[發明專利]一種基于CEEMD與圖像紋理特征的旋轉機械智能故障診斷方法

在審

• 申請號: 201610085890.X
• 申請日: 2016-02-15
• 公開（公告）號: CN105718961A
• 公開（公告）日: 2016-06-29
• 發明（設計）人: 王亞萍;王緯宇;葛江華;許迪;匡宇麒
• 申請（專利權）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

技術領域

本發明涉及數據驅動的旋轉機械智能故障診斷技術領域，具體是一種基于CEEMD與圖像紋理特征的旋轉機械智能故障診斷方法。

背景技術

旋轉機械應用相當廣泛，并在國家各種生產建設領域中扮演重要角色，如大型的風力發電機、大型燃氣輪機等，旋轉機械一旦出現故障，即可引發鏈式反應，影響整個設備的運行，造成嚴重后果，因此對于旋轉機械的故障診斷技術研究具有十分重要的意義。

國外對于機械故障診斷的研究開始較早。美國宇航局在二十世紀六十年代末成立了機械故障預防小組(MFPG)，從事相關研究。英國在二十世紀七十年代成立了機械健康監測中心，積極從事設備故障診斷技術的開發工作。法國貢匹愛涅大學的J.Antoni和澳大利亞新威爾士大學的R.B.Randall提出了譜峭度的概念并將其應用于機械故障診斷。

國內對于機械設備故障診斷的研究起步較晚，但是也有很多研究成果和實際應用。建國以來，我國故障診斷技術主要經歷了從依靠經驗和簡單儀表排除故障到依靠復雜測試儀器、信號分析理論為基礎的現代故障診斷技術，再發展到現在的信號處理、模型分析與知識處理等多學科交叉的故障診斷技術三個階段。華中科技大學的楊叔子和史鐵林等在機械故障診斷技術的研究方面取得了顯著的成果。東北大學的聞邦椿提出了“振動利用工程”的概念。西安交通大學的屈梁生、何正嘉和林京等長期從事機械故障診斷問題的研究，提出了全息譜的概念。

針對旋轉機械故障診斷的研究未來的主要發展方向是基于數據驅動的智能故障診斷方法，采用機械設備的故障振動信號作為輸入信息，進行分析處理從而對設備進行故障診斷，判別機械故障的類型位置或者故障的程度，這種方法的優點是避免了拆卸或完全拆卸大卸設備造成的不便，同時基于機器學習的智能故障診斷模式也極大地提高故障診斷的準確性和便捷性。一般機械設備智能故障診斷的關鍵技術主要包括信號采集與預處理、故障特征提取和最終的模式分類過程三方面。其中大型旋轉機械的工作環境復雜多變，故障振動信號中都包含噪聲影響，對于故障振動信號的降噪處理以及故障特征提取成為故障診斷的關鍵問題。

多種信號降噪處理方法中，以小波閥值方法應用最為廣泛，但是需要進行適當的閥值操作，實際操作過程中還是會損害信號的有效成分。另外EMD（經驗模態分解，EmpiricalModeDecomposition）方法不需要任何信號和噪聲的先驗信息，近年來也有很廣泛的應用，但EMD也存在諸多不足之處，例如模態混疊問題會很大程度上影響降噪效果。

對于故障特征提取過程最為經典的技術方法就是短時傅立葉變換，但其缺點在于缺乏信號局部性信息，只適合線性平穩信號的分析。為了提取更加敏感表征能力更強的故障特征，將時頻分析技術引入到智能故障特征提取研究中來。Frei于2006年提出了本征時間尺度分解方法是一種新的時頻分析方法，具有自適應性但也存在端點效應、模態混疊等問題，還需要進一步研究。另外，WVD（wigner-villedistribution）時頻分布具有很高的時頻分辨率，被廣泛引入到旋轉機械智能故障診斷中來，但存在交叉項的問題。而SPWVD具有運算效率高，去除交叉項能力強等一系列優點。

綜上，為了更好的進行旋轉機械智能故障診斷，首先要進行振動信號降噪處理，同時保證信號邊緣信息不受大的影響。其次，選取合適的信號處理方法分析處理振動信號，獲取振動信號故障特征，提高故障特征對于機械故障的敏感度表征能力也是旋轉機械智能故障診斷中亟待解決的問題。

發明內容：

本發明的目的在于提供一種基于CEEMD與圖像紋理特征的旋轉機械智能故障診斷方法，針對現有技術中的EMD與小波閥值降噪方法與故障特征提取技術的不足，改進旋轉機械智能故障振動信號降噪技術和故障特征提取技術，提高旋轉機械智能故障診斷的實用性和有效險。

為實現上述目的，本發明提供如下技術方案：

一種基于CEEMD與圖像紋理特征的旋轉機械智能故障診斷方法，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，分別采集旋轉機械不同故障狀態或者程度下的故障振動信號；基于CEEMD結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，然后將這些數據分為訓練數據組與測試數據組；

步驟二、故障振動信號的故障特征提取

對訓練數據組與測試數據組中的數據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，并且從中擇優組成故障特征集；