一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法
【技术领域】
[0001] 本发明涉及离心栗故障诊断和健康评估的技术领域，具体涉及一种基于小波能 量、流形降维和动态时间规整（dynamic time warping, DTW)的故障诊断与健康评估方法。
【背景技术】
[0002] 离心栗广泛应用于电力、石油化工、冶金、机械等工业部门，是影响系统正常运转 的关键部件。因此，对离心栗故障进行准确诊断，对离心栗健康状态进行有效评估，对于工 业设备的稳定运行有着重要意义。由于离心栗在旋转过程中会产生振动，而不同状态下产 生的振动信号强弱也不同，因此，基于振动信号的故障诊断和健康评估是目前广泛应用的 方法。在实际应用中，离心栗的常见故障主要集中在轴承或叶轮，除了单一故障状态还常有 混合故障状态存在，而可采集的振动信号往往具有很强的非线性非平稳特性，使得离心栗 故障诊断和健康评估更加困难。离心栗故障诊断和健康评估的过程主要包括故障特征提取 和故障或健康状态确定两方面。本发明方法旨在提取更具可分性的特征向量，以提高离心 栗故障诊断的准确性和健康评估的有效性。
[0003] 提取更具可分性故障特征的首要问题是如何处理非线性非平稳的轴承振动信号。 单一的时域或频域分析方法在这种情况下是不适用的。小波变换是一种时频分析方法，对 非线性非平稳的瞬态信号具有宽频响应的特点，在低频时，对频率的分辨率高而对时间的 分辨率低，而在高频时，对频率的分辨率低而对时间的分辨率高。这个特点与实际振动信号 低频时变化慢、高频时变化快的特点是一致的，因此小波变换对于振动信号的处理取得了 很好的效果。小波包分析，在小波变换的基础上，可以将信号进行更为细致的分析和重构， 对信号的低频和高频部分同时进行分解，比小波变换更有效地提取了信号的时频特征。因 此，本发明中选用小波包分析对原始振动信号进行分解，以获取有效的信号时频特征。因为 离心栗各种健康状态下的振动信号强度不同，经小波包分解后得到的各个频带对应的小波 分量的能量也会不同，因此，可以提取各小波分量的能量值组成故障特征向量。但是，由此 提取的特征向量往往是高维的，不能很有效地反映各故障状态特征间的差别，而且高维特 征直接作为后续故障分类或健康评估算法的输入向量会大大增加其复杂度，因此，对高维 特征进行降维很有必要。
[0004] 2000 年，Seung 和 Lee 在《Science》上发表了一篇题为 "The Manifold ways of perception"的论文，开启了流形学习的时代。从微分几何角度看，信号的有效部分往往分 布在高维空间中的低维流形上，获取低维流形上的信号特征可以更好地反映故障信息。流 形学习算法通过发现高维数据中的内在低维结构来实现对高维数据的降维。目前，流形学 习已经得到了深入而广泛的应用与研究，形成了很多经典的方法。其应用范围涉及到人脸 识别、视觉信息分析、手指静脉识别、模式识别等领域。本发明中对比了 6种非线性降维方 法的效果，包括核主成分分析（kernel principal component analysis，KPCA)方法、拉普 拉斯特征映射（Laplacian Eigenmaps，LE)方法、局部线性嵌入（local linear embedding， LLE)方法、基于Hessian的LLE方法（HLLE)、局部切空间排列（local tangent space alignment，LTSA)方法和线性局部切空间排列（linear local tangent space alignment， LLTSA)方法。本发明方法通过流形学习方法降维，将高维的小波能量特征向量降为更具可 分性、更简约稳定的特征向量。
[0005] 对于故障诊断与健康评估，关键是准确地度量测试数据与样本数据之间的相似 性。动态时间规整（dynamic time warping, DTW)方法提出于1978年，最初是为了解决语音 识别的问题。而后，作为一种模式匹配技术，DTW在很多其他领域得到了应用，如指纹验证、 行为识别、在线签名验证、数据挖掘、计算机视觉和计算机动画、过程监测和故障诊断等。与 其他模式匹配方法相比，DTW简单、容易，具有较好的实时能力。因此，本发明应用DTW方法 度量待测状态下的特征数据与各状态样本特征数据之间的相似性，从而确定当前的故障状 态或当前状态的健康度指标。
【发明内容】
[0006] 本发明要解决技术问题为：克服现有技术的不足，提供一种基于小波能量、流形降 维和动态时间规整的故障诊断与健康评估方法，用以提取更具可分性的故障特征向量，并 快速、准确地度量测试数据与训练数据之间的距离，从而确定当前的故障状态，评估当前状 态的健康度指标，实现离心栗典型故障的诊断及健康评估。
[0007] 本发明采用的技术方案为：一种基于小波能量、流形降维和动态时间规整的故障 诊断与健康评估方法，步骤如下：
[0008] 步骤（1)、应用小波包分析方法分解原始振动信号，得到若干个小波信号分量；
[0009] 步骤（2)、针对每一个小波信号分量，提取其小波能量值组成故障特征向量，通过 各种健康状态下的振动能量来反映故障信息；
[0010] 步骤（3)、针对以提取的高维小波能量特征向量，应用流形学习方法进行特征降 维，以获取更具可分性、更为简约稳定的故障特征向量；
[0011] 步骤（4)、基于提取的三维故障特征向量，应用DTW度量测试数据与训练数据之间 的相似性，从而确定或评估当前数据对应的故障或健康状态，从而实现故障诊断和健康评 估。
[0012] 进一步的，所述的步骤（1)具体为：应用小波包分析方法对离心栗非线性非平稳 的原始振动信号X (t)进行三层小波分解，获得8个小波信号分量。
[0013] 进一步的，所述的步骤（2)具体为：对每一个小波信号分量，提取小波能量值组成 故障特征向量，以反映各个故障状态的故障信息。过程如下：
[0014] 步骤（Al)、设原始振动信号为x(t)，经三层小波分解处理，x(t)被分解为8个小 波分量，从低频到高频可表示为（X1，X2, X3, X4, X5, X6, X7, Xs);
[0015] 步骤（A2)、对每一个小波分量X1，其对应的小波能量为
式中，i = 1，2, "·，8 ;k = 1，2, "·，Ν，Χι1?为重构信号X1离散点的幅值。由此，得到小波能量 组成的故障特征向量W = [Ε1，Ε2,…，E8]，向量W就是原始振动信号的一个故障特征向量。
[0016] 进一步的，所述的步骤（3)具体为：应用流形学习方法对已经提取到的高维小波 能量特征向量进行降维，以获取更具可分性、更简约稳定的故障特征向量。
[0017] 进一步的，所述的步骤（4)具体为：在提取的三维故障特征向量的基础上，应用 DTW方法计算测试数据与各样本数据之间的距离，进而判断当前数据的健康状态，从而实现 轴承的故障诊断和健康评估。过程如下：
[0018] 步骤（BI)、首先，对各种健康状态下的原始振动信号，进行小波包分解并提取小波 能量特征向量，在对高维特征向量进行降维，作为后续健康状态分类时的样本特征矩阵，设 共有k种健康状态的数据，则该样本特征矩阵V = [W1, W2，…，Wk]，其中W1为第i种健康状 态的特征向量；
[0019] 步骤（B2)、然后，对于任一待确定状态的振动信号，通过小波包分解信号，提取小 波能量特征向量并降维；
[0020] 步骤（B3)、应用DTW算法度量待确定状态的特征向量与样本特征矩阵中各个特征 向量的相似性，度量值越小，证明当前待确定的状态与该标签特征向量的状态越接近，从而 确定当前数据的健康状态。将正常状态下的特征值对应的健康度设为1，则可通过当前数据 与正常样本数据间的相似性程度度量当前状态的健康度。
[0021] 本发明与现有技术相比的优点在于：
[0022] (1)本发明针对离心栗工况条件复杂多变，采集的振动信号非线性强，单一故障与 混合故障并存，现有的离心栗故障诊断与健康评估方法不多，缺少整套方法的现状，提出了 一种离心栗故障诊断与健康评估的有效方法，提取了更具可分性、更简约稳定的故障特征， 从而改善了故障诊断与健康评估的效果。
[0023] (2)、本发明针对离心栗振动信号非线性非平稳非高斯的特点，应用小波包分析方 法将原始振动信号分解若干个小波分量，得到了原始信号的高低频分量；并提取每个小波 分量的小波能量值作为故障特征，通过各种健康状态下的振动能量有效地反映了故障信 息。
[0024] (3)本发明针对提取的高维小波能量特征向量，应用流形学习方法进行特征降维， 以获取更具可分性、更简约稳定的故障特征向量。
[0025] (4)本发明应用DTW度量测试数据与样本数据间的相似性，使故障状态匹配和健 康评估的过程更为简单，提高了运算