[发明专利]一种基于广义S变换和WOA-SVM的电机轴承故障诊断方法

说明书

本发明涉及一种基于广义S变换和WOA‑SVM的电机轴承故障诊断方法，包括：输入电机轴承振动信号，并经过两次不同的广义S变换后得到两个时频矩阵；分别得到高时间分辨率的时域累计特性曲线和高频率分辨率的频域累计特性曲线；得到原始信号的时域特征和频域特征；组合时域特征和频域特征形成特征向量样本集，并分成训练样本和测试样本；将训练样本输入到鲸鱼优化算法WOA优化的支持向量机中，训练分类器；将测试样本输入到训练好的分类器WOA‑SVM中进行测试，输出故障诊断类型。本发明克服了S变换的高斯窗函数不能随频率调节而缺乏灵活性的缺陷，具有更好的时频分析能力，更适合对复杂的非平稳、非线性轴承振动信号进行处理。

技术领域

本发明涉及故障诊断技术领域，尤其是一种基于广义S变换和WOA-SVM的电机轴承故障诊断方法。

背景技术

滚动轴承被称为“工业关节”，广泛应用于各种电机设备中。电机运行时，磨损、过载、腐蚀等原因都可能造成电机轴承的局部损伤故障。由于旋转机械传动系统的复杂性以及工作条件的多样性，使轴承振动信号具有非平稳和非线性的特点，因此对电机轴承进行精确故障诊断的关键是从轴承振动信号中提取有效的故障特征。

时频分析是将一维的时域信号和频域信号映射到二维时频平面上，获得信号的时频分布，有利于提取故障特征。常用的时频分析方法有短时傅里叶变换、小波变换、S变换等。短时傅里叶变换窗函数固定，无法适应非平稳信号不同频率成分的信号分析；小波变换的基函数选取难度大，且在分析信号时基函数不允许更改，缺乏自适应性；S变换吸收并发展了短时傅里叶变换和小波变换，但对于所有频段都设置了不变的标准差，影响了适应性。

常见的故障诊断方法有神经网络、随机森林、支持向量机(SVM)等。神经网络结构简单，但存在局部最优问题；随机森林在连续特征属性数目过大时，算法运行效率低且容易过拟合；SVM在解决小样本和非线性问题上优势明显，通过使用核方法将低维空间的非线性问题映射到高维空间，以实现训练数据与最优超平面的间隔最大化，相比神经网络有更好的泛化能力。但SVM的分类性能受限于核函数参数和自身结构参数的设置，如何选取合适的参数一直是SVM应用中亟待解决的关键问题。

发明内容

本发明的目的在于提供一种更适合处理轴承故障产生的非线性、非平稳信号，且拥有更高识别精度的基于广义S变换和WOA-SVM的电机轴承故障诊断方法。

为实现上述目的，本发明采用了以下技术方案：一种基于广义S变换和WOA-SVM的电机轴承故障诊断方法，该方法包括下列顺序的步骤：

(1)输入电机轴承振动信号，并经过两次不同的广义S变换后得到两个时频矩阵；

(2)根据两个时频矩阵，分别得到高时间分辨率的时域累计特性曲线和高频率分辨率的频域累计特性曲线；

(3)分别提取时域累计特性曲线和频域累计特性曲线幅值的平均值和标准差，得到原始信号的时域特征和频域特征；

(4)组合时域特征和频域特征形成特征向量样本集，并分成训练样本和测试样本；

(5)将训练样本输入到鲸鱼优化算法WOA优化的支持向量机中，训练分类器；

(6)将测试样本输入到训练好的分类器WOA-SVM中进行测试，输出故障诊断类型。

所述步骤(1)具体包括以下步骤：

假设x(t)是轴承原始振动信号，则其一维连续S变换的定义式如下：

式中，f为信号的频率，i为虚数单位，τ为时移因子，用于控制高斯窗函数的位置；

一维广义S变换GST的表达式为：

式中，γ0，0.5≤β≤1.5；γ和β均为调整因子；