[发明专利]一种基于改进的同步挤压变换的旋转机械故障诊断方法

摘要

本发明公开了一种基于改进的同步挤压变换的旋转机械故障诊断方法，包括如下步骤，第一步：对采集的旋转机械故障特征的振动信号进行滤波分析，消除强背景噪声影响，提取纯振动信号；第二步：利用小波分析方法提取故障特征信号的最优频率范围，利用最优频率范围，根据同步挤压变换方法提取振动信号的时频脊特征和信号时频分量，并重构振动信号，利用谱峰值方法选择最佳信号分量，再进行Hilbert变换提取故障特征。本发明基于改进的同步挤压小波变换的旋转机械故障特征高效提取方法能够通过最优频率中心及其范围准确确定故障特征频率。

主权项

1.一种基于改进的同步挤压变换的旋转机械故障诊断方法，其特征在于，包括以下步骤：步骤一：采集有故障特征的旋转机械振动信号；步骤二：通过公式计算振动信号的软阈值，并将其作为降噪限值，式中，N为信号长度，σ为信号标准差，C为常数，设计自适应滤波器，利用小波软阈值降噪方法自适应的滤除原始信号中的噪声分量，对原始振动信号进行降噪处理，提取振动信号中的周期性的有效故障信息；步骤三：通过公式计算小波系数阈值γ，式中，W_f表示小波系数，是第n_v个小波系数，表示小波系数的中值，与高斯分布的MAD和它的标准差有关，A为乘数因子，N为信号长度，利用小波分解将降噪后的信号分解为若干分量信号f_k(t)，即IMT₁、IMT₂、…、IMT_n，利用最大能量熵方法计算各分量信号的频率中心φ′_k(t)，利用误差能量E_residual最小的方法计算最优频率中心及其宽度，即E_residual＝E_total‑E₁‑E₂‑E_n，其中，E_i＝‑∑p_ilog₁₀p_i，各分量信号的累积频率范围ε_k(t)是由它的小波变换系数和频率中心曲线φ′_k(t)自适应确定，以适用于f_k(t)的小波系数带；步骤四：将累积频率范围引入同步挤压小波变换中，对振动信号重新进行分解获得各本征模式函数并提取脊特征，选择合适的小波基ψ，其傅里叶变换为唯一的峰值为ξ_P，的支承区间为[ξ_ψ‑Δ,ξ_ψ+Δ]，ξ_ψ为ψ对应的频率，Δ为步长，Δ＞0，信号的瞬时频率和尺度必须满足关系其中，ω(a,t)即为瞬时频率，是尺度a和时间t的函数，T_s是抽样周期，搜索合适的频率区间{ω:|ω(a,t)‑φ′_k(t)|≤ε_k(t)}，即搜索尺度区间{a:a_min≤a≤a_max}，选择尺度区间通过同步挤压逆变换，在强噪声背景下自适应频率范围的时变谐波波形的提取方程为：式中，表示同步挤压逆变换，W_f(a,t)为小波变换系数，ξ为频率；步骤五：在利用同步挤压变换获得时频信息和时频脊特征信息后，结合小波基函数ψ、最优频率范围[ξ_ψ‑Δ,ξ_ψ+Δ]，利用式(2)进行同步挤压逆变换从中恢复信号分量f_k(t)，重构振动信号：式中，表示同步挤压逆变换，L_k(t)表示简谐分量个数，l＝1,2,3,…,L；步骤六：计算振动信号的x的4阶谱累积量C_4x(f)和2阶谱瞬时矩S_2x(f)，利用公式计算各振动信号分量的谱峰值，其中，S_2x(f)＝E{x₁x₂}C_4x(f)＝E{x₁x₂x₃x₄}‑E{x₁x₂}E{x₃x₄}‑E{x₁x₃}E{x₂x₄}‑E{x₁x₄}E{x₂x₃}，E为期望，谱峭度K_x(f)是用来描述信号在某个频段的峭度，也就是描述信号波形的尖峰程度的参数，是从频域角度描述隐藏在非平稳信号中的成分，并选择最佳分量；步骤七：对重构后的振动信号进行Hilbert变换，提取振动信号中的故障特征，旋转机械故障振动信号具有强调幅调频特征，利用Hilbert变换对振动信号进行解调，得到重构后的最佳分量信号的解析形式：z(t)＝x(t)+jH[x(t)]    (7)式中，H[x(t)]为重构后的信号x(t)的Hilbert变换，j为虚数，而信号x(t)的包络信号为：。