荊體凱 馬皓 胡耀國

基于小波包分解與決策樹的滾子鏈狀態(tài)檢測研究

荊體凱，馬皓，胡耀國

（西安工程大學(xué) 計算機(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相結(jié)合的檢測方法對滾子鏈的磨損狀態(tài)進(jìn)行檢測。該方法首先使用小波包理論對信號進(jìn)行n（n=3）層小波分解，提取小波系數(shù)，并根據(jù)系數(shù)求解各個頻段的能量，并構(gòu)造特征向量，然后使用決策樹策略對滾子鏈的狀態(tài)進(jìn)行判斷。實驗表明，通過小波包分解和決策樹相結(jié)合的檢測方法能夠很好地識別滾子鏈的磨損狀態(tài)。

關(guān)鍵詞：狀態(tài)識別;小波包;特征向量;決策樹;滾子鏈

中圖分類號：TN911 ? ? ?文獻(xiàn)標(biāo)識碼：A 文章編號：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

滾子鏈在使用過程中會受到磨損，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數(shù)來設(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)間隔比實際需要的間隔短，會導(dǎo)致成本增大;如果維護(hù)的間隔大于實際需要的間隔，可能會導(dǎo)致部件失效，對機(jī)械系統(tǒng)的正常運行造成嚴(yán)重的影響[1]。為了避免這些情況，對滾子鏈狀態(tài)進(jìn)行監(jiān)測非常重要。本文對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)，對極度磨損特征進(jìn)行分析，建立決策樹監(jiān)測模型，及時準(zhǔn)確地發(fā)現(xiàn)極度磨損狀態(tài)，使?jié)L子鏈及時得到更換。實驗表明，基于小波包分解和決策樹相結(jié)合的檢測方法能夠很好地識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 ?決策樹原理

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

決策樹構(gòu)造算法步驟如下：（1）將所有數(shù)據(jù)看作一個節(jié)點;（2）從所有的數(shù)據(jù)特征中挑選一個數(shù)據(jù)特征對節(jié)點進(jìn)行分割;（3）生成若干個孩子節(jié)點，對每個孩子節(jié)點進(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)點是子節(jié)點，其輸出的結(jié)果為該節(jié)點數(shù)量占比最大的類別。

2 ?特征提取與決策樹模型建立

2.1 ?信息采集

本文實驗數(shù)據(jù)從圖1所示的實驗裝置上提取。該裝置中滾子鏈具有100個鏈節(jié)，鏈節(jié)距l(xiāng)=9.525mm。驅(qū)動鏈輪和從動鏈輪都有z=20個齒。額定功率PR=0.37kW，額定轉(zhuǎn)矩TR=2.56Nm。驅(qū)動電機(jī)以恒速使鏈條逆時針方向轉(zhuǎn)動。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分鐘提取一個樣本數(shù)據(jù)，每天操作8小時，每條鏈總共采集42天約1770個樣本。

2.2 ?特征提取

將1770個樣本，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），對每個樣本進(jìn)行db=3層小波分解，此時，在信號的頻域上原始信號被均勻地?zé)o重疊地分解到第3層8個相鄰的獨立節(jié)點頻帶，對實驗數(shù)據(jù)進(jìn)行對比分析得出，小波包節(jié)點[3，1]，[3，2]，[3，3]，[3，4]的小波包熵值對滾子鏈磨損狀態(tài)區(qū)分較為明顯，能量熵用E表示，各個節(jié)點的能量熵分別記作E[3，1]，E[3，2]，E[3，3]，E[3，4]，通過式（4）求解能量熵：

特征向量Sn可作為決策樹的輸入。圖2從左到右顯示的是無磨損、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 ?決策樹模型的建立

決策樹應(yīng)用于滾子鏈特征向量分類的基本流程如圖3所示。樣本集分為測試與訓(xùn)練集，測試樣本占總樣本數(shù)量的5%，首先將訓(xùn)練集輸入到?jīng)Q策樹中進(jìn)行訓(xùn)練，生成決策樹規(guī)則，使用測試集評估決策樹，當(dāng)輸入待分類的特征向量到已生成的決策樹規(guī)則集中時，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 ?實驗結(jié)果與分析

3.1 ?實驗結(jié)果分析

本文將滾子鏈的信息共1700個樣本分為訓(xùn)練樣本與測試樣本，分別用于建立模型與進(jìn)行測試，將測試樣本矩陣輸入到?jīng)Q策樹中，獲得測試樣本矩陣的部分分類結(jié)果，通過對比真實測試結(jié)果與經(jīng)過決策樹分類的結(jié)果，如圖4所示，真實值與測試值基本吻合，其分類正確率達(dá)到98.3%，可見該決策樹模型是一個較好的分類模型。

4 ?結(jié) ?論

本文提出基于小波包分解和決策樹分類相結(jié)合的滾子鏈磨損狀態(tài)檢測識別方法，設(shè)計實驗對樣本數(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的輸入數(shù)據(jù)，構(gòu)造決策樹模型，用以對滾子鏈磨損狀態(tài)進(jìn)行分類識別。實驗結(jié)果表明，小波包分解和決策樹分類相結(jié)合的滾子鏈磨損狀態(tài)檢測識別方法是有效的，并且有較高的準(zhǔn)確率。因此本實驗對后期研究奠定了評估比較基礎(chǔ)，具有較好的參考與實踐價值。

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.基于振動信號分析的異步電機(jī)轉(zhuǎn)子故障特征提取 [J].實驗室研究與探索，2012，31（6）：32-35.

[3] 王曉冬，何正嘉，訾艷陽.滾動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，2010，44（3）：77-81.

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

[5] 陳麗萍，武文波.基于決策樹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].振動與沖擊，2010，29（10）：216-220+261.

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

作者簡介：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，軟件開發(fā)。