所述步骤S3中故障特征频率数据分为训练集和测试集。
[0037] 实施例1:
[0038] 为了验证提出的随机共振方法对低信噪比的离屯、机转子故障信号去除噪声的有 效性，仿真一个满足小参数要求的正弦信号（随机共振理论要求输入信号必须满足小参数 的要求，即信号幅值A<<1，噪声强度0<<1，信号频率f<<l)，此正弦信号为s(t)=Asin (231时t)，其中A = 0.3，f0 = 0.05,运个正弦信号模拟离屯、机输出的理想无噪声旋转信号。在 此正弦信号中加入零均值的高斯白噪声e(t)，噪声强度0 = 0.02,数据长度L取4096个点，采 样频率fs = 5Hz。模拟后的离屯、机转子含噪输出信号为虹口兀/;,〇 +別0 >该信 号的时域波形如图1所示，对ss(t)信号进行快速傅里叶变换(FFT)后得到的频域波形图如 图2所示，从图2可W看出，含噪信号直接进行FFT后频谱图在特征信号f = 0.01周围存在很 多与其等高W及超高的谱峰，特征频率不够突出，难W通过此频谱图找出特征信号，因此也 难W按照特征频率和伴生频率进行离屯、机转子故障诊断。
[0039] 由朗之万方程描述的双稳态系统模型为，^ = αχ-&:3 +>5哦)采用双稳态系统随机 di 共振处理前述模拟输入信号ss(t)得到的时域波形如图3所示，再对经随机共振处理后的时 域信号进行FFT得到频域波形如图4所示，在图4中可W看出明显的最高波峰，且其对应频率 f = 0.0127,十分接近实际特征信号频率f = 0.01，绝对误差为0.0027,相对误差为0.27,由 此可W证明随机共振对低信噪比的离屯、机输入信号具有优越的信号处理能力，能够W低误 差率分辨出含噪信号中的特征信号值。
[0040] 改变噪声强度为0 = 0.41，重复前述仿真实验，图5为含噪输入信号经参数自适应 随机共振处理后频域波形，在特征频率fo=0.0 mz处有明显谱峰;仿真实验各参数不变，改 用传统随机共振进行处理，此时双稳态系统参数值为a = b = l，图6为含噪输入信号经传统 随机共振处理后频域波形，在特征频率f〇 = 〇.〇mz处无谱峰，通过多次实验得出结论:a = b =1的传统随机共振系统对含噪输入信号s(t)的处理效果受噪声强度影响较大，噪声强度 的变化直接影响提取特征频率的准确度。实际工程应用中离屯、机振动信号噪声来源复杂多 变，传统的随机共振系统不能满足要求。
[0041] 采样90组已确定故障类型的离屯、机转子故障信号并且分别进行随机共振处理W 及FFT变换，根据每组信号频率谱波形提取出在0.4~0.5f，If，2f，3f，〉4f五个频率范围数 据(其中f为工频频率），作为支持向量机样本，将每组频率数据和对应的故障类型标签值保 存到90X6矩阵，矩阵的第1列到第5列对应五个频率范围数值，第6列是故障类别标签值；
[0042] 用mapminmax函数对每组故障特征频率数据进行[0，1]归一化处理，每一种故障类 型提取15组样本作为训练集，其余3组样本作为测试集，即训练集有75组数据，测试集有15 组数据，数据如图7所示。
[0043] 将5种5￥]?类型(：-5￥(：，1111-5￥(：，〇116-。1日33 8￥]\1、393111〇11-5￥1?、1111-5￥1?和4种核函 数，线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的 支持向量机类型，对于惩罚因子C和g的取值采用粒子群算法进行参数寻优，通过对比各实 验结果，找出最佳的SVM模型和惩罚因子c、g取值，粒子群算法适应度曲线、c、g取值如图8所 /J、- 〇
[0044] 对测试集样本进行故障诊断，对比实际故障类型和诊断故障类型，测试集故障诊 断结果如图9所示，15组测试样本有一组诊断错误，准确率为93.3333%，通过提高训练样本 集数量可W提高故障诊断的准确率。
[0045] 需要说明的是，本发明将粒子群算法应用到双稳态系统参数a, b取值寻优问题中， W双稳态系统信噪比作为粒子群适应度函数，实现双稳态系统自适应随机共振。
[0046] 本发明相对于传统的离屯、机转子诊断方法采用随机共振对低信噪比的离屯、机输 入信号进行信号处理，能够W低误差率分辨出含噪信号中的特征信号值，具有优秀的信号 处理能力，提高故障诊断的准确率。
[0047] 本发明建立的参数自适应随机共振信号处理方法在离屯、机振动信号中的噪声强 度较低时对故障特征频率的捕捉效果优于传统随机共振，例如在噪声强度D为0.01时特征 频率谱峰值是传统随机共振谱峰值的3.9377倍。本发明对含噪输入信号处理效果受噪声强 度影响小，在不同噪声强度下对特征频率提取准确率均高于传统的固定参数a = b = l的随 机共振系统，更适合处理实际工程应用中复杂多变的离屯、机振动信号，本发明具有优秀的 信号处理能力，提高了离屯、机故障诊断的准确率，经仿真实验验证离屯、机故障诊断准确率 高达100%
[0048] 本W上实施例仅用W说明本发明的技术方案，而非对其限制；尽管参照前述实施 例对本发明进行了详细的说明，本领域的普通技术人员应当理解:其依然可W对前述各实 施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换;而运些修改或 者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
【主权项】
1. 一种基于参数自适应随机共振的离心机转子故障诊断方法，包括如下步骤： S1:采用粒子群算法实现双稳态系统模型参数a和b的自适应取值寻优。 S2:采样多组具有故障的离心机转子故障信号并且在上述双稳态系统下分别进行随机 共振处理以及快速傅里叶变换，根据每组信号频率谱波形提取出在0.4~0.5f，If，2f，3f，> 4f五个频率范围数据，建立离心机故障特征频率样本集，作为支持向量机的输入样本，其中 f为工频频率； S3:用mapminmax函数对每组故障特征频率数据进行[0，1 ]归一化处理； S4:将5种SVM类型C-SVC，nu-SVC，one-class SVM、spsi 1 ion-SVR、nu-SVR和4种核函数 线性核函数、多项式核函数、RBF核函数、s i gmo i d核函数采用交叉组合建立20种不同的支持 向量机类型，对于惩罚因子c和g的取值采用粒子群算法进行参数寻优，找出最佳的SVM模型 和惩罚因子c、g取值； S5:对测试集样本进行故障诊断。2. 如权利要求1所述的基于参数自适应随机共振的离心机转子故障诊断方法，其特征 在于，所述步骤S2中的随机共振处理采用双稳态系统模型进行随机共 ? 振处理。3. 如权利要求1所述的基于参数自适应随机共振的离心机转子故障诊断方法，其特征 在于，所述步骤S3中故障特征频率数据分为训练集和测试集。
【专利摘要】本发明涉及离心机转子故障诊断领域，具体涉及一种基于参数自适应随机共振的离心机转子故障诊断方法，包括如下步骤：采用粒子群算法实现双稳态系统模型参数a和b的自适应取值寻优；采样多组具有故障的离心机转子故障信号并且在上述双稳态系统下分别进行随机共振处理以及快速傅里叶变换；对每组故障特征频率数据进行归一化处理；将5种SVM类型和4种核函数采用交叉组合建立20种不同的支持向量机类型，对于惩罚因子c和g的取值采用粒子群算法进行参数寻优，找出最佳的SVM模型和惩罚因子c、g取值；对测试集样本进行故障诊断。本发明能够以低误差率分辨出含噪信号中的特征信号值，提高故障诊断的准确率。
【IPC分类】G01M13/00
【公开号】CN105628358
【申请号】CN201510999497
【发明人】张玉欣, 白晶
【申请人】北华大学
【公开日】2016年6月1日
【申请日】2015年12月28日