[发明专利]基于角度重采样与ROC-SVM的旋转机械故障诊断方法

权利要求书

1.一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，其特征在于，包括如下步骤：

步骤1：采集正常状态和故障模式状态下旋转机械的振动信号与转速信号，得到包含正常状态和故障状态的振动信号与转速信号的样本点；随机选取部分样本点组建训练数据集，剩余的样本点组建测试数据集；

步骤2：使用同步采样的转速信号，对训练数据集中样本点的振动信号进行角度重采样，以消除转速波动引起的振动信号误差；

步骤3：对步骤2重采样后的振动信号进行随机周期信号分离；

步骤4：从步骤3的每个信号分离结果中提取时域特征，得到时域特征数据集；

步骤5：使用小波包变换方法对步骤2重采样后的振动信号进行分解，得到分解后的模态分量，计算各模态分量的能量值作为时频域特征，得到时频域特征数据集；

步骤6：将步骤4、5提取的时域特征数据集和时频域特征数据集输入ROC-SVM故障诊断模型中，自动选择最优特征并进行故障诊断模型的训练；

其中，使用ROC-SVM故障诊断模型对特征进行自适应选择以及故障诊断模型训练的步骤如下：

步骤6.1：选择所有特征中的一种；针对所选特征，将训练数据集中所有正常状态的样本的特征值组建矩阵A，所有故障状态的样本的特征值组建矩阵B；

步骤6.2：将A与B中的特征值按照大小降序排序，设置一个阈值C矩阵，用于分辨故障特征值与正常状态特征值的区别；

步骤6.3：构建全零矩阵FPR和TPR，长度和阈值矩阵相同；令i＝1，j＝1，w＝1；判断正常状态特征值的平均值与故障状态特征值的平均值的关系：

如果故障状态特征值的平均值大于正常状态特征值的平均值，判断A(i)与C(j)，B(w)与C(j)的关系，执行循环：

①若A(i)＞C(j)，则FPR(j)＝1，j＝j+1，i＝i+1；

②若B(w)＞C(j)，则TPR(j)＝1，j＝j+1，w＝w+1；

③若A(i)＜C(j)且B(w)＜C(j)，则j＝j+1；

重复上述判断，直到j＝n+1则循环终止；

如果正常状态特征值的平均值大于故障状态特征值的平均值，判断A(w)与C(j)，B(i)与C(j)的关系，执行循环：

①若B(i)＞C(j)，则FPR(j)＝1，j＝j+1，i＝i+1；

②若A(w)＞C(j)，则TPR(j)＝1，j＝j+1，w＝w+1；

③若A(w)＜C(j)且B(i)＜C(j)，则j＝j+1；

重复上述判断，直到j＝n+1则循环终止；

上述循环结束后，得到用于绘制ROC曲线的TPR与FPR矩阵；

步骤6.4：按照如下公式对矩阵FPR和TPR进行更新：

其中，P为故障状态特征值个数，N为正常状态特征值个数；

更新后，得到连续从0增加到1的TPR与FPR矩阵；

步骤6.5：以TPR为纵坐标，FPR为横坐标，得到ROC曲线图；选取输入特征值的标准如下：

①曲线必须位于从左下至右上45°延伸的直线之上，

②曲线积分值越大则表示故障特征值与正常状态特征值的差异越大，则该故障特征值与正常状态特征值越益于作为ROC-SVM故障诊断模型的输入特征值；

步骤6.6：依次选择其它的特征，重复步骤6.1至步骤6.5，得到每个特征的ROC曲线，同时选择出ROC曲线积分值较大的输入特征值构成特征数据集；

步骤6.7：使用步骤6.6选择出的特征数据集训练ROC-SVM故障诊断模型；

步骤7：测试数据集中的样本点经步骤2至步骤5处理后，将提取的特征输入到经步骤6训练好的ROC-SVM故障诊断模型中进行诊断，得到诊断结果，即是否故障、若故障则属于哪种故障模式。

2.如权利要求1所述的一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，其特征在于，步骤4的时域特征包括：均值、绝对均值、最小值、方差、峰值、峰峰值、有效值、方根幅值、峭度、歪度、峭度指标、歪度指标、裕度因子、峰值指标、脉冲指标、波形指标。