[发明专利]一种机械振动故障特征时域盲提取方法

摘要

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

主权项

一种机械振动故障特征时域盲提取方法，其特征在于：所述机械振动故障特征时域盲提取方法的具体步骤如下：1、初始化时延参数L、主分量数目npc、聚类数目ncluster；2、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；3、对步骤2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kurtic并求出kurtic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)；4、根据步骤3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)减去重构的周期信号p(t)得到剔除周期信号的独立分量信号ic(t)'；5、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)；6、对估计的源信号y(t)进行包络谱分析，最终实现故障诊断。