>【具体实施方式】
[0025]下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的 实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都 属于本发明保护的范围。
[00%] 实施例1 本发明实施例中，图1为本发明所述方法的流程示意图，如图1所示，所述的基于CEEMD 与图像纹理特征的旋转机械智能故障诊断方法归纳起来分为W下步骤:步骤一、信号采集 和降噪处理;步骤二、故障振动信号故障特征提取;步骤=、采用训练数据组得到的故障特 征集对SVM分类器参数C、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;步骤四、采用测试数据组中的数据作为输入值，采用前面得到的最优的SVM分类器 进行智能故障诊断测试得到分类结果和精度。
[0027]该实例采用输入数据来自于美国凯斯西储大学电气工程实验室的滚动轴承故障 模拟试验台，实验平台包括一个2马力的电机(左侧）ahp=746W)，一个转矩传感器（中间）， 一个功率计（右侧)和电子控制设备(没有显示）。被测试轴承支承电机轴。使用电火花加工 技术在轴承上布置了单点故障，故障直径分别为0.007、0.014、0.021、0.028、0.040英寸（1 英寸=2.54厘米）。实验中使用加速度传感器采集振动信号，通过使用磁性底座将传感器安 放在电机壳体上。振动信号是通过16通道的DA巧己录器采集的，并且后期在MATLAB环境中处 理，数字信号的采样频率为12000S/S，本实例选取其中四种故障状态下滚动轴承故障振动 信号作为输入信号，每种故障状态信号取150组数据，每组数据包含1024个数据点。
[00%]首先，对故障振动信号进行降噪处理： 首先对输入信号进行CEEMD分解，具体流程图如图2所示。输入信号幅值图如图3所示， 将信号分解为有高频到低频的IMF分量，分解的IMF分量示意图如图4所示，专业人员参考 EMD的分解效果可W发现模式混叠现象得到了很大削弱，且在试验过程中运算速度较邸MD 方法更加迅速。
[0029] 对带噪的主要高频IMF分量采用小波阔值降噪处理，首先分别获得适当的小波阀 值，然后分别进行降噪处理，获得降噪后的IMF数据，再同剩余IMF分量进行信号重构。小波 阔值降噪仅仅作用于高频IMF分量，而不是直接作用于整个信号，运在很大程度上克服了小 波阔值降噪的缺陷。同时，采用CEEMD方法进行信号的分解，从分解原理上极大地减轻了 EMD 端点效应与模式混叠的问题。降噪处理之后的重组信号如图5所示。将降噪后的数据分别分 为训练数据70组与测试数据80组。
[0030] 其次，对降噪后的训练数据组与测试数据组进行故障特征提取： 对训练数据组与测试数据组分别进行时频分析提取SPWVD时频分布图，先要进行灰度 化的处理，并且从中提取图像纹理特征，最大程度保证原始信号的故障信息得到保留，具体 流程图如图6所示。其中一组滚动轴承外圈点蚀故障信号降噪处理前后的SPWVD时频图分别 进行了灰度化处理，对比效果如图7、8所示，可W发现降噪处理后信号高频中含有的噪声分 量被去除，反映在SPWVD时频图中高频部分的显示消失了，而低频中的正常分量显示了出 来。将提取出来的特征参量进行表征能力对比，对比图如图9所示，选择其中最优秀的故障 特征参量组成最终的故障特征集。
[0031 ]再次，进行分类器参数寻优，建立最优故障诊断模型：SVM分类器对于小样本事件 的分类很有优势，运里选SVM分类器进行故障模式分类，采用训练数据组的故障特征作为输 入，对SVM分类器中的惩罚参数C和核函数g进行寻优，选择最优的参数为SVM分类器的参数， 基于前面介绍的改进的故障振动信号降噪与故障特征提取技术建立新的旋转机械智能故 障诊断模型。
[0032] 之后，进行故障诊断测试：W测试数据组的故障特征作为输入值，输入故障诊断模 型中进行故障诊断测试，寻优得到最优的惩罚参数C和核函数g分别为4.3145、32.2974,最 终的测试分类精度为99.375%，可W证明该实例应用本发明的故障诊断方法得到了较为理 想的分类结果，证明了本发明故障诊断方法得有效性。
[0033] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在 不背离本发明的精神或基本特征的情况下，能够W其他的具体形式实现本发明。因此，无论 从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权 利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有 变化囊括在本发明内。
[0034] 此外，应当理解，虽然本说明书按照实施方式加 W描述，但并非每个实施方式仅包 含一个独立的技术方案，说明书的运种叙述方式仅仅是为清楚起见，本领域技术人员应当 将说明书作为一个整体，各实施例中的技术方案也可W经适当组合，形成本领域技术人员 可W理解的其他实施方式。
【主权项】
1. 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，其特征在于，包括以 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，然后将这些数据分为训练数 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； 步骤三、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。2. 根据权利要求1所述的基于CEEMD与图像纹理特征的旋转机械智能故障诊断方法，其 特征在于，步骤一中的CEEMD结合小波阀值的降噪方法是CEEMD与小波阀值两种降噪方法的 结合;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MF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頂F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。3. 根据权利要求1所述的基于CEEMD与图像纹理特征的旋转机械智能故障诊断方法，其 特征在于，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，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。4. 根据权利要求1所述的基于CEEMD与图像纹理特征的旋转机械智能故障诊断方法，其 特征在于，步骤二中SPWVD时频分布图计算式如下：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。
【专利摘要】本发明公开了一种基于CEEMD与图像纹理特征的旋转机械智能故障诊断方法，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，然后将这些数据分为训练数据组与测试数据组；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，并且从中择优组成故障特征集；采用训练数据组得到的故障特征集对SVM分类器参数进行寻优，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；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。本发明在保持信号完整性的同时很好地完成了降噪处理，提取优越的故障特征，完成故障诊断过程。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105718961
【申请号】CN201610085890
【发明人】王亚萍, 王纬宇, 葛江华, 许迪, 匡宇麒
【申请人】哈尔滨理工大学
【公开日】2016年6月29日
【申请日】2016年2月15日