一種機(jī)械振動(dòng)故障特征時(shí)域盲提取方法
【專利摘要】本發(fā)明涉及一種機(jī)械振動(dòng)故障特征時(shí)域盲提取方法，屬機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)及故障診斷【技術(shù)領(lǐng)域】。本發(fā)明首先將振動(dòng)觀測(cè)信號(hào)張成高維信號(hào)子空間；接著獲得低維信號(hào)；隨后進(jìn)行FastICA獨(dú)立分量分析，計(jì)算各獨(dú)立分量的歸一化峭度并求出其最小歸一化峭度值對(duì)應(yīng)的分量信號(hào)，利用正交匹配追蹤算法重構(gòu)出周期信號(hào)；接著將各獨(dú)立分量剔除重構(gòu)的周期信號(hào)，進(jìn)而利用改進(jìn)KL距離算法計(jì)算已剔除周期信號(hào)的獨(dú)立分量間的距離矩陣并進(jìn)行動(dòng)態(tài)粒子群聚類以獲得估計(jì)信號(hào)；最終分析估計(jì)信號(hào)的包絡(luò)解調(diào)譜，進(jìn)行故障判斷。該方法適合處理長(zhǎng)卷積數(shù)據(jù)問(wèn)題，能有效降低周期成分對(duì)盲分離結(jié)果的影響，同時(shí)可以解決盲分離結(jié)果次序不確定性問(wèn)題，最終實(shí)現(xiàn)軸承故障特征提取。
【專利說(shuō)明】一種機(jī)械振動(dòng)故障特征時(shí)域盲提取方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種機(jī)械振動(dòng)故障特征時(shí)域盲提取方法，屬于機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)及故障診斷【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002]軸承是旋轉(zhuǎn)機(jī)械的通用部件，它的狀態(tài)對(duì)機(jī)器的工作狀況影響極大，直接影響生產(chǎn)系統(tǒng)的安全和效率。在實(shí)際工作環(huán)境中，復(fù)雜的機(jī)械結(jié)構(gòu)、多個(gè)其他的干擾源和強(qiáng)大的背景噪聲使得傳感器接收到的觀測(cè)信號(hào)往往是多個(gè)信號(hào)復(fù)雜混合在一起形成的卷積混合模型，使得待識(shí)別故障源信號(hào)的提取近似于一個(gè)盲解卷積的過(guò)程。
[0003]但由傳感器接收到的觀測(cè)信號(hào)含有大量周期成分，在對(duì)故障源信號(hào)盲提取的過(guò)程中嚴(yán)重影響盲分離的效果；另外，觀測(cè)信號(hào)進(jìn)行盲提取的分離結(jié)果會(huì)產(chǎn)生次序不確定性問(wèn)題。針對(duì)以上存在問(wèn)題，本發(fā)明提出了一種機(jī)械振動(dòng)故障特征時(shí)域盲提取方法，適合處理長(zhǎng)卷積數(shù)據(jù)問(wèn)題，能有效降低周期成分對(duì)盲分離結(jié)果的影響，同時(shí)解決盲分離結(jié)果次序不確定性問(wèn)題，最終實(shí)現(xiàn)軸承故障特征提取。


【發(fā)明內(nèi)容】

[0004]本發(fā)明提供了一種機(jī)械振動(dòng)故障特征時(shí)域盲提取方法，從機(jī)械振動(dòng)信號(hào)中分離并提取軸承復(fù)合故障特征的檢測(cè)方法，可在含有較強(qiáng)的環(huán)境噪聲和其他非平穩(wěn)信號(hào)及故障源很難被辨識(shí)的情況下，利用復(fù)雜機(jī)械振動(dòng)信號(hào)進(jìn)行故障特征提取及診斷。
[0005]本發(fā)明機(jī)械振動(dòng)故障特征時(shí)域盲提取方法是這樣實(shí)現(xiàn)的:首先將振動(dòng)觀測(cè)信號(hào)張成高維信號(hào)子空間；接著獲得低維信號(hào)；隨后進(jìn)行FastICA獨(dú)立分量分析，計(jì)算各獨(dú)立分量的歸一化峭度并求出其最小歸一化峭度值對(duì)應(yīng)的分量信號(hào)，利用正交匹配追蹤算法重構(gòu)出周期信號(hào)；接著將各獨(dú)立分量剔除重構(gòu)的周期信號(hào)，進(jìn)而利用改進(jìn)KL距離算法計(jì)算已剔除周期信號(hào)的獨(dú)立分量間的距離矩陣并進(jìn)行動(dòng)態(tài)粒子群聚類以獲得估計(jì)信號(hào)；最終分析估計(jì)信號(hào)的包絡(luò)解調(diào)譜，進(jìn)行故障判斷。
[0006]所述機(jī)械振動(dòng)故障特征時(shí)域盲提取方法的具體步驟如下:
[0007]Step 1、初始化時(shí)延參數(shù)L、主分量數(shù)目np。、聚類數(shù)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(dòng)觀測(cè)信號(hào)x(t)得到信號(hào)T⑴，
通過(guò)補(bǔ)零張成高維子空間信號(hào)X’(t)，對(duì)高維子空間信號(hào)X’ (t)進(jìn)行PCA主分量分析得到低維信號(hào)x(t)p。；
[0009]Step3、對(duì)步驟Step2中得到的低維信號(hào)x(t)p。執(zhí)行FastICA獨(dú)立分量分析算法，得到獨(dú)立分量ic (t),計(jì)算獨(dú)立分量ic (t)的歸一化峭度kurtie并求出kurtie中最小值對(duì)應(yīng)的分量信號(hào)c (t)，即最小歸一化峭度值對(duì)應(yīng)分量信號(hào)c (t)；
[0010]St印4、根據(jù)步驟St印3中得到的最小歸一化峭度值對(duì)應(yīng)分量信號(hào)c (t)，利用正交匹配追蹤OMP算法重構(gòu)出周期信號(hào)P (t)，將獨(dú)立分量ic(t)減去重構(gòu)信號(hào)P (t)得到剔除周期信號(hào)的獨(dú)立分量信號(hào)ic(t)’ ；
[0011]St印5、再利用改進(jìn)的KL距離算法計(jì)算獨(dú)立分量信號(hào)ic(t)’各分量間的距離，獲取距離矩陣D，對(duì)D進(jìn)行動(dòng)態(tài)粒子群聚類，重構(gòu)聚類分量獲得估計(jì)源信號(hào)y (t)；
[0012]St印6、對(duì)估計(jì)的源信號(hào)y(t)進(jìn)行包絡(luò)譜分析，最終實(shí)現(xiàn)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(gòu)出周期信號(hào)P (t)的具體步驟如下:
[0014]Step4.1、初始化迭代次數(shù)1、增量矩陣M、殘差c(t)、機(jī)生成高斯測(cè)量矩陣Φ ;
[0015]Step4.2、正交變換基為單位矩陣的傅里葉變換形成的矩陣Ψ ；
[0016]Step4.3、根據(jù)步驟Step4.1和步驟Step4.2得到的矩陣計(jì)算恢復(fù)矩陣Θ =ΦΧΨ ；
[0017]Step4.4、再計(jì)算恢復(fù)矩陣Θ與殘差c (t)的投影系數(shù)；根據(jù)最大投影系數(shù)對(duì)應(yīng)的位置來(lái)擴(kuò)充增量矩陣M ；
[0018]Step4.5、對(duì)M進(jìn)行最小二乘法使得殘差最小并更新殘差c ；
[0019]Step4.6、判斷是否達(dá)到迭代次數(shù)i，如果沒(méi)有達(dá)到迭代次數(shù)i，轉(zhuǎn)到步驟St印4.4 ；如果達(dá)到迭代次數(shù)i，轉(zhuǎn)到步驟St印4.7 ；
[0020]Step4.7、根據(jù)最大投影系數(shù)位置，重構(gòu)頻域向量，然后進(jìn)行傅里葉逆變換得到重構(gòu)的時(shí)域周期信號(hào)P (t)。
[0021]所述步驟Step5中，所述的利用改進(jìn)的KL距離算法計(jì)算獨(dú)立分量信號(hào)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(hào)的獨(dú)立分量ic(t)’轉(zhuǎn)換為一維數(shù)組，并求出數(shù)組的長(zhǎng)度1，計(jì)算一維數(shù)組中的各元素y(i)及其出現(xiàn)的概率q(i)，并求所有元素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(quán)利要求】
1.一種機(jī)械振動(dòng)故障特征時(shí)域盲提取方法，其特征在于:所述機(jī)械振動(dòng)故障特征時(shí)域盲提取方法的具體步驟如下: Stepl、初始化時(shí)延參數(shù)L、主分量數(shù)目np。、聚類數(shù)目ηε1ι1ΕΛΜ ； Step2、中心化處理由加速度傳感器所接收到的振動(dòng)觀測(cè)信號(hào)x(t)得到信號(hào)x(t)，通過(guò)補(bǔ)零張成高維子空間信號(hào)X’(t)，對(duì)高維子空間信號(hào)X’ (t)進(jìn)行PCA主分量分析得到低維信號(hào) x(t)p。； Step3、對(duì)步驟Step2中得到的低維信號(hào)x(t)p。執(zhí)行FastICA獨(dú)立分量分析算法，得到獨(dú)立分量ic(t),計(jì)算獨(dú)立分量ic(t)的歸一化峭度kurtie并求出kurtie中最小值對(duì)應(yīng)的分量信號(hào)c (t)，即最小歸一化峭度值對(duì)應(yīng)分量信號(hào)c (t)； Step4、根據(jù)步驟Step3中得到的最小歸一化峭度值對(duì)應(yīng)分量信號(hào)c (t)，利用正交匹配追蹤OMP算法重構(gòu)出周期信號(hào)P (t)，將獨(dú)立分量ic(t)減去重構(gòu)信號(hào)P (t)得到剔除周期信號(hào)的獨(dú)立分量信號(hào)ic(t)’ ； St印5、再利用改進(jìn)的KL距離算法計(jì)算獨(dú)立分量信號(hào)ic(t)’各分量間的距離，獲取距離矩陣D，對(duì)D進(jìn)行動(dòng)態(tài)粒子群聚類，重構(gòu)聚類分量獲得估計(jì)源信號(hào)y (t)； Step6、對(duì)估計(jì)的源信號(hào)y(t)進(jìn)行包絡(luò)譜分析，最終實(shí)現(xiàn)故障診斷。
2.根據(jù)權(quán)利要求1所述的機(jī)械振動(dòng)故障特征時(shí)域盲提取方法，其特征在于:所述步驟Step4中所述的利用正交匹配追蹤OMP算法重構(gòu)出周期信號(hào)P (t)的具體步驟如下: Step4.1、初始化迭代次數(shù)1、增量矩陣M、殘差c(t)、機(jī)生成高斯測(cè)量矩陣Φ ; Step4.2、正交變換基為單位矩陣的傅里葉變換形成的矩陣Ψ ； Step4.3、根據(jù)步驟Step4.1和步驟Step4.2得到的矩陣計(jì)算恢復(fù)矩陣Θ = Φ X Ψ ; Step4.4、再計(jì)算恢復(fù)矩陣Θ與殘差c(t)的投影系數(shù)；根據(jù)最大投影系數(shù)對(duì)應(yīng)的位置來(lái)擴(kuò)充增量矩陣M ； Step4.5、對(duì)M進(jìn)行最小二乘法使得殘差最小并更新殘差c ； Step4.6、判斷是否達(dá)到迭代次數(shù)i，如果沒(méi)有達(dá)到迭代次數(shù)i，轉(zhuǎn)到步驟Step4.4 ;如果達(dá)到迭代次數(shù)i，轉(zhuǎn)到步驟St印4.7 ； Step4.7、根據(jù)最大投影系數(shù)位置，重構(gòu)頻域向量，然后進(jìn)行傅里葉逆變換得到重構(gòu)的時(shí)域周期信號(hào)P (t)。
3.根據(jù)權(quán)利要求1所述的機(jī)械振動(dòng)故障特征時(shí)域盲提取方法，其特征在于:所述步驟Step5中，所述的利用改進(jìn)的KL距離算法計(jì)算獨(dú)立分量信號(hào)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(hào)的獨(dú)立分量ic(t)’轉(zhuǎn)換為一維數(shù)組，并求出數(shù)組的長(zhǎng)度.1，計(jì)算一維數(shù)組中的各元素y(i)及其出現(xiàn)的概率q(i)，并求所有元素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(shù)p(i)，其中 i = 1，2，…，I ; Step5.3、將概率密度函數(shù)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(hào)】G01M13/04GK104198187SQ201410448210
【公開(kāi)日】2014年12月10日 申請(qǐng)日期:2014年9月4日 優(yōu)先權(quán)日:2014年9月4日
【發(fā)明者】伍星, 劉鳳, 潘楠, 周俊, 劉暢, 柳小勤, 傘紅軍, 賀瑋 申請(qǐng)人:昆明理工大學(xué)