《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > 基于奇異值分解和小波包分解的故障檢測(cè)
基于奇異值分解和小波包分解的故障檢測(cè)
2018年電子技術(shù)應(yīng)用第3期
李一博,,沈 慧,,高 遠(yuǎn)
天津大學(xué) 精密測(cè)試技術(shù)與儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室,天津300072
摘要: 根據(jù)真空泵在故障和正常模式下工作時(shí),,其振動(dòng)信號(hào)在頻域的能量分布的差異性,,設(shè)計(jì)基于奇異值分解(SVD)和小波包分解(WPD)的真空泵故障檢測(cè)方法。首先用SVD對(duì)采集到的信號(hào)進(jìn)行去噪,,再使用小波包對(duì)去噪后的信號(hào)進(jìn)行分解,,對(duì)分解得到的各層系數(shù)進(jìn)行重構(gòu)并提取需要的各頻域段的能量。將提取的能量向量作為支持向量機(jī)(SVM)的輸入樣本,,對(duì)SVM進(jìn)行訓(xùn)練,。最后使用實(shí)驗(yàn)數(shù)據(jù)對(duì)SVM的可靠性進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,,采用SVD和WPD結(jié)合的方法能較好地識(shí)別出真空泵的故障,。
中圖分類號(hào): TB75
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.173275
中文引用格式: 李一博,沈慧,,高遠(yuǎn). 基于奇異值分解和小波包分解的故障檢測(cè)[J].電子技術(shù)應(yīng)用,2018,,44(3):56-59.
英文引用格式: Li Yibo,,Shen Hui,Gao Yuan. Fault detection method based on SVD and WPD[J]. Application of Electronic Tech-
nique,,2018,,44(3):56-59.
Fault detection method based on SVD and WPD
Li Yibo,Shen Hui,,Gao Yuan
State Key Laboratory of Precision Measuring Technology and Instruments,,Tianjin University,Tianjin 300072,,China
Abstract: A fault detection method based on singular value decomposition(SVD) and wavelet packet decomposition(WPD) is designed. The basis principle of this method is the difference of energy distribution of the vibration signals in the frequency domain when the machine works in the normal mode and the failure mode. Firstly, the signal is de-noised by SVD. Secondly, the signal samples are decomposed by using the wavelet packet, and then the wavelet packet coefficients are reconstructed and the energy of different layers is extracted. The energy extracted from different frequency domain is taken as a feature vector, and it will be the input sample of the support vector machine(SVM). Finally, the correctness and feasibility of SVM are proved through practical examples. The results of experiment show that the method based on SVD and WPD can identify the faults of the vacuum pump well.
Key words : fault of vacuum pump,;singular value decomposition(SVD);wavelet packet decomposition(WPD),;support vector machine(SVM)

0 引言

    目前,,隨著我國(guó)航空航天科學(xué)技術(shù)的發(fā)展,尤其是空間推進(jìn)技術(shù)的大力發(fā)展,,航天器空間模擬實(shí)驗(yàn)對(duì)實(shí)驗(yàn)設(shè)備的要求正在逐步提高,。而超低溫和高真空是模擬實(shí)驗(yàn)所重點(diǎn)要求的重要的測(cè)試環(huán)境。其中,,真空泵是空間模擬器的核心設(shè)備之一,,真空泵能否正常工作,將決定空間環(huán)境模擬器能否正常有效地完成航天器的真空熱環(huán)境實(shí)驗(yàn)。其次,,中國(guó)擁有大量的航空航天基地,,還有冶金行業(yè)等,真空泵的持有數(shù)量巨大,。因而,,無論是從設(shè)備安全角度還是從社會(huì)經(jīng)濟(jì)利益出發(fā),對(duì)真空泵運(yùn)行故障進(jìn)行檢測(cè)都具有重要的意義,。

    在傳統(tǒng)的機(jī)械故障診斷技術(shù)中,,傅里葉變換是最常用的頻域信號(hào)處理方法,但是由于其自身的局限性,,在面對(duì)非線性以及時(shí)頻變化規(guī)律時(shí)稍顯無力,。而小波變換的取樣步長(zhǎng)隨著頻率的變化而變化,與實(shí)際生活中高頻信號(hào)對(duì)時(shí)間分辨率要求高而低頻信號(hào)對(duì)頻率分辨率要求較高的特點(diǎn)相符合[1],,因而更能滿足在處理信號(hào)時(shí)對(duì)時(shí)域和頻域的要求,。

    奇異值分解(Singular Value Decomposition,SVD)是一種能夠有效提取信號(hào)特征的方法,,通過SVD得到的奇異值表征著數(shù)據(jù)的固有性質(zhì),,其穩(wěn)定性和不變性較好[2-3]。研究表明,,通過對(duì)信號(hào)進(jìn)行SVD后再進(jìn)行信號(hào)重構(gòu),,能夠有效去除信號(hào)中的噪聲,留下有用的信息[4-5],。通過構(gòu)造信號(hào)的吸引子軌跡矩陣,,并對(duì)之進(jìn)行SVD,通過計(jì)算選擇適當(dāng)?shù)钠娈愔祦磉M(jìn)行信號(hào)重構(gòu),,就能剔除掉信號(hào)中的隨機(jī)部分,,最大程度保留信號(hào)的有用部分,達(dá)到信號(hào)去噪,。

    支持向量機(jī)(Support Vector Machine,,SVM)是一種被廣泛應(yīng)用于模式識(shí)別的機(jī)器學(xué)習(xí)方法,其基本的理論原理是統(tǒng)計(jì)學(xué)理論,。在處理高維數(shù),、非線性、小樣本的問題中,,SVM具有較強(qiáng)的優(yōu)勢(shì),,因而本文選取SVM進(jìn)行故障模式的識(shí)別[6]

    本文結(jié)合SVD和小波包變換,,實(shí)現(xiàn)真空泵的故障特征提取,,再將提取的特征向量輸入到SVM中,,從而實(shí)現(xiàn)真空泵的故障識(shí)別。

1 奇異值分解(SVD)

1.1 SVD原理

    對(duì)于采集到的時(shí)間信號(hào)x(n),,其長(zhǎng)度為N,,n=1,2,,3,,4,…,,N,,對(duì)其進(jìn)行相空間重構(gòu),其采樣間隔為τ,,則重構(gòu)的吸引子軌跡矩陣A為[7]

ck2-gs1-3.gif

1.2 基于SVD的信號(hào)去噪方法研究

    對(duì)于采集的時(shí)間序列x(n),,有用信號(hào)和噪聲混雜其中。根據(jù)研究,,若信號(hào)為光滑信號(hào),,那么其吸引子軌跡矩陣的秩r<min(L,M),;若信號(hào)含有一定的噪聲,,那么其吸引子軌跡矩陣的秩r=min(L,M)[8],。在對(duì)SVD的研究中發(fā)現(xiàn),,相比光滑信號(hào)的奇異值主要分布在前k個(gè)上,噪聲信號(hào)的奇異值對(duì)各維度的貢獻(xiàn)基本相等,。因而,對(duì)時(shí)間序列x(n)進(jìn)行SVD,,得到r個(gè)奇異值,,按大小依次排列為α1,α2,,…αk,,…,αr,,信號(hào)的有用信息主要集中在前k個(gè)奇異值上,,后r-k個(gè)奇異值更多表征著噪聲信息。為了去噪,,可以去除后r-k個(gè)奇異值,,將其設(shè)置為零,得到一個(gè)新的對(duì)角矩陣Λ′:

ck2-gs4-6.gif

    關(guān)于分離階數(shù)k的選取,,為了盡可能保留有用信號(hào),,可以利用奇異值的貢獻(xiàn)率來選擇,,貢獻(xiàn)率ρ定義如下:

    ck2-gs7.gif

    一般認(rèn)為貢獻(xiàn)率大于等于0.9時(shí)可以基本保留原信號(hào)的有用信息。

2 小波包分解(WPD)

    相較于小波分解,,小波包能夠?qū)ι弦粚臃纸獾玫降母哳l頻段進(jìn)行進(jìn)一步分解,,從而能夠提高信號(hào)的時(shí)-頻分辨率,具有更高的應(yīng)用價(jià)值[10],。

    WPD算法為:

ck2-gs8-10.gif

    由Parseval公式,,x(n)的小波包系數(shù)Cj,k的平方具有能量量綱,,所以選用WPD得到的能量譜來表征信號(hào)的能量分布是可行的,。

3 實(shí)驗(yàn)系統(tǒng)與故障特征提取

3.1 實(shí)驗(yàn)數(shù)據(jù)的采集

    整個(gè)采集平臺(tái)由一個(gè)上位機(jī)、NI公司的采集卡6366,、前置放大器和一個(gè)傳感器構(gòu)成,。采集卡的采樣率最高可達(dá)2 MS/s,并且支持8通道同步進(jìn)行采集,。傳感器采用的PAC公司的R3α,,其中心頻率為29 kHz。

    實(shí)驗(yàn)采集真空泵在正常運(yùn)轉(zhuǎn)與過載情況下的振動(dòng)信號(hào),,采樣率是100 kHz,,每組采集5 000個(gè)點(diǎn)。采集130組數(shù)據(jù),,前60組作為SVM的訓(xùn)練樣本,,后70組數(shù)據(jù)作為SVM模型的校驗(yàn)樣本。采用中科科儀公司生產(chǎn)的110分子泵機(jī)組進(jìn)行實(shí)驗(yàn),,使用PAC公司的R3α進(jìn)行采集,,最后選擇合適的實(shí)驗(yàn)樣本進(jìn)行分析。

3.2 信號(hào)的特征提取

    經(jīng)過采集系統(tǒng),,得到真空泵的振動(dòng)信號(hào)x(n),,圖1即為采集到的過載信號(hào)原始圖。

ck2-t1.gif

    根據(jù)前面提到的,,對(duì)原始過載信號(hào)x(n)進(jìn)行奇異值分解去噪,。首先計(jì)算x(n)的自相關(guān)函數(shù),從而得到吸引子軌跡的延遲步長(zhǎng)τ,。經(jīng)計(jì)算,,τ為6。根據(jù)已經(jīng)確定的延遲步長(zhǎng),,對(duì)信號(hào)進(jìn)行奇異值分解,,奇異值分解如圖2所示。選取嵌入維度為200,,x(n)長(zhǎng)度為5 000,。選擇根據(jù)貢獻(xiàn)率來選定奇異值,,本文保留90%的奇異值,經(jīng)計(jì)算,,對(duì)于測(cè)試信號(hào),,保留前142個(gè),對(duì)后58個(gè)置零并進(jìn)行信號(hào)重構(gòu),,這樣就得到了去噪后的測(cè)試信號(hào),。對(duì)去噪后的真空泵的正常和過載信號(hào)用db11小波進(jìn)行7層WPD,通過小波包的分解與重構(gòu),,選取能量集中的前8個(gè)頻段,,如圖3~圖6所示。其中,,縱坐標(biāo)表示幅值,,s70、s71…s77分別表示第7層的第1,、2…8個(gè)頻段,。

ck2-t2.gif

ck2-t3.gif

ck2-t4.gif

ck2-t5.gif

ck2-t6.gif

    對(duì)于得到的8個(gè)有效頻段,分別求其能量:

ck2-gs11-12.gif

    這樣,,可以得到一個(gè)由頻段能量組成的8維向量[E0,,E1,E2,,E3,,E4,E5,,E6,,E7],得到的小波包能量譜如圖7所示,。

ck2-t7.gif

4 模式識(shí)別

    支持向量機(jī)(SVM)是由Vapnik首先提出的,,現(xiàn)在學(xué)者們常常將之用來解決線性回歸以及模式識(shí)別的問題。SVM的解決問題思路是尋找一個(gè)適當(dāng)?shù)某矫鎭碜鳛榉诸惽?,使得想要區(qū)分的樣本之間的隔離邊緣達(dá)到最大[12],。

    測(cè)試信號(hào)首先進(jìn)行SVD去噪,,再經(jīng)過7層WPD,,得到第7層的8個(gè)頻段的能量組成的8維向量作為SVM的輸入。正常工作下的信號(hào)輸出為1,,故障情況下的輸出為-1,。 測(cè)試結(jié)果如圖8所示。   

ck2-t8.gif

    可以看到,,SVM對(duì)故障和正常信號(hào)的判別正確率達(dá)到98.57%,。這說明通過奇異值去噪和WPD提取的能量向量作為故障的特征信息是可行的,。用訓(xùn)練樣本對(duì)SVM進(jìn)行訓(xùn)練,再對(duì)其用測(cè)試樣本進(jìn)行檢驗(yàn),,得到的結(jié)果與實(shí)際符合,,因而用SVM進(jìn)行故障識(shí)別具有很強(qiáng)的可靠性。

5 結(jié)論

    本文結(jié)合SVD,、WPD以及SVM進(jìn)行真空泵的故障識(shí)別,。SVD能較好地去除信號(hào)中的無用噪聲,再通過小波包的分解與重構(gòu)來進(jìn)行特征提取作為SVM的輸入向量,,具有非常高的準(zhǔn)確率,,能夠準(zhǔn)確高效地識(shí)別出真空泵的故障。因而,,基于SVD,、WPD以及SVM的真空泵故障診斷方法是有效可行的。

參考文獻(xiàn)

[1] 葛哲學(xué),,沙威.小波分析理論與MATLAB R2007實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,,2007.

[2] 溫廣瑞,張西寧,,屈梁生.奇異值分解技術(shù)在聲音信息分離中的應(yīng)用[J].西安交通大學(xué)學(xué)報(bào),,2003,37(1):37-40.

[3] 李亞安,,王洪超,,陳靜.基于奇異譜分解的水聲信號(hào)降噪方法研究[J].系統(tǒng)工程與電子技術(shù),2007,,29(4):524-527.

[4] 呂志民,,張武軍,徐金梧,,等.基于奇異譜的降噪方法及其在故障診斷技術(shù)中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),,1999,35(3):85-88.

[5] 劉獻(xiàn)棟,,楊紹普,,申永軍,等.基于奇異值分解的突變信息檢測(cè)新方法及其應(yīng)用[J].機(jī)械工程學(xué)報(bào),,2002,,38(6):102-105.

[6] 張超,陳建軍,,郭迅.基于EMD能量熵和支持向量機(jī)的齒輪故障診斷方法[J].振動(dòng)與沖擊,,2010,29(10):216-220.

[7] 段向陽,,王永生,,蘇永生.基于奇異值分解的信號(hào)特征提取方法研究[J].振動(dòng)與沖擊,,2009,28(11):30-33.

[8] 趙艷菊.強(qiáng)噪聲背景下機(jī)械設(shè)備微弱信號(hào)的提取與檢測(cè)技術(shù)研究[D].天津:天津大學(xué),,2008.

[9] 陳恩利,,張璽,申永軍,,等.基于SVD降噪和盲信號(hào)分離的滾動(dòng)軸承故障診斷[J].振動(dòng)與沖擊,,2012,31(23):185-190.

[10] BOGGESS A,,趙樹森.小波與傅里葉分析基礎(chǔ)[J].國(guó)外科技新書評(píng)介,,2010(4):2.

[11] 孫潔娣,靳世久.基于小波包能量及高階譜的特征提取方法[J].天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版),,2010,,43(6):562-566.

[12] MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2010.



作者信息:

李一博,,沈  慧,,高  遠(yuǎn)

(天津大學(xué) 精密測(cè)試技術(shù)與儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室,天津300072)

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。