[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

说明书

本发明公开了一种基于角度重采样与ROC‑SVM的旋转机械故障诊断方法，属于机械设备故障诊断领域。该方法采用角度重采样技术消除转速波动；从时域和时频域维度进行特征值提取；运用ROC‑SVM实现旋转机械的特征选择与故障诊断。本发明使用角度重采样方法能够有效的消除转速波动引起的单位时间内振动信号采样点数变化，提高了后续提取特征值的品质；将时域和时频域特征结合起来，达到更加广泛的特征提取，得到足够多的振动信号信息；使用ROC‑SVM进行特征选择与故障诊断，选取最好的特征，防止不良特征降低故障分类器的效果；能够提高轴承故障诊断的准确性和有效性，能提高诊断速度，为解决轴承故障诊断问题提供了一种新思路。

技术领域

本发明属于机械设备故障诊断领域，更具体地，涉及一种对转速波动信号的角度重采样技术和基于ROC-SVM的旋转机械故障诊断方法及设备。

背景技术

目前，旋转机械已经成为工业设备系统中的重要组成部分，其运行状态直接影响整个系统的稳定运行。旋转机械故障会降低系统的可靠性和减少系统的使用寿命，甚至造成严重的人员伤亡与经济损失。因此，对旋转机械进行故障诊断是十分必要的。

传统的旋转机械故障诊断方法大多数是基于时域分析或频域分析亦或时频域分析，但是旋转机械因转速波动而导致振动信号在等间隔内采样点并不同，并且单一的进行时域、频域、时频域分析都不能最好的得到准确评估。

此外，支持向量机(Support vector machine,SVM)可以实现对损坏与非损坏的特征值分类，但是对于分类器而言最影响分类效果的还是输入特征值矩阵的大小与品质，很多基于SVM的分类方法都没有好的特征提取方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，其目的在于，通过角度重采样技术消除转速波动，并从时域和时频域维度进行特征值提取后，运用ROC-SVM实现旋转机械的特征选择与故障诊断，从而实现高精度的自动故障诊断。

为实现上述目的，按照本发明的一个方面，提供了一种基于角度重采样与ROC-SVM的旋转机械故障诊断方法，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；

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。

进一步地，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；

进一步地，步骤2的重采样过程包括如下子步骤：

步骤2.1：已知振动信号的原始采样频率Fs₀及各个时间间隔内旋转机械的转速rpm。