基于小波包能量-决策树的滚动轴承混合故障诊断

作者:赵庆恩;黄宏伟;冯坤;史恒慧;雷文平 刊名:《轴承》 上传者:魏建胜

【摘要】常规的信号处理方法通常无法对滚动轴承的混合故障进行有效诊断,因此将小波包能量与决策树算法相结合,用于滚动轴承混合故障诊断。首先,用小波包能量方法对故障信号进行特征提取;然后,提取向量作为训练样本训练决策树故障模型;最后,将测试样本输入到训练好的决策树故障模型,实现故障分类。滚动轴承混合故障试验表明:该方法具有原理简单、准确率高的优点。

全文阅读

1概述对复合故障诊断方法的研究是旋转机械故障诊断的热点和难点。将特征提取方法与智能分类相结合的智能诊断如图1所示,已取得了一定的进展:文献[1]将信息熵与人工神经网络相结合,成功用于交流电动机的混合故障诊断;文献[2]将奇异值分解、统计分析方法及人工神经网络相结合,用于交流电动机不同工况下的混合故障诊断;文献[3]将单分类方法-支持向量机与小波分析相结合,用于三相交流电动机的混合故障诊断;文献[4]提出一种自学习特征提取与监督神经网络相结合的旋转机械混合故障诊断方法,并在轴承混合故障及齿轮箱混合故障中得到了应用;文献[5]将信息熵信号处理方法与模糊逻辑推理智能诊断方法相结合,用于旋转机械的混合故障诊断。上述智能分类方法虽然可行性好,分类精度较高,但均存在计算效率低的问题。因此,提出一种小波包能量-决策树的滚动轴承混合故障诊断方法,其更适用于滚动轴承故障信号非线性处理,而且计算原理更简单,效率更高。图1智能诊断流程图Fig.1Flowchartofintelligentdiagnosis2小波包能量特征提取滚动轴承有故障时产生的振动信号是一种典型的非平稳信号[6],小波包分析[7-9]能够有效处理这种非平稳信号,其中Daubechies小波在轴承振动信号分析中应用广泛。对于Daubechies小波族,其频域性能和计算量都与阶数成正比,权衡频域性能与所需的计算量,选取db3对各通道信号进行4层小波包分解,然后提取第4层上各节点的能量(称为小波包能量)作为特征。第j层上节点n的小波包能量定义为Ej,n=N3k=1w2j,n(k),(1)式中:wj,n(k)为小波包系数;Nj为第j层上各节点的小波包系数的数目。3决策树算法为提高计算效率,选用决策树中的C4.5算法[9]。C4.5算法属性选择的度量标准为:在树构造阶段,将带有离散值属性的训练样本进行分类,使各个分区的样本都从属于同一类;初始的决策树有1个单一的根节点,然后每次划分会增加1个新结点;对于样本集S,通过测试属性X将其划分为S1,S2,…,SL,于是生成与之对应的新结点,在决策树的根节点下延伸出这些子节点,并以X作为样本集S的划分属性;最后对刚才的步骤进行递归调用,直至每一个划分区间的样本都属于同一类。决策树的构造质量很大程度上取决于属性X的选择。C4.5算法以信息熵为标准进行属性选择,信息熵函数的计算方法为:1)计算训练样本S的信息熵I(S)=-Ki=1{[f(Ci,S)/S]log2[f(Ci,S)/S]},(2)式中:S为训练样本的个数;Ci为相应的分类;K为样本总类别数;f(Ci,S)为相应分类中样本的个数。2)计算根据属性X对样本集S划分的期望信息值IX(S)IX(S)=-Li=1[(Si/S)I(Si)],(3)式中:L为测试属性X的不同值的个数;Si为根据X划分样本的第i种取值的子样本;Si为对应的样本个数。3)计算按照属性X划分的信息增益G(X)=I(S)-IX(S)。(4)4)计算按照属性X划分时,样本集合S的潜在信息为S(X)=-Li=1[SiSlog2SiS+(1-SiS)log2(1-SiS)],(5)样本集合S的信息增益比率为Gr(X)=G(X)/S(X)。在每个树节点上,测试属性根据信息增益比率(InformationGainRatio)的大小选择,并将Infor-mationGainRatio最高的属性作为当前节点的测试属性。这种选择标准正常情况下能产生较好的一致性检验结果。C4.5算法的剪枝及连续属性的离散化可参考文献[9],在此不再赘述。决策树构造算法步骤如下:

参考文献

引证文献

问答

我要提问