一种小波包时域信号流形学习故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106096154A(43)申请公布日2016.11.09(21)申请号201610431875.6(22)申请日2016.06.17(71)申请人北京信息科技大学地址100192北京市海淀区清河小营东路12号机电系统测控重点实验室(72)发明人谷玉海王少红吴国新(74)专利代理机构北京远创理想知识产权代理事务所(普通合伙)11513代理人张素妍(51)Int.Cl.G06F17/50(2006.01)G06K9/00(2006.01)权利要求书1页说明书3页附图4页(54)发明名称一种小波包时域信号流形学习故障诊断方法(57)摘要本发明涉及一种小波包时域信号流形学习故障诊断方法，其步骤：对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号；对解调信号采用FIR低通滤波器消除高频噪声，并以低采样频率对各分量信号进行重采样保留低频信号；对重采样信号进行自相关计算并归一化为自相关系数，将处理后的各分层数据构造形成高维数据向量；采用t-SNE流形学习算法对高维数据向量进行降维处理，形成L×2N维矩阵，最终形成2维或3维图形，对于机电设备不同的故障形式，其最终形成的流形结构不同，进而通过流形结构的形状判断设备的故障状态。CN106096154ACN106096154A权利要求书1/1页1.一种小波包时域信号流形学习故障诊断方法，其特征在于，该方法包括以下步骤：1)对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；2)对分解产生的各分量时域信号分别采用希尔伯特变换进行包络解调，获得代表故障状态的低频解调信号，该低频信号为相对于载波信号的阶次信号；3)对解调信号采用FIR低通滤波器消除高频噪声，并以低采样频率对各分量信号进行数字重采样保留低频信号；4)对重采样信号进行自相关计算并归一化为自相关系数，将处理后的各分层自相关系数向量构造形成高维数据向量，形成L×2N维矩阵，L为分量信号重采样后的数据长度；5)采用t-SNE流形学习算法对高维数据向量进行降维处理，最终形成2维或3维图形，通过流形结果的形状判断设备的故障状态。2.如权利要求1所述的一种小波包时域信号流形学习故障诊断方法，其特征在于：所述高频噪声为0.5倍载波信号频率以上的频率成分。3.如权利要求1所述的一种小波包时域信号流形学习故障诊断方法，其特征在于：所述低采样频率为0.5倍载波信号频率。4.如权利要求1所述的一种小波包时域信号流形学习故障诊断方法，其特征在于：所述步骤4)中，对各层重采样信号进行自相关计算并归一化，使最大值为1，归一化后的数据向量称为自相关系数向量。2CN106096154A说明书1/3页一种小波包时域信号流形学习故障诊断方法技术领域[0001]本发明涉及一种机械设备故障诊断方法，特别是关于一种旋转机械设备的小波包时域信号流形学习故障诊断方法。背景技术[0002]对旋转机械的关键部位采集振动信号，从振动信号中提取与故障相关的敏感特征并进行分析是目前主要的旋转机械故障诊断方法。对振动信号进行消噪提纯预处理后，只提取单一特征信息往往难以有效判断设备的故障状态。采用多种特征提取方法获取多项特征并综合运用能够更准确的判断设备状态，但特征信息的增加致使信息维数大量增加，给工程应用带来困难。由多种特征参数构成的高维特征向量的结构不同，其的对应的故障状态不同，采用流形学习方法可以将高维数据的内部结构可视化的表达出来，直观的区分故障状态。流形学习算法(ManifoldLearning)是一种非线性机器学习算法，能够根据高维数据的内在规律或空间几何结构将高维空间数据映射至低维空间表示，以二维或三维流形分布形式将高维空间中数据之间的相似度或距离可视化的表示出来。现在研究较多的流形学习算法主要有主成分分析(PCA)算法、局部线性嵌入(LLE)算法、等距映射(Isomap)算法、局部切空间排列算法(LTSA)等，这些流形学习算法在机械故障诊断领域已有很多应用，但这些算法在机械故障诊断应用中多数存在非线性数据拥挤，低维流形表达不够清晰等问题。发明内容[0003]针对上述问题，本发明的目的是提供一种小波包时域信号流形学习故障诊断方法，该方法能有效降低数据长度，使不同的故障状态形成2维或3为图形，处理后的结果更加规则和清晰。[0004]为实现上述目的，本发明采取以下技术方案：一种小波包时域信号流形学习故障诊断方法，其特征在于，该方法包括以下步骤：1)对采集到的振动信号进行N层小波包分解，将振动信号分解为多层数据，生成2N个分量时域信号；2)对分解产生的