故障诊断学与可靠性工程作业(吐血分享).docx

机械故障诊断学及可靠性工程MECHANICAL FAULT DIAGNOSTICS ANDRELIABILITY ENGINEERING作业题目基于冗余第二代小波包变换和邻域粗 糙集以及支持向量机的机械故障诊断作者姓名黎原作者学号S12080203030学科专业机械设计及理论 指导教师董敏教授2013年6月机械故障诊断学及可靠性工程基于冗余第二代小波包变换和邻域粗糙集以及支持向量机的机械故障诊断硕士研究生：黎原硕士生学号：S12080202030导师：董敏教授学科专业：机械设计及理论所在单位：机械工程学院Mechanical fault diagnostics and Reliability EngineeringMECHANICAL FAULT DIAGNOSIS BASED ONREDUNDANT SECOND GENERATION WAVELETPACKET TRANSFORM, NEIGHBORHOODROUGH SET AND SUPPORT VECTOR MACHINEby Li YiianSupervisor: Professor Dong MinYanshan UniversityMav,2013J 7摘要本文研究的冗余第二代小波包变换(RSGWPT),邻域粗糙集和支持向量机 (SVM) (NRS)关于故障检测，属性简约和模式分类中的应用。在此基础上，提 出了基于RSGWPT, NRS和SVM的机械故障诊断的一种新方法，它利用RSGWPT从 小波包系数的统计特征中提取故障特征参数构成特征向量的，然后通过NRS法使 性能简约从而取得的主要的功能特性，最后这些主要特点被输入到SVM实现故障 模式分类。所提出的方法用于变速箱和汽油发动机气门列车的故障诊断，实验结 果表明，该方法可以提取故障特征，具有更好的分类能力，同时在保证分类准确 率的情况下，减少了很多的冗余功能，从而提高分类效率，达到更好的分类性能。关键词：冗余第二代小波包变换；邻域粗糙集；支持向量机；属性约简；故障诊 断I目录摘要I正文11引言12 RSGWPT和故障特征提取33NRS和故障特征选择54SVM和故障特点分类85实验装置和数据采集105.1 变速箱试验105.2 汽油发动机气门列车实验106结果与讨论116.1 案例1：变速箱故障诊断116.2 案例2：汽油发动机气门的故障诊断136.3 讨论147结论17致谢18参考文献19H正文正文1引言随着越来越多的高品质的生产需求，有效的机械故障诊断已获得越来越多的 关注一般来说，在故障诊断系统中的两个重要步骤：第一个是故障的特 征提取的信号处理的，它决定了设备中是否发生了故障，第二步骤包括在先前步 骤中获得的特性的基础上的模式分类。目前故障诊断方法的有效性进行评估时， 精度和速度都是非常重要的因素，所以寻找一个准确且快速的方法进行故障诊断 是一个重要的问题4, 5。总之，机械故障诊断的研究的目的是要找到一种方法, 通过使用从收集到的振动信号或声音发射信号中提取出来的故障特征来准确评 估故障类型。初期的故障特征往往是薄弱的，并且隐藏在背景信号中，所以很难用传统的 信号处理方法来检测它们。第二代小波变换 信GWT）,由WimSweldens提出,是 一种新的小波构成方法，该方法采用了提升方案6, 7。它可以被看作是经典的 离散小波变换的替代实现。SGWT主要特征的是它提供了一个完全的空间域变换 的解释，而不是传统的基于频域的结构。SGWT的时间-频率分辨率随分解的水 平不同而变化。它在高频子带提供了良好的时间分辨率和较差的频率分辨率，在 低频子带，它提供良好的频率和较差的时间分辨率。为了在故障特性经常存在的 高频子带中获得更高的分辨率，第二代小波包变换（SGWPT）已经建成，并因此 在每个层次的细节系数进一步分解从而得到的近似和细节分量4, 8-10 o不幸的 是，SGWPT没有时间不变性。延迟信号的分解结果，将原始信号的时移版本。这 可能会导致有用信息的特征提取与故障诊断故障的损失。冗余提升方案具有时间 不变性并且克服了提升方案的缺点，摆脱了小碎步和算子和更新算预测的零填 充，这使得各级的近似和细节信号与原始信号的长度是相同的11T3。基于冗 余提升方案小波包变换不仅能提供更详细的局部时频信号的描述，还能抑制频率 混叠成分的分析结果，因为它没有分割和合并步骤的分解和重建阶段14。因此, 统计功能从变换系数RSGWPT提取有更大的能力来检测故障信号。一般来说，震动信号是从 监控机械设备中获得的。A / D转换后，采样的 振动数据分解使用RSGWPTo从每一个所得到的子带的小波包系数，可以计算出 统计特性来描述每一个尺度的信号的特性。这些统计功能，可以直接在故障诊断 应用，但在实践中，从实验数据中提取的某些功能通常是不完善和冗余，甚至对 方不兼容，因此给机械故障诊断带来了很多问题，如高计算复杂度，低的识别速 度和识别效果弱。因此，调查故障诊断方法使用较少的属性值，而不错过任何故 障信息是非常有意义的。粗糙集理论是解决不确定的，不精确的和模糊的信息问题的一种有用的数学 工具，这方面的知识是关于域名COM分区和粒度特性。粗糙集理论的特点是创造 近似描述对象进行数据分析，优化和认可，它不需要域或先验知识。因此，使用 这种方法可以评估的各种属性的重要性，并没有额外的知识，除了保留一些关键 的属性所需提供的数据5。目前，粗糙集方法已经应用在许多领域，如机器故 障诊断，股市预测，决策支持系统，医疗诊断，数据过滤和软件工程15T8。然而，经典的粗糙集模型可以被用来处理类别特征是离散值，因此机械故障 诊断系统中基于粗糙集的特征选择，因此有必要引入一个离散化算法分区值域实图1.提出的故障诊断程序的流程图。时值的变量分成几个时间间隔，然后把它们看作是类别特征。近年来许多的数值 属性离散化方法已经提出，包括等距离方法，频率相同的方法，最大燧法等16。 显然，离散化的数值属性，可能会导致信息丢失，因为不考虑数值离散化值的隶 属度19, 20。为了解决这个问题，引入一个邻域粗糙集模型，可以处理分类和 数值属性，一些属性约简算法基于此模型已建成20-22。由于数值属性离散化 的情况下的故障信息，邻域粗糙集模型的属性约简，可以完美地保存原始数据。对于分类，文献中有很多关于特定应用的最优分类，例如齿轮故障检测，复 式压缩机，滚子轴承等等23-26。支持向量机（SVM）是一种新型的基于统计学 习理论的机器学习方法，该方法最初是由Vapnik介绍，其中有许多吸引人的特 点，包括其理想的分类能力有少量的非现场故障数据样本和有前途的实证表现线性和高维模式识别27-29L根据上述原则，本文提出了一个新的机械设备故障诊断方法，它利用了构建 在冗余提升方案和SGWPT基础之上的RSGWPT来提取故障特征参数，然后运用NRS 方法使故障特征向量的属性约简从而获得主要特性参数，最后这些主要特点输入 到SVM实现故障模式分类。故障诊断方法的流程图建议如图1所示。本文的其余部分安排如下：在第2节中，统计参数的小波包变换系数作为故 障特征由RSGWPT所提取。在第3节，通过NRS法，特征向量被减少，一些关键 功能也被选择了进行分类。在第4节中，我们使用支持向量机来完成基于选定的 功能基础上的故障模式分类。在第5及6中，所提出的方法应用于汽油发动机的 齿轮箱和气门传动诊断不同的状态，结果已验证建议的诊断方法的有效性。最后 的结论将在第7节中进行了简要叙述。2 RSGWPT和故障特征提取为了完成RSGWPT的构建，本节介绍SGWPT和冗余提升方案。首先SGWPT的分解和重建阶段说明如下。SGWT的分解阶段包括三个步骤: 分裂，预测和更新。在分解阶段，根据下面的公式计算每个子带的系数：X/+i,2 =X/l0-P(X/je)Xi+i,i =X/e + U(X/+i,2)< =X'2o-P(X|,2%)=X|,2% + U(X/+,2»i)SGWT的重建阶段的是分解阶段的一个相反的过程，其中包括逆更新步骤， 逆预测步骤和合并步骤。在重建阶段，将要被重构子带系数被保留，然后其他子 带系数被设定为零。最后，重构的结果，由公式如下得到：=X/+ 2仆1_1 U(X(+.21Al)X1,2b =Xj+i+ P(X1,2%)Xl2i(2i) = Xl2ieX|,ie =Xi + ij -U(X + i,2)X.o =X/ + 1 2+P(X1,ie)X/,1 ) = X/eX：(2i + 1) =X,io图2 . RSGXVPT的分解阶段其次，在冗余提升方案，小碎步将被丢弃。假设P和U】分别代表1级冗余 提升方案的预测和更新算子，则户和U1的系数通过用零11填充P和U初始算 子P；和U,得到。pli=,p?.oo 虑.就凤-12(-12,-12f-lq = ng, u?,，,叫 _2。,021-12f-12'-1运用冗余提升计划和SGWPT, RSGWPT很容易被构造。RSGWPT在1级的预测 步骤和更新步骤通过使用P和U1进行预测，表示如下：'X/十,2 =X/,1-P'-1(X,1)X|+1,1 =1+户1(为 + 1,2)< 为十 i2+i =X/2i-P/+1(X/2i)X1+12+1_i =方力 + U'+1 (X/+胃+1)RSGWPT的重建阶段可以从其分解阶段得到，并且可以由下述公式表达：J 1,2' =(V2)(X/+1 2i+i_1-U,+1(X/+1 2i+i)+X/+1 2i+i +P/*1(Xf+1 2r+i_1-U,*1(Xf+1 2r+i)X/,1=(l/2)(X/+1,1-U/+,(X/+1,2)+Xf+1,2+P/+,(X/+1,1-U,+ 1(X/+1,2)RSGWPT的分解和重构的阶段分别由图中2和图3表示。由于没有RSGWPT分解阶段的分割操作，所有各级的近似和细节系数与输入 信号具有相同的长度。因此，RSGWPT的分解结果具有时间不变性，并且保持完 美的原始信号的信息。此外，它还具有抑制频率混叠性能14,这是非常有用的 故障特征提取与故障诊断。使用RSGWPT对采样的振动数据分解，从每一个所得 到的子带的小波包系数，九个统计特性包括峰值，均值，标准差，均方根，形状 系数，偏度，峰度，峰值因数和脉冲指数指的是在每一个尺度来描述的信号的分 布特性。如果RSGWPT的分解水平是1,即，子带的小波包的数目为* 和n统计特 性从各子带中提取的，那么所形成的故障的特征向量有乘以n功能的参数。根 据这些统计特性，可以得到的特征向量，并且，故障的原因和类别的特征向量的 映射关系，也可构建。3 NRS和故障特征选择基于粗糙集的特征选择的动机是选择一个最小的属性子集，它作为整个属性 集具有相同的特征。古典粗糙集模型只适合处理的分类功能。虽然作为数字数据, 它广泛存在于机械故障诊断的实际应用，但有必要转换数值属性分类属性。研究 人员通常采用离散化算法值域实值变量分成几个间隔分区，然后把它们看作是类 别特征。这种转换可能不仅会导致信息丢失，而且也使得获得的结果在很大程度 上取决于离散效应。为了解决这个问题，邻里粗糙集模型被提出20, 21。下面介绍了它的基本 概念和原理。在信息系统U,A中,U是一个非空有限集合，被称为总体的样本XLX2,., XN), A是一组属性Al, A2, AM(也称为功能)，它表明了样品特性。具体来说，U, A也称为决策表，如果A二CD,其中C为条件属性和D为决策属性 集。给定一个xi GU, BC功能空间B中的xi的邻域被定义为：5(七)=化H引其中6是邻域的大小，而/是一个距离函数。特别的，如果B是分类的功能 集，则6=0。一般归结距离被定义：一 nZe%-%)”_k=l一其中xik和xjk分别是xi和xj在功能为k时的值。P是一个不小于1的实 数。根据所选择的不同的P值得到三种距离函数：(1)当P=1时，为曼哈顿距离 /I; (2)当P=2时，为欧氏距离/2； (3)当P=8时，为切比雪夫距离,3。SB(xi)是以样本xi为中心的邻域信息点，它受两个重要因素的影响。一个是所使用的距离函数，该函数决定邻域的形状，另一个是阈值8,用于控制邻 域的大小。如果属性集A中同时包含数值属性B1和分类属性B2,那么由Bl, B2 和B1PIB2得出的样本x的邻域被定义为：鼠(x)= k /(占用) 5,% £ u4(K)二句金式为)=。，玉名叫(x)= k(x，xj K 5c 殳(x，x) = 0从上面的定义中，我们可以看到，样本领域内在类别特征的数值 的功能很有多相同的值，其距离比阈值3低。总体中的领域关系式N 可以写成相关矩阵(旬%也的形式，如Eq中所示。邻域关系中绘制在一 起的对象在距离上具有相似性或不可分辨性。=A g*0, otherwise如果在系统中有一个属性在总值范围内生成一个邻域关系，那么 这个信息系统被称为邻域信息系统，记为NIS=U,A,N。具体来说, 如果在系统中有两种属性集，即人=(20口，其中C为条件属性集， D是决策属性集，那么至少存在一个条件属性，它包括总体中的邻域 关系，邻域信息系统也被称为邻域决策系统，它由NDT= U, CUD,N表示。假设xi，X2，xm是命令1-N的对象子集，8 b(Xx) 是由属性子集BcC产生的样本我的邻域信息。相对于属性B的定值 D的下限和上限的约数被定义为：=3 n 用。=5瓦 X, 其中NpX = %怜8(Z)=*,七 £(/,NrX = Maa)cX r。,七 £定值的下限约数也被称为定值正区域，用POSB(D)表示。对 象的子集邻域地区均属于决策类。与此相反，位于邻域子集的边界区 域(BN(D)= NbD-NbD)的样本来自于一个以上的决策类中。因此邻 域模型将样本分为正区域和决策类边界地区。正区域中的样品可分为 没有不确定性的决策类和不能被确定的边界区域分类，后者很容易被 错误分类。因此，边界区域越大，条件属性的特征越不明显。为了表 征功能的显著性，DB的依赖程度被定义为：其中I I是一个集合的基数。Yb(D)反映B近似D的能力，它可 以用来测量特征子集的重要性。Sig/,5,O)=(0九(0运用的上述属性评价方法，本文采用了基于邻域粗糙集模型的属 性约简算法计算正无穷的数值。从一个空集开始，该算法计算每一轮 的所有其他属性中该属性的比重，并具有将比重最大的属性加入到还 原集的功能。直到该属性的比重在其余所有属性中的比重接近于零， 该算法才停止。该算法被描述如下：步骤1：给定一个邻域决策系统NDT=<U,A,N>作为输入，其中U是 一个非空有限的样本集Xi，X2，xu; A=CUD,其中C为条件 属性集，D是决策属性集；步骤2：对于Va£A,计算Na的领域关系；步骤3：让。一red,其中ied是包含所选属性的区域；步骤4：属性的子集的比重可以由SIG功能定义。对于每一个af A-red,计算其 Sig(ai,red,D)= Yredua(D)- yred(D)；步骤5：属性选择的目的是要搜索属性的一个子集，使得它的分类问 题在所选择的特征空间中具有最大的一致性，属性评价的措施之一是 选择一个满足下式Sig(ak,red,D尸max(Sig(ai,red,D)的加值。步骤6：如果Sig(ak,red,D)>0, redUakred,那么程序转到步骤4； 否则回到ied的还原效果。图3. RSGWPT的重建阶段4 SVM和故障特点分类SVM是一种统计机器学习技术，已被广泛应用在模式识别领域。让 (%, y) 1 = 12,N表示一个实验样本集s,每一个样本%属于集合y”-1,1。 支持向量机的目标是要找到一个超平面来划分S,例如，与同一个标签上的所有 点的超平面的同一侧上，而这两个类A和B之间与和超平面的距离达到最大化。 两个数据集的最优超平面的一个例子如图4所示。如该图4所示，圆圈和方块分别代表两类相同的样本点0 H是一个分离平面。 H1和H2是分别平行于H的平面，并且通过这些级别中离H最近的采样点。H1和 H2之间的距离被定义为余量。具有泛化误差最小的最佳分离平面是一个不仅能 正确将所有样本点分为这两级，而且但也在H1和H2之间的留有最大分差。应用 核函数，支持向量机可以用于非线性分类任务中。其基本思想是使用非线性变换 到一个高维特征空间的变换输入向量，然后在特征空间中进行线性分离。为了构 建一个非线性支持向量分类模型，内积(xi,x)的被核函数K(xi,x)所取代，如以图4.(A)小幅度分离平面和(B)大幅度的分离平面200500斓郴科阳枷砸枷阿帆砸断网砸榔M岫秘稠郴(s/UJcOQea)一 90041。-500-200 0100200300400500600100200300400500600Sample points0图5.变速箱四个条件下一个周期内的振动信号下等式中所示:/(X) = sgi/1+ 1=1支持向量机具有两个层次。在学习过程中，第一层从给定的一组由内核中定 义的基地中选择基础K(xi,x), i= 1, 2, N；第二层在这个空间内构造的一个线性函数。这和在对应特征空间构造最优超平面是完全等价的。通过使用 不同的内核功能，如线性，多项式，高斯和拉普拉斯径向基函数，SVM算法可以 9机械故障诊断学及可靠性工程构建多种学习机制。在本文中，采用序列最小优化（SMO）算法来验证支持向量分类。径向基核 函数的被选用并且复杂性参数C被设置为10。所有算法由十倍交义验证法进行 测试，该方法把样本分成10份，9份用于实验，其余的1份进行测试。的10次 试验的结果被看作是所有测试的平均值。5实验装置和数据采集为了证明提出的故障诊断方法的性能，本节中提供二种实验设置来提供汽油 发动机的齿轮箱和阀列车由各种故障情况下的振动信号。5.1变速箱试验该实验装置包括一个四速摩托车变速箱根据测试的基础上，一个恒定的标称 转速为1420 rpm的一个电机，负载机制，多道脉冲分析仪系统，三轴加速度计, 转速计和四个减震器根据试验台的基础32。使用加速度计，从实验测试的齿轮 箱的振动测量的信号。加速器安装在齿轮箱的输入轴的轴承箱的外表面。使用分 段三次Hermite插值法测得的振动信号的二维同步从创新的角度来看，这不能保 证与转速表所需要的信号相同步。每转一圈的信号的同步之后，在这四种状态一 个周期中的振动数据如图5所示。表1汽油发动机气门的五种状态状态代码故障描述S-1正常状态S-2进气门间隙的4缸和4缸的排气门间隙过大S-3进气门间隙的第3和第4缸和第2缸的排气门间隙过大S-4进气门间隙的第4和第1缸排气门间隙过大S-5进气门间隙的第3和第4和第1和第2缸的排气门间隙过大5.2汽油发动机气门列车实验第二个例子是，以确定不同的汽油发动机的气门传动条件。由脉冲传感器产 生的四气缸的极限位置线被设定为所有信号的基准点。一个工作周期振动信号的记录，其 中包括约7201曲轴转角。振动的加速度传感器被安装在所述气缸盖中，采样频 率为16千赫。对几个典型故障的阀门火车进行模拟，如进气门间隙过大和排气 门间隙过大。测试了五种状态，包括阀列车的四个故障状态和一个正常状态。气 门的五种状态如表1所描述示。这五个状态在一个周期中的振动数据如图6所示。正文211111) 0 加( j2M'zw'v"RWv"vSA"A/v>v'i*w/V'VM4WMjz<vvzx/inM.WPz"2050010001500200021!11(S/UJCOQEJ -9004砥 0心-2'11111co(bIDCO20-2i20-2i20-20500100015002000/yWkAWMV*7VWvvvMAMVVAAAAWVvvwIWWV|/V|fl 1 1 1 1 05001000150020007Vxa*WM/VW/Wva*>V'/VW''A/aAaAwVWVV0500100015002000Sample points图6.五个条件一个周期内的气门的振动信号6结果与讨论为了确定汽油发动机的监控齿轮箱和气门传动的不同的工作条件，建议实施 上述的故障诊断方法。6.1 案例1：变速箱故障诊断首先，对于变速箱的故障诊断来说，使用RSGWPT将样本数据分解为3级。 分别选择原始的操作数P和U, M=4, N=4o基于ISM,初步预测算子P为0.0625, 0.5625, 0.5625, 0. 0625初始更新算子 U 为0. 0313, 0. 2813, 0. 2813, 0. 0313。 然后获得八个子带系数，从而可以计算每个样品72的统计特性。通过网络实名 制，使用所有故障的功能和选定的故障功能，分类精度得到了研究。结果在表 2中列出。变速箱试验的分类精度，对于使用所有故障的特性并且通过NRS使用所选择 的错误的功能的方法来说几乎是相同的。因为这个实验的数据的分类具有较低复 杂性。为了解释建议的故障诊断方法的优点，运用邻域粗糙集可靠功能所计算的 单一的故障的功能的意义如图7所示，并且邻域的大小被设置为0. 2。表2通过NRS使用所有故障功能和选定的故障功能获得变速箱试验的分类准确率（）分解水平提取特征特征选择使用所有功能的分类精度使用所选功能的分 类精度118499. 9499. 9611机械故障诊断学及可靠性工程236399. 98100372210010000.05918273645546372Label of features3 O2 5 1CJ.1O.OAou a PU&SQ图7.变速箱实验相邻相关单一功能参数的差别对比图8精确度随变速箱按差异降序排列中附加的特征参数的增加结果表明，所提取故障特征的差别是不同的。某些功能的差别较大，有些是 零。因此，故障特征向量的特性，对于识别不同的工作条件不都是有用的，也就 是说，它包含一些无用的和冗余信息。为了解释这个问题，功能参数根据自己的 等级进行降序排序。然后依次使用最好中的的一个，两个，.，k个来构建分 类模型。图8表明， 分类功能的精度，通过使用这种方法，增加了这种差别的 正文降序排列。从图8,我们可以发现，对于齿轮箱的实验中，随着添加功能的数目的增加, 分类精度有所改进。但是，当数大于20时，分类精度停止提高。这意味着后面 的故障特性是完全无用的故障模式分类。这种方法被称为的排序功能选择方法。 在该方法中存在的问题是不能够识别冗余的功能参数。第3节中提到的贪婪搜索 策略，可以在一定程度上缓解这一缺点。图9表明，分类功能变化，随着一定选 用功能采用基于NRS的贪婪的数值属性约简算法而更加精确。我们可以发现，使 用基于贪婪搜索战略的特征选择，对于变速箱实验，只需要大约2个功能参数， 分类精度就可以达到99%以上。这似乎是，故障特征向量中的许多特征参数能 够进行更新，从而提高学习速度和分类效率。6.2 案例2：汽油发动机气门的故障诊断对于汽油发动机气门故障诊断来说，由于这5个状态之间的差异是非常小， 也就是说，不同的状态的分类的复杂性高于齿轮箱实验的样本数据，因此，实验 结果表明所提出的诊断方法的优势更加明显。使用RSGWPT,样本数据分解到5 级，最初的算子P和U的选择和以上变速箱的实验一样。其结果列于表3。图9.变速箱实验中随着使用基于NRS的贪婪的数值属性约简算法的一定数量的选定特征参 数而产生的精确度的变化表3通过NRS使用所有故障的功能和选定故障功能获得汽油发动机上气门分类准确率（） 分解水平提取特征特征选择使用所有功能的使用所选功能的分分类精度类精度1181482.3783. 102361889. 1389. 163721394. 4894.4141441197.3497. 285288997.8398.01从表3中，我们可以看到，通过NRS使用选定的故障功能所得到的分类精度, 接近或略多于使用所有故障功能所得到分类精度。但是，考虑到模式分类的时间 和空间成本，所提出的，通过NRS,包含功能选择诊断方法，显然是一个全面的 性能优化方法。此外，该结果也表明，分类精度随着分解级别的增加而增加，同 时，增加速率有降低的倾向。这似乎表明，分解层次的增加会导致更高的分类 性能。另一方面，RSGWPT的运算成本和分类的复杂性也随着分解级别的增加而 增加。因此，当选择一个特定的故障诊断问题的分解等级的时候，不可避免地, 需要在分类精度和算法的复杂性之间进行权衡和舍取。邻域的大小被设置为0.2,同时，通过邻域粗糙集相关性功能计算所得到的 3级和5级的单一故障特性参数的差别分别展示在图10 （A）和（B）中。结果再 次表明，故障的特征向量的特征参数对于识别不同的工作条件不都是有用的，并 且，它包含冗余的信息。图H和图12表明，在3级和5级，随着功能参数被加入到差别的降序排列 之中，分类更加精确了，同时，随着采用基于NRS的贪婪的数值属性约简算法的 选定特征参数的增加，分类的变化也变得精确。从图11和12,我们可以发现，分类精度随着附加功能参数的数量的增加而得到 改善，直到数量为27 （第3级）和72 （5级），分类精度不再提高。然而，对于 使用基于NRS的贪婪的数值属性约简算法的方法，只需要约13 （第3级）和9 （5级）的性能参数，就可以使分类精度分别达到94%和98%以上。6.3 讨论根据32,对于变速箱的故障诊断，首先是将样本数据使用WPT分解为4级, 得到16个子带系数，结果计算出构成故障特征向量的每个子频带的标准偏差值。 因此，在特征向量中有16个故障特征参数。最后，将特征向量输入人工神经网 络来完成故障模式分类。有研究结果显示，使用这种故障诊断方法的分类准确率 能达到100%。但在本文中，用变速箱（相同的振动信号样本32）进行故障诊 断的实验结果表明，只使用2个故障特征参数时分类精度可以达到100%。在汽 油发动机阀列车实验中，情况与第一个样本一样。实验结果表明，邻里特征选择 算法能够删除大部分冗余和不相关的特征，基于RSGWPT, NRS和SVM的故障诊断 方法可以提取故障特征，具有更好的分类能力，同时减少了很多冗余的功能，这种情况下，保证了分类的准确度，从而提高分类效率，达到更好的分类性能。有一些过错特征选择方法如距离评估技术33, 34,遗传算法23, 35,粗糙集 5, 15-18等。由于距离评估技术具有简单性和可靠性的特点，近年来一直用于 故障诊断中3, 4 o距离评估技术可以用特征评价指标评价单一故障特征的意义, 但是，它不能获得混合特征的意义，以直接实现最佳的分类表现。遗传算法在确 定适应度函数时是必不可少的，它与收敛速度和最佳功能子集的寻找直接相关。 不幸的是，适用性功能及相关参数的选择必须依赖于之前的知识和经验。经典粗 糙集模型可以被用来处理离散值的类别特征，因此对于机械故障诊断系统中基于 粗糙集的特征选择，有必要引入一个离散化算法将实值变量值域分成几个时间间 隔。显然，离散化的数值属性可能导致分类信息的损失21, 22。与上述方法相 比，本文中基于邻域粗糙集模型对故障特征的选择方法，具有以下优势：它完全 保留故障信息原始数据，并得到了最佳的功能子集，同时它不需要任何先验知识。02 o.A8016 1 O O.4 2 1 8 6 4 21 1 o o o o O O 00.0 0 0 c>0.0.O.O,O.O. Aouapuedoo918273645546372Label of features015B0.0450.040.0350.03* 0.025& 0.020.0150.010.005 03672108144180216262288Label of features图10.发动机气门实验临界相关性能单一功能参数的差别.（A）第3级临界相关性能单一功能参数的差别和（B）第5级临界相关性能单一功能参数的差别本文旨在创造出一种新型并相对广义的机械设备故障智能诊断模型。综上所 述，所提出的方法用于变速箱（一个典型的旋转机械）和汽油发动机（一个典型 的往复机械）阀列车的故障诊断。在齿轮箱中的实验中，从图5中所示的信号, 我们可以明显发现，实验数据具有较低的分类复杂性。在汽油发动机阀列车实验 中，如图6中所示，信号之间的差异是微不足道的，因此分类的复杂性高于第一 种情况。实验结果表明，提出的故障诊断方法对于简单和复杂的机械诊断问题都 是有效的。所不同的是，在相对复杂的故障诊断问题中，如汽油发动机阀列车实 验，更多的故障的特征参数被保留。因此，我们可以得出这样的结论，在保证分 类精度的情况下随着故障分类问题的复杂性增大，故障功能的数量增加。值得一 提的是，这种差异是由故障诊断模型的特性决定，无需人工干预，因此这种方法 在一定程度上具有自适应的特点。A 11111111/米来*-*»*"* 卜0.9 -./*»*95 O.B18273645546372Number of features2345678910111213Number of features图11.第3级发动机气门实验的精度变化.（A）准确度随降序差别中附加功能参数增加和（B）精度随使用一定量基于NRS的贪婪数值属性约简算法选定性能参数的变化量正文7结论在本文中，我们在RSGWPT, NRS和SVM的基础上提出了一种新的机械故障诊 断的方法。此方法利用了 RSGWPT的提取故障的特征参数，从小波包的统计特性 系数构成特征向量，然后使属性约简，通过NRS方法获得主要特征。这些关键功 能有较好的区分能力，这是分类的关键，所以它能更有效地输入到SVM的主要功 能以外的所有功能，实现故障模式分类。该方法可以快速、有效地从具有特定功 能的大量数据中选择一个最优的功能子集。所建议的有效故障诊断方法是对实际 实验中的变速箱和汽油发动机气门列车的应用进行验证。Number of features图12.第5级发动机气门实验的精度的变化.（A）准确度随差别降序排列中附加功能参数增加和（B）精度随使用一定量基于NRS的贪婪数值属性约简算法选定性能参数的变化量致谢这项工作是在上海第二工业大学的学校基金会（基金号QD210005）和上海 教委重点学科建设项目（基金号J51802）的支持下完成的。19参考文献参考文献1马云潜，张学工.支持向量机函数拟合在分形插值中的应用J.清华大学学报(自然科 学版)2000(03)2何正嘉，皆艳阳，孟庆丰.机械设备非平稳信号的故障诊断原理及应用20013李宏坤，周帅，孙志辉.Hilbert谱特征提取与支持向量机的状态识别方法研究J.振动 与冲击2009(6)4李凌均，张周锁，何正嘉.基于支持向量数据描述的机械故障诊断研究J.西安交通大 学学报2003(9)5陈果.基于遗传算法的支持向量机分类器模型参数优化J.机械科学与技术2007(3)6尉询楷，陆波，汪诚，路建明，李应红支持向量机在航空发动机故障诊断中的应用J. 航空动力学报2004(6)7王太勇，何慧龙，王国锋，冷永刚，胥永刚，李强基于经验模式分解和最小二乘支持矢 量机的滚动轴承故障诊断J.机械工程学报2007(4)8刘龙，孟光基于支持向量机和模态频率的结构损伤诊断期刊论文卜机械强度2006(3) 9刘龙，孟光基于支持向量机的结构损伤程度识别研究期刊论文卜强度与环境2005(4) 10胡新，傅建，贺永.基于贝叶斯网络的数控机床故障诊断研究J.机床与液压2011(19) 11乙K. Peng, F.L. Chu, Application of the wavelet transform in niachuie condition monitoringand fault diagnostics: a review with bibliography, Meeh. Syst. Signal Process. 18 (2) (2004) 199-221.12 C.Z. Chen. C.T, Mo, A method for intelligent fault diagnosis of rotating machinery, Digital Signal Process. 14 (3) (2004) 203 - 217.13 Y.G. Lei, Z.J, He, YY. Zi, Anew approach to intelligent fault diagnosis of rotating machinery, Expert Syst. Appl. 35 (4) (2008) 1593 - 1600.14 Q. Hu, Z.J. He, Z.S. Zhang, Fault diagnosis of rotating machuiery based on unpioved wavelet package transform and SVMs ensemble, Meeh. Syst. Signal Process. 21 (2) (2007) 688 - 705.15 X.Q. Xiang, J.Z, Zhou, C.S. Lu et al., Fault diagnosis based on Whlsh transform and rough sets, Meeh. Syst. Signal Process. 23 (4) (2009) 1313 - 1326.16 W. Sweldens, The lifting scheme: a custom-design constm