[发明专利]增强旋转机械故障信号特征的盲解卷积算法

说明书

本发明涉及一种增强旋转机械故障信号特征的盲解卷积算法，包括以下步骤：S1：构建多个级联的FIR滤波器，根据原始振动信号的特征确定盲解卷积算法的最大化准则，将最大化准则作为目标函数；S2：利用级联的FIR滤波器依次对原始振动信号进行卷积运算，得滤波后的信号，计算滤波后的信号的目标函数值；S3：采用后向自动微分算法计算当前迭代次数下目标函数值对滤波器的梯度；S4：更新所有滤波器的值；S5：重复S2‑S4，达到最大迭代次数后，输出最终的滤波后的信号。解决了由于不同盲解卷积算法的迭代算法不能通用以及盲解卷积算法性能较差，导致旋转机械故障诊断精度不高的技术问题。

技术领域

本发明涉及基于深度学习的旋转机械故障诊断计算技术领域，尤其是一种增强旋转机械故障信号特征的盲解卷积算法。

背景技术

齿轮箱和轴承是旋转机械的重要部件，它们的失效是造成机械故障最常见的原因。为了减少安全隐患，保证设备正常运行，对旋转机械的齿轮箱和轴承等部件进行状态监测尤为重要。齿轮箱或者轴承故障形成后，会产生将周期性的瞬态脉冲。然而由于受到传输路径和环境噪声的影响，振动传感器所采集的信号故障脉冲大幅度衰减，这给故障分析带来了很大阻碍。

盲解卷积旨求解一个逆FIR滤波器对原始信号滤波，最大限度地恢复由故障激发的脉冲特征。通过最大化滤波信号的某项指标求解滤波器系数，这样的指标通常被称为最大化准则。不同盲解卷积算法的主要区别在于最大化准则不同。例如，基于峭度最大化的盲解卷积算法-MED；基于相关峭度最大化的盲解卷积算法-MCKD；基于D范数最大化的盲解卷积算法-OMED等。这些算法需要人为推导最大化准则对滤波器系数的偏导数，之后进一步推导出滤波器系数的迭代更新公式，最后多次迭代求解滤波器系数和滤波信号。这种求解过程需要人为推导滤波器系数的迭代更新公式，计算过程复杂，并且基于不同最大化准则的盲解卷积算法迭代更新公式不能通用，有些最大化准则甚至无法推导出迭代公式，这极大程度的限制了不同场景下最大化准则的选择和设计；另一方面，盲解卷积本质是非凸优化问题的求解，常规的盲解卷积算法在解空间搜索到一个极大值便会终止，无法继续搜索更优的解，因此常规的盲解卷积算法性能有限。

研究一种基于不同最大化准则的盲解卷积通用解法能保证最大化准则设计的灵活性，满足各种场合旋转机械故障诊断的需求。优化迭代求解过程，提升盲解卷积算法的性能，对于提高旋转机械故障诊断的精度具有重大意义。

发明内容

针对现有技术的缺陷，本发明提供一种增强旋转机械故障信号特征的盲解卷积算法，解决现有盲解卷积算法精度不高，适用范围小的问题。

本发明采用的技术方案如下：

一种增强旋转机械故障信号特征的盲解卷积算法，其特征在于，包括以下步骤：

S1：构建多个级联的FIR滤波器，根据原始振动信号的特征确定盲解卷积算法的最大化准则，将最大化准则作为目标函数；

S2：利用所述级联的FIR滤波器依次对原始振动信号进行卷积运算，得滤波后的信号，计算滤波后的信号的目标函数值；

S3：采用后向自动微分算法计算当前迭代轮次下目标函数对滤波器的梯度；

S4：更新各滤波器的值；

S5：重复S2-S4，达到最大迭代次数后，输出最终的滤波后的信号。

其进一步技术方案为：

利用n个级联的FIR滤波器{f₁,f₂,…,f_n-1,f_n}依次对原始振动信号进行卷积运算，公式如下：