[发明专利]一种机械振动故障特征时域盲提取方法

说明书

技术领域

本发明涉及一种机械振动故障特征时域盲提取方法，属于机械设备状态监测及故障诊断技术领域。

背景技术

轴承是旋转机械的通用部件，它的状态对机器的工作状况影响极大，直接影响生产系统的安全和效率。在实际工作环境中，复杂的机械结构、多个其他的干扰源和强大的背景噪声使得传感器接收到的观测信号往往是多个信号复杂混合在一起形成的卷积混合模型，使得待识别故障源信号的提取近似于一个盲解卷积的过程。

但由传感器接收到的观测信号含有大量周期成分，在对故障源信号盲提取的过程中严重影响盲分离的效果；另外，观测信号进行盲提取的分离结果会产生次序不确定性问题。针对以上存在问题，本发明提出了一种机械振动故障特征时域盲提取方法，适合处理长卷积数据问题，能有效降低周期成分对盲分离结果的影响，同时解决盲分离结果次序不确定性问题，最终实现轴承故障特征提取。

发明内容

本发明提供了一种机械振动故障特征时域盲提取方法，从机械振动信号中分离并提取轴承复合故障特征的检测方法，可在含有较强的环境噪声和其他非平稳信号及故障源很难被辨识的情况下，利用复杂机械振动信号进行故障特征提取及诊断。

本发明机械振动故障特征时域盲提取方法是这样实现的：首先将振动观测信号张成高维信号子空间；接着获得低维信号；随后进行FastICA独立分量分析，计算各独立分量的归一化峭度并求出其最小归一化峭度值对应的分量信号，利用正交匹配追踪算法重构出周期信号；接着将各独立分量剔除重构的周期信号，进而利用改进KL距离算法计算已剔除周期信号的独立分量间的距离矩阵并进行动态粒子群聚类以获得估计信号；最终分析估计信号的包络解调谱，进行故障判断。

所述机械振动故障特征时域盲提取方法的具体步骤如下：

Step1、初始化时延参数L、主分量数目n_pc、聚类数目n_cluster；

Step2、中心化处理由加速度传感器所接收到的振动观测信号x(t)得到信号通过补零张成高维子空间信号x'(t)，对高维子空间信号x'(t)进行PCA主分量分析得到低维信号x(t)_pc；

Step3、对步骤Step2中得到的低维信号x(t)_pc执行FastICA独立分量分析算法，得到独立分量ic(t)，计算独立分量ic(t)的归一化峭度kurt_ic并求出kurt_ic中最小值对应的分量信号c(t)，即最小归一化峭度值对应分量信号c(t)；

Step4、根据步骤Step3中得到的最小归一化峭度值对应分量信号c(t)，利用正交匹配追踪OMP算法重构出周期信号p(t)，将独立分量ic(t)减去重构信号p(t)得到剔除周期信号的独立分量信号ic(t)'；

Step5、再利用改进的KL距离算法计算独立分量信号ic(t)'各分量间的距离，获取距离矩阵D，对D进行动态粒子群聚类，重构聚类分量获得估计源信号y(t)；

Step6、对估计的源信号y(t)进行包络谱分析，最终实现故障诊断。

所述步骤Step4中所述的利用正交匹配追踪OMP算法重构出周期信号p(t)的具体步骤如下：

Step4.1、初始化迭代次数i、增量矩阵Μ、残差c(t)、机生成高斯测量矩阵Φ；

Step4.2、正交变换基为单位矩阵的傅里叶变换形成的矩阵Ψ；

Step4.3、根据步骤Step4.1和步骤Step4.2得到的矩阵计算恢复矩阵Θ＝Φ×Ψ；

Step4.4、再计算恢复矩阵Θ与残差c(t)的投影系数；根据最大投影系数对应的位置来扩充增量矩阵Μ；

Step4.5、对Μ进行最小二乘法使得残差最小并更新残差c；

Step4.6、判断是否达到迭代次数i，如果没有达到迭代次数i，转到步骤Step4.4；如果达到迭代次数i，转到步骤Step4.7；

Step4.7、根据最大投影系数位置，重构频域向量，然后进行傅里叶逆变换得到重构的时域周期信号p(t)。

所述步骤Step5中，所述的利用改进的KL距离算法计算独立分量信号ic(t)'各分量间的距离，获取距离矩阵D的具体步骤为：

Step5.1、将已剔除周期信号的独立分量ic(t)'转换为一维数组，并求出数组的长度l，计算一维数组中的各元素y(i)及其出现的概率q(i)，并求所有元素y(i)的平方和为Q，其中i＝1,2,…,l；