一种小波包频域信号流形学习故障诊断方法
【专利摘要】本发明涉及一种小波包频域信号流形学习故障诊断方法，其步骤：采集旋转机械设备上的振动数据，将采集的振动数据进行N层小波包分解，生成2N个分量时域信号；对分解产生的各分量时域信号进行希尔伯特包络解调处理后，提取调制信号；对解调信号进行FIR滤波处理；以低采样频率对各分量时域信号进行重采样降低数据长度；对各分层重采样数据进行自相关计算并归一化形成自相关系数；对各分量归一化后的自相关系数值计算功率谱，采用设定阈值对功率谱数据进行阈值处理，将经过阈值处理后的功率谱数据形成高维数据向量；对高维数据向量进行降维处理，将各分量功率谱数据组合形成L×2N维矩阵，最终形成2维或3维流形，通过流形结果判断旋转机械设备的故障状态。
【专利说明】
一种小波包频域信号流形学习故障诊断方法
技术领域
[0001]本发明涉及一种机械设备故障诊断方法，特别是关于一种旋转机械设备的小波包频域信号流形学习故障诊断方法。
【背景技术】
[0002]对旋转机械的关键部位采集振动信号，通从振动信号中提取与故障相关的敏感特征并进行分析是目前主要的旋转机械故障诊断方法。对振动信号进行消噪提纯预处理后，只提取单一特征信息往往难以有效判断设备的故障状态。采用多种特征提取方法获取多项特征并综合运用能够更准确的判断设备状态，但特征信息的增加致使信息维数大量增加，给工程应用带来困难。由多种特征参数构成的高维特征向量的结构不同，其的对应的故障状态不同，采用流形学习方法可以将高维数据的内部结构可视化的表达出来，直观的区分故障状态。流形学习算法(Manifold Learning)是一种非线性机器学习算法，能够根据高维数据的内在规律或空间几何结构将高维空间数据映射至低维空间表示，以二维或三维流形分布形式将高维空间中数据之间的相似度或距离可视化的表示出来。现在研究较多的流形学习算法主要有主成分分析(PCA)算法、局部线性嵌入(LLE)算法、等距映射(Isomap)算法、局部切空间排列算法(LTSA)等，这些流形学习算法在机械故障诊断领域已有很多应用，但这些算法在机械故障诊断应用中多数存在非线性数据拥挤，低维流形表达不够清晰等问题。
【发明内容】
[0003]针对上述问题，本发明的目的是提供一种小波包频域信号流形学习故障诊断方法，该方法能有效降低数据长度，使不同的故障状态形成2维或3为图形，处理后的结果更加规则和清晰。
[0004]为实现上述目的，本发明采取以下技术方案:一种小波包频域信号流形学习故障诊断方法，其特征在于，该方法包括以下步骤:I)采集旋转机械设备上的振动数据，将采集的振动数据进行N层小波包分解，生成2N个分量时域信号;2)对分解产生的各分量时域信号进行希尔伯特包络解调处理后，提取各分量时域信号中的调制信号;3)对解调信号进行FIR滤波处理以消除分量中的高频噪声；以低采样频率对各分量时域信号进行重采样降低数据长度;4)对各分层重采样数据进行自相关计算并归一化形成自相关系数;5)对各分量归一化后的自相关系数值计算功率谱，采用设定阈值对功率谱数据进行阈值处理，将经过阈值处理后的功率谱数据形成高维数据向量;6)采用t-SNE流形学习算法对高维数据向量进行降维处理，将各分量功率谱数据组合形成LX2%i矩阵，L为分量信号重采样后的数据长度；最终形成2维或3维流形，通过流形结果判断旋转机械设备的故障状态。
[0005]所述阈值处理为:保留大于设定阈值的功率谱数据，小于设定阈值的谱线设置为零。
[0006]所述高频噪声为0.5倍载波信号频率以上的频率成分。
[0007]所述低采样频率为0.5倍载波信号频率。
[0008]对各层重采样信号进行自相关计算并归一化，使最大值为I，归一化后的数据向量称为自相关系数向量。
[0009]本发明由于采取以上技术方案，其具有以下优点:本发明以t分布的随机近邻嵌入算法(t-SNE)为基础，采用小波包对采集的振动信号进行多层分解，然后对分解后的各层数据分别采用希尔伯特变换进行解调处理，进一步采用FIR滤波器消除高频噪声、通过低频重采样保留低频信号，降低数据长度，将处理后的各分层数据构造形成高维数据向量，采用流形学习算法对高维向量进行降维处理，最终形成2维或3为图形，不同的故障形式，其流形结果不同，藉此用于判断设备的故障状态。
【附图说明】
[00?0]图1是本发明的整体流程不意图；
[0011]图2是采用PCA方法降维处理后不平衡故障对应的2维流形示意图；
[0012]图3是采用PCA方法降维处理后碰磨故障对应的2维流形示意图；
[0013]图4是采用PCA方法降维处理后基础松动对应的2维流形示意图；
[0014]图5是采用PCA方法降维处理后正常状态对应的2维流形示意图；
[0015]图6是本发明的t-SNE方法降维处理后不平衡故障对应的2维流形示意图；
[0016]图7是本发明的t-SNE方法降维处理后碰磨故障对应的2维流形示意图；
[0017]图8是本发明的t-SNE方法降维处理后基础松动对应的2维流形示意图；
[0018]图9是本发明的t-SNE方法降维处理后正常状态对应的2维流形示意图。
【具体实施方式】
[0019]下面结合附图和实施例对本发明进行详细的描述。
[0020]由于机器设备的振动信号是对设备运行状态进行诊断分析主要采用的信号，振动信号中所蕴含的很多特征信息与机器的运行状态相关，但是单独提取振动信号的一种特征信息很难有效的判断设备的运行状态。如图1所示，本发明提供一种小波包频域信号流形学习故障诊断方法，该方法是对由机器设备特定部位采集获得的振动数据通过小波包分解生成多层细节数据，由这些分层数据构成高维数据向量，不同层的数据中其蕴含的低频到高频的特征信息不同，不同的故障特征在不同分层中的频率成分分布不同，因此对不同的故障状态，所生成的高维数据之间的内部结构也会不同，最终通过流形学习降维处理后的二维可视化图形形状与故障状态形成映射关系。采用小波包分解后，从空间的角度观察，将原来I维数据分解为代表不同频率分量的高维数据，对与分解后的高维数据采用的特征提取方法，最终采用流形学习降维处理后的可视化图形也会不同。采用小波包将采集获得的振动信号分解为多层数据，采用希尔伯特变换进行包络解调获得低频的代表故障状态的调制信号成分，进一步采用FIR滤波器消除高频噪声、通过低频重采样保留低频信号，降低数据长度，将处理后的各分层数据进行自相关运算并归一化形成自相关系数，对各层自相关系数数据计算功率谱后按一定的阈值进行筛选处理，对大于阈值的数据保留，小于阈值的数据设置为零代替，对经过上述处理的分层数据构造形成高维数据向量，不同的故障状态，其在各分层数据中的频率成分包含的成分不同，通过流形学习算法对高维向量进行降维处理，最终形成2维或3维流形，不同的故障形式，其流形结果不同，藉此用于判断设备的故障状态。其具体步骤如下:
[0021 ] I)采集旋转机械设备上的振动数据，将采集的振动数据进行N层小波包分解，生成2N个分量时域信号；
[0022]2)对分解产生的各分量时域信号进行希尔伯特包络解调处理后，提取各分量时域信号中的调制信号；
[0023]3)对解调信号进行FIR滤波处理以消除分量中的高频噪声；以低采样频率对各分量时域信号进行数字重采样降低数据长度以提高计算速度；
[0024]其中，高频噪声是指0.5倍载波信号频率以上的频率成分;低采样频率是指0.5倍载波信号频率，载波信号频率是采样时，齿轮的拟合频率。
[0025]4)对各分层重采样数据进行自相关计算并归一化形成自相关系数向量，即向量中最大值为I;各分层重采样数据是指以低采样频率进行数字重采样后获得的信号；
[0026]其中，对各层重采样信号进行自相关计算并归一化，使最大值为I，归一化后的数据向量称为自相关系数向量。
[0027]5)对各分量归一化后的自相关系数值计算功率谱，采用设定阈值对功率谱数据进行阈值处理，保留大于设定阈值的功率谱数据，小于设定阈值的谱线设置为零，将经过阈值处理后的功率谱数据形成高维数据向量;通过阈值处理消除影响非常小的谱线数据以提高计算速度及减小干扰；
[0028]6)采用t-SNE流形学习算法对高维数据向量进行降维处理，将各分量功率谱数据组合形成LX 2N维矩阵，L为分量信号重采样后的数据长度;最终形成2维或3维流形;不同的故障形式，其在各分层数据中的频率成分包含的成分不同，其流形结果不同，进而通过流形结果判断旋转机械设备的故障状态。
[0029]实施例:为了验证基于小波包分解频域特征生成高维数据方法的有效性，对在本特利RK4转子实验台上采集的正常状态、转子不平衡故障、碰磨故障以及基础松动故障数据，分别基于该方法生成高维数据矩阵并采用PCA及t-SNE流形学习算法进行验证，每种故障状态的数据长度为40960点。对4中状态的振动数据分别采用‘ dbl’小波进行4层小波包分解为16个分量数据，对各分量数据进行希尔伯特包络解调，对解调后数据按原采样频率的1/8频率进行FIR数字低通滤波，滤波后数据按原采样频率的1/4频率重采样，计算重采样数据的自相关函数并归一化形成自相关系数数据，对自相关系数数据计算其功率谱，将自相关系数功率谱数据采用阈值0.01进行筛选处理，最终组合生成640 X 16维频域特征数据。
[0030]首先采用PCA算法对构造形成的640 X 16维数据进行降维处理，生成2维可视化数据，4种不同的故障状态对应的降维处理结果分别如图2、图3、图4、图5所示。从4种状态降维处理后的流形图看出，PCA算法结果的数据出现了拥挤，形状特点不明显，用于故障诊断的效果要差一些。
[0031]采用t-SNE算法对640X16维数据进行降维处理，生成2维可视化数据，4中不同的故障状态对应的处理结果如图6、图7、图8、图9所示，从4种降维处理后的流形图看出，采用t-SNE降维处理生成的二维图形为椭圆形与弧线形的组合，不同的故障状态对应的椭圆形与弧线形也有很大区别，能够从二维流形图的形状判断设备故障状态，说明采用小波包分解频域特征构造高维数据及t-SNE算法能够较好的运用于设备的故障诊断。
[0032]综上所述，本发明通过采用小波包分解、希尔伯特变换包络解调、FIR滤波、低频重采样、计算自相关系数功率谱获得分层数据构造代表故障状态结构特征的高维数据向量，然后采用t-SNE流形学习算法将高维数据进行降维处理形成2维低维流形，通过不同的流形结构形式来判断机器设备的故障状态，形成机器设备的故障辨识。该方法进一步可以采用多个机器敏感特征部位的振动信号分别进行小波包分解，统一构造形成高维数据，采用该信号预处理及降维方法获得低维流形，用于辨识机器设备的故障状态。
[0033]上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行的改进和等同变换，均不应排除在本发明的保护范围之外。
【主权项】
1.一种小波包频域信号流形学习故障诊断方法，其特征在于，该方法包括以下步骤: 1)采集旋转机械设备上的振动数据，将采集的振动数据进行N层小波包分解，生成2N个分量时域信号； 2)对分解产生的各分量时域信号进行希尔伯特包络解调处理后，提取各分量时域信号中的调制信号； 3)对解调信号进行FIR滤波处理以消除分量中的高频噪声；以低采样频率对各分量时域信号进行重采样降低数据长度； 4)对各分层重采样数据进行自相关计算并归一化形成自相关系数； 5)对各分量归一化后的自相关系数值计算功率谱，采用设定阈值对功率谱数据进行阈值处理，将经过阈值处理后的功率谱数据形成高维数据向量； 6)采用t-SNE流形学习算法对高维数据向量进行降维处理，将各分量功率谱数据组合形成L X 2N维矩阵，L为分量信号重采样后的数据长度;最终形成2维或3维流形，通过流形结果判断旋转机械设备的故障状态。2.如权利要求1所述的一种小波包频域信号流形学习故障诊断方法，其特征在于:所述阈值处理为:保留大于设定阈值的功率谱数据，小于设定阈值的谱线设置为零。3.如权利要求1所述的一种小波包频域信号流形学习故障诊断方法，其特征在于:所述高频噪声为0.5倍载波信号频率以上的频率成分。4.如权利要求1所述的一种小波包频域信号流形学习故障诊断方法，其特征在于:所述低采样频率为0.5倍载波信号频率。5.如权利要求1所述的一种小波包频域信号流形学习故障诊断方法，其特征在于:对各层重采样信号进行自相关计算并归一化，使最大值为I，归一化后的数据向量称为自相关系数向量。
【文档编号】G06K9/00GK105973584SQ201610436071
【公开日】2016年9月28日
【申请日】2016年6月17日
【发明人】谷玉海, 马超, 左云波
【申请人】北京信息科技大学