【《矿用带式输送机托辊故障检测分析概述》4400字】

矿用带式输送机托辊故障检测分析概述目录TOC\o"1-3"\h\u17860矿用带式输送机托辊故障检测分析概述 [64]计算过程的本质和小波变换相同，不同的是小波包既对低频部分信号再进行分解，同时对信号的高频部分进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。(b)图1.2小波（a）和小波包（b）对三级分解示意图Fig3.1Waveletpacketfourth-orderdecomposition基于小波包分解提取多尺度空间能量特征的原理是把不同分解尺度上的信号能量求解出来，将这些能量值按尺度顺序排列成特征向量供识别使用。根据连续信号在小波变换前后的能量守恒可得：（1.3）其中：。式中是的傅里叶变换。将上式改写，得：（1.4）则信号在尺度上的小波能量谱定义为：（1.5）根据香农熵定义，可得小波包分解第n阶第k段能量熵：（1.6）式中：（1.7）其中为阶第段所占的总能量的比例；使用小波包分解并结合能量熵的特征提取方法，可以对信号小波包分解各个子频带能量在时频域分布特征进行定量表示。对某段音频信号进行阶小波包分解，可以得到个小波包能量熵特征。1.4托辊音频信号仿真分析 对采集到的敲击托辊的音频信号，在matlab上绘制得到不同厚度托辊的敲击所得音频信号的时域波形图，如图1.3所示：图1.3不同厚度托辊敲击音频时域对比图Fig1.2Timedomaincomparisonofpercussionaudiowithdifferentthicknesses从图1.3中敲击的音频信号时域波形图可以看出，磨损程度轻微的托辊（表皮厚度大于4mm）和磨损程度严重的托辊（低于2mm）在音频数据的时域波形存在较为明显的差别，其音频振动信号的特征是不同的。对所采集的托辊敲击音频信号利用三阶小波包分解对其进行处理，对分解后所得的每一级分解信号，按照式（1.3~1.6）计算出其每一级信号的能量，并得到每级小波包分解信号的能量占总能量的比例，得到结果如下图1.4所示。从图中可以看出，分解后信号的能量主要集中于低频段部分，而不同厚度的托辊敲击所得的音频信号，在小波包分解得到的各频段所占总体能量的比例存在较为明显的差别。其中两者在第一级所占的比例大致接近，都占据总能量的绝大部分，但第2级至第5级频段所占的总能量比例存在明显区别。图1.4小波包分解各频段能量所占比例对比图Fig1.4proportionofenergyineachfrequencyband对每个托辊的音频信息通过上述的小波包分解重构之后计算所得到的的每一级能量所占总体能量的比例，并将其作为托辊敲击音频的特征信息，共得到400组维数为8维的特征向量，对这400组数据，选择其中244组数据作为训练样本，剩余156组作为测试样本。将这400组数据，利用支持向量机分类器进行分类，得到SVM上训练集和测试集上分类的结果如图1.5所示，测试集上分类的标签如图1.6所示。图1.5测试集标签对照图Fig1.5测试集标签对照图图1.6分类结果可视化Fig1.6从图1.5和图1.6中可看出，训练所得的小波包-SVM（WSVM）模型在托辊敲击音频训练集上的分类准确率为（100%），在测试集上的模型分类准确率为（98.7%）。