一种小波包时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时域信号流形学习故障诊断方法，其步骤：对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号；对解调信号采用FIR低通滤波器消除高频噪声，并以低采样频率对各分量信号进行重采样保留低频信号；对重采样信号进行自相关计算并归一化为自相关系数，将处理后的各分层数据构造形成高维数据向量；采用t?SNE流形学习算法对高维数据向量进行降维处理，形成L×2N维矩阵，最终形成2维或3维图形，对于机电设备不同的故障形式，其最终形成的流形结构不同，进而通过流形结构的形状判断设备的故障状态。
【专利说明】
_种小波包时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时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，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时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:一种小波包时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)对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；2)对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号，该低频信号为相对于载波信号的阶次信号;3)对解调信号采用FIR低通滤波器消除高频噪声，并以低采样频率对各分量信号进行数字重采样保留低频信号;4)对重采样信号进行自相关计算并归一化为自相关系数，将处理后的各分层自相关系数向量构造形成高维数据向量，形成LX2N维矩阵，L为分量信号重采样后的数据长度;5)采用t-SNE流形学习算法对高维数据向量进行降维处理，最终形成2维或3维图形，通过流形结果的形状判断设备的故障状态。
[0005]所述高频噪声为0.5倍载波信号频率以上的频率成分。
[0006]所述低采样频率为0.5倍载波信号频率。
[0007]所述步骤4)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。
[0008]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】
[0009]图1是本发明的整体流程不意图；
[0010]图2是基于PCA降维处理的不平衡故障2维流形图；
[0011 ]图3是基于PCA降维处理的碰磨故障2维流形；
[0012]图4是基于PCA降维处理基础松动2维流形；
[0013]图5是采用PCA方法降维处理后正常状态2维流形；
[0014]图6是本发明的不平衡故障2维流形；
[0015]图7是本发明的碰磨故障2维流形；
[0016]图8是本发明的基础松动2维流形；
[0017]图9是本发明的正常状态2维流形。
【具体实施方式】
[0018]下面结合附图和实施例对本发明进行详细的描述。
[0019]如图1所示，本发明提供一种小波包时域信号流形学习故障诊断方法，该方法是通过对采集到的振动信号通过流形学习降维处理形成低维流形的故障诊断方法，对由旋转机器设备特定部位上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，对分解后的高维数据采用希尔伯特包络解调及重采样的特征提取方法，最终采用流形学习降维处理后的可视化图形也会不同。其具体步骤如下:
[0020]I)对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；
[0021]2)对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号，该低频信号为相对于载波信号的阶次信号；
[0022]3)对解调信号采用FIR低通滤波器消除0.5倍载波信号频率以上的频率成分，并以
0.5倍载波信号频率为采样频率对各分量信号进行数字重采样保留低频信号，降低数据长度以提高计算速度;载波信号频率是采样时齿轮的拟合频率。
[0023]4)对各层重采样信号进行自相关计算并归一化，使最大值为1，归一化后的数据向量称为自相关系数向量，将处理后的各分层自相关系数向量构造形成高维数据向量;形成LX2N维矩阵，L为分量信号重采样后的数据长度;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。
[0024]5)采用t-SNE流形学习算法对高维数据向量进行降维处理，最终形成2维或3维图形;对于机电设备不同的故障形式，其最终形成的流形结果不同，进而通过流形结果的形状判断设备的故障状态。
[0025]实施例:为了验证基于小波包分解时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本发明的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种状态的振动数据分别采用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，将归一化数据合并生成640 X 16维特征数据。如图2?图5所示，为采用小波包分解信号预处理后采用PCA流形学习降维处理结果的结果，从图中看出不同的故障状态表现出不同的2维流形形态，但2维流形的流形结构规则性不好，流形结构不够清晰。
[0026]如图6?图9所示，为采用t-SNE算法对同一组640 X 16维特征数据进行降维处理生成的2维可视化流形。从图中看出，采用t-SNE流形学习降维处理后的流形结构，不同的故障状态表现的2维流形相比PCA算法处理的结果更加规则和清晰，t-SNE算法相比PCA具有更好的降维处理流形结构。
[0027]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滤波及低频重采样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。本发明还能进一步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。
[0028]上述各实施例仅用于说明本发明，各个步骤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步骤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】
1.一种小波包时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)对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号； 2)对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号，该低频信号为相对于载波信号的阶次信号； 3)对解调信号采用FIR低通滤波器消除高频噪声，并以低采样频率对各分量信号进行数字重采样保留低频信号； 4)对重采样信号进行自相关计算并归一化为自相关系数，将处理后的各分层自相关系数向量构造形成高维数据向量，形成LX2N维矩阵，L为分量信号重采样后的数据长度； 5)采用t-SNE流形学习算法对高维数据向量进行降维处理，最终形成2维或3维图形，通过流形结果的形状判断设备的故障状态。2.如权利要求1所述的一种小波包时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。3.如权利要求1所述的一种小波包时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。4.如权利要求1所述的一种小波包时域信号流形学习故障诊断方法，其特征在于:所述步骤4)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。
【文档编号】G06F17/50GK106096154SQ201610431875
【公开日】2016年11月9日
【申请日】2016年6月17日
【发明人】谷玉海, 王少红, 吴国新
【申请人】北京信息科技大学