合特征形成的样本数据进行特征提取，形成分类特征向量；

训练模块，所述训练模块用于利用分类特征向量作为训练样本数据对基于SVM的三维四分类分类器进行训练，获得训练好的分类器，并输出三维的分类决策边界；

测试模块，所述测试模块用于利用训练好的分类器对测试样本数据进行故障诊断和分类，输出所属的故障类型；

判断分析模块，所述判断分析模块用于对训练样本数据进行k-means聚类，得到聚类中心坐标，当测试样本数据相较预测后类的聚类中心的轮廓系数在训练数据平均轮廓系数的±k以内，则判别为故障诊断正确，否则报警。