基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法
2023-06-05 16:04:06
基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法
【專利摘要】本發明提供的是一種基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法。（1）利用加速度傳感器獲取旋轉機械振動加速度測試信號；（2）採用基於負熵最大化的FastICA方法對所述測試信號進行解耦分離；（3）計算分離信號譜峭度，並篩選出最能表徵故障信息的分離信號；（4）對被選取的分離信號進行Hilbert包絡譜分析；（5）將包絡譜峰值對應的頻率與軸承故障特徵頻率進行比較，從而診斷出具體故障。旋轉機械滾動軸承的內圈故障診斷很好地驗證了提出的方法的有效性，且故障信息明顯增強，故障診斷精度大大調高，易於實現，實時性好，說明其具有良好的應用前景。
【專利說明】基於Fast I CA-譜峭度-包絡譜分析的旋轉機械故障診斷方法
【技術領域】
[0001]本發明涉及一種旋轉機械故障診斷方法，特別涉及的是一種基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法。
【背景技術】
[0002]旋轉機械是生產領域中十分重要的機械設備，由於旋轉機械振動激勵源多、性質複雜。目前，針對旋轉機械的故障診斷問題，大部分都是要進行開箱或拆卸，這樣必然會造成停機，影響運行效率。另一方面，旋轉機械運行時，由於其轉速的波動性、載荷變化或設備存在故障，其測點處的信號往往由多個振動源經過一定的路徑混合而得。此外，外界也可能存在別的部件在運轉，也會對我們需要的有用信號進行幹擾，這樣一來，從箱體表面測取的振動信號實際是有多種源信號耦合而成的。所以，如何從振動加速度信號中有效提取衝擊特徵，是對旋轉機械缺陷位置和損失程度進行評判的關鍵問題。
[0003]這種情況下，FastICA可以有效分離多種振動源信號，但測試信號經FastICA分離之後存在不能有效分辨出最能表徵故障信息的分離信號，目前一般利用故障測試信號的分離信號的頻譜圖和正常運轉測試信號的分離信號的頻譜圖進行對比，根據經驗進而選取表徵故障信息的分離信號，但會導致錯誤的判斷。其次，對複雜旋轉機械系統來說，當出現故障時，調製邊頻帶數目增多，幅值增大，致使故障信息提取難度大，頻譜分析難度增加，精度也不夠高，致使僅從信號上獲取其時頻域特徵，然後達到診斷的目的，幾乎是不可能的。
【發明內容】
[0004]本發明的目的在於提供一種診斷精度高，易於實現，實時性好的基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法。
[0005]本發明的目的是這樣實現的:
[0006]I)利用加速度傳感器獲取旋轉機械振動加速度測試信號；
[0007]2)採用基於負熵最大化的FastICA方法對所述測試信號進行解耦分離；
[0008]3)計算分離信號譜峭度，並篩選出最能表徵故障信息的分離信號；
[0009]4)對被選取的分離信號進行Hilbert包絡譜分析；
[0010]5)將包絡譜峰值對應的頻率與軸承故障特徵頻率進行比較，從而診斷出具體故障。
[0011]本發明的技術效果在於:
[0012]I)採用基於負熵最大化的FastICA分離方法對旋轉機械加速度測試信號進行預處理解耦分離，能一定程度上消除環境噪聲對故障特徵提取的影響，且能有效分離耦合的多種源信號，初步提取故障信號的衝擊特徵。
[0013]2)通過計算分離信號譜峭度，利用譜峭度指標對衝擊信號的敏感，篩選出最能表徵故障信息的分離信號，可以有效提高診斷的準確率，從而有效避免根據經驗選取表徵故障信息的分離信號所導致錯誤的判斷。
[0014]3)對被選取的分離信號的Hilbert包絡譜分析能有效地識別調製邊頻，從而找出調製信號的特性，可以有效的將故障特徵頻率成分提取出來，大大提高診斷精確度。
[0015]4)本發明方法易於實現，實時性好，適用於旋轉機械的檢測並用於在線故障監測與診斷。 【專利附圖】
【附圖說明】
[0016]圖1是本發明的流程圖。
[0017]圖2為內圈故障滾動軸承加速度信號時域波形圖。
[0018]圖3為經基於負熵最大化的FastICA分離後的信號時域波形圖。
[0019]圖4為被選取含有故障特徵信息的分離信號的時域圖與包絡譜圖。
[0020]圖5為分離信號的譜峭度值表。
【具體實施方式】
[0021]下面結合附圖和實施例，對本發明的【具體實施方式】作進一步詳細闡述。應當理解，以下是實施例僅用於說明本發明，但不用來限制本發明的保護範圍。
[0022]本發明實施例的一種基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法流程圖如圖1所示，包括以下步驟:
[0023]I)利用加速度傳感器測取旋轉機械滾動軸承振動加速度測試信號。本實施方式選取美國CWRU公開的軸承故障測試數據，其用三個布置在滾動軸承不同位置的加速度傳感器來獲取三個測試信號。
[0024]2)採用基於負熵最大化的FastICA方法對測試信號進行解耦分離。其具體包括以下步驟:
[0025]2.1)對測試信號X進行中心化和白化處理得到白化數據Z。
[0026]中心化處理，即X=X-E⑴。式中，E (.)為求均值
[0027]中心化後的測試數據X的協方差矩陣可以分解為Cx= [XXT] =U λ UT。
[0028]其中，U為酉矩陣，λ為Cx的特徵值矩陣，A=DiagU1, λ 2，...，λ Ν)。則白化矩陣B表示為B= λ ^172Ut
[0029]再通過白化矩陣B對中心化後的測試數據進行白化處理，即Ζ=ΒΧ。白化處理後的測試數據Z各分量正交歸一，協方差為單位陣，即向量間沒有相關性。
[0030]2.2)隨機產生Wi(O),且I Wi(O) I 2=1。其中Wi是分離矩陣W的第i行。
[0031]2.3)迭代=Wi(I^l)=EiZgOC(k) Z)}-E {g』(( (k) Z)} Wi (k)。其中，g(.)是非二次函數，g』(.)是g(.)的導數，Wi (k+1)和1(10分別為Wi的第k和k+l位置的元素值。
[0032]2.4)為了保證每次提取出來的都是之前從未提取過的獨立分量，需要添加正交化步驟，把已提取的獨立分量Wj減去。
[0033]
【權利要求】
1.一種基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法，其特徵是: (1)利用加速度傳感器獲取旋轉機械振動加速度測試信號； (2)採用基於負熵最大化的FastICA方法對所述測試信號進行解耦分離； (3)計算分離信號譜峭度，並篩選出最能表徵故障信息的分離信號； (4)對被選取的分離信號進行Hilbert包絡譜分析； (5)將包絡譜峰值對應的頻率與軸承故障特徵頻率進行比較，從而診斷出具體故障。
2.根據權利要求1所述的基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法，其特徵是所述採用基於負熵最大化的FastICA方法對所述測試信號進行解耦分離具體包括: 1)對測試信號X進行中心化和白化處理得到白化數據Z， 中心化處理，即X=X-E(X)，式中，E (.)為求均值， 中心化後的測試數據X的協方差矩陣分解為Cx=[XXT]=U λ UT, 其中，U為酉矩陣，λ為Cx的特徵值矩陣，λ =Diag (λ 1； λ 2,..., λ Ν),則白化矩陣B表示為 B= λ -1/2UT, 再通過白化矩陣B對中心化後的測試數據進行白化處理，即Z=BX,白化處理後的測試數據Z各分量正交歸一，協方差為單位陣，即向量間沒有相關性； 2)隨機產生Wi(O),且IIWi(O) I |2=1，其中Wi是分離矩陣W的第i行， 3)迭代=Wi(I^I)=EiZgOC(k)Z)}-E{g』OCGOzMWiGO，其中，g(.)是非二次函數，g』(.)是g(.)的導數，Wi(k+l)和賴分別為Wi的第k和k+Ι位置的元素值； 4)正交化，把已提取的獨立分量Wj減去，
3.根據權利要求1或2所述的基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法，其特徵是所述計算分離信號譜峭度，並篩選出最能表徵故障信息的分離信號具體包括: O峭度K是歸一化的4階中心矩，其計算公式為:
4.根據權利要求1或2所述的基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法，其特徵是所述對被選取的分離信號進行Hilbert包絡譜分析具體包括: 1)對被選取的分離時域信號進行Hilbert變換，求取時域解析信號； 2)通過求取解析信號的幅值來獲取包絡； 3)對包絡信號進行頻域分析，即傅立葉變換，獲取包絡譜。
5.根據權利要求3所述的基於FastICA-譜峭度-包絡譜分析的旋轉機械故障診斷方法，其特徵是所述對被選取的分離信號進行Hilbert包絡譜分析具體包括: 1)對被選取的分離時域信號進行Hilbert變換，求取時域解析信號； 2)通過求取解析信號 的幅值來獲取包絡； 3)對包絡信號進行頻域分析，即傅立葉變換，獲取包絡譜。
【文檔編號】G01M13/00GK103575523SQ201310563608
【公開日】2014年2月12日 申請日期:2013年11月14日 優先權日:2013年11月14日
【發明者】靳國永, 朱培鑫, 馬相龍, 石雙霞, 陳躍華 申請人:哈爾濱工程大學