基于多传感器与多维空间的故障分类方法

何 永，文成林

（杭州电子科技大学 自动化学院，杭州310018）

从旋转机械系统中采集到最常见的是一维振动信号，通常采用小波变换和神经网络等方法进行时域频域分析。小波变换只是对信号的低频部分进行处理，这对于频域分析来说是不均衡的。BP 神经网络存在着学习速度慢且易陷入局部极小值等不足。

对于多维信号，常用多元统计方法对其进行分析。在多维信号每一维向量中，每个分量在时间上是常相关的，但对于同一时刻，由于各分量之间对应不同的物理量，相关性有强有弱，具有不确定性，多数表现为弱相关。振动信号采样存在固有的周期性， 因此适合利用多变量统计方法来处理这类信号。同一个周期内每一个采样点对应着对象相对位置的物理特性，因此同一个周期内的每个采样点仅与相邻的少数几个采样点有较强的相关性，而与距离较远的采样点相关性会逐渐减弱。而不同周期内的相同采样点之间因对应着同一物理位置的采样，其在时间上具有长时间相关性。因此，若把单个周期改为多维变量， 进而用多变量统计分析的方法，将会取得更好的故障诊断结果[1-4]。故在此建立一种基于多维空间时域特征值向量的故障分类方法。

1 算法描述

1.1 方法概述

在此所提出的基于时域振动信号在多维空间中的故障分类方法，一方面能够利用一维信号的周期特性，借助于成熟的基于多元统计分析的故障诊断方法。另一方面还可以将不同传感器采集的数据的特征进行组合得到多维向量，利用数学中的多维空间进行处理。……