[发明专利]一种基于散射变换的旋转机械故障预测方法

摘要

本发明涉及一种基于散射变换的旋转机械故障预测方法，该方法主要包括以下步骤：1.信号获取；2.特征变换和故障特征的提取，对原信号进行散射变换得到散射变换系数，然后对散射变换各个子带的系数计算其能量值作为信号区分的特征值；3.故障诊断，采用最小二乘投影双支持向量机作为分类器，进行故障预测。本发明所提供的一种基于散射变换的旋转机械故障预测方法，通过利用采用非下采样对偶双树复小波的散射变换，提高了其平移不变性和弹性形变稳定性，增加了信息冗余度，有利于提取的特征具有较好的表征能力，较好地解决了旋转机械信号的故障预测问题。

主权项

一种基于散射变换的旋转机械故障预测方法，其特征在于：该方法包括以下步骤：S1：通过传感器采集旋转系统的相关故障数据；S2：选择训练数据集和测试数据；S3：对训练数据集和测试数据进行散射变换得到散射变换系数，计算散射变换各个子带的系数的能量值，其结果作为信号区分的特征值；S4：采用LSPTSVM对训练数据集的特征信号进行分类分析；S5：采用一对一结构和表决机制形成多分类器，进行故障预测；所述散射变换是指采用非下采样对偶双树复小波的散射变换；所述散射变换的方法为：在散射变换中第一阶散射变换的构造如下：|f*ψ_j,γ|*φ_J(x)   (1)其中，f为输入信号，*表示卷积操作，ψ_j,γ(x)＝2^‑2jψ(2^‑jR_γx)为小波，j,γ分别为尺度和方向，φ_J(x)＝2^‑2Jφ(2^‑Jx)为低通滤波器；因低通滤波器φ_J作用，将会导致高频信息的损失，对小波模进行新的小波再分解，恢复高频信息，如式：$\left|\left|f*{\mathrm{\ψ}}_{j_1,{\mathrm{\γ}}_1}\right|*{\mathrm{\ψ}}_{j_2,{\mathrm{\γ}}_2}\right|*{\mathrm{\φ}}_J\left(x\right)---\left(2\right)$公式(2)中丢失的高频信息又可通过下一轮的小波再分解得以恢复，则第q阶散射变换为：$Q_{q,J}f\left(x\right)={\left(\right|\left|\right|f*{\mathrm{\ψ}}_{j_1,{\mathrm{\γ}}_1}|*\mathrm{...}*|{\mathrm{\ψ}}_{j_q,{\mathrm{\γ}}_q}|*{\mathrm{\φ}}_J(x\left)\right)}_{\begin{array}{c}{j}_1\<\mathrm{...}{j}_p\<J\\ ({\mathrm{\γ}}_1,\mathrm{...},{\mathrm{\γ}}_q)\∈{\mathrm{\Γ}}^q\end{array}}---\left(3\right)$其中，S_q,Jf(x)为在q阶、J个尺度下的散射系数；J为散射变换的尺度数；Γ^q为1到q各个阶层上的变换方向数集合；散射表达包括所有尺度和方向的散射系数，即：$S_{J}f\left(x\right)=\underset{q=0}{\overset{m}{\Σ}}{S}_{q,J}f\left(x\right)---\left(4\right)$在散射变换中，一维信号的第q阶散射变换沿频率递减路径数为前q阶的路径总数为步骤S3中，散射变换的阶数为2，散射变换的分解级数为3；所述步骤S4具体包含如下步骤：S41：每次随机选择30个样本，随机10次，取平均值作为LSPSVM的参数值；S42：采用综合检索率作为评价标准，进行评估：$S=\frac{1}{M}\underset{i=1}{\overset{M}{\Σ}}{R}_i/K$其中K表示属于同一类故障的样本数目，R_i表示每次预测计算结果中前K个距离最小的样本与被测试样本中属于同一类故障的数目，M表示所有样本数。