[发明专利]基于小波包分解的旋转机械故障诊断方法

说明书

本发明公开了一种基于小波包分解的旋转机械故障诊断方法，该方法包括以下步骤：1)采集正常状态和故障状态下旋转机械的振动信号；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)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)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。本发明能有效提取高质量的故障特征，提高故障诊断的准确率。

技术领域

本发明涉及机械故障诊断技术，尤其涉及一种基于小波包分解的旋转机械故障诊断方法。

背景技术

旋转机械作为传动系统中的关键部件，广泛应用于电机、发动机、轴承、齿轮箱等工业生产中。旋转机械关键部件在恶劣或复杂的工况下运行极易发生故障，直接影响机械性能，甚至严重影响生产安全。因此，构建复杂工况下旋转机械的故障诊断方案，对保证设备安全运行和减少经济损失具有重要意义。

在旋转机械故障诊断领域，振动信号采集、特征提取和故障模式识别是三个重要方面，而特征提取直接影响最终的诊断结果。基于振动信号分析的故障特征提取方法包括时域分析、频域分析和时频域分析，相应的特征称为时域特征、频域特征和时频域特征。时域特征包含均方根、均值和峰度等，频域分析主要基于傅立叶变换。然而，由于旋转机械振动信号的非线性和非平稳性，这些方法受到先验知识和专家经验的限制，难以有效地挖掘出隐藏在振动信号中的故障信息。近些年来，常用时频域分解方法包括经验模态分解(EMD)、局部均值分解(LMD)和变分模态分解(VMD)等。但是，上述方法仍然存在一些缺陷。例如，EMD具有端点效应、模态混叠、欠包络和过包络等缺点，而LMD具有模式混叠和计算效率低的缺点。另外，这些方法都基于“模态”，它们的子信号可能会丢失原始信号的某些频率分量。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于小波包分解的旋转机械故障诊断方法。

本发明解决其技术问题所采用的技术方案是：一种基于小波包分解的旋转机械故障诊断方法，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，通过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以训练该模型；

7)将测试集输入所述故障诊断模型，得到故障诊断结果。

按上述方案，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。

按上述方案，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；