本發(fā)明涉及一種機械振動信號的故障診斷領(lǐng)域，涉及一種機械振動信號的故障分析方法。

背景技術(shù)：

機械設(shè)備在運動過程中產(chǎn)生的振動及其特征信息是反映機械設(shè)備及其運行狀態(tài)變化的主要信號，通過各種動態(tài)測試儀器獲取、記錄和分析這些動態(tài)信號，是進行機械設(shè)備狀態(tài)監(jiān)測和故障診斷的主要途徑。其中的關(guān)鍵技術(shù)是通過對振動信號的分析處理提取機械故障特征信息。因此，通過對機械振動信號進行分析，能得到機械設(shè)備的故障狀態(tài)，并識別其中的故障。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明要解決的技術(shù)問題是提供一種機械振動信號的故障分析方法，用于解決上述提出的無法解決的問題。

為達到上述技術(shù)方案的效果，本發(fā)明的技術(shù)方案為：一種機械振動信號的故障分析方法，包括信號預處理、信號的正式處理、信號的特征參數(shù)提取、信號的故障識別；

信號預處理通過仿真對機械振動信號對比實驗，采用經(jīng)驗模態(tài)分解的降噪方法，說明了經(jīng)驗模態(tài)分解的降噪方法的降噪性能的改進，最后將其用于實測機械振動信號的降噪；

信號的正式處理在經(jīng)過信號預處理之后，得到了機械振動信號的降噪形式，在過程中采用了機械振動信號故障特征提取方法，并將機械振動信號的相對小波能量融合在內(nèi)，針對診斷中故障樣本數(shù)目少的問題，使用支持向量機作為故障識別分類器，并通過故障診斷實驗，驗證了機械振動信號故障特征提取方法的有效性，得到所述機械振動信號的故障特征；

信號的特征參數(shù)提取，首先從機械振動信號的故障特征中進一步提取樣本熵，同時利用樣本熵對不同故障類型、不同損傷程度的機械振動信號進行分析，結(jié)果表明樣本熵可以作為故障特征參數(shù)，建立故障特征參數(shù)的矩陣，并進行故障特征參數(shù)的矩陣的奇異值分解，同時利用故障識別分類器進行機械故障特征參數(shù)提取，并進行了故障診斷實驗；

信號的故障識別，對按振動頻率的大小對機械故障振動信號進行分類，分為頻率高的機械故障振動信號以及頻率低的所述機械故障振動信號，對頻率高的機械故障振動信號利用獨立分量分析對機械故障振動信號進行分析，得到統(tǒng)計上相互獨立的分量，將機械振動信號表示為相互獨立的分量的線性組合，其中相互獨立的分量的線性組合的系數(shù)作為特征向量，并結(jié)合最近鄰算法進行機械故障識別，得到頻率高的機械故障振動信號的故障類型；對頻率低的所述機械故障振動信號進行獨立分量分析，獲得不同工況信號的獨立分量，然后將不同工況信號的獨立分量的絕對值作為特征，使用支持向量機進行機械故障識別得到頻率低的所述機械故障振動信號的故障。

本發(fā)明的有益成果為：本發(fā)明通過振動信號的樣本熵值的變化，樣本熵能夠做為機械故障的特征參數(shù)。對故障振動信號分類的過程進一步細化，明確了機械故障信號中各個階段的功能，確保信號分析的效率以及處理率。

具體實施方式

為了使本發(fā)明所要解決的技術(shù)問題、技術(shù)方案及有益效果更加清楚明白，以下結(jié)合實施例，對本發(fā)明進行詳細的說明。應(yīng)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(nèi)。具體方法如下：

實施例一：

機械設(shè)備由于受到轉(zhuǎn)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(shù)是將信號變換到二維時頻域內(nèi)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(shù)已經(jīng)廣泛應(yīng)用于機械故障診斷領(lǐng)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(yīng)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(yīng)的時頻分解，非常適合對非平穩(wěn)信號進行分析。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(nèi)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(lǐng)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(nèi)蘊模態(tài)函數(shù)，對內(nèi)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(diào)幅信號成分作為內(nèi)蘊模態(tài)函數(shù)分離出來，然后用變換得到其包絡(luò)信號，通過包絡(luò)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(nèi)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?nèi)蘊模態(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(nèi)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(guān)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(zhuǎn)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(shù)獲得了廣泛的應(yīng)用，例如數(shù)據(jù)壓縮，信號降噪，機器狀態(tài)監(jiān)測等?；谄娈愔捣纸獾淖V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。

上述實施例對本發(fā)明進行詳細的說明。應(yīng)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(nèi)。

本發(fā)明的有益成果為：本發(fā)明通過振動信號的樣本熵值的變化，樣本熵能夠做為機械故障的特征參數(shù)。對故障振動信號分類的過程進一步細化，明確了機械故障信號中各個階段的功能，確保信號分析的效率以及處理率。