[发明专利]基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法

摘要

本发明公开了一种基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法。本发明主要包括三部分的算法：一是基于经验模态分解(EMD)、奇异值分解(SVD)和K均值聚类(K‑Means)的源信号数目估计算法；二是基于模糊C均值聚类(FCM)的混叠矩阵估计算法；三是基于最小化l₁范数的源信号估计及诊断算法。整个算法流程引入了盲源分离(BSS)及稀疏成分分析(SCA)的思想。本发明以仿真信号和实际振动信号为测试对象，给出了详细的算法描述，并通过一系列的实验验证了算法在信号处理及故障诊断方面的有效性。

主权项

1.基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法,其特征在于：步骤(1)，从安装在齿轮箱内的m个传感器上获取振动信号，并设振动信号矩阵为x＝[x₁,x₂,...x_m]，其中任意一路传感器信号x_i都为T维向量，即x_i∈R^T，表示每一路信号有T个采样点，并记采样频率为Fs；步骤(2)选取任意一路传感器信号x_i，对其进行EMD分解，分离出的q个本征模态函数及余量r_q，得到本征模态函数IMF矩阵C，IMF矩阵C＝[c₁,c₂,...c_q,r_q]；步骤(3)计算IMF矩阵C的自相关矩阵R_C＝CC^T；步骤(4)将协方差矩阵进行奇异值分解，由于协方差矩阵为q×q维矩阵，因此得到协方差矩阵q个奇异值，奇异值构成的集合记为{λ₁,λ₂,...λ_q}；步骤(5)取奇异值的自然对数{logλ₁,logλ₂,...logλ_q}，并对该集合进行K均值聚类，分类数为2，将含数值较大的一类记为G₁，数值较小的一类记为G₂；步骤(6)统计G₁中的元素个数n，将其作为源数目的估计；步骤(7)选取短时傅立叶变换长度L≥64，窗口重叠长度为将各传感器振动信号{x₁,x₂,...x_m}分段，并将各段信号依次进行短时傅立叶变换，将原始信号转化到时频域，得到系数矩阵为X(L,K,m)，即X为L×K×m的三维矩阵，其中表示分段数；步骤(8)根据系数矩阵X(L,K,m)计算各频率点的能量值，能量值矩阵记为E(L)，E(L)中的元素步骤(9)在E(L)中选取n个极大值，记录下相应的频率点，即各极大值在E(L)中的坐标，频率点集合记为{f₁,f₂,...f_n}；步骤(10)在频率点集合{f₁,f₂,...f_n}中任取一个频率点f_i，并将其从频率点集合中剔除，从系数矩阵X(L,K,m)提取此频率点的系数矩阵的实部并将其归一化，公式为其中，Y为K×m维矩阵；步骤(11)利用模糊C均值算法对Y进行聚类，得到聚类中心{v₁,v₂}， 矩阵Y中的每一行都可以看作一个m维的样本点，由于Y有K行，样本点集合可记为{y₁,y₂,...y_K}；步骤(12)将聚类中心v₁作为混叠矩阵A的一列；步骤(13)判断频率点集合{f₁,f₂,...f_n}是否为空，假如集合不空，则转入步骤(10)；假如集合为空集，表明已经得到混叠矩阵A的估计，此时混叠矩阵A恰好为m×n维的矩阵；步骤(14)分别从系数矩阵X(L,K,m)中提取各元素的实部和虚部并各自压缩重组为一个新的二维矩阵，实部矩阵记为RealX(m,L×K)，虚部矩阵记为ImgX(m,L×K)；步骤(15)建立目标函数且满足As^t＝x^t，其中A为步骤(13)估计得到的混叠矩阵，s^t为源信号在时频域中的一列，x^t为输入矩阵的一列，所述的输入矩阵是RealX(m,L×K)或者ImgX(m,L×K)；步骤(16)最小化目标函数，得到分段时频域源信号的估计，为了使源信号更加直观和方便诊断，对分段时频域源信号执行逆短时傅立叶变化，得到时域源信号{s₁,s₂,...s_n}；步骤(17)对源信号{s₁,s₂,...s_n}进行傅立叶变换，得到n个频域波形，判断各个频域波形的故障频率点是否存在明显波形，假如存在，则说明存在该类型故障，否则反之。