一种基于ceemd与图像纹理特征的旋转机械智能故障诊断方法
【技术领域】
[0001] 本发明设及数据驱动的旋转机械智能故障诊断技术领域，具体是一种基于CEEMD 与图像纹理特征的旋转机械智能故障诊断方法。
【背景技术】
[0002] 旋转机械应用相当广泛，并在国家各种生产建设领域中扮演重要角色，如大型的 风力发电机、大型燃气轮机等，旋转机械一旦出现故障，即可引发链式反应，影响整个设备 的运行，造成严重后果，因此对于旋转机械的故障诊断技术研究具有十分重要的意义。
[0003] 国外对于机械故障诊断的研究开始较早。美国宇航局在二十世纪六十年代末成立 了机械故障预防小组(MFPG)，从事相关研究。英国在二十世纪屯十年代成立了机械健康监 测中屯、，积极从事设备故障诊断技术的开发工作。法国贡匹爱涅大学的J. Antoni和澳大 利亚新威尔±大学的R. B. Randall提出了谱峭度的概念并将其应用于机械故障诊断。
[0004] 国内对于机械设备故障诊断的研究起步较晚，但是也有很多研究成果和实际应 用。建国W来，我国故障诊断技术主要经历了从依靠经验和简单仪表排除故障到依靠复杂 测试仪器、信号分析理论为基础的现代故障诊断技术，再发展到现在的信号处理、模型分析 与知识处理等多学科交叉的故障诊断技术=个阶段。华中科技大学的杨叔子和史铁林等在 机械故障诊断技术的研究方面取得了显著的成果。东北大学的闻邦椿提出了 "振动利用工 程"的概念。西安交通大学的屈梁生、何正嘉和林京等长期从事机械故障诊断问题的研究， 提出了全息谱的概念。
[0005] 针对旋转机械故障诊断的研究未来的主要发展方向是基于数据驱动的智能故障 诊断方法，采用机械设备的故障振动信号作为输入信息，进行分析处理从而对设备进行故 障诊断，判别机械故障的类型位置或者故障的程度，运种方法的优点是避免了拆卸或完全 拆卸大卸设备造成的不便，同时基于机器学习的智能故障诊断模式也极大地提高故障诊断 的准确性和便捷性。一般机械设备智能故障诊断的关键技术主要包括信号采集与预处理、 故障特征提取和最终的模式分类过程=方面。其中大型旋转机械的工作环境复杂多变，故 障振动信号中都包含噪声影响，对于故障振动信号的降噪处理W及故障特征提取成为故障 诊断的关键问题。
[0006] 多种信号降噪处理方法中，W小波阀值方法应用最为广泛，但是需要进行适当的 阀值操作，实际操作过程中还是会损害信号的有效成分。另外EMD(经验模态分解， 血pirical Mode Decomposition)方法不需要任何信号和噪声的先验信息，近年来也有很 广泛的应用，但EMD也存在诸多不足之处，例如模态混叠问题会很大程度上影响降噪效果。
[0007] 对于故障特征提取过程最为经典的技术方法就是短时傅立叶变换，但其缺点在于 缺乏信号局部性信息，只适合线性平稳信号的分析。为了提取更加敏感表征能力更强的故 障特征，将时频分析技术引入到智能故障特征提取研究中来。Frei于2006年提出了本征时 间尺度分解方法是一种新的时频分析方法，具有自适应性但也存在端点效应、模态混叠等 问题，还需要进一步研究。另外，胖￥0(￥1旨]1日1-￥；[116(113付化111：；[0]1)时频分布具有很高的时 频分辨率，被广泛引入到旋转机械智能故障诊断中来，但存在交叉项的问题。而SPWVD具有 运算效率高，去除交叉项能力强等一系列优点。
[0008] 综上，为了更好的进行旋转机械智能故障诊断，首先要进行振动信号降噪处理，同 时保证信号边缘信息不受大的影响。其次，选取合适的信号处理方法分析处理振动信号，获 取振动信号故障特征，提高故障特征对于机械故障的敏感度表征能力也是旋转机械智能故 障诊断中亟待解决的问题。
[0009]
【发明内容】
： 本发明的目的在于提供一种基于CEEMD与图像纹理特征的旋转机械智能故障诊断方 法，针对现有技术中的EMD与小波阀值降噪方法与故障特征提取技术的不足，改进旋转机械 智能故障振动信号降噪技术和故障特征提取技术，提高旋转机械智能故障诊断的实用性和 有效险。
[0010] 为实现上述目的，本发明提供如下技术方案： 一种基于CEEMD与图像纹理特征的旋转机械智能故障诊断方法，包括W下步骤： 步骤一、信号采集和降噪处理 采用加速度传感器，并将其安装在旋转机械外壳上，确定信号传输路径、采样频率和采 样起始时间，分别采集旋转机械不同故障状态或者程度下的故障振动信号;基于CEEMD结合 小波阀值的降噪方法对采集到的故障振动信号进行降噪处理，然后将运些数据分为训练数 据组与测试数据组； 步骤二、故障振动信号的故障特征提取 对训练数据组与测试数据组中的数据分别进行时频分析提取SPWVD时频分布图，并且 从中提取图像纹理特征，并且从中择优组成故障特征集； 步骤S、采用训练数据组得到的故障特征集对SVM分类器的惩罚参数C和核函数g进行 寻优，确定最佳的参数值，使用最佳的参数值获得最优的SVM分类器，建立故障诊断模型； 步骤四、采用测试数据组作为故障诊断模型的输入值，进行故障诊断测试得到分类结 果和精度。
[0011] 作为本发明进一步的方案:步骤一中的CEEMD结合小波阀值的降噪方法是指对于 两种振动信号降噪方法的结合运用，即对CEEMD与小波阀值两种降噪方法的结合，减轻了 EMD分解方法的模式混叠现象，相对于邸MD分解方法提高了运行效率并且在很好的完成降 噪后还保证了信号的有效部分不受到损害，即可W有效去除噪声影响，同时又保证了信号 的完整性。
[0012] 步骤一中的具体步骤为： 1)首先将故障振动信号进行CEEMD分解获得IMF分量和剩余分量； 2 )然后对步骤1)中得到的IMF分量中高频分量分别进行小波阀值估计，选定适当的小 波阀值； 3) 使用步骤2)中获得的小波阀值分别对高频的IMF分量进行降噪处理； 4) 然后与剩余分量完成信号重组，得到降噪后的信号，并按一定比例分为训练数据组 和测试数据组。
[0013] 作为本发明进一步的方案：步骤二中，故障振动信号的故障特征提取过程是结合 SPWVD时频分析与图像纹理特征分析技术的故障特征提取技术，避免了 WVD分布的交叉项问 题且提取的故障特征对应相应的故障具有很好的敏感性，具体的的步骤为： 1)对步骤一中获得的降噪后的信号进行时频分析分别获取SPWVD时频分布图； 2 )对步骤1)收集到的SPWVD时频分布图进行灰度化，将SPWVD时频分布图转化为256灰 度级图像； 3) 对步骤2)中获得的SPWVD时频分布图的灰度图进行图像纹理特征提取，具体包括:灰 度-梯度共生矩阵纹理特征、灰度共生矩阵纹理特征和灰度直方图纹理特征共19个图像纹 理特征； 4) 根据步骤3)中获得的19个图像纹理特征对于相应的故障类型的表征能力进行筛选， 选出表征能力最强的故障特征组成故障特征集。
[0014] 作为本发明进一步的方案:步骤二中SPWVD时频分布图计算式如下：
(1) 其中Z (t)为故障振动信号的希尔伯特变换，SPWVD时频分布在WVD分布中加入两个实的 偶窗函数g(U)、h(T)，其中g(u)为时域平滑窗，h(T)为频域平滑窗，得到振动信号的SPWVD分 布，相对WVD分布可W更好的削弱相干项的影响的作用，运算效率更高，可W很好地去除交 叉项。
[0015] 与现有技术相比，本发明的有益效果是： 本发明通过通过引入EMD方法的最新研究进展(EEMD方法结合小波阀值降噪方法对振 动信号进行降噪处理，既避免了对于信号有效部分的大量损害，有高效的去除了噪声的影 响，同时极大减弱了EMD方法分解信号时模式混叠现象对于信号降噪处理的影响，同时相对 于邸MD方法也提高了运算效率。在提取故障特征时相对于传统时频域故障特征，本发明引 入了图像纹理特征分析方法，借助图像纹理对于信号细微变化的反映提取对于故障更加敏 感的时频图纹理故障特征参量作为故障特征。并且采用SPWVD时频计算方法对信号进行图 像提取，减轻了端点效应的影响。最终提取的故障特征对于不同故障状态或者故障程度的 诊断能力更强，对微弱故障更加的敏感。基于两种关键技术改进的旋转机械智能故障诊断 方法相对于传统机械故障诊断方法更加高效准确。
【附图说明】
[0016] 图1为本发明所述基于C邸MD与图像纹理特征的旋转机械智能故障诊断方法的流 程图。
[0017] 图2为故障振动信号降噪流程图。
[001引图3为滚动轴承四种故障状态振动信号幅值图。
[0019]图4为滚动轴承外圈故障振动信号CEEMD分解IMF示意图。
[0020]图5为滚动轴承四种故障状态振动信号降噪效果图。
[0021 ]图6为故障振动信号特征提取流程图图。
[0022] 图7为故障振动信号去噪前SPWVD时频分布图。
[0023] 图8为故障振动信号去噪后SPWVD时频分布图。
[0024] 图9为故障振动信号图像纹理特征参量选择图。