[發(fā)明專利]一種基于CEEMD與圖像紋理特征的旋轉(zhuǎn)機械智能故障診斷方法

在審

• 申請?zhí)枺?/td>: 201610085890.X
• 申請日: 2016-02-15
• 公開（公告）號: CN105718961A
• 公開（公告）日: 2016-06-29
• 發(fā)明（設計）人: 王亞萍;王緯宇;葛江華;許迪;匡宇麒
• 申請（專利權(quán)）人: 哈爾濱理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于CEEMD與圖像紋理特征的旋轉(zhuǎn)機械智能故障診斷方法，其特征在于，包括以下步驟:

步驟一、信號采集和降噪處理

采用加速度傳感器，并將其安裝在旋轉(zhuǎn)機械外殼上，確定信號傳輸路徑、采樣頻率和采樣起始時間，分別采集旋轉(zhuǎn)機械不同故障狀態(tài)或者程度下的故障振動信號；基于CEEMD結(jié)合小波閥值的降噪方法對采集到的故障振動信號進行降噪處理，然后將這些數(shù)據(jù)分為訓練數(shù)據(jù)組與測試數(shù)據(jù)組；

步驟二、故障振動信號的故障特征提取

對訓練數(shù)據(jù)組與測試數(shù)據(jù)組中的數(shù)據(jù)分別進行時頻分析提取SPWVD時頻分布圖，并且從中提取圖像紋理特征，并且從中擇優(yōu)組成故障特征集；

步驟三、采用訓練數(shù)據(jù)組得到的故障特征集對SVM分類器的懲罰參數(shù)c和核函數(shù)g進行尋優(yōu)，確定最佳的參數(shù)值，使用最佳的參數(shù)值獲得最優(yōu)的SVM分類器，建立故障診斷模型；

步驟四、采用測試數(shù)據(jù)組作為故障診斷模型的輸入值，進行故障診斷測試得到分類結(jié)果和精度。

2.根據(jù)權(quán)利要求1所述的基于CEEMD與圖像紋理特征的旋轉(zhuǎn)機械智能故障診斷方法，其特征在于，步驟一中的CEEMD結(jié)合小波閥值的降噪方法是CEEMD與小波閥值兩種降噪方法的結(jié)合；步驟一中的具體步驟為：

1）首先將故障振動信號進行CEEMD分解獲得IMF分量和剩余分量；

2）然后對步驟1）中得到的IMF分量中高頻分量分別進行小波閥值估計，選定適當?shù)男〔ㄩy值;

3）使用步驟2）中獲得的小波閥值分別對高頻的IMF分量進行降噪處理；

4）然后與剩余分量完成信號重組，得到降噪后的信號，并按一定比例分為訓練數(shù)據(jù)組和測試數(shù)據(jù)組。

3.根據(jù)權(quán)利要求1所述的基于CEEMD與圖像紋理特征的旋轉(zhuǎn)機械智能故障診斷方法，其特征在于，步驟二中，故障振動信號的故障特征提取過程是結(jié)合SPWVD時頻分析與圖像紋理特征分析技術(shù)的故障特征提取技術(shù)，具體的的步驟為：

1）對步驟一中獲得的降噪后的信號進行時頻分析分別獲取SPWVD時頻分布圖；

2）對步驟1）收集到的SPWVD時頻分布圖進行灰度化，將SPWVD時頻分布圖轉(zhuǎn)化為256灰度級圖像；

3）對步驟2）中獲得的SPWVD時頻分布圖的灰度圖進行圖像紋理特征提取，具體包括：灰度-梯度共生矩陣紋理特征、灰度共生矩陣紋理特征和灰度直方圖紋理特征共19個圖像紋理特征；

4）根據(jù)步驟3）中獲得的19個圖像紋理特征對于相應的故障類型的表征能力進行篩選，選出表征能力最強的故障特征組成故障特征集。

4.根據(jù)權(quán)利要求1所述的基于CEEMD與圖像紋理特征的旋轉(zhuǎn)機械智能故障診斷方法，其特征在于，步驟二中SPWVD時頻分布圖計算式如下：

（1）

其中z(t)為故障振動信號的希爾伯特變換，SPWVD時頻分布在WVD分布中加入兩個實的偶窗函數(shù)g(u)、h(τ)，其中g(shù)(u)為時域平滑窗，h(τ)為頻域平滑窗。