[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

说明书

技术领域

本发明涉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

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。

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。英国在二十世纪七十年代成立了机械健康监测中心，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和澳大利亚新威尔士大学的R.B.Randall提出了谱峭度的概念并将其应用于机械故障诊断。

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。建国以来，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三个阶段。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。

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，这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三方面。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以及故障特征提取成为故障诊断的关键问题。

多种信号降噪处理方法中，以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，EmpiricalModeDecomposition）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。

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，WVD（wigner-villedistribution）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。

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。

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。

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；