matlab旋转机械转子故障信号仿真,二叉树支持向量机的旋转机械故障诊断

旋转机械在许多工业部门是关键核心设备，为此需要对旋转机械进行监测。一般情况下采集旋转机械的振动信号作为原始依据，这种振动信号一般是一种高频振荡信号且其统计量也不为常数，可以看成是一个以时间为自变量的非平稳信号[。对这些非平稳信号进行数字处理，从中获取旋转机械故障的征兆信息。在旋转机械出现故障征兆时能及时的发出预警信号及识别故障类型，从而来保证旋转机械运行在正常工作条件下，同时也可以对设备维修提供依据。

近年来人工智能方法如神经网络、模糊理论和遗传算法等在故障诊断中的应用，能够处理传统故障诊断方法无法解决的问题，使得故障诊断的人工智能方法在近几年得到广泛的认可和应用[。基于结构风险最小化原理的统计学习理论是近年来计算学习理论的重要研究成果，为研究有限训练样本情况下的统计模式识别，并为更广泛的机器学习问题建立一个较好的理论框架。同时，该理论也发展了一种高效的分类器学习算法——支持向量机(SVM)[。再结合现代信号处理的手段，如小波变换、希尔伯特黄变换、局部特征尺度分解等来提取特征值，都存在着参数选择困难的问题。笔者从统计学的角度看待信号，能够很好避免这一问题，并利用MATLAB中支持向量机工具箱，对旋转机械的5种基本状况进行诊断。

1 旋转机械故障特征及检测分析方法

旋转机械的零部件、整机随着机械的运行都会有不同程度的振动。在理想的情况下，不同的故障类型对应着不同的激励，由此旋转机械的振动信号也会有所不同。而实际上存在着许多不确定的、非线性的因素，即使是相同的故障类型的旋转机械振动信号也不能实现完美重合。这就需要对含有丰富运行状态信息的振动信号进行合理的处理，从而提高旋转机械的故障诊断的准确性。

为了实现对旋转机械的故障诊断，本试验采用旋转机械的振动信号来进行旋转机械的故障诊断。首先测出转子正常状态下的振动信号，然后测出在其他条件不变的情况下，人为设置各种故障的振动信号。正常状态下的振动信号作为标准信号，将其他故障信号与之相应的标准信号进行对比，通过相同的数据处理来评判故障类型与已知的故障类型的匹配情况。本实验主要由旋转机械故障实验平台对转子正常、转子不平衡、转子不对中、轴承内圈裂缝、轴承外圈裂缝5种工作状态进行测试，利用振动加速度传感器和数据采集系统测得旋转机械运行时的振动信号。

图 1(Figure 1)

图 1 为旋转机械故障实验平台

2 旋转机械振动信号的特征值选取

2.1 零均值化

对于振动信号，首先对其进行零均值化处理，去掉傅里叶变换后的直流分量。

设振动信号xi(n)=[xi1, xi2, …, xin]；

那么零均值化处理后的振动信号xi′

$

{ {x'}_{ik}} = {x_{ik}} - \frac{1}{n}\sum\limits_{j = 1}^n { {x_{ij}}} ,k = 1,2, \cdots ,n。$

2.2 信号重构

信号重构是为去掉或减弱信号中不必要的频率成分，保留主要的频率成分。目前也有许多算法，如小波分解后通过设定各个细节的阈值，再进行逆变换来重构信号；希尔伯特—黄变换中使用的经验模式分解后减去残余量，将得到的固有模式序列相加来重构信号等。笔者采用的总体思路是：选取零均值化处理后的信号经过傅里叶变换的频域信号相对较大的幅值——取前信号长度的25%，令其他频率的幅值为0，利用傅里叶逆变换得到一个复数序列，其实部就为重构信号。其实质就是一个滤波过程，将幅值影响较小的频率成分滤波。

设零均值化处理后的信号xi′(n)=[xi1′, xi2′