[发明专利]基于小波包分解的旋转机械故障诊断方法

权利要求书

1.一种基于小波包分解的旋转机械故障诊断方法，其特征在于，包括以下步骤：

1)采集正常状态和故障状态下旋转机械的振动信号，得到包含正常状态和故障状态的振动信号的样本点；

2)选取用于故障特征提取的小波基函数；

3)根据选取的小波基函数，通过小波包分解获取振动信号不同频带的子信号；

4)计算所述子信号的模糊熵值，得到故障特征向量；

5)故障特征选择；

根据相关性进行特征重要性排序，依此排序结果选取排序结果靠前的设定数量的故障特征向量；

6)故障模式识别；

使用分类器构建故障诊断模型，将选取的故障特征向量与类别标签共同划分为训练集和测试集，并将训练集作为模型的输入训练该模型；

7)将测试集输入所述故障诊断模型，得到故障诊断结果。

2.根据权利要求1所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤2)中选取用于故障特征提取的小波基函数基于能量-香农熵比值最大和相似性最小选取。

3.根据权利要求1所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤2)中选取用于故障特征提取的小波基函数，具体如下：

2.1)结合旋转机械振动信号和不同小波族的特点，确定待测基函数；

2.2)在每种故障类型下随机选取s个样本组成新的数据集，利用上述小波基函数对每个样本进行j层小波包分解；

2.3)分别计算所选样本的总能量与香农熵比，然后计算平均值；

2.4)根据能量-香农熵比值最大原则，确定各小波族的最优小波基函数；

2.5)针对不同小波族的最优小波基函数，计算其构建的重建信号与原始信号的相似性，取重构信号与原始信号最相似的小波基函数为用于故障特征提取的小波基函数。

4.根据权利要求3所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤2.1)中待测基函数包括：coif1至coif5小波，sym2至sym8小波,以及db1至db10小波。

5.根据权利要求3所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤2.3)中计算所选样本的总能量与香农熵比，采用以下公式：

对j层小波包分解，共有2^j个节点，则其在第n个节点的能量值E(n)定义为：其中，i为第n个节点中的离散点序号；m为第n个节点的离散点总个数；C_n,i为对应离散点的小波包系数。

第n个节点小波系数的熵S_entropy(n)定义为：

其中为小波系数的能量概率分布；

因此，一个j层小波包分解的总能量与总香农熵的比值可定义为：

6.根据权利要求3所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤2.5)中针对不同小波族的最优小波基函数，计算其构建的重建信号与原始信号的相似性，如下：

针对不同小波族的最优小波基函数，分别用其进行j层小波包分解，将分解后最后一层节点的系数重构为时序信号，通过标准化的欧几里得距离度量k维原始信号x_i,i＝1,2,…,k；和重构信号y_i，i＝1,2,…,k；之间的相似性：

其中，s_i是x_i和y_i的标准差，d越小，原信号与重构信号越相似。

7.根据权利要求1所述的基于小波包分解的旋转机械故障诊断方法，其特征在于，所述步骤4)中根据j层小波包分解将振动信号分解为2^j个具有不同频带的子信号，计算每个子信号的模糊熵值构成故障特征向量。