專利名稱：一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法，屬于機(jī)械零部件故障診斷技術(shù)領(lǐng)域。
背景技術(shù)：
現(xiàn)代工業(yè)生產(chǎn)中，生產(chǎn)裝置向大型化、復(fù)雜化、高速化、自動(dòng)化和智能化的方向發(fā)展，不僅每一個(gè)設(shè)備的不同部分之間互相關(guān)聯(lián)，緊密耦合，而且不同設(shè)備之間也存在著緊密的聯(lián)系，在設(shè)備的運(yùn)行過程中形成一個(gè)完整的系統(tǒng)。對(duì)于那些通常憑直觀很難把握其運(yùn)行狀態(tài)的大型復(fù)雜機(jī)電設(shè)備而言，能否保證一些關(guān)鍵設(shè)備的正常運(yùn)行，直接關(guān)系到一個(gè)企業(yè)發(fā)展的各個(gè)層面，輕者造成巨大的經(jīng)濟(jì)損失，重者還會(huì)產(chǎn)生嚴(yán)重的甚至災(zāi)難性的人員傷亡和社會(huì)影響。由于復(fù)雜先進(jìn)的機(jī)電設(shè)備不應(yīng)輕易解體檢查，所以必須采用先進(jìn)的測(cè)試設(shè)備和科學(xué)的方法。如何對(duì)機(jī)電設(shè)備進(jìn)行不解體的監(jiān)測(cè)與診斷，從獲取的信息中分析設(shè)備的運(yùn)行狀態(tài)從而完成設(shè)備故障模式的識(shí)別，是當(dāng)今機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷的高技術(shù)高難點(diǎn)所在?；煦缋碚?Chaos)是非線性科學(xué)的重要成就之一，與相對(duì)論、量子力學(xué)一起成為 20世紀(jì)物理學(xué)的三次重大革命，它徹底消除了拉普拉斯關(guān)于決定論式可預(yù)測(cè)性的幻想?；煦绗F(xiàn)象是指在可確定的非線性系統(tǒng)中，系統(tǒng)隨時(shí)間變化的運(yùn)動(dòng)狀態(tài)對(duì)系統(tǒng)的初始條件非常敏感，并且形似紊亂，實(shí)則有序，無固定周期的循環(huán)性行為或形態(tài)。它是確定性非線性系統(tǒng)的內(nèi)在隨機(jī)性，這種隨機(jī)性是由系統(tǒng)對(duì)初值的敏感依賴性而產(chǎn)生的；同時(shí)，它并非是雜亂無章，一片混亂，而是存在著復(fù)雜細(xì)致的幾何結(jié)構(gòu)，包含有更多的內(nèi)在規(guī)律性。事實(shí)上，工程實(shí)際中的眾多機(jī)械設(shè)備都具有混沌特性。對(duì)于這類混沌系統(tǒng)的故障檢測(cè)，傳統(tǒng)的解決方案通常都是把混沌背景當(dāng)作噪聲信號(hào)進(jìn)行處理，很難對(duì)混沌系統(tǒng)本身的特性進(jìn)行分析和利用， 從而使檢測(cè)效果無法令人滿意。特別是在故障信號(hào)相對(duì)于系統(tǒng)混沌背景比較微弱的情況下，故障信號(hào)更是難于檢測(cè)?，F(xiàn)有的機(jī)械零部件早期單點(diǎn)故障的故障診斷記錄顯示，機(jī)械零部件出現(xiàn)損傷的早期是診斷的最佳時(shí)期。機(jī)械零部件故障發(fā)生的早期，故障信號(hào)非常微弱，常被強(qiáng)烈的背景噪聲所淹沒，故要實(shí)現(xiàn)早期故障檢測(cè)，實(shí)際上就是實(shí)現(xiàn)在強(qiáng)噪聲背景下的微弱信號(hào)檢測(cè)。長(zhǎng)期以來，實(shí)現(xiàn)在強(qiáng)噪聲背景下的微弱信號(hào)檢測(cè)，應(yīng)用最多的是頻譜分析和小波分析方法。但是，這兩種方法所能檢測(cè)到的微弱信號(hào)的信噪比有限，當(dāng)背景噪聲比較強(qiáng)烈而所檢測(cè)信號(hào)比較微弱時(shí)，它們不能很好地完成信號(hào)檢測(cè)的任務(wù)。

發(fā)明內(nèi)容
本發(fā)明的目的是為了解決在進(jìn)行機(jī)械零部件早期單點(diǎn)故障的檢測(cè)和分類時(shí)，現(xiàn)有方法檢測(cè)成功率低、難以實(shí)現(xiàn)早期預(yù)報(bào)的問題，直接觀察相軌跡的方法工作效率低、無法自動(dòng)檢測(cè)的問題，以及用Lyapimov指數(shù)方法進(jìn)行故障分類時(shí)大量的對(duì)頻率進(jìn)行人工調(diào)整工作和專業(yè)性要求高的問題，結(jié)合Lyapimov指數(shù)和關(guān)聯(lián)維數(shù)兩種檢測(cè)方法各自的優(yōu)點(diǎn)，提出一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法。本發(fā)明一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法，具體包括以下步驟步驟一、建立不同故障類型的關(guān)聯(lián)維數(shù)區(qū)間。對(duì)機(jī)械零部件現(xiàn)有的、不同狀態(tài)的樣本故障信號(hào)，計(jì)算相應(yīng)的關(guān)聯(lián)維數(shù)，再應(yīng)用基于小樣本自采樣方法對(duì)得到的關(guān)聯(lián)維數(shù)進(jìn)行自助訓(xùn)練，依據(jù)自助訓(xùn)練后得到的數(shù)值，進(jìn)行正態(tài)分布樣本均值與標(biāo)準(zhǔn)差的參數(shù)估計(jì)；根據(jù)所得到參數(shù)，建立不同故障類型的檢驗(yàn)區(qū)間。步驟二、構(gòu)造Duffing混沌振子的頻率矩陣。獲取機(jī)械零部件的所有單點(diǎn)故障狀態(tài)所對(duì)應(yīng)的故障特征頻率，建立包含所有狀態(tài)的頻率矩陣P，將混沌振子檢測(cè)模型中策動(dòng)力角頻率ω設(shè)為頻率矩陣P。所述的混沌振子檢測(cè)模型為其中，x、y為以時(shí)間t為自變量的函數(shù)，f為周期策動(dòng)力幅值，ω為策動(dòng)力角頻率， n(t)為加性隨機(jī)噪聲，Acos cot+σ η (t)為待檢混合信號(hào)，σ為噪聲平均功率σ 2的正平方根。步驟三、求出不同故障特征頻率下所對(duì)應(yīng)的周期策動(dòng)力幅值f的臨界閾值，構(gòu)建頻率-閾值矩陣。將步驟二中得到的混沌振子檢測(cè)模型在不加入外部信號(hào)Acos ω +ση (t) =O情況下，調(diào)節(jié)周期策動(dòng)力幅值f，使混沌振子檢測(cè)模型系統(tǒng)處于臨界的混沌態(tài)，將 Lyapunov指數(shù)曲線的最后一個(gè)過零點(diǎn)所對(duì)應(yīng)的周期策動(dòng)力幅值f作為臨界閾值fd，并與步驟二獲取的故障特征頻率建立相對(duì)應(yīng)的頻率_閾值矩陣。步驟四、進(jìn)行故障檢測(cè)。將頻率-閾值矩陣中的每對(duì)對(duì)應(yīng)的值都分別代入混沌振子檢測(cè)模型中周期策動(dòng)力角頻率ω與策動(dòng)力幅值f，得到一個(gè)混沌振子檢測(cè)的方程組。 然后向此方程組加入待檢測(cè)信號(hào)，此時(shí)Acos cot+ο η (t)的值為待檢驗(yàn)信號(hào)值，計(jì)算最大 Lyapunov指數(shù)，將得到的所有最大Lyapimov指數(shù)組成最大Lyapimov指數(shù)矩陣M,判斷最大 Lyapunov指數(shù)矩陣M中數(shù)據(jù)是否全部大于零，若是則無故障信號(hào)存在，結(jié)束本次故障檢測(cè)與分類過程；若不是全部大于零則存在故障，執(zhí)行步驟五。步驟五、進(jìn)行故障分類。計(jì)算待檢測(cè)信號(hào)的關(guān)聯(lián)維數(shù)，對(duì)照步驟一建立的不同故障類型的關(guān)聯(lián)維數(shù)區(qū)間，進(jìn)行故障分類，確定故障模式。本發(fā)明的優(yōu)點(diǎn)與積極效果在于(1)充分利用了 DufTing混沌振子具有對(duì)某些參數(shù)變動(dòng)非常敏感的特性，成功的檢測(cè)到強(qiáng)噪聲背景下的微弱故障信號(hào)，實(shí)現(xiàn)了對(duì)機(jī)械零部件早期單點(diǎn)故障的檢測(cè)與分類， 抗噪聲能力強(qiáng)，故障檢測(cè)成功率非常高，效果顯著；(2)引入Lyaponov指數(shù)，克服了相軌跡圖法的工作效率低、主觀因素大等缺點(diǎn)，實(shí)現(xiàn)了對(duì)故障的自動(dòng)檢測(cè)；(3)界定了最大Lyapimov指數(shù)的最后一個(gè)過零點(diǎn)來確定策動(dòng)力幅值f的臨界閾值，克服了混沌區(qū)到大尺度周期區(qū)之間過渡區(qū)對(duì)臨界閾值選取的負(fù)面影響；(3)采用基于關(guān)聯(lián)維數(shù)的故障分類方法，解決了用Lyapimov指數(shù)方法進(jìn)行故障分類時(shí)大量的對(duì)頻率進(jìn)行人工調(diào)整工作和專業(yè)性要求高的問題；(4)在計(jì)算關(guān)聯(lián)維數(shù)的故障檢測(cè)區(qū)間時(shí)，應(yīng)用基于小樣本自采樣方法進(jìn)行自助訓(xùn)練，成功的通過小樣本來確定具備較高可信度的檢驗(yàn)區(qū)間； (5)本發(fā)明方法利用樣本，無需建立模型，即可實(shí)現(xiàn)故障的檢測(cè)和識(shí)別，降低了專業(yè)要求，增加了工程應(yīng)用性；(6)與現(xiàn)有的故障檢測(cè)和識(shí)別方法相比，顯著提高了通用性和精度。


圖1是本發(fā)明故障檢測(cè)與分類方法的整體步驟流程圖；圖2是本發(fā)明故障檢測(cè)與分類方法步驟一的步驟流程圖；圖3是本發(fā)明實(shí)施例中樣本數(shù)據(jù)的關(guān)聯(lián)維數(shù)分布圖；圖4是經(jīng)過自助訓(xùn)練后所得的樣本均值的正態(tài)分布檢驗(yàn)圖；圖5是經(jīng)過自助訓(xùn)練后的樣本標(biāo)準(zhǔn)差的正態(tài)分布檢驗(yàn)圖；圖6是本發(fā)明實(shí)施例關(guān)聯(lián)維數(shù)檢驗(yàn)區(qū)間圖示意圖；圖7是周期策動(dòng)力幅值f與最大Lyapimov指數(shù)的關(guān)系。
具體實(shí)施例方式下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。本發(fā)明結(jié)合Lyapimov指數(shù)和關(guān)聯(lián)維數(shù)兩種檢測(cè)方法各自的優(yōu)點(diǎn)，提出一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法?；诨煦缫种频娜跣盘?hào)檢測(cè)方法是混沌理論在信號(hào)分析上的一個(gè)重要分支，混沌抑制的方法很多，但實(shí)際應(yīng)用中多集中在基于Holmes型Duffing振子的檢測(cè)上，Holmes型 Duffing方程適合于檢測(cè)任意頻率的微弱周期信號(hào)，對(duì)噪聲具有一定程度的免疫力，而對(duì)與內(nèi)部周期攝動(dòng)力同頻的周期信號(hào)具有相對(duì)較高的敏感性，檢測(cè)性能達(dá)到了很低的信噪比。DufTing系統(tǒng)所描述的非線性動(dòng)力學(xué)系統(tǒng)表現(xiàn)出豐富的非線性動(dòng)力學(xué)特性，包括振蕩、分岔、混沌的復(fù)雜動(dòng)態(tài)，已成為研究混沌的常用模型之一。DufTing方程具體形式為
x(t)+ Jij( t}r aj{ ψ 3bx(年 fooDi(1)式(1)中k為阻尼比；f為周期策動(dòng)力幅值；ω為策動(dòng)力角頻率；ax(t)+bx3(t)項(xiàng)為非線性恢復(fù)力，a、b為實(shí)數(shù)因子，函數(shù)χ (t)以時(shí)間t為自變量。DufTing系統(tǒng)是一個(gè)非線性動(dòng)力系統(tǒng)，某些系數(shù)的攝動(dòng)會(huì)引起其解的性態(tài)發(fā)生本質(zhì)的變化。檢測(cè)前調(diào)節(jié)系統(tǒng)參數(shù)使系統(tǒng)處于某種狀態(tài)，把外加待測(cè)信號(hào)作為系統(tǒng)某種作用力的補(bǔ)充，改變了系統(tǒng)的參數(shù)，使系統(tǒng)輸出時(shí)域波形或相圖發(fā)生某種非常明顯的變化，例如系統(tǒng)狀態(tài)由周期狀態(tài)變成混沌狀態(tài)，從而檢測(cè)出微弱信號(hào)。利用Duffing振子檢測(cè)微弱信號(hào)的方程為x(t) + kx(t) - (jc3 -χ5) = f cos cot + As{t) + an{t)(2)式⑵中As(t)為待檢測(cè)信號(hào)，n(t)為加性隨機(jī)噪聲，ο為噪聲平均功率σ 2的正平方根，X3-X5為非線性恢復(fù)力；fC0S t為周期策動(dòng)力，系數(shù)k = 0.5。其等價(jià)系統(tǒng)為3 5⑶此式中，待檢混合信號(hào)為Acos ω +ση( )0
本發(fā)明的單點(diǎn)故障檢測(cè)與分類方法主要依據(jù)混沌振子檢測(cè)模型的式(3)來作為解決問題的理論依據(jù)。本發(fā)明是一種針對(duì)機(jī)械零部件早期單點(diǎn)故障的采用Lyapimov指數(shù)和關(guān)聯(lián)維數(shù)相結(jié)合的故障檢測(cè)與分類的方法，如圖1所示，具體步驟如下步驟一、建立不同故障類型的檢驗(yàn)區(qū)間。具體建立檢驗(yàn)區(qū)間如圖2所示，對(duì)機(jī)械零部件現(xiàn)有的、不同狀態(tài)的樣本故障數(shù)據(jù)， 采用G-P算法計(jì)算相應(yīng)的關(guān)聯(lián)維數(shù)，再應(yīng)用基于小樣本自采樣方法對(duì)關(guān)聯(lián)維數(shù)進(jìn)行自助訓(xùn)練，依據(jù)自助訓(xùn)練后得到的數(shù)值，進(jìn)行正態(tài)分布的參數(shù)估計(jì)，所述的正態(tài)分布的參數(shù)為樣本均值與標(biāo)準(zhǔn)差；根據(jù)所得到參數(shù)，計(jì)算出樣本置信度為95%的分布區(qū)間，以此分布區(qū)間為不同故障類型的檢驗(yàn)區(qū)間，為后面的故障分類提供依據(jù)。所述的小樣本自采樣方法即自助 法，并且在進(jìn)行自助訓(xùn)練前，根據(jù)統(tǒng)計(jì)學(xué)原理檢驗(yàn)樣本分布是否是正態(tài)分布。一般情況下，機(jī)械零部件現(xiàn)有的、不同狀態(tài)的樣本故障數(shù)據(jù)都符合正態(tài)分布。在不同運(yùn)行狀態(tài)下，因剛度非線性摩擦力等的影響，滾動(dòng)軸承系統(tǒng)表現(xiàn)出不同的非線性特性，分形維數(shù)是用來定量刻畫混沌吸引子“奇異”程度的一個(gè)重要參數(shù)，也可以用來刻畫滾動(dòng)軸承的故障狀態(tài)。分形的維數(shù)有許多種類，最具代表性的是關(guān)聯(lián)維數(shù)。關(guān)聯(lián)維數(shù)能夠體現(xiàn)未知系統(tǒng)的固有特性，并且機(jī)制不同的各類故障通常也具有不同的關(guān)聯(lián)維數(shù)， 可以作為系統(tǒng)故障特征量檢測(cè)并區(qū)分滾動(dòng)軸承的故障狀態(tài)與故障模式。相同工作狀態(tài)下的信號(hào)具有相近的關(guān)聯(lián)維數(shù)，不同故障模式下的關(guān)聯(lián)維數(shù)具有不同的數(shù)值，存在明顯的可分性。而且，計(jì)算關(guān)聯(lián)維數(shù)不需要建立系統(tǒng)方程，僅依靠一段樣本數(shù)據(jù)就可以計(jì)算出該樣本的關(guān)聯(lián)維數(shù)，具備很強(qiáng)的通用性。實(shí)際應(yīng)用中，樣本數(shù)據(jù)往往比較匱乏，還需要采用自助法對(duì)樣本進(jìn)行重采樣，將小樣本問題轉(zhuǎn)換為大樣本問題來模仿未知分布。自助法的基本原理是在總體中抽取M個(gè)樣本構(gòu)成初始樣本，之后隨機(jī)、等概、獨(dú)立、有放回地抽取M個(gè)樣本單元，構(gòu)成一個(gè)新的點(diǎn)集，即一個(gè)自助樣本。數(shù)學(xué)描述為設(shè)隨機(jī)樣本X= (X15X2-Xn)是來自于某未知的總體分布F(x)，θ = θ (F (χ))為總體分布F的某
個(gè)未知參數(shù)，F(xiàn)n(X)為抽樣分布函數(shù)…=為Θ的估計(jì)。記估計(jì)誤差為
Tn=e{Fn{x)ye ^(4)記；T =(x>X)為從Fn(X)中抽樣獲得的再生樣本，< ㈡是由X*所獲得的抽樣分布函數(shù)。記Rl=e{F:{x))-e{Fn{x))(5)稱<為Tn的Bootstrap統(tǒng)計(jì)量。在給定抽樣分布函數(shù)Fn(X)的條件下，取所有統(tǒng)計(jì)量<的均值瓦去模仿估計(jì)誤差Tn，則總體分布F (χ)的參數(shù)0(F(x)) - 0(Fn(x))-R。關(guān)聯(lián)維數(shù)的分布通常符合正態(tài)分布，故而總體分布的參數(shù)有兩個(gè)，分別為樣本均值與標(biāo)準(zhǔn)差。根據(jù)自助訓(xùn)練得到的參數(shù)θ可以進(jìn)一步得到樣本均值與標(biāo)準(zhǔn)差。目前計(jì)算關(guān)聯(lián)維數(shù)的方法最主要的就是G-P算法，G-P算法是Grassberger和 Procassi于1983年提出的一種比較容易實(shí)現(xiàn)的從實(shí)驗(yàn)數(shù)據(jù)中估算關(guān)聯(lián)維數(shù)的算法。G-P 算法如下
對(duì)于時(shí)間序列|x(i) |i = 1,2,…η-1，η}, η是序列的長(zhǎng)度，在本發(fā)明中，時(shí)間序列中的各值就是機(jī)械零部件現(xiàn)有的、不同狀態(tài)的樣本故障數(shù)據(jù)。首先，將時(shí)間序列嵌入到m維歐氏空間Rm，得到nm個(gè)樣本點(diǎn)，這nm個(gè)樣本點(diǎn)用 {y(i) Ii = 1,2, ……nm-1，nm}表示，其中nm = n-(m-l) τ，其中τ為延遲時(shí)間，m為嵌入維數(shù)，然后計(jì)算關(guān)聯(lián)積分C(m，n，r，t)
權(quán)利要求
1.一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法，其特征在于，具體包括步驟步驟一、建立不同故障類型的檢驗(yàn)區(qū)間對(duì)機(jī)械零部件現(xiàn)有的、不同狀態(tài)的樣本故障信號(hào)，計(jì)算相應(yīng)的關(guān)聯(lián)維數(shù)，對(duì)結(jié)果進(jìn)行正態(tài)性檢驗(yàn)，再應(yīng)用基于小樣本自采樣方法對(duì)得到的關(guān)聯(lián)維數(shù)進(jìn)行自助訓(xùn)練；依據(jù)自助訓(xùn)練后得到的數(shù)值，進(jìn)行正態(tài)分布的樣本均值與標(biāo)準(zhǔn)差的參數(shù)估計(jì)；根據(jù)所得到參數(shù)，建立不同故障類型的檢驗(yàn)區(qū)間；步驟二、構(gòu)造Duffing混沌振子的頻率矩陣獲取機(jī)械零部件的所有單點(diǎn)故障狀態(tài)所對(duì)應(yīng)的故障特征頻率，建立包含所有單點(diǎn)故障狀態(tài)的頻率矩陣P，將混沌振子檢測(cè)模型中策動(dòng)力角頻率ω設(shè)為頻率矩陣P ；所述的混沌振子檢測(cè)模型為
2.根據(jù)權(quán)利要求1所述的一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法， 其特征在于，所述步驟一與步驟五中的關(guān)聯(lián)維數(shù)采用G-P算法計(jì)算得到首先，將時(shí)間序列l(wèi)x(i) Ii = 1,2,…η-1，η}嵌入到m維歐氏空間Rm，得到nm個(gè)樣本點(diǎn)，這nm個(gè)樣本點(diǎn)用{y(i)|i = l，2， nm_l，nm}表示，其中nm = n-(m-l) τ，τ為延遲時(shí)間，m為嵌入維數(shù)，然后計(jì)算關(guān)聯(lián)積分C (m，η, r, t)
3.根據(jù)權(quán)利要求1所述的一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法， 其特征在于，步驟一所述的小樣本自采樣方法具體為將機(jī)械零部件現(xiàn)有的、同種故障類型的信號(hào)所計(jì)算出來的關(guān)聯(lián)維數(shù)作為初始樣本X = (X1, χη)，對(duì)初始樣本，隨機(jī)、等概、獨(dú)立、有放回地抽取M個(gè)樣本單元，構(gòu)成一個(gè)新的點(diǎn)集，形成一個(gè)自助樣本；該初始樣本為該故障類型下關(guān)聯(lián)維數(shù)的總體分布F(X)的一個(gè)隨機(jī)樣本，總體分布F(X)的未知參數(shù)θ = θ (F(x))，參數(shù)θ的估計(jì)0 = %FnW)，F(xiàn)n(X)為抽樣分布函數(shù)，則估計(jì)誤差
4.根據(jù)權(quán)利要求1所述的一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法， 其特征在于，步驟一所述的檢驗(yàn)區(qū)間，是采用樣本置信度為95%的分布區(qū)間得到的。
5.根據(jù)權(quán)利要求1所述的一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法， 其特征在于，步驟四中的最大Lyapimov指數(shù)具體是根據(jù)以下過程得到的首先通過代換Z = t，將混沌振子檢測(cè)模型等價(jià)為相應(yīng)的三維自治系統(tǒng)
全文摘要
本發(fā)明為一種基于混沌的機(jī)械零部件早期單點(diǎn)故障檢測(cè)與分類方法，首先對(duì)機(jī)械零部件現(xiàn)有不同狀態(tài)的樣本故障信號(hào)進(jìn)行處理，建立不同故障類型的檢驗(yàn)區(qū)間；其次獲取機(jī)械零部件的所有單點(diǎn)故障狀態(tài)所對(duì)應(yīng)的故障特征頻率，構(gòu)造Duffing混沌振子的頻率矩陣；然后求出不同故障特征頻率下所對(duì)應(yīng)的周期策動(dòng)力幅值的臨界閾值，構(gòu)建頻率-閾值矩陣；最后，將待檢測(cè)信號(hào)加入計(jì)算最大Lyapunov指數(shù)矩陣M，根據(jù)M中數(shù)據(jù)進(jìn)行檢驗(yàn)，若存在故障信號(hào)，計(jì)算待檢測(cè)信號(hào)的關(guān)聯(lián)維數(shù)，對(duì)照已建立的不同故障類型的關(guān)聯(lián)維數(shù)區(qū)間，進(jìn)行故障分類，確定故障模式。本發(fā)明實(shí)現(xiàn)了對(duì)機(jī)械零部件早期單點(diǎn)故障的檢測(cè)與分類，抗噪聲能力強(qiáng)，并且故障檢測(cè)成功率非常高。
文檔編號(hào)G01M13/04GK102156873SQ20101061706
公開日2011年8月17日 申請(qǐng)日期2010年12月31日 優(yōu)先權(quán)日2010年12月31日
發(fā)明者劉紅梅, 呂琛, 王志鵬, 蔡云龍, 陶來發(fā) 申請(qǐng)人:北京航空航天大學(xué)