本發(fā)明涉及一種機械振動信號的故障診斷領域，涉及一種旋轉機械的振動信號故障識別方法。
背景技術：
機械振動信號的故障診斷對于保障機械設備的安全、穩(wěn)定運行具有重要意義。基于機械振動信號分析的機械故障診斷方法具有可在線、實時、非損傷、診斷便捷準確等優(yōu)點，已經(jīng)得到廣泛應用?，F(xiàn)今的機械振動信號的故障分析存在故障樣本獲取困難、故障樣本數(shù)量往往有限，沒有考慮機械振動信號的頻率分類，因此，需要提供一種解決上述問題的旋轉機械的振動信號故障識別方法。
技術實現(xiàn)要素：
有鑒于此，本發(fā)明要解決的技術問題是提供一種旋轉機械的振動信號故障識別方法，用于解決上述提出的無法解決的問題。
為達到上述技術方案的效果，本發(fā)明的技術方案為：一種旋轉機械的振動信號故障識別方法，故障類型判別，首先提取旋轉機械的振動信號，采用小波包分析將旋轉機械的振動信號分解到時間尺度域，從發(fā)生脈沖的時間間隔來獲取旋轉機械的振動信號的特征頻率，從而判別旋轉機械是否存在故障，如果存在故障，將存在故障的旋轉機械的振動信號進行故障特征提??；
故障特征提取采用小波包分解把存在故障的旋轉機械的振動信號分解到相鄰的不同頻段上，提取感興趣的頻段成分進行重構，從而有效提取存在故障的旋轉機械的振動信號的有效特征；
故障指標提煉將存在故障的旋轉機械的振動信號的有效特征數(shù)字化，并根據(jù)小波包分解原理構建時頻能量表達式，將數(shù)字化后的存在故障的旋轉機械的振動信號的有效特征作為時頻能量表達式的計算參數(shù)，從而計算出從存在故障的旋轉機械的振動信號的頻率尺度隨時間變化的局部化指標，以時間為橫坐標、以存在故障的旋轉機械的振動信號的頻率尺度為縱坐標，繪制局部化指標曲線；
故障模式識別以局部化指標曲線作為輸入，構建一個兩級多層神經(jīng)網(wǎng)絡，兩級多層神經(jīng)網(wǎng)絡的一級用于識別存在故障的旋轉機械的振動信號的故障模式，兩級多層神經(jīng)網(wǎng)絡的二級用于估算存在故障的旋轉機械的振動信號的故障的程度，將故障模式的結果綜合，以數(shù)據(jù)表存儲的形式結果。
本發(fā)明的有益成果是，本發(fā)明能獲取多種故障樣本，通過對故障振動信號的特征進行處理，通過數(shù)學過程計算、分析信號，識別信號的故障，因此，結果更加準確、更加科學化。
附圖說明
圖1為一種旋轉機械的振動信號故障識別方法的流程圖。
具體實施方式
為了使本發(fā)明所要解決的技術問題、技術方案及有益效果更加清楚明白，以下結合附圖及實施例，對本發(fā)明進行詳細的說明。應當說明的是，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明，能實現(xiàn)同樣功能的產(chǎn)品屬于等同替換和改進，均包含在本發(fā)明的保護范圍之內。具體方法如下：
實施例一：
機械設備由于受到轉速、載荷和故障產(chǎn)生的沖擊等因素的影響，其振動信號往往表現(xiàn)出強烈的非平穩(wěn)性。對于振動信號的非平穩(wěn)信號只了解信號在時域或頻域的全局特性是不夠的，還希望得到振動信號的信號頻譜隨時間變化的情況。時頻分析技術是將信號變換到二維時頻域內進行分析，是分析非平穩(wěn)信號的有效手段?；谡駝有盘柦?jīng)過分解后在不同頻帶時域特征的故障診斷方法，沒有考慮振動信號的頻域特征。基于時頻域特征的機械振動信號故障診斷方法可以將奇異值分解方法用于時頻矩陣的特征提取中。目前，時頻分析技術已經(jīng)廣泛應用于機械故障診斷領域，包含短時傅里葉變換、小波變換。短時傅里葉變換存在窗函數(shù)固定的問題，分布存在交叉項干擾的問題，小波變換則存在能量泄漏和小波基函數(shù)選擇的問題。它提出的變換是一種新的具有自適應的時頻分析方法，
可根據(jù)信號的局部時變特征進行自適應的時頻分解，非常適合對非平穩(wěn)信號進行分析。信號變換由兩部分組成：任何復雜的信號都可以通過經(jīng)驗模態(tài)分解方法分解為若千個內蘊模態(tài)函數(shù)的相加，并且在每個上瞬時頻率都有定義。變換已經(jīng)成為機械故障診斷領域研究的熱點。目前，基于變換的故障診斷大部分是利用分解得到的內蘊模態(tài)函數(shù)，對內蘊模態(tài)函數(shù)進行分析提取機械故障特征，利用對軸承振動信號分解，將局部損傷軸承產(chǎn)生的高頻調幅信號成分作為內蘊模態(tài)函數(shù)分離出來，然后用變換得到其包絡信號，通過包絡譜提取軸承故障特征頻率。利用齒輪振動信號分解后得到的內蘊模態(tài)函數(shù)的能量熵作為特征，對齒輪進行裂紋和斷齒故障診斷?；趦忍N模態(tài)函數(shù)奇異值分解和支持向量機的故障診斷方法，利用內蘊模態(tài)函數(shù)形成向量矩陣，然后對該矩陣進行奇異值分解，提取其奇異值作為故障特征向量，然后用支持向量機進行故障診斷。
將譜的時一頻平面等分為個面積相等的時頻塊，對每塊進行能量歸一化，然后仿照信息熵的方式定義時頻熵。對于任一個行或列線性相關的矩陣，通過對其左、右分別相乘一個正交矩陣進行變換，可以將原矩陣轉化為一個對角陣，而得到的奇異值個數(shù)又反映了原矩陣中獨立行(列)矢量的個數(shù)。奇異值分解具有穩(wěn)定性好，可以較好地刻畫矩陣特征的優(yōu)點，已經(jīng)成為信號處理與統(tǒng)計數(shù)據(jù)分析的重要工具。目前，奇異值分解技術獲得了廣泛的應用，例如數(shù)據(jù)壓縮，信號降噪，機器狀態(tài)監(jiān)測等。基于奇異值分解的譜時頻特征提取方法，首先利用方法將機械振動信號分解為若干個分量之和，然后對每個分量進行變換得到瞬時頻率和瞬時幅值，從而得到軸承振動信號的譜，譜表示了信號完整的時間一頻率分布。對譜進行奇異值分解，得到的奇異值作為軸承故障診斷的特征向量，然后利用支持向量機進行故障分類。
實施例二：
對機械振動信號進行信號降噪，基于經(jīng)驗模態(tài)分解的信號降噪方法的降噪方法對于低頻的分量的降噪效果較好，原因是濾波器可以使信號變光滑，而低頻分量相對比較光滑，這樣可以較好地保留低頻分量的特性；而基于閾值的降噪方法對高頻分量的降噪效果較好，相比而言它可以更好地保持高頻分量旳高頻特征。為了使基于的降噪方法對信號的低頻部分與高頻部分都能夠取得較好地降噪效果，考慮將基于閾值降噪的方法和基于降噪方法結合起來，對于分解得到的前幾個分量(頻率較高)釆用基于閾值降噪的方法，而對于其余的分量(頻率較低)則釆用基于降噪的方法。這樣就可以對高頻分量與低頻分量都保持較好的降噪性能。
對含噪信號模態(tài)分解后得到的分量利用濾波器進行降噪，該濾波器對每一數(shù)據(jù)點的一個鄰域內各點的數(shù)據(jù)，用一元p階多項式擬合。此多項式的系數(shù)可根據(jù)最小二乘法準則使擬合誤差最小來確定，由此得出滑動窗口內中心點的最佳擬合值，即為降噪處理后的值?；瑒訑?shù)據(jù)窗口依次沿著每一點滑動，從而實現(xiàn)了平滑處理。先將信號用分解成有限個分量，再用濾波器對前幾個進行濾波處理，最后利用濾波處理后的前幾個分量和未經(jīng)處理的分量進行信號重構，得到濾波后的信號。
上述實施例對本發(fā)明進行詳細的說明。應當說明的是，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明，能實現(xiàn)同樣功能的產(chǎn)品屬于等同替換和改進，均包含在本發(fā)明的保護范圍之內。