故障诊断学与可靠性工程作业(吐血分享)

机械故障诊断学及可靠性工程

MECHANICAL FAULT DIAGNOSTICS AND RELIABILITY ENGINEERING

作业题目 基于冗余第二代小波包变换和邻域粗糙集以及支持向量机的机械故障诊断

作者姓名 黎 原 作者学号 S12080203030 学科专业 机械设计及理论 指导教师 董 敏教授

2013年6月 机械故障诊断学及可靠性工程 基于冗余第二代小波包变换和邻域粗糙集以及支持向量机的机械故障诊断

硕士研究生 ： 黎 原 硕士生学号 ： S12080202030 导师 ： 董 敏教授 学科专业 ： 机械设计及理论 所 在 单 位 ： 机械工程学院 Mechanical fault diagnostics and Reliability Engineering MECHANICAL FAULT DIAGNOSIS BASED ON REDUNDANT SECOND GENERATION WAVELET PACKET TRANSFORM, NEIGHBORHOOD ROUGH SET AND SUPPORT VECTOR MACHINE

by Li Yuan Supervisor: Professor Dong Min

Yanshan University May, 2013 摘 要

I 摘 要 本文研究的冗余第二代小波包变换（RSGWPT），邻域粗糙集和支持向量机（SVM）（NRS）关于故障检测，属性简约和模式分类中的应用。在此基础上，提出了基于RSGWPT，NRS和SVM的机械故障诊断的一种新方法，它利用RSGWPT从小波包系数的统计特征中提取故障特征参数构成特征向量的，然后通过NRS法使性能简约从而取得的主要的功能特性，最后这些主要特点被输入到SVM实现故障模式分类。所提出的方法用于变速箱和汽油发动机气门列车的故障诊断，实验结果表明，该方法可以提取故障特征，具有更好的分类能力，同时在保证分类准确率的情况下，减少了很多的冗余功能，从而提高分类效率，达到更好的分类性能。

关键词：冗余第二代小波包变换；邻域粗糙集；支持向量机；属性约简；故障诊断 目 录

Ⅱ 目 录 摘 要 .............................................................................................................................. I 正 文 ............................................................................................................................. 1 1 引言..................................................................................................................... 1 2 RSGWPT和故障特征提取 ................................................................................ 3 3 NRS和故障特征选择 ......................................................................................... 5 4 SVM和故障特点分类 ........................................................................................ 8 5 实验装置和数据采集....................................................................................... 10 5.1 变速箱试验............................................................................................. 10 5.2 汽油发动机气门列车实验..................................................................... 10 6 结果与讨论....................................................................................................... 11 6.1 案例1：变速箱故障诊断...................................................................... 11 6.2 案例2：汽油发动机气门的故障诊断.................................................. 13 6.3 讨论......................................................................................................... 14 7 结论................................................................................................................... 17 致 谢 ........................................................................................................................... 18 参考文献 ..................................................................................................................... 19 正 文

1 正 文 1 引言 随着越来越多的高品质的生产需求，有效的机械故障诊断已获得越来越多的关注[1-3]。一般来说，在故障诊断系统中的两个重要步骤：第一个是故障的特征提取的信号处理的，它决定了设备中是否发生了故障，第二步骤包括在先前步骤中获得的特性的基础上的模式分类。目前故障诊断方法的有效性进行评估时，精度和速度都是非常重要的因素，所以寻找一个准确且快速的方法进行故障诊断是一个重要的问题[4,5]。总之，机械故障诊断的研究的目的是要找到一种方法，通过使用从收集到的振动信号或声音发射信号中提取出来的故障特征来准确评估故障类型。 初期的故障特征往往是薄弱的，并且隐藏在背景信号中，所以很难用传统的信号处理方法来检测它们。第二代小波变换（SGWT），由Wim Sweldens提出，是一种新的小波构成方法，该方法采用了提升方案[6,7]。它可以被看作是经典的离散小波变换的替代实现。SGWT主要特征的是它提供了一个完全的空间域变换的解释，而不是传统的基于频域的结构。SGWT的时间 - 频率分辨率随分解的水平不同而变化。它在高频子带提供了良好的时间分辨率和较差的频率分辨率，在低频子带，它提供良好的频率和较差的时间分辨率。为了在故障特性经常存在的高频子带中获得更高的分辨率，第二代小波包变换（SGWPT）已经建成，并因此在每个层次的细节系数进一步分解从而得到的近似和细节分量[4,8-10]。不幸的是，SGWPT没有时间不变性。延迟信号的分解结果，将原始信号的时移版本。这可能会导致有用信息的特征提取与故障诊断故障的损失。冗余提升方案具有时间不变性并且克服了提升方案的缺点，摆脱了小碎步和算子和更新算预测的零填充，这使得各级的近似和细节信号与原始信号的长度是相同的[11-13]。基于冗余提升方案小波包变换不仅能提供更详细的局部时频信号的描述，还能抑制频率混叠成分的分析结果，因为它没有分割和合并步骤的分解和重建阶段[14]。因此，统计功能从变换系数RSGWPT提取有更大的能力来检测故障信号。 一般来说，震动信号是从 监控机械设备中获得的。A / D转换后，采样的振动数据分解使用RSGWPT。从每一个所得到的子带的小波包系数，可以计算出统计特性来描述每一个尺度的信号的特性。这些统计功能，可以直接在故障诊断应用，但在实践中，从实验数据中提取的某些功能通常是不完善和冗余，甚至对方不兼容，因此给机械故障诊断带来了很多问题，如高计算复杂度，低的识别速度和识别效果弱。因此，调查故障诊断方法使用较少的属性值，而不错过任何故障信息是非常有意义的。 机械故障诊断学及可靠性工程 2 粗糙集理论是解决不确定的，不精确的和模糊的信息问题的一种有用的数学工具，这方面的知识是关于域名COM分区和粒度特性。粗糙集理论的特点是创造近似描述对象进行数据分析，优化和认可，它不需要域或先验知识。因此，使用这种方法可以评估的各种属性的重要性，并没有额外的知识，除了保留一些关键的属性所需提供的数据[5]。目前，粗糙集方法已经应用在许多领域，如机器故障诊断，股市预测，决策支持系统，医疗诊断，数据过滤和软件工程[15-18]。 然而，经典的粗糙集模型可以被用来处理类别特征是离散值，因此机械故障诊断系统中基于粗糙集的特征选择，因此有必要引入一个离散化算法分区值域实

图1. 提出的故障诊断程序的流程图。 时值的变量分成几个时间间隔，然后把它们看作是类别特征。近年来许多的数值属性离散化方法已经提出，包括等距离方法，频率相同的方法，最大熵法等[16]。显然，离散化的数值属性，可能会导致信息丢失，因为不考虑数值离散化值的隶属度[19,20]。为了解决这个问题，引入一个邻域粗糙集模型，可以处理分类和数值属性，一些属性约简算法基于此模型已建成[20-22]。由于数值属性离散化的情况下的故障信息，邻域粗糙集模型的属性约简，可以完美地保存原始数据。 对于分类，文献中有很多关于特定应用的最优分类，例如齿轮故障检测，复式压缩机，滚子轴承等等[23-26]。支持向量机（SVM）是一种新型的基于统计学习理论的机器学习方法，该方法最初是由Vapnik介绍，其中有许多吸引人的特点，包括其理想的分类能力有少量的非现场故障数据样本和有前途的实证表现线