[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

摘要

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。

主权项

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：/n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；/n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；/n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；/n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；/n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；/n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；/n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：/n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；/n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；/n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：/n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：/n①若A(i)＞C(j)，则FPR(j)＝1，j＝j+1，i＝i+1；/n②若B(w)＞C(j)，则TPR(j)＝1，j＝j+1，w＝w+1；/n③若A(i)＜C(j)且B(w)＜C(j)，则j＝j+1；/n重复上述判断，直到j＝n+1则循环终止；/n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：/n①若B(i)＞C(j)，则FPR(j)＝1，j＝j+1，i＝i+1；/n②若A(w)＞C(j)，则TPR(j)＝1，j＝j+1，w＝w+1；/n③若A(w)＜C(j)且B(i)＜C(j)，则j＝j+1；/n重复上述判断，直到j＝n+1则循环终止；/n上述循环结束后，得到用于绘制ROC曲线的TPR与FPR矩阵；/n步骤6.4：按照如下公式对矩阵FPR和TPR进行更新：/n