基于小波包分解与决策树的滚子链状态检测研究

荆体凯 马皓 胡耀国

基于小波包分解与决策树的滚子链状态检测研究

荆体凯，马皓，胡耀国

（西安工程大学 计算机科学学院，陕西 西安  710600）

摘  要：本文提出一种基于小波包分解与决策树相结合的检测方法对滚子链的磨损状态进行检测。该方法首先使用小波包理论对信号进行n（n=3）层小波分解，提取小波系数，并根据系数求解各个频段的能量，并构造特征向量，然后使用决策树策略对滚子链的状态进行判断。实验表明，通过小波包分解和决策树相结合的检测方法能够很好地识别滚子链的磨损状态。

关键词：状态识别;小波包;特征向量;决策树;滚子链

中图分类号：TN911      文献标识码：A 文章编号：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

滾子链在使用过程中会受到磨损，因此，必须进行维修或更换，以确保该部件的正常运作。一般情况下，维修或更换间隔是根据制造商提供的操作时数来设定的，但是由于使用条件不同，固定的间隔可能不完全适合给定的滚子链，如果维护间隔比实际需要的间隔短，会导致成本增大;如果维护的间隔大于实际需要的间隔，可能会导致部件失效，对机械系统的正常运行造成严重的影响[1]。为了避免这些情况，对滚子链状态进行监测非常重要。本文对采集的滚子链信息进行分析，采用小波包分解获取特征向量，并以此为基础，对极度磨损特征进行分析，建立决策树监测模型，及时准确地发现极度磨损状态，使滚子链及时得到更换。实验表明，基于小波包分解和决策树相结合的检测方法能够很好地识别滚子链的磨损状态。

1  基本理论

1.1  小波包理论

小波包理论的基本思想是对多分辨率分析中的小波子空间进行分解。给定正交尺度函数ϕ（t）和小波函数ψ（t），其二尺度关系为：

1.2  决策树原理

决策树是一种类似树形结构的分类方法[2]。其基本思想就是通过信息论中信息增益来寻找训练数据中最大信息节点通过此过程在不同属性中选取值来建立决策树的一个分支，在此基础上反复操作，最终形成一个完整的决策树。

决策树构造算法步骤如下：（1）将所有数据看作一个节点;（2）从所有的数据特征中挑选一个数据特征对节点进行分割;（3）生成若干个孩子节点，对每个孩子节点进行判断，如果不满足停止分裂的条件，执行（2）;（4）设置该节点是子节点，其输出的结果为该节点数量占比最大的类别。

2  特征提取与决策树模型建立

2.1  信息采集

本文实验数据从图1所示的实验装置上提取。该装置中滚子链具有100个链节，链节距l=9.525mm。驱动链轮和从动链轮都有z=20个齿。额定功率PR=0.37kW，额定转矩TR=2.56Nm。驱动电机以恒速使链条逆时针方向转动。该装置所有信息都是从频率逆变器中的电机转矩中提取的。每约12分钟提取一个样本数据，每天操作8小时，每条链总共采集42天约1770个样本。

2.2  特征提取

将1770个样本，分为正常、中度磨损、重度磨损三类，并打上标签（0正常，1中度，2重度），对每个样本进行db=3层小波分解，此时，在信号的频域上原始信号被均匀地无重叠地分解到第3层8个相邻的独立节点频带，对实验数据进行对比分析得出，小波包节点[3，1]，[3，2]，[3，3]，[3，4]的小波包熵值对滚子链磨损状态区分较为明显，能量熵用E表示，各个节点的能量熵分别记作E[3，1]，E[3，2]，E[3，3]，E[3，4]，通过式（4）求解能量熵：

特征向量Sn可作为决策树的输入。图2从左到右显示的是无磨损、中度磨损、重度磨损的特征向量图，可以看出，三种状态的滚子链特征向量是明显不同的。

2.3  决策树模型的建立

决策树应用于滚子链特征向量分类的基本流程如图3所示。样本集分为测试与训练集，测试样本占总样本数量的5%，首先将训练集输入到决策树中进行训练，生成决策树规则，使用测试集评估决策树，当输入待分类的特征向量到已生成的决策树规则集中时，按照模型的分类规则进行分类，得到最终的分类结果。

3  实验结果与分析

3.1  实验结果分析

本文将滚子链的信息共1700个样本分为训练样本与测试样本，分别用于建立模型与进行测试，将测试样本矩阵输入到决策树中，获得测试样本矩阵的部分分类结果，通过对比真实测试结果与经过决策树分类的结果，如图4所示，真实值与测试值基本吻合，其分类正确率达到98.3%，可见该决策树模型是一个较好的分类模型。

4  结  论

本文提出基于小波包分解和决策树分类相结合的滚子链磨损状态检测识别方法，设计实验对样本数据使用小波包分解进行特征向量的提取，使用特征向量作为决策树的输入数据，构造决策树模型，用以对滚子链磨损状态进行分类识别。实验结果表明，小波包分解和决策树分类相结合的滚子链磨损状态检测识别方法是有效的，并且有较高的准确率。因此本实验对后期研究奠定了评估比较基础，具有较好的参考与实践价值。

参考文献：

[1] 何正嘉.机械故障诊断理论及应用 [M].北京：高等教育出版社，2010.

[2] 许允之，许璟，马草原，等.基于振动信号分析的异步电机转子故障特征提取 [J].实验室研究与探索，2012，31（6）：32-35.

[3] 王晓冬，何正嘉，訾艷阳.滚动轴承故障诊断的多小波谱峭度方法 [J].西安交通大学学报，2010，44（3）：77-81.

[4] 段晨东，张荣.基于改进经验小波变换的机车轴承故障诊断 [J].中国机械工程，2019，30（6）：631-637.

[5] 陈丽萍，武文波.基于决策树C4.5算法的面向对象分类方法研究 [J].遥感信息，2013，28（2）：116-120.

[6] 张超，陈建军，郭迅.基于EMD能量熵和支持向量机的齿轮故障诊断方法 [J].振动与冲击，2010，29（10）：216-220+261.

[7] 朱洪俊.非平稳信号瞬时特征提取的谐波小波方法 [J].机械工程学报，2008（5）：191-195.

作者简介：荆体凯（1996-），男，汉族，安徽亳州人，工程师，本科，学士学位，研究方向：数据分析，软件开发。