本发明涉及一种机械振动信号的故障诊断领域，涉及一种机械振动信号的故障分析方法。
背景技术：
机械设备在运动过程中产生的振动及其特征信息是反映机械设备及其运行状态变化的主要信号，通过各种动态测试仪器获取、记录和分析这些动态信号，是进行机械设备状态监测和故障诊断的主要途径。其中的关键技术是通过对振动信号的分析处理提取机械故障特征信息。因此，通过对机械振动信号进行分析，能得到机械设备的故障状态，并识别其中的故障。
技术实现要素：
有鉴于此，本发明要解决的技术问题是提供一种机械振动信号的故障分析方法，用于解决上述提出的无法解决的问题。
为达到上述技术方案的效果，本发明的技术方案为：一种机械振动信号的故障分析方法，包括信号预处理、信号的正式处理、信号的特征参数提取、信号的故障识别；
信号预处理通过仿真对机械振动信号对比实验，采用经验模态分解的降噪方法，说明了经验模态分解的降噪方法的降噪性能的改进，最后将其用于实测机械振动信号的降噪；
信号的正式处理在经过信号预处理之后，得到了机械振动信号的降噪形式，在过程中采用了机械振动信号故障特征提取方法，并将机械振动信号的相对小波能量融合在内，针对诊断中故障样本数目少的问题，使用支持向量机作为故障识别分类器，并通过故障诊断实验，验证了机械振动信号故障特征提取方法的有效性，得到所述机械振动信号的故障特征；
信号的特征参数提取，首先从机械振动信号的故障特征中进一步提取样本熵，同时利用样本熵对不同故障类型、不同损伤程度的机械振动信号进行分析，结果表明样本熵可以作为故障特征参数，建立故障特征参数的矩阵，并进行故障特征参数的矩阵的奇异值分解，同时利用故障识别分类器进行机械故障特征参数提取，并进行了故障诊断实验；
信号的故障识别，对按振动频率的大小对机械故障振动信号进行分类，分为频率高的机械故障振动信号以及频率低的所述机械故障振动信号，对频率高的机械故障振动信号利用独立分量分析对机械故障振动信号进行分析，得到统计上相互独立的分量，将机械振动信号表示为相互独立的分量的线性组合，其中相互独立的分量的线性组合的系数作为特征向量，并结合最近邻算法进行机械故障识别，得到频率高的机械故障振动信号的故障类型；对频率低的所述机械故障振动信号进行独立分量分析，获得不同工况信号的独立分量，然后将不同工况信号的独立分量的绝对值作为特征，使用支持向量机进行机械故障识别得到频率低的所述机械故障振动信号的故障。
本发明的有益成果为：本发明通过振动信号的样本熵值的变化，样本熵能够做为机械故障的特征参数。对故障振动信号分类的过程进一步细化，明确了机械故障信号中各个阶段的功能，确保信号分析的效率以及处理率。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。具体方法如下：
实施例一：
机械设备由于受到转速、载荷和故障产生的冲击等因素的影响，其振动信号往往表现出强烈的非平稳性。对于振动信号的非平稳信号只了解信号在时域或频域的全局特性是不够的，还希望得到振动信号的信号频谱随时间变化的情况。时频分析技术是将信号变换到二维时频域内进行分析，是分析非平稳信号的有效手段。基于振动信号经过分解后在不同频带时域特征的故障诊断方法，没有考虑振动信号的频域特征。基于时频域特征的机械振动信号故障诊断方法可以将奇异值分解方法用于时频矩阵的特征提取中。目前，时频分析技术已经广泛应用于机械故障诊断领域，包含短时傅里叶变换、小波变换。短时傅里叶变换存在窗函数固定的问题，分布存在交叉项干扰的问题，小波变换则存在能量泄漏和小波基函数选择的问题。它提出的变换是一种新的具有自适应的时频分析方法，
可根据信号的局部时变特征进行自适应的时频分解，非常适合对非平稳信号进行分析。变换由两部分组成：任何复杂的信号都可以通过经验模态分解方法分解为若千个内蕴模态函数的相加，并且在每个上瞬时频率都有定义。变换已经成为机械故障诊断领域研究的热点。目前，基于变换的故障诊断大部分是利用分解得到的内蕴模态函数，对内蕴模态函数进行分析提取机械故障特征，利用对轴承振动信号分解，将局部损伤轴承产生的高频调幅信号成分作为内蕴模态函数分离出来，然后用变换得到其包络信号，通过包络谱提取轴承故障特征频率。利用齿轮振动信号分解后得到的内蕴模态函数的能量熵作为特征，对齿轮进行裂纹和断齿故障诊断。基于内蕴模态函数奇异值分解和支持向量机的故障诊断方法，利用内蕴模态函数形成向量矩阵，然后对该矩阵进行奇异值分解，提取其奇异值作为故障特征向量，然后用支持向量机进行故障诊断。
将谱的时一频平面等分为个面积相等的时频块，对每块进行能量归一化，然后仿照信息熵的方式定义时频熵。对于任一个行或列线性相关的矩阵，通过对其左、右分别相乘一个正交矩阵进行变换，可以将原矩阵转化为一个对角阵，而得到的奇异值个数又反映了原矩阵中独立行(列)矢量的个数。奇异值分解具有稳定性好，可以较好地刻画矩阵特征的优点，已经成为信号处理与统计数据分析的重要工具。目前，奇异值分解技术获得了广泛的应用，例如数据压缩，信号降噪，机器状态监测等。基于奇异值分解的谱时频特征提取方法，首先利用方法将机械振动信号分解为若干个分量之和，然后对每个分量进行变换得到瞬时频率和瞬时幅值，从而得到轴承振动信号的谱，谱表示了信号完整的时间一频率分布。对谱进行奇异值分解，得到的奇异值作为轴承故障诊断的特征向量，然后利用支持向量机进行故障分类。
上述实施例对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。
本发明的有益成果为：本发明通过振动信号的样本熵值的变化，样本熵能够做为机械故障的特征参数。对故障振动信号分类的过程进一步细化，明确了机械故障信号中各个阶段的功能，确保信号分析的效率以及处理率。