现状总结：振动信号识别中的时频分析及机器学习

目前，旋转机械故障模式识别领域的数据采集模块大都以国外厂家为主，因为没有取得核心技术和知识产权，国内用户只能直接使用这些模块以及其附带的应用软件获取实验数据，不能根据实际环境进行升级改造。从长远来看，这并不利于我国故障模式识别系统的发展。对于旋转机械信号处理的研究是利用设备运行时产生的振动信号进行特征提取。传统特征提取方法是建立在Fourier变换基础上的频谱分析，但是Fourier变换并不能完全适用于分析类似于旋转机械这类高速旋转机械设备产生的非平稳振动信号，并且它的分析精度也不是很高。时频分析技术的发展为解决这一难题提供了可能。其中最为经典的分析算法有短时Fourier变换（STFT）、Wigner-Ville分布（Wigner-Ville Distribution，简称WVD）、小波变换（Wavelet Trnasform，简称WT）和Hilbert-Huang变换（Hilbert-Huang，简称HHT）等。但是将它们应用于分析旋转机械的振动信号处理方面都有各自的不足，STFT对功率谱变化规律的分析较为粗糙，精确度不够。WVD存在交叉项干扰问题，不能够很好的区分振动信号和干扰信号。HHT在某些理论方面还需要进一步完善。小波分析具有对信号进行局部刻画的优势，它已经应用于故障特征提取中，并且在这方面不少学者都取得了一定成果。但是小波变换对振动中微弱信号的特征提取能力还有所欠缺。

对于故障模式识别，很多研究集中在利用传统的人工神经网络技术对特征参数进行分类处理，这些研究取得了一定成果。但是人工神经网络是建立在大样本数据基础上，对小样本数据并不适用，而旋转机械故障诊断所用的数据样本大都属于小样本数据。所以人工神经网络并不完全适用于旋转机械故障模式分类。深度学习在很大程度上依赖于大规模数据，特征提取更依赖于隐层模型，解释性弱。由于深度学习模型很复杂，它们需要大量的计算性能来构建。目前，深度学习在故障模式识别方面的理论研究以及实际应用都还不够完善和成熟。(www.xing528.com)

综上所述，本书提出了采用PXI仪器总线自主研制数据采集模块，该模块从硬件（PXI-11154）到软件（RunView）研发都拥有自主知识产权。同时，提出了将振动烈度、小波能量谱和小波能量谱最大分解层系数功率谱三者相结合的特征提取方法——VWC。在故障特征提取后将特征向量输入到支持向量机SVM中对故障进行模式识别。为了提高分类识别精度，采用了改进型混合蛙跳算法MSFLA对支持向量机的相关参数进行寻优处理，形成了MSFLA-SVM模式分类算法。