[发明专利]一种基于多小波核-支持向量回归机的机械碰磨故障诊断方法

说明书

本发明涉及基于多小波核‑支持向量回归机(Support Vector Regression,SVR)的机械碰磨故障特征提取方法，该方法包括如下步骤：1)测取机械关键部件的振动信号，对信号进行冗余提升小波(RLSW，Redundant Lifting Scheme Wavelet，RLSW)分解；2)对分解得到的各层细节信号及最后一层逼近信号，进行自适应奇异值分解(Adaptive Singular Value Decomposition，ASVD)降噪；3)通过冗余提升小波对信号进行重构，获得降噪信号；4)以区间三次Hermite样条多小波的两个尺度函数为插值基函数，构造了一种新型多小波核函数；5)将降噪后的振动信号分为训练集和预测集，用训练集构建预测模型，对预测集进行预测，通过预测残差提取隐藏在原始振动信号中的弱周期性冲击成分。本发明能提取机械碰磨故障特征。

技术领域

本发明属于机械故障诊断技术领域，涉及机械碰磨故障特征提取方法，特别涉及一种基于多小波核-支持向量回归机的机械碰磨故障诊断方法。

背景技术

通过分析振动信号，在不停机的情况下可对机械故障进行诊断。传统方法是通过机械振动信号的时域和频域指标判断机械故障。时域指标包括平均值、有效值、峰值、峰峰值、脉冲指标、裕度指标、歪度指标和峭度指标等。频域指标包括谱重心、均方频率和频域方差。通过这些指标可以对机械状态进行大致判断，但是难以诊断出具体的故障类型。通过频谱图可以诊断出一些旋转机械故障，如基频对应于转轴不平衡、二倍频对应于不对中、3～7倍频对应于滚动轴承故障。但是对于机械碰磨故障诊断问题，频谱图则无能为力，尤其对于轻微的碰磨故障，在时域指标和频域指标中难以观察到相应的特征。

自相关法、互相关法、相干分析、倒频谱法、功率谱估计及信号解调分析等技术，也是常用的机械故障诊断方法，能诊断出很多机械故障类型、如基座松动、滑动轴承油膜涡动、离心泵叶片松动、往复压缩机阀片磨损、十字头松动等故障。但是对于早期机械碰磨故障诊断，这些方法也难以奏效。因为机械发生早期碰磨时，金属部件相互撞击产生的冲击信号幅值很小，且机械整体振动幅值也基本在正常范围内，传统方法难以提取出隐含在原始振动信号中的弱周期性冲击成分。

小波变换在机械故障诊断中得到了广泛应用，已发表了大量的相关学术论文。常用的小波有Haar小波、Morlet小波、Mexican hat小波、Gaussian小波、Daubechies小波、Coiflets小波及双正交小波等，其诊断效果取决于小波基函数的性质。应用小波变换进行机械故障诊断时，主要存在以下不足：

1)小波基的选取尚无合理的依据。在众多的小波基函数中如何选取，尚无完善的指导理论。小波基函数通过拉伸和平移运算，检测出与基函数波形相似的信号。但是机械故障特征对应于什么样的波形，诊断前是无法获知的。

2)传统小波变换是以傅立叶变换为基础，要构造同时满足正交性、对称性、短支撑性和高消失矩的小波基函数，是非常困难的。且存在大量的卷积运算，计算量大，难以实现在线故障诊断。

3)传统的小波变换采用Mallat算法，采用下采样和补零运算，信号每分解一次，长度减半，会出现虚拟的频率成分，这是原始信号中不存在的虚假信号，给机械故障特征提取带来困难。

4)传统的小波边界处理方法不合理，实际处理的机械振动信号是有限长的，一般采用补零运算、对称运算进行边界处理，分解得到的信号两端会出现振荡现象，出现了虚假的冲击成分。

5)传统小波阈值处理不是很合理。软阈值处理、硬阈值处理、模极大值处理等阈值处理方法，会滤除大量幅值较低、频率较高的有用信号，而这些信号对于早期碰磨故障特征提取是非常重要的。

6)小波分解层数多少合适，尚无明确的指导标准。一般根据所分析的问题人为确定，给机械故障特征提取带来困难。