[发明专利]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

权利要求书

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。

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：

（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(τ)，其中g(u)为时域平滑窗，h(τ)为频域平滑窗。