[发明专利]一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法

摘要

本发明涉及一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法。首先，进行小波去噪和EMD将旋转机械振动信号分解成多个固有模态函数(IMF)；然后，使用SVD对每一个IMF分量的初始特征矩阵进行奇异值分角，将得到的奇异值作为信号的特征向量。最后，对多分类马氏田口方法进行自适应改进，将新方法作为故障诊断的分类器。本发明的方法能够精准地对故障进行识别和分类，识别正确率高，方法可靠。

主权项

1.一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法，具体包括以下步骤：/n步骤一、首先对通过传感器得到的旋转机械的原始振动信号进行消噪处理，然后使用EMD对信号进行分解，将信号分解成若干个IMF和一个余项；/n步骤二、用奇异值分解进一步提取故障特征，对信号分解后的信号矩阵进行奇异值分解，在分解后的IMF中有效提取矩阵特征；/n步骤三、最后使用自适应的多分类马氏田口方法对故障进行分类；/n其中步骤三所用的自适应马氏田口方法实现故障识别与诊断步骤如下：/n将分解得到的奇异值样本分为基准样本、训练样本、验证样本、重验证样本和测试样本五部分；/n设有M任意不同的训练样本(x_i,y_i)，x_i(i＝1,2,3,...,M)表示分解后得到的奇异值，此时作为故障识别和分类的输入，y_i(i＝1,2,3,4)表示给数据样本对应的故障类型，同时也是故障分类的输出，首先根据田口方法选定的正交表，生成基准样本和训练样本的马氏空间，马氏田口方法的正交表为二水平正交表，将SVD提取的奇异值特征矩阵安排到正交数组的每一列中，在正交表中，“1”表示变量被选中，“2”表示变量没有被选中，然后计算连续数据之间的马氏距离：/n /n /nk表示训练样本中特征的个数，C表示基准样本生成的相关系数矩阵，z_ij表示被标准正态化的训练样本，x_ij表示训练样本，和s_i分别表示基准样本的均值和方差；/n计算出马氏距离之后，通过计算信噪比计算挑选出有效变量，信噪比SNR的计算公式如下：/n /n /n 分别表示j＝1,2时信噪比的均值，表示使用该变量时信噪比的值，表示不使用该变量时信噪比的值，N表示训练样本的个数，m表示使用该变量或者不使用该变量的样本个数，通过比较和的值，确定该变量是否是对识别结果有效的变量，如果则该变量为有效变量，如果则该变量为非有效变量；/n在对有效变量进行挑选时，将所有变量根据信噪比SNR进行排序后，按照由大到小和由小到大的顺序依次进行计算样本的马氏距离，然后根据计算后的马氏距离挑选出有效的变量序列；/n设定验证样本和重验证样本，验证样本在进行变量挑选时使用，重验证样本在评价变量排序识别的结果时使用，定义新的评价挑选结果：/nE＝log_mdMx*f/nf表示新序列变量的识别正确率，md表示相同正确率下的最大马氏距离值，Mx表示新序列变量的马氏距离之和；/n通过计算之后，通过比较每个训练样本到各个基准样本之间的马氏距离，对应距离最小的基准样本即为该样本的故障类型，比对样本的标签得出正确率，正确率最大的序列为每个基准样本识别效果最好的序列，通过对测试样本进行验证，得到故障诊断和分类的识别准确率。/n