基于小波包分解與決策樹(shù)的滾子鏈狀態(tài)檢測(cè)研究

荊體凱 馬皓 胡耀國(guó)

基于小波包分解與決策樹(shù)的滾子鏈狀態(tài)檢測(cè)研究

荊體凱，馬皓，胡耀國(guó)

（西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 ?710600）

摘 ?要：本文提出一種基于小波包分解與決策樹(shù)相結(jié)合的檢測(cè)方法對(duì)滾子鏈的磨損狀態(tài)進(jìn)行檢測(cè)。該方法首先使用小波包理論對(duì)信號(hào)進(jìn)行n（n=3）層小波分解，提取小波系數(shù)，并根據(jù)系數(shù)求解各個(gè)頻段的能量，并構(gòu)造特征向量，然后使用決策樹(shù)策略對(duì)滾子鏈的狀態(tài)進(jìn)行判斷。實(shí)驗(yàn)表明，通過(guò)小波包分解和決策樹(shù)相結(jié)合的檢測(cè)方法能夠很好地識(shí)別滾子鏈的磨損狀態(tài)。

關(guān)鍵詞：狀態(tài)識(shí)別;小波包;特征向量;決策樹(shù);滾子鏈

中圖分類號(hào)：TN911 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2019）13-0015-03

Research on Roller Chain State Detection Based on

Wavelet Packet Decomposition and Decision Tree

JING Tikai，MA Hao，HU Yaoguo

（School of Computer Science，Xi’an Polytechnic University，Xi’an ?710600，China）

Abstract：In this paper，a detection method based on wavelet packet decomposition and decision tree is proposed to detect the wear state of the roller chain. The method firstly uses wavelet packet theory to perform n（n=3） layer wavelet decomposition on the signal，extracts the wavelet coefficients，and solves the energy and structural feature vectors of each frequency band according to the coefficients，and then uses the decision tree strategy to judge the state of the roller chain. Experiments show that the detection method combined with wavelet packet decomposition and decision tree can well identify the wear state of the roller chain.

Keywords：state identification;wavelet packet;eigenvector;decision tree;roller chain

0 ?引 ?言

滾子鏈在使用過(guò)程中會(huì)受到磨損，因此，必須進(jìn)行維修或更換，以確保該部件的正常運(yùn)作。一般情況下，維修或更換間隔是根據(jù)制造商提供的操作時(shí)數(shù)來(lái)設(shè)定的，但是由于使用條件不同，固定的間隔可能不完全適合給定的滾子鏈，如果維護(hù)間隔比實(shí)際需要的間隔短，會(huì)導(dǎo)致成本增大;如果維護(hù)的間隔大于實(shí)際需要的間隔，可能會(huì)導(dǎo)致部件失效，對(duì)機(jī)械系統(tǒng)的正常運(yùn)行造成嚴(yán)重的影響[1]。為了避免這些情況，對(duì)滾子鏈狀態(tài)進(jìn)行監(jiān)測(cè)非常重要。本文對(duì)采集的滾子鏈信息進(jìn)行分析，采用小波包分解獲取特征向量，并以此為基礎(chǔ)，對(duì)極度磨損特征進(jìn)行分析，建立決策樹(shù)監(jiān)測(cè)模型，及時(shí)準(zhǔn)確地發(fā)現(xiàn)極度磨損狀態(tài)，使?jié)L子鏈及時(shí)得到更換。實(shí)驗(yàn)表明，基于小波包分解和決策樹(shù)相結(jié)合的檢測(cè)方法能夠很好地識(shí)別滾子鏈的磨損狀態(tài)。

1 ?基本理論

1.1 ?小波包理論

小波包理論的基本思想是對(duì)多分辨率分析中的小波子空間進(jìn)行分解。給定正交尺度函數(shù)?（t）和小波函數(shù)ψ（t），其二尺度關(guān)系為：

1.2 ?決策樹(shù)原理

決策樹(shù)是一種類似樹(shù)形結(jié)構(gòu)的分類方法[2]。其基本思想就是通過(guò)信息論中信息增益來(lái)尋找訓(xùn)練數(shù)據(jù)中最大信息節(jié)點(diǎn)通過(guò)此過(guò)程在不同屬性中選取值來(lái)建立決策樹(shù)的一個(gè)分支，在此基礎(chǔ)上反復(fù)操作，最終形成一個(gè)完整的決策樹(shù)。

決策樹(shù)構(gòu)造算法步驟如下：（1）將所有數(shù)據(jù)看作一個(gè)節(jié)點(diǎn);（2）從所有的數(shù)據(jù)特征中挑選一個(gè)數(shù)據(jù)特征對(duì)節(jié)點(diǎn)進(jìn)行分割;（3）生成若干個(gè)孩子節(jié)點(diǎn)，對(duì)每個(gè)孩子節(jié)點(diǎn)進(jìn)行判斷，如果不滿足停止分裂的條件，執(zhí)行（2）;（4）設(shè)置該節(jié)點(diǎn)是子節(jié)點(diǎn)，其輸出的結(jié)果為該節(jié)點(diǎn)數(shù)量占比最大的類別。

2 ?特征提取與決策樹(shù)模型建立

2.1 ?信息采集

本文實(shí)驗(yàn)數(shù)據(jù)從圖1所示的實(shí)驗(yàn)裝置上提取。該裝置中滾子鏈具有100個(gè)鏈節(jié)，鏈節(jié)距l(xiāng)=9.525mm。驅(qū)動(dòng)鏈輪和從動(dòng)鏈輪都有z=20個(gè)齒。額定功率PR=0.37kW，額定轉(zhuǎn)矩TR=2.56Nm。驅(qū)動(dòng)電機(jī)以恒速使鏈條逆時(shí)針?lè)较蜣D(zhuǎn)動(dòng)。該裝置所有信息都是從頻率逆變器中的電機(jī)轉(zhuǎn)矩中提取的。每約12分鐘提取一個(gè)樣本數(shù)據(jù)，每天操作8小時(shí)，每條鏈總共采集42天約1770個(gè)樣本。

2.2 ?特征提取

將1770個(gè)樣本，分為正常、中度磨損、重度磨損三類，并打上標(biāo)簽（0正常，1中度，2重度），對(duì)每個(gè)樣本進(jìn)行db=3層小波分解，此時(shí)，在信號(hào)的頻域上原始信號(hào)被均勻地?zé)o重疊地分解到第3層8個(gè)相鄰的獨(dú)立節(jié)點(diǎn)頻帶，對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比分析得出，小波包節(jié)點(diǎn)[3，1]，[3，2]，[3，3]，[3，4]的小波包熵值對(duì)滾子鏈磨損狀態(tài)區(qū)分較為明顯，能量熵用E表示，各個(gè)節(jié)點(diǎn)的能量熵分別記作E[3，1]，E[3，2]，E[3，3]，E[3，4]，通過(guò)式（4）求解能量熵：

特征向量Sn可作為決策樹(shù)的輸入。圖2從左到右顯示的是無(wú)磨損、中度磨損、重度磨損的特征向量圖，可以看出，三種狀態(tài)的滾子鏈特征向量是明顯不同的。

2.3 ?決策樹(shù)模型的建立

決策樹(shù)應(yīng)用于滾子鏈特征向量分類的基本流程如圖3所示。樣本集分為測(cè)試與訓(xùn)練集，測(cè)試樣本占總樣本數(shù)量的5%，首先將訓(xùn)練集輸入到?jīng)Q策樹(shù)中進(jìn)行訓(xùn)練，生成決策樹(shù)規(guī)則，使用測(cè)試集評(píng)估決策樹(shù)，當(dāng)輸入待分類的特征向量到已生成的決策樹(shù)規(guī)則集中時(shí)，按照模型的分類規(guī)則進(jìn)行分類，得到最終的分類結(jié)果。

3 ?實(shí)驗(yàn)結(jié)果與分析

3.1 ?實(shí)驗(yàn)結(jié)果分析

本文將滾子鏈的信息共1700個(gè)樣本分為訓(xùn)練樣本與測(cè)試樣本，分別用于建立模型與進(jìn)行測(cè)試，將測(cè)試樣本矩陣輸入到?jīng)Q策樹(shù)中，獲得測(cè)試樣本矩陣的部分分類結(jié)果，通過(guò)對(duì)比真實(shí)測(cè)試結(jié)果與經(jīng)過(guò)決策樹(shù)分類的結(jié)果，如圖4所示，真實(shí)值與測(cè)試值基本吻合，其分類正確率達(dá)到98.3%，可見(jiàn)該決策樹(shù)模型是一個(gè)較好的分類模型。

4 ?結(jié) ?論

本文提出基于小波包分解和決策樹(shù)分類相結(jié)合的滾子鏈磨損狀態(tài)檢測(cè)識(shí)別方法，設(shè)計(jì)實(shí)驗(yàn)對(duì)樣本數(shù)據(jù)使用小波包分解進(jìn)行特征向量的提取，使用特征向量作為決策樹(shù)的輸入數(shù)據(jù)，構(gòu)造決策樹(shù)模型，用以對(duì)滾子鏈磨損狀態(tài)進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，小波包分解和決策樹(shù)分類相結(jié)合的滾子鏈磨損狀態(tài)檢測(cè)識(shí)別方法是有效的，并且有較高的準(zhǔn)確率。因此本實(shí)驗(yàn)對(duì)后期研究奠定了評(píng)估比較基礎(chǔ)，具有較好的參考與實(shí)踐價(jià)值。

參考文獻(xiàn)：

[1] 何正嘉.機(jī)械故障診斷理論及應(yīng)用 [M].北京：高等教育出版社，2010.

[2] 許允之，許璟，馬草原，等.基于振動(dòng)信號(hào)分析的異步電機(jī)轉(zhuǎn)子故障特征提取 [J].實(shí)驗(yàn)室研究與探索，2012，31（6）：32-35.

[3] 王曉冬，何正嘉，訾艷陽(yáng).滾動(dòng)軸承故障診斷的多小波譜峭度方法 [J].西安交通大學(xué)學(xué)報(bào)，2010，44（3）：77-81.

[4] 段晨東，張榮.基于改進(jìn)經(jīng)驗(yàn)小波變換的機(jī)車軸承故障診斷 [J].中國(guó)機(jī)械工程，2019，30（6）：631-637.

[5] 陳麗萍，武文波.基于決策樹(shù)C4.5算法的面向?qū)ο蠓诸惙椒ㄑ芯?[J].遙感信息，2013，28（2）：116-120.

[6] 張超，陳建軍，郭迅.基于EMD能量熵和支持向量機(jī)的齒輪故障診斷方法 [J].振動(dòng)與沖擊，2010，29（10）：216-220+261.

[7] 朱洪俊.非平穩(wěn)信號(hào)瞬時(shí)特征提取的諧波小波方法 [J].機(jī)械工程學(xué)報(bào)，2008（5）：191-195.

作者簡(jiǎn)介：荊體凱（1996-），男，漢族，安徽亳州人，工程師，本科，學(xué)士學(xué)位，研究方向：數(shù)據(jù)分析，軟件開(kāi)發(fā)。