[发明专利]基于小波分析的液压缸故障状态分类识别方法

摘要

一种基于小波分析的液压缸故障状态分类识别方法,属于复杂信号分析与处理技术领域。该方法以AGC液压缸正常和振动状态下采集的声发射信号为数据来源，根据小波分析的时频分析特性，利用Mallat小波分解算法进行小波分解并求取各层小波系数能量值，通过不同状态下各层小波系数能量值的差异实现AGC液压缸的故障诊断与识别。适用于时变非平稳数字信号的特征分析与分类，可应用于机械装备功能精度与故障诊断、脑电与肌电信号的分析处理等。优点在于，处理小样本数量AGC液压缸故障声发射信号时，大幅度提高了分析与诊断识别的快速性和准确性。

主权项

基于小波分析的液压缸故障状态分类识别方法，其特征在于，具体方案步骤如下：步骤1、将采集到的声发射信号进行去噪处理，去除由于环境干扰带来的噪音数据；根据声发射信号的特点,采用sym4小波基函数对采集到的声发射信号进行小波默认阈值去噪处理；步骤2、将去噪后的信号进行傅里叶变换，得到信号频率范围5×10⁵HZ；步骤3、利用sym4小波基函数，通过Mallat算法分别对去噪后的信号进行若干层小波分解，将所分解的总层数表示为n，然后采用matlab中的wavedec函数求解各频带的小波系数，其中低频带小波系数表示为i为分解的层数且i＝1,2,3,…n，第i层高频带小波系数表示为步骤4、根据如下模型可求出步骤1中所获得的去噪后信号的总能量E为：$E=\underset{i=1}{\overset{n}{\Σ}}{\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}{f}_d^i{\left(t\right)}^{2}dt+{\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}{f}_a^n{\left(t\right)}^{2}dt---\left(1\right)$步骤5、计算小波分解后输出信号各频带能量值占总能量百分比以做后续处理第i层高频带小波系数能量值为：$E_d^i={\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}{f}_d^i{\left(t\right)}^{2}dt,i=1,2,3,\mathrm{...}n---\left(2\right)$低频带小波系数能量值为：$E_a^n={\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}{f}_a^n{\left(t\right)}^{2}dt---\left(3\right)$第i层高频带小波系数能量值占总能量的百分比为：${\mathrm{\ρ}}_d^i=\frac{E_d^i}{E}\×100\%---\left(4\right)$低频带小波系数能量值占总能量的百分比为：${\mathrm{\ρ}}_a^n=\frac{E_a^n}{E}\×100\%---\left(5\right)$步骤6、分别画出多组正常和振动状态下声发射信号小波系数能量图，并根据能量图差异性判断信号的状态。