[发明专利]基于小波阈值降噪与AdaBoost的轴系故障识别方法

摘要

本发明提出一种基于小波阈值降噪与AdaBoost的轴系故障识别方法。使用能够消除频率混叠的双树复小波变换方法提取信号特征，在信号分解与重构的过程中，提出改进小波阈值降噪方法对信号降噪处理，并对降噪后的信号提取能量作为特征向量，结合对不均衡数据分类处理效果较好的AdaBoost多分类方法，使用多个简单的单层决策树作AdaBoost弱分类器，最终构建强分类器，将各种轴系故障区分开来。本发明可以编程实现，成本低，效率高，易于实施。

主权项

1.基于小波阈值降噪与AdaBoost的轴系故障识别方法，包括以下步骤：S1：使用工业现场安装在电机轴承支撑架上的加速度传感器，分别获取水平、竖直、轴向的振动加速度数据，对振动加速度数据一次积分获得振动速度数据，取三个方向的振动速度数据作为轴系振动表征；S2：对三个方向振动信号分别使用双树复小波4层分解，提出改进阈值降噪方法，对分解得到的小波系数和尺度系数进行降噪调整，提高信噪比；降噪分为两个部分，一为阈值选取，二为降噪处理，阈值选取使用Stein无偏似然估计，降噪处理时在软阈值处理的基础上提出改进阈值处理方法，具体描述分别如下：Stein无偏似然估计基于均方差无偏自适应阈值估计，计算时先将小波系数的平方由小到大排列s₁≤s₂≤...≤s_K，构成向量S＝[s₁,s₂,...,s_K]，其中K为小波系数的个数，再计算各小波系数的风险系数K个风险系数构成风险向量R＝[r₁,r₂,...,r_k]，以R中最小元素r_B作为风险值，寻找对应的小波系数s_B，计算阈值σ为向量S的标准差，提出改进阈值处理得到新的小波系数：初始状态：令A1＝0，A已知；k＝1,2,...,j循环输入各层小波系数wj,k当|wj,k|＜A时，A1＝max(A1,|wj,k|)；循环结束若A1＝0取A1＝A；输出：A1；式中sgn()为符号函数，max()为取最大值，wj,k为原始小波系数，A为阈值，A1为小于阈值的小波系数与尺度系数中的最大值，j为小波分解层数，k为层数，小于阈值的小波系数置零，其余小波系数变为小波系数绝对值与阈值的差，并保持符号不变；S3：对降噪后的信号进行双树复小波重构，边重构边获取每层信号的能量，并进行能量归一化，作为轴系故障识别特征向量；S4：振动故障识别是一种不均衡数据分类，采用AdaBoost多分类算法SAMME.R以构建集成学习多分类器，多分类器以单层决策树作为弱分类器，以各层归一化能量作为输入，使用已有的样本训练分类器；S5：使用已训练的SAMME.R多分类器对振动信号进行故障识别，轴系故障被划分为不同的类别。