[發(fā)明專利]一種機(jī)械故障檢測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010831504.3
• 申請(qǐng)日: 2020-08-18
• 公開(kāi)（公告）號(hào): CN111982515A
• 公開(kāi)（公告）日: 2020-11-24
• 發(fā)明（設(shè)計(jì)）人: 房小兆;郭蔚穎;滕少華;江粼;劉志虎;江凱航
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045;G06K9/00;G06K9/62
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 黃忠

本申請(qǐng)公開(kāi)了一種機(jī)械故障檢測(cè)方法及裝置，方法包括：采用預(yù)置小波包變換方法對(duì)預(yù)置機(jī)械振動(dòng)信號(hào)進(jìn)行特征提取，得到初始特征向量，初始特征向量包括能量分布特征；通過(guò)預(yù)置K?SVD算法對(duì)初始特征向量進(jìn)行字典學(xué)習(xí)，得到過(guò)完備字典；根據(jù)預(yù)置CoSaMp算法對(duì)過(guò)完備字典進(jìn)行稀疏求解，得到稀疏表征，稀疏表征包括稀疏參數(shù)；通過(guò)預(yù)置SVM模型對(duì)稀疏表征進(jìn)行分類，得到檢測(cè)結(jié)果。本申請(qǐng)能夠解決現(xiàn)有技術(shù)在機(jī)械部件參數(shù)或者型號(hào)未知的情況下無(wú)法獲取有效且可靠的故障特征，導(dǎo)致故障檢測(cè)準(zhǔn)確度較低的技術(shù)問(wèn)題。

技術(shù)領(lǐng)域

本申請(qǐng)涉及故障檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種機(jī)械故障檢測(cè)方法及裝置。

背景技術(shù)

機(jī)械故障診斷方法主要是基于故障特征頻率的診斷?；诠收咸卣黝l率的診斷方法根據(jù)軸承、齒輪和轉(zhuǎn)子等旋轉(zhuǎn)機(jī)械關(guān)鍵零部件的故障特征頻率來(lái)識(shí)別故障。當(dāng)軸承、齒輪和轉(zhuǎn)子發(fā)生故障時(shí)，其振動(dòng)信號(hào)頻譜中的峰值頻率即為該部件的理論故障特征頻率。

現(xiàn)有的機(jī)械故障檢測(cè)技術(shù)在機(jī)械部件參數(shù)或者型號(hào)未知的情況下，故障特征頻率變化較大，無(wú)法保證獲取的故障特征的可靠性，使得檢測(cè)結(jié)果準(zhǔn)確度較低，無(wú)法適應(yīng)實(shí)際情況中的非平穩(wěn)信號(hào)下的故障檢測(cè)。

發(fā)明內(nèi)容

本申請(qǐng)?zhí)峁┝艘环N機(jī)械故障檢測(cè)方法及裝置，用于解決現(xiàn)有技術(shù)在機(jī)械部件參數(shù)或者型號(hào)未知的情況下無(wú)法獲取有效且可靠的故障特征，導(dǎo)致故障檢測(cè)準(zhǔn)確度較低的技術(shù)問(wèn)題。

有鑒于此，本申請(qǐng)第一方面提供了一種機(jī)械故障檢測(cè)方法，包括：

采用預(yù)置小波包變換方法對(duì)預(yù)置機(jī)械振動(dòng)信號(hào)進(jìn)行特征提取，得到初始特征向量，所述初始特征向量包括能量分布特征；

通過(guò)預(yù)置K-SVD算法對(duì)所述初始特征向量進(jìn)行字典學(xué)習(xí)，得到過(guò)完備字典；

根據(jù)預(yù)置CoSaMp算法對(duì)所述過(guò)完備字典進(jìn)行稀疏求解，得到稀疏表征，所述稀疏表征包括稀疏參數(shù)；

通過(guò)預(yù)置SVM模型對(duì)所述稀疏表征進(jìn)行分類，得到檢測(cè)結(jié)果。

可選的，所述通過(guò)預(yù)置K-SVD算法對(duì)所述初始特征向量進(jìn)行字典學(xué)習(xí)，得到過(guò)完備字典，包括：

通過(guò)預(yù)置K-SVD算法對(duì)初始特征向量集中的每個(gè)所述初始特征向量分別進(jìn)行字典學(xué)習(xí)，得到多個(gè)子字典；

將所有所述子字典進(jìn)行拼接，得到所述過(guò)完備字典。

可選的，所述通過(guò)預(yù)置K-SVD算法對(duì)所述初始特征向量進(jìn)行字典學(xué)習(xí)，得到過(guò)完備字典，包括：

通過(guò)預(yù)置K-SVD算法對(duì)所述初始特征向量集中所有的所述初始特征向量統(tǒng)一進(jìn)行字典學(xué)習(xí)，得到所述過(guò)完備字典。

可選的，所述通過(guò)預(yù)置SVM模型對(duì)所述稀疏表征進(jìn)行分類，得到檢測(cè)結(jié)果，之前還包括：

采用訓(xùn)練樣本對(duì)應(yīng)的稀疏表征訓(xùn)練初始SVM模型，得到所述預(yù)置SVM模型。

可選的，所述采用訓(xùn)練樣本對(duì)應(yīng)的稀疏表征訓(xùn)練初始SVM模型，得到所述預(yù)置SVM模型，還包括：

采用預(yù)置粒子群優(yōu)化算法優(yōu)化所述預(yù)置SVM模型的相關(guān)參數(shù)，得到優(yōu)化后的預(yù)置SVM模型，所述預(yù)置粒子群優(yōu)化算法包括預(yù)置動(dòng)態(tài)慣性因子。

本申請(qǐng)第二方面提供了一種機(jī)械故障檢測(cè)裝置，包括：

特征提取模塊，用于采用預(yù)置小波包變換方法對(duì)預(yù)置機(jī)械振動(dòng)信號(hào)進(jìn)行特征提取，得到初始特征向量，所述初始特征向量包括能量分布特征；

字典構(gòu)建模塊，用于通過(guò)預(yù)置K-SVD算法對(duì)所述初始特征向量進(jìn)行字典學(xué)習(xí)，得到過(guò)完備字典；

稀疏求解模塊，用于根據(jù)預(yù)置CoSaMp算法對(duì)所述過(guò)完備字典進(jìn)行稀疏求解，得到稀疏表征，所述稀疏表征包括稀疏參數(shù)；