本發(fā)明屬于故障識(shí)別領(lǐng)域，具體涉及一種機(jī)械設(shè)備的軸系故障識(shí)別方法。

背景技術(shù)：

旋轉(zhuǎn)機(jī)械的軸系故障多發(fā)生在軸與滾動(dòng)軸承上。滾動(dòng)軸承是旋轉(zhuǎn)電機(jī)的承力單元，除轉(zhuǎn)速高、負(fù)荷大外，工況也極端惡劣，屬故障多發(fā)件。旋轉(zhuǎn)機(jī)械中發(fā)生的故障有7％是由因滾動(dòng)軸承故障而引發(fā)。軸故障也時(shí)有發(fā)生。在球軸承中，故障90％發(fā)生在內(nèi)環(huán)與外環(huán)上，其它故障則基本發(fā)生在滾動(dòng)體上，很少有保持架故障發(fā)生。旋轉(zhuǎn)機(jī)械軸系故障診斷近年來(lái)獲得越來(lái)越多的重視。

旋轉(zhuǎn)機(jī)械軸系故障最有效診斷途徑是通過(guò)軸系振動(dòng)信號(hào)分析故障，目前常用的方法有：振動(dòng)信號(hào)時(shí)域分析，振動(dòng)信號(hào)頻域分析，振動(dòng)信號(hào)時(shí)間序列分析，振動(dòng)信號(hào)時(shí)頻域分析。時(shí)頻域分析方法中的小波變換方法由于有著可變的時(shí)頻窗口，對(duì)處理非平穩(wěn)的振動(dòng)信號(hào)具有良好的效果。近幾年來(lái)，小波變換有了新的發(fā)展，出現(xiàn)了雙樹(shù)復(fù)小波變換的方法。雙樹(shù)復(fù)小波變換(dual-treecomplexwavelettransform,dt-cwt)是一種具有近似平移不變性、較低的頻率混疊、良好的方向選擇性、有限的數(shù)據(jù)冗余性、完全重構(gòu)性和計(jì)算效率高等良好特性的小波變換。通過(guò)雙樹(shù)復(fù)小波對(duì)振動(dòng)信號(hào)特征提取效果良好，成為當(dāng)前軸承故障診斷熱點(diǎn)之一。

軸系故障類型的模式識(shí)別在近來(lái)得到了廣泛地研究，改進(jìn)極限學(xué)習(xí)機(jī)、孿生支持向量機(jī)等方法被用于軸承振動(dòng)故障識(shí)別，對(duì)故障軸承多分類取得了良好的實(shí)驗(yàn)效果。但是，軸系故障數(shù)據(jù)是一種不均衡數(shù)據(jù)，正常數(shù)據(jù)較多，故障數(shù)據(jù)較少，而少數(shù)類數(shù)據(jù)(故障數(shù)據(jù))在實(shí)際故障識(shí)別中更為重要，這就使得極限學(xué)習(xí)機(jī)、支持向量機(jī)等分類方法出現(xiàn)局限性。處理非均衡分類問(wèn)題常常將不同的分類器組合起來(lái)，這種組合的方法稱為集成學(xué)習(xí)，其中adaboost(adaptiveboosting)方法是最流行的一種集成學(xué)習(xí)的方法。adaboost算法簡(jiǎn)單，只要能夠找到比隨機(jī)猜測(cè)略好的弱學(xué)習(xí)算法，就可以將其提升為強(qiáng)學(xué)習(xí)算法，而不必直接去找通常情況下很難獲得的強(qiáng)學(xué)習(xí)算法，實(shí)用性強(qiáng)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供基于雙樹(shù)復(fù)小波與adaboost的軸系故障識(shí)別方法，首先提供基于雙樹(shù)復(fù)小波的軸系故障特征提取方法，再構(gòu)造一種軸系故障特征adaboost集成學(xué)習(xí)分類，對(duì)故障進(jìn)行識(shí)別。

一種基于雙樹(shù)復(fù)小波與adaboost的軸系故障識(shí)別方法，包括以下步驟：

s1：使用工業(yè)現(xiàn)場(chǎng)安裝在電機(jī)軸承支撐架上的加速度傳感器，分別獲取水平、豎直、軸向的振動(dòng)加速度數(shù)據(jù)，對(duì)振動(dòng)加速度數(shù)據(jù)一次積分獲得振動(dòng)速度數(shù)據(jù)，取三個(gè)方向的振動(dòng)速度數(shù)據(jù)作為軸系振動(dòng)表征；

s2：對(duì)三個(gè)方向振動(dòng)信號(hào)分別使用雙樹(shù)復(fù)小波分解，采用q-shift雙樹(shù)濾波器對(duì)振動(dòng)信號(hào)4層分解得到不同頻段的分量，使用stein無(wú)偏似然估計(jì)閾值對(duì)分解信號(hào)自適應(yīng)閾值降噪，提高信噪比；

s3：對(duì)降噪后的信號(hào)進(jìn)行雙樹(shù)復(fù)小波重構(gòu)，獲取每層信號(hào)的能量，并進(jìn)行能量歸一化，作為軸系故障識(shí)別特征向量；

s4：振動(dòng)故障識(shí)別是一種不均衡數(shù)據(jù)分類，提出adaboost改進(jìn)多分類算法samme.z以構(gòu)建集成學(xué)習(xí)多分類器，多分類器以單層決策樹(shù)作為弱分類器，以各層歸一化能量作為輸入，使用已有的樣本訓(xùn)練分類器；

s5：使用已訓(xùn)練的samme.z多分類器對(duì)振動(dòng)信號(hào)進(jìn)行故障識(shí)別，軸系故障被劃分為不同的類別。

所述s2對(duì)振動(dòng)信號(hào)進(jìn)行雙樹(shù)復(fù)小波分解，采用q-shift雙樹(shù)濾波器，使雙樹(shù)復(fù)小波變換具有近似平移不變性，并減少了有用信息的丟失，在雙樹(shù)復(fù)小波變換的第一層分解中，采用(13,19)階近似對(duì)稱的正交濾波器組h0＝[-0.0018,0,0.0223,-0.0469,-0.0482,0.2969,0.5555,0.2969,-0.0482,-0.0469,0.0223,0,-0.0018]，g0＝[0.0000706,0,0.0013,-0.0019,0.0072,0.0239,-0.0556,-0.0517,0.2998,0.5594,0.2998,-0.0517,-0.0556,0.0239,0.0072,-0.0019,-0.0013,0,0.0000706]，從第二層開(kāi)始，以后各層都采用14階濾波器組h0＝[0.0033,-0.0039,0.0347,-0.0389,-0.1172,0.2753,0.7561,0.5688,0.0119,-0.1067,0.0238,0.0170,-0.0054,-0.0046]，g0＝[-0.0046,-0.0054,0.0170,0.0238,-0.1067,0.0119,0.5688,0.7561,0.2753,-0.1172,-0.0389,0.0347,-0.0039,0.0033]。

所述s2中使用stein無(wú)偏似然估計(jì)閾值對(duì)分解信號(hào)自適應(yīng)閾值降噪，基于均方差無(wú)偏自適應(yīng)閾值估計(jì)，計(jì)算時(shí)先將小波系數(shù)的平方由小到大排列s1≤s2≤...≤sl，構(gòu)成向量s＝[s1,s2,...,sl]，其中l(wèi)為小波系數(shù)的個(gè)數(shù)，再計(jì)算各系數(shù)的風(fēng)險(xiǎn)系數(shù)l個(gè)風(fēng)險(xiǎn)系數(shù)構(gòu)成風(fēng)險(xiǎn)向量r＝[r1,r2,...,rl]，以r中最小元素rb作為風(fēng)險(xiǎn)值，在s中按對(duì)應(yīng)順序?qū)ふ蚁禂?shù)平方sb，計(jì)算閾值σ為信號(hào)噪聲標(biāo)準(zhǔn)差，使用軟閾值處理得到新的小波系數(shù)：

式中sgn()為符號(hào)函數(shù)，wj,l為原始小波系數(shù)，j為小波分解層數(shù)，l為層數(shù)，t為閾值，小于閾值的系數(shù)置零，其余系數(shù)變?yōu)樾〔ㄏ禂?shù)絕對(duì)值與閾值的差，并保持符號(hào)不變。

所述s3獲取水平方向每層信號(hào)的能量ex1,ex2,ex3,ex4,ex5，并進(jìn)行能量歸一化保證各層能量值在[0,1]，得到能量向量ex'＝[ex1',ex2',ex3',ex4',ex5']^t，同理得到豎直方向與軸向的能量向量分別為ey'與ez'，將三個(gè)方向能量向量組合得到軸承故障診斷特征向量x＝[ex',ey',ez']。

所述s4多分類器samme.z算法具體描述為，假設(shè)m個(gè)樣本序列{(x1,y1),(x2,y2),...,(xm,ym)}，其中yi為類別，且yi∈y＝{1,2,...,k}，弱分類器ht(x)，弱分類器ht(x)，在第p類樣本的分類中，分到各類的概率為{p1,p2,...,pk}，若有a＝p，則要求若不滿足此條件，則重新訓(xùn)練ht(x)，直到訓(xùn)練處的弱分類器ht(x)滿足上述條件，此基礎(chǔ)上的samme.z算法流程如下：

步驟1初始化權(quán)值其中表示第1輪迭代第i個(gè)樣本權(quán)值；

步驟2fort＝1,2,...,t，執(zhí)行步驟2.1、2.2；

步驟2.1按照權(quán)值w^t(第t輪迭代權(quán)值向量)，選擇訓(xùn)練樣本，對(duì)樣本進(jìn)行分類識(shí)別，ht:x→y；

步驟2.2fork＝1,2,...,k，循環(huán)計(jì)算各類中，分到各類樣本的權(quán)值和：

forj＝1,2,...,k，判斷各類中分類正確的樣本權(quán)值和是否大于分到其他各類的樣本的權(quán)值和：若滿足，則進(jìn)行下一次循環(huán)，若不滿足，則返回步驟2.1重新開(kāi)始計(jì)算；

步驟3計(jì)算ht的偽錯(cuò)誤率并重置表示第t輪弱分類器在最終分類器中的權(quán)重；

步驟4計(jì)算新的權(quán)重向量并歸一化；

步驟5最終強(qiáng)分類器為：

所述s5將振動(dòng)測(cè)試數(shù)據(jù)依次雙樹(shù)復(fù)小波分解、降噪、重構(gòu)，采集每層能量作為特征向量，輸入到samme.z算法構(gòu)建的集成多分類器，軸系故障被劃分為不同的類別。

本發(fā)明提出一種基于雙樹(shù)復(fù)小波與adaboost的軸系故障識(shí)別方法。軸系振動(dòng)信號(hào)具有非平穩(wěn)、非高斯、非線性的特點(diǎn)，常用軸系故障識(shí)別方法如離散小波變換下抽樣操作會(huì)帶來(lái)較大的頻率混疊、缺乏平移不變性，使用包絡(luò)譜分析需要人工分析確定故障頻率卻無(wú)法程序自動(dòng)識(shí)別，同時(shí)軸系故障數(shù)據(jù)常常屬非均衡數(shù)據(jù)分類，各種故障類別數(shù)據(jù)不均衡。針對(duì)這些問(wèn)題，一方面使用雙樹(shù)復(fù)小波變換，消除頻率混疊、提高信噪比、降低冗余度和計(jì)算量；另一方面使用adaboost集成學(xué)習(xí)更適合不均衡分類。提取的時(shí)域特征能量可以量化計(jì)算可以編程實(shí)現(xiàn)。adaboost分類對(duì)噪聲十分敏感，使用自適應(yīng)閾值降噪提高信噪比。在使用adaboost方法進(jìn)行多分類時(shí)，提出samme.z算法，samme.z算法是在samme.r算法基礎(chǔ)上改變了權(quán)重參數(shù)αt的計(jì)算方法，將權(quán)重參數(shù)αt改進(jìn)為該改進(jìn)符合k＝2以及εt＝1/k時(shí)權(quán)重參數(shù)αt的連續(xù)性，同時(shí)在分類后期αt接近于1時(shí)對(duì)的影響忽略不計(jì)，更加貼近adaboost原始αt的設(shè)置，進(jìn)而提高分類器分類精度。實(shí)驗(yàn)證明，本發(fā)明提供的軸承故障識(shí)別方法能夠?qū)崿F(xiàn)故障自動(dòng)識(shí)別，具有良好的模式可分性，計(jì)算量低，效率高，對(duì)工業(yè)現(xiàn)場(chǎng)軸系運(yùn)行狀態(tài)監(jiān)控有良好的指導(dǎo)作用。

附圖說(shuō)明

圖1軸系故障識(shí)別流程圖；

圖2雙樹(shù)復(fù)小波分解重構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明采用的技術(shù)方案做進(jìn)一步說(shuō)明。

如圖1軸系故障識(shí)別流程圖所示，一種基于雙樹(shù)復(fù)小波與adaboost的軸系故障識(shí)別方法，包括s1～s5五個(gè)步驟。

s1：使用工業(yè)現(xiàn)場(chǎng)安裝在電機(jī)軸承支撐架上的加速度傳感器，分別獲取水平、豎直、軸向的振動(dòng)加速度數(shù)據(jù)，對(duì)振動(dòng)加速度數(shù)據(jù)一次積分獲得振動(dòng)速度數(shù)據(jù)，取三個(gè)方向的振動(dòng)速度數(shù)據(jù)作為軸系振動(dòng)表征。

s2：對(duì)三個(gè)方向振動(dòng)信號(hào)分別使用雙樹(shù)復(fù)小波分解，采用q-shift雙樹(shù)濾波器對(duì)振動(dòng)信號(hào)4層分解得到不同頻段的分量，使用stein無(wú)偏似然估計(jì)閾值對(duì)分解信號(hào)自適應(yīng)閾值降噪，提高信噪比。

雙樹(shù)復(fù)小波變換采用兩個(gè)并行的實(shí)小波變換來(lái)實(shí)現(xiàn)信號(hào)的分解和重構(gòu)，分別稱為實(shí)部樹(shù)和虛部樹(shù)，dt-cwt的分解與重構(gòu)過(guò)程如圖2所示。在信號(hào)的分解與重構(gòu)過(guò)程中，始終保持虛部樹(shù)的采樣位置位于實(shí)部樹(shù)的中間，使雙樹(shù)復(fù)小波變換能有效綜合利用實(shí)部樹(shù)和虛部樹(shù)的小波分解系數(shù)，從而實(shí)現(xiàn)實(shí)部樹(shù)和虛部樹(shù)的信息互補(bǔ)。

對(duì)振動(dòng)信號(hào)進(jìn)行雙樹(shù)復(fù)小波分解與重構(gòu)，采用q-shift雙樹(shù)濾波器，使雙樹(shù)復(fù)小波變換具有近似平移不變性，并減少了有用信息的丟失，在雙樹(shù)復(fù)小波變換的第一層分解中，采用(13,19)階近似對(duì)稱的正交濾波器組h0＝[-0.0018,0,0.0223,-0.0469,-0.0482,0.2969,0.5555,0.2969,-0.0482,-0.0469,0.0223,0,-0.0018]，g0＝[0.0000706,0,0.0013,-0.0019,0.0072,0.0239,-0.0556,-0.0517,0.2998,0.5594,0.2998,-0.0517,-0.0556,0.0239,0.0072,-0.0019,-0.0013,0,0.0000706]，從第二層開(kāi)始，以后各層都采用14階濾波器組h0＝[0.0033,-0.0039,0.0347,-0.0389,-0.1172,0.2753,0.7561,0.5688,0.0119,-0.1067,0.0238,0.0170,-0.0054,-0.0046]，g0＝[-0.0046,-0.0054,0.0170,0.0238,-0.1067,0.0119,0.5688,0.7561,0.2753,-0.1172,-0.0389,0.0347,-0.0039,0.0033]。

使用stein無(wú)偏似然估計(jì)閾值對(duì)分解信號(hào)自適應(yīng)閾值降噪，基于均方差無(wú)偏自適應(yīng)閾值估計(jì)，計(jì)算時(shí)先將小波系數(shù)的平方由小到大排列s1≤s2≤...≤sl，構(gòu)成向量s＝[s1,s2,...,sl]，其中l(wèi)為小波系數(shù)的個(gè)數(shù)，再計(jì)算各系數(shù)的風(fēng)險(xiǎn)系數(shù)i＝1,2,...,l，l個(gè)風(fēng)險(xiǎn)系數(shù)構(gòu)成風(fēng)險(xiǎn)向量r＝[r1,r2,...,rl]，以r中最小元素rb作為風(fēng)險(xiǎn)值，在s中按對(duì)應(yīng)順序?qū)ふ蚁禂?shù)平方sb，計(jì)算閾值σ為信號(hào)噪聲標(biāo)準(zhǔn)差，使用軟閾值處理得到新的小波系數(shù)：

式中sgn()為符號(hào)函數(shù)，wj,l為原始小波系數(shù)，j為小波分解層數(shù)，l為層數(shù)，t為閾值，小于閾值的系數(shù)置零，其余系數(shù)變?yōu)樾〔ㄏ禂?shù)絕對(duì)值與閾值的差，并保持符號(hào)不變。

s3：對(duì)降噪后的信號(hào)進(jìn)行雙樹(shù)復(fù)小波重構(gòu)，獲取每層信號(hào)的能量，并進(jìn)行能量歸一化，作為軸系故障識(shí)別特征向量。

獲取水平方向每層信號(hào)的能量ex1,ex2,ex3,ex4,ex5，并進(jìn)行能量歸一化保證各層能量值在[0,1]，得到能量向量ex'＝[ex1',ex2',ex3',ex4',ex5']^t，同理得到豎直方向與軸向的能量向量分別為ey'與ez'，將三個(gè)方向能量向量組合得到軸系故障診斷特征向量x＝[ex',ey',ez']。

s4：振動(dòng)故障識(shí)別是一種不均衡數(shù)據(jù)分類，提出adaboost改進(jìn)多分類算法samme.z以構(gòu)建集成學(xué)習(xí)多分類器，多分類器以單層決策樹(shù)作為弱分類器，以各層歸一化能量作為輸入，使用已有的樣本訓(xùn)練分類器。

samme.z算法具體陳述如下文。samme.z算法是在samme.r算法基礎(chǔ)上改變了權(quán)重參數(shù)αt的計(jì)算方法，將權(quán)重參數(shù)αt改進(jìn)為該改進(jìn)符合k＝2以及εt＝1/k時(shí)權(quán)重參數(shù)αt的連續(xù)性，同時(shí)在分類后期αt接近于1時(shí)對(duì)的影響忽略不計(jì)，更加貼近adaboost原始αt的設(shè)置，進(jìn)而提高分類器分類精度。samme.z算法具體描述為，假設(shè)m個(gè)樣本序列{(x1,y1),(x2,y2),...,(xm,ym)}，其中yi為類別，且yi∈y＝{1,2,...,k}，弱分類器ht(x)，弱分類器ht(x)，在第p類樣本的分類中，分到各類的概率為{p1,p2,...,pk}，若有a＝p，則要求若不滿足此條件，則重新訓(xùn)練ht(x)，直到訓(xùn)練處的弱分類器ht(x)滿足上述條件，在此基礎(chǔ)上的samme.z算法流程如下：

步驟1初始化權(quán)值其中表示第1輪迭代第i個(gè)樣本權(quán)值；

步驟2fort＝1,2,...,t，執(zhí)行步驟2.1、2.2；

步驟2.1按照權(quán)值w^t，選擇訓(xùn)練樣本，對(duì)樣本進(jìn)行分類識(shí)別，ht:x→y；

步驟2.2fork＝1,2,...,k，循環(huán)計(jì)算各類中，分到各類樣本的權(quán)值和：

forj＝1,2,...,k，判斷各類中分類正確的樣本權(quán)值和是否大于分到其他各類的樣本的權(quán)值和：若滿足，則進(jìn)行下一次循環(huán)，若不滿足，則返回步驟2.1重新開(kāi)始計(jì)算；

步驟3計(jì)算ht的偽錯(cuò)誤率并重置表示第t輪弱分類器在最終分類器中的權(quán)重；

步驟4計(jì)算新的權(quán)重向量并歸一化；

步驟5最終強(qiáng)分類器為：

s5：使用已訓(xùn)練的samme.z多分類器對(duì)振動(dòng)信號(hào)進(jìn)行故障識(shí)別，軸系故障被劃分為不同的類別。

采用的加速度傳感器采樣頻率2560hz，最高有效分析頻率為1000hz，編程設(shè)定采樣點(diǎn)數(shù)1000點(diǎn)。

對(duì)加速度數(shù)據(jù)一次積分得到速度數(shù)據(jù)，不直接采用加速度值是因?yàn)榇笮碗姍C(jī)轉(zhuǎn)速小于3600r/min，屬于中低速運(yùn)行，加速度值過(guò)小，效果不明顯；另一方面，國(guó)家標(biāo)準(zhǔn)和國(guó)際標(biāo)準(zhǔn)與電機(jī)振動(dòng)的相關(guān)規(guī)定一般采用的振動(dòng)速度，標(biāo)準(zhǔn)統(tǒng)一。

將軸系故障狀態(tài)劃分為5種，分別為正常狀態(tài)、外環(huán)故障、內(nèi)環(huán)故障、滾動(dòng)體故障、軸故障。其中內(nèi)環(huán)故障、外環(huán)故障、滾動(dòng)體故障三者均為軸承故障，工業(yè)現(xiàn)場(chǎng)經(jīng)驗(yàn)發(fā)現(xiàn)除了軸承故障，電機(jī)的軸也會(huì)彎曲、磨損等故障，本發(fā)明將軸故障加入分析。因?yàn)檫@些故障信號(hào)都能通過(guò)安裝在同一位置的加速度傳感器檢測(cè)到。

本發(fā)明中采用雙樹(shù)復(fù)小波4層分解，1000hz采樣頻率4層分解后其每層中心頻率大致在500hz、250hz、125hz、62.5hz、<62.5hz，而滾動(dòng)體故障、外環(huán)故障、內(nèi)環(huán)故障的故障頻率常分布在100hz以內(nèi)，四層分解相比較三層分解能大大提高密集在100hz頻率內(nèi)的信息量。

實(shí)驗(yàn)證明本發(fā)明提供的基于雙樹(shù)復(fù)小波與adaboost的軸系故障識(shí)別方法在處理軸系故障時(shí)具有良好的模式可分性，計(jì)算量低，效率高，對(duì)工業(yè)現(xiàn)場(chǎng)軸系運(yùn)行狀態(tài)監(jiān)控有良好的指導(dǎo)作用。

以上所述,僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。