[发明专利]一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法

摘要

本发明公开了一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法，以提高离心泵中轴承故障、叶轮故障及其混合故障的特征可分性，实现各种状态的诊断和健康评估。首先，应用小波包变换将采集到的离心泵振动信号分解为8个小波分量；提取每个分量的小波能量作为故障特征，得到八维故障特征向量；然后，应用流形学习方法对此八维特征进行降维，获取更具可分性、更简约稳定的三维特征向量；最后，基于该特征向量，应用动态时间规整方法度量测试数据与训练数据之间的距离，从而确定当前的故障状态，实现轴承故障诊断；同时，该距离值也可反映当前状态的健康度，实现离心泵健康状态的评估，具有很好的实际工程应用价值。

主权项

一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法，其特征在于：该方法实现步骤如下：步骤(1)、应用小波包变换方法分解原始振动信号，得到8个小波分量；步骤(2)、计算每个小波分量的小波能量作为故障特征，得到八维故障特征向量；步骤(3)、应用流形学习方法对故障特征向量进行降维，获取更具可分性的三维故障特征向量；步骤(4)、基于提取的三维故障特征向量，应用动态时间规整(DTW)度量测试数据与训练数据之间的相似性，从而确定或评估当前数据对应的故障或健康状态，从而实现故障诊断和健康评估；所述步骤(4)基于提取的三维故障特征向量，应用动态时间规整(DTW)度量测试数据与训练数据之间的相似性，从而确定当前数据对应的健康状态，实现故障分类和健康评估的具体过程如下：步骤(B1)、首先，对各种健康状态下的原始振动信号，进行小波包分解并提取小波能量特征向量，再对高维特征向量进行降维，作为后续健康状态分类时的样本特征矩阵，设共有k种健康状态的数据，则该样本特征矩阵V＝[W1,W2,…,Wk]，其中Wi为第i种健康状态的特征向量；步骤(B2)、然后，对于任一待确定状态的振动信号，通过小波包分解信号，提取小波能量特征向量并降维；步骤(B3)、应用DTW算法度量待确定状态的特征向量与样本特征矩阵中各个特征向量的相似性，度量值越小，证明当前待确定的状态与该标签特征向量的状态越接近，从而确定当前数据的健康状态，将正常状态下的特征值对应的健康度设为1，则可通过当前数据与正常样本数据间的相似性程度度量当前状态的健康度。