一種機械振動故障特徵時域盲提取方法
2023-08-07 01:51:36 1
一種機械振動故障特徵時域盲提取方法
【專利摘要】本發明涉及一種機械振動故障特徵時域盲提取方法，屬機械設備狀態監測及故障診斷【技術領域】。本發明首先將振動觀測信號張成高維信號子空間；接著獲得低維信號；隨後進行FastICA獨立分量分析，計算各獨立分量的歸一化峭度並求出其最小歸一化峭度值對應的分量信號，利用正交匹配追蹤算法重構出周期信號；接著將各獨立分量剔除重構的周期信號，進而利用改進KL距離算法計算已剔除周期信號的獨立分量間的距離矩陣並進行動態粒子群聚類以獲得估計信號；最終分析估計信號的包絡解調譜，進行故障判斷。該方法適合處理長卷積數據問題，能有效降低周期成分對盲分離結果的影響，同時可以解決盲分離結果次序不確定性問題，最終實現軸承故障特徵提取。
【專利說明】一種機械振動故障特徵時域盲提取方法
【技術領域】
[0001]本發明涉及一種機械振動故障特徵時域盲提取方法，屬於機械設備狀態監測及故障診斷【技術領域】。
【背景技術】
[0002]軸承是旋轉機械的通用部件，它的狀態對機器的工作狀況影響極大，直接影響生產系統的安全和效率。在實際工作環境中，複雜的機械結構、多個其他的幹擾源和強大的背景噪聲使得傳感器接收到的觀測信號往往是多個信號複雜混合在一起形成的卷積混合模型，使得待識別故障源信號的提取近似於一個盲解卷積的過程。
[0003]但由傳感器接收到的觀測信號含有大量周期成分，在對故障源信號盲提取的過程中嚴重影響盲分離的效果；另外，觀測信號進行盲提取的分離結果會產生次序不確定性問題。針對以上存在問題，本發明提出了一種機械振動故障特徵時域盲提取方法，適合處理長卷積數據問題，能有效降低周期成分對盲分離結果的影響，同時解決盲分離結果次序不確定性問題，最終實現軸承故障特徵提取。
【發明內容】
[0004]本發明提供了一種機械振動故障特徵時域盲提取方法，從機械振動信號中分離並提取軸承複合故障特徵的檢測方法，可在含有較強的環境噪聲和其他非平穩信號及故障源很難被辨識的情況下，利用複雜機械振動信號進行故障特徵提取及診斷。
[0005]本發明機械振動故障特徵時域盲提取方法是這樣實現的:首先將振動觀測信號張成高維信號子空間；接著獲得低維信號；隨後進行FastICA獨立分量分析，計算各獨立分量的歸一化峭度並求出其最小歸一化峭度值對應的分量信號，利用正交匹配追蹤算法重構出周期信號；接著將各獨立分量剔除重構的周期信號，進而利用改進KL距離算法計算已剔除周期信號的獨立分量間的距離矩陣並進行動態粒子群聚類以獲得估計信號；最終分析估計信號的包絡解調譜，進行故障判斷。
[0006]所述機械振動故障特徵時域盲提取方法的具體步驟如下:
[0007]Step 1、初始化時延參數L、主分量數目np。、聚類數目ndustOT ；
[0008]St印2、中心化處理由加速度傳感器所接收到的振動觀測信號x(t)得到信號T⑴，
通過補零張成高維子空間信號X』(t)，對高維子空間信號X』 (t)進行PCA主分量分析得到低維信號x(t)p。；
[0009]Step3、對步驟Step2中得到的低維信號x(t)p。執行FastICA獨立分量分析算法，得到獨立分量ic (t),計算獨立分量ic (t)的歸一化峭度kurtie並求出kurtie中最小值對應的分量信號c (t)，即最小歸一化峭度值對應分量信號c (t)；
[0010]St印4、根據步驟St印3中得到的最小歸一化峭度值對應分量信號c (t)，利用正交匹配追蹤OMP算法重構出周期信號P (t)，將獨立分量ic(t)減去重構信號P (t)得到剔除周期信號的獨立分量信號ic(t)』 ；
[0011]St印5、再利用改進的KL距離算法計算獨立分量信號ic(t)』各分量間的距離，獲取距離矩陣D，對D進行動態粒子群聚類，重構聚類分量獲得估計源信號y (t)；
[0012]St印6、對估計的源信號y(t)進行包絡譜分析，最終實現故障診斷。
[0013]所述步驟St印4中所述的利用正交匹配追蹤OMP算法重構出周期信號P (t)的具體步驟如下:
[0014]Step4.1、初始化迭代次數1、增量矩陣M、殘差c(t)、機生成高斯測量矩陣Φ ;
[0015]Step4.2、正交變換基為單位矩陣的傅立葉變換形成的矩陣Ψ ；
[0016]Step4.3、根據步驟Step4.1和步驟Step4.2得到的矩陣計算恢復矩陣Θ =ΦΧΨ ；
[0017]Step4.4、再計算恢復矩陣Θ與殘差c (t)的投影係數；根據最大投影係數對應的位置來擴充增量矩陣M ；
[0018]Step4.5、對M進行最小二乘法使得殘差最小並更新殘差c ；
[0019]Step4.6、判斷是否達到迭代次數i，如果沒有達到迭代次數i，轉到步驟St印4.4 ；如果達到迭代次數i，轉到步驟St印4.7 ；
[0020]Step4.7、根據最大投影係數位置，重構頻域向量，然後進行傅立葉逆變換得到重構的時域周期信號P (t)。
[0021]所述步驟Step5中，所述的利用改進的KL距離算法計算獨立分量信號ic(t)』各分量間的距離，獲取距離矩陣D的具體步驟為:
[0022]Step5.1、將已剔除周期信號的獨立分量ic(t)』轉換為一維數組，並求出數組的長度1，計算一維數組中的各元素y(i)及其出現的概率q(i)，並求所有元素y(i)的平方和為 Q，其中 i = 1,2, -,I ；
? /.\2、
[0023]St印5.2、將y(i)、q(i)和Q代入公式/^)1
【權利要求】
1.一種機械振動故障特徵時域盲提取方法，其特徵在於:所述機械振動故障特徵時域盲提取方法的具體步驟如下: Stepl、初始化時延參數L、主分量數目np。、聚類數目ηε1ι1ΕΛΜ ； Step2、中心化處理由加速度傳感器所接收到的振動觀測信號x(t)得到信號x(t)，通過補零張成高維子空間信號X』(t)，對高維子空間信號X』 (t)進行PCA主分量分析得到低維信號 x(t)p。； Step3、對步驟Step2中得到的低維信號x(t)p。執行FastICA獨立分量分析算法，得到獨立分量ic(t),計算獨立分量ic(t)的歸一化峭度kurtie並求出kurtie中最小值對應的分量信號c (t)，即最小歸一化峭度值對應分量信號c (t)； Step4、根據步驟Step3中得到的最小歸一化峭度值對應分量信號c (t)，利用正交匹配追蹤OMP算法重構出周期信號P (t)，將獨立分量ic(t)減去重構信號P (t)得到剔除周期信號的獨立分量信號ic(t)』 ； St印5、再利用改進的KL距離算法計算獨立分量信號ic(t)』各分量間的距離，獲取距離矩陣D，對D進行動態粒子群聚類，重構聚類分量獲得估計源信號y (t)； Step6、對估計的源信號y(t)進行包絡譜分析，最終實現故障診斷。
2.根據權利要求1所述的機械振動故障特徵時域盲提取方法，其特徵在於:所述步驟Step4中所述的利用正交匹配追蹤OMP算法重構出周期信號P (t)的具體步驟如下: Step4.1、初始化迭代次數1、增量矩陣M、殘差c(t)、機生成高斯測量矩陣Φ ; Step4.2、正交變換基為單位矩陣的傅立葉變換形成的矩陣Ψ ； Step4.3、根據步驟Step4.1和步驟Step4.2得到的矩陣計算恢復矩陣Θ = Φ X Ψ ; Step4.4、再計算恢復矩陣Θ與殘差c(t)的投影係數；根據最大投影係數對應的位置來擴充增量矩陣M ； Step4.5、對M進行最小二乘法使得殘差最小並更新殘差c ； Step4.6、判斷是否達到迭代次數i，如果沒有達到迭代次數i，轉到步驟Step4.4 ;如果達到迭代次數i，轉到步驟St印4.7 ； Step4.7、根據最大投影係數位置，重構頻域向量，然後進行傅立葉逆變換得到重構的時域周期信號P (t)。
3.根據權利要求1所述的機械振動故障特徵時域盲提取方法，其特徵在於:所述步驟Step5中，所述的利用改進的KL距離算法計算獨立分量信號ic(t)』各分量間的距離，獲取距離矩陣D的具體步驟為: Step5.1、將已剔除周期信號的獨立分量ic(t)』轉換為一維數組，並求出數組的長度.1，計算一維數組中的各元素y(i)及其出現的概率q(i)，並求所有元素y(i)的平方和為Q，其中i = 1，2，…，I ； St印5.2、將y(i)、q(i)和Q代入公
求出概率密度函數p(i)，其中 i = 1，2，…，I ; Step5.3、將概率密度函數P (i)代入KL距離算法公式:
獲得距離矩陣D，其中i = 1，2，…，I ；j = 1,2,…，I。
【文檔編號】G01M13/04GK104198187SQ201410448210
【公開日】2014年12月10日 申請日期:2014年9月4日 優先權日:2014年9月4日
【發明者】伍星, 劉鳳, 潘楠, 周俊, 劉暢, 柳小勤, 傘紅軍, 賀瑋 申請人:昆明理工大學