一种旋转机械故障信号的稀疏特征提取方法技术

本发明专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，根据旋转机械冲击类故障的故障产生机理，构建故障过完备原子库；根据待观测信号的数学模型和故障过完备原子库，通过多分辨率广义S变换和归一化处理，计算出待分析信号的多分辨率时频谱；计算归一化多分辨率时频谱的最大值，结合正交匹配追踪算法，计算出一组最能稀疏表示待观测信号的原子集合；根据故障的稀疏表示信号及设备的故障特征频率和转速信息，确定故障类型，实现机械设备的快速故障诊断。其优点在于大幅度降低了原子搜索的复杂度和搜索时间，提高了稀疏分解的效率，同时提高了裂纹、点蚀或剥落等冲击类故障的故障诊断效率。

A sparse feature extraction method for rotating machinery fault signals

This invention provides a sparse feature extraction method for the fault signal of rotating machinery. According to the mechanism of the failure of the rotating machinery, the fault overcomplete atomic library is constructed. According to the mathematical model of the observed signal and the fault overcomplete atom library, the multiresolution and broad sense S transform and normalization are used to calculate the problem. Analyzing the multiresolution time spectrum of the signal, calculating the maximum spectrum of the normalized multi-resolution, combining with the orthogonal matching tracking algorithm, a set of the most sparse representation of the observed signals is calculated, and the fault type is determined according to the sparse representation of the fault and the fault feature frequency and speed information of the equipment. Rapid fault diagnosis of mechanical equipment. The advantage is that the complexity and searching time of the atomic search are greatly reduced, the efficiency of the sparse decomposition is improved, and the fault diagnosis efficiency of the crack, pitting or peeling is also improved.

【技术实现步骤摘要】
一种旋转机械故障信号的稀疏特征提取方法
本专利技术涉及一种旋转机械故障诊断领域，特别涉及一种旋转机械故障信号的稀疏特征提取方法。
技术介绍
在机械设备运行过程中，旋转部件是保障设备安全稳定运行的关键设备，一旦出现故障，轻者导致影响生产精度，重者引发重大设备故障和巨大经济损失。旋转机械的振动信号主要有两种，一种是磨损、不对中、不平衡等导致的平稳故障信号，另一种是裂纹、点蚀、剥落等导致的非平稳冲击类故障信号。冲击类故障更容易在短期内导致设备瘫痪，因此，对冲击类故障的特征提取及故障诊断具有重大的意义。传统的适合处理平稳信号的傅里叶分析方法对平稳故障信号的特征频率提取具有良好的效果，而对于具有局部冲击特征的非平稳冲击类故障信号的特征频率提取存在一定的局限性。时频分析方法如Hilbert-Huang变换、小波分析、广义S变换等方法，由于能够提取信号的局部信息，而在机械故障诊断中得到广泛应用。但是这些方法在处理低信噪比的故障信号时，往往由于分解层数、调节参数、终止阈值的选取非最优值而造成微弱冲击信号识别困难，因此，必然会影响裂纹、点蚀或剥落等冲击类故障早期的特征识别效果。文献检索查到相关专利：2007年06月13日公开的申请号为CN201710047222.2的专利技术专利《旋转电机的故障诊断方法》，提供一种旋转电机的故障诊断方法，包括时频分析方法和故障提取方法，将短时间窗在单项电流数据上滑动，生成时频图作为样本集合，提取出故障特征的边频频率和幅值。但是，上述专利存在两大缺陷：①短时间窗的时窗宽度是固定不变的，不具有自适应性，特别是针对振荡衰减信号，短时间窗的选取直接影响了时频谱的时频分辨率；②涉及的谐波估计算法对处于间歇工况下的非周期性、稀疏性的故障信号识别效果不佳，特征特取困难。针对以上问题，本专利提出一种旋转机械故障信号的稀疏特征提取方法：通过多分辨率广义S变换，将待分析信号映射到不同尺度下的时频谱中，从时频谱中出能量最大值所对应的时频参数，结合正交匹配追踪算法和构建的故障冗余字典，提取出一组最能表示信号故障特征的原子集合，将故障信号的稀疏特征提取出来，进而实现旋转机械裂纹、点蚀或剥落等冲击类故障的故障诊断。
技术实现思路
本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，通过多分辨率广义S变换，将待分析信号映射到不同尺度下的时频谱中，从时频谱中出能量最大值所对应的时频参数，结合正交匹配追踪算法和构建的故障冗余字典，提取出一组最能表示信号故障特征的原子集合，将故障信号的稀疏特征提取出来，进而实现旋转机械裂纹、点蚀或剥落等冲击类故障的故障诊断；从而克服现有技术的缺陷，解决上述技术问题。本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，包括以下步骤：步骤A、根据旋转机械冲击类故障的故障产生机理，构建故障过完备原子库；步骤B、根据待观测信号的数学模型和故障过完备原子库，通过多分辨率广义S变换和归一化处理，计算出待分析信号的多分辨率时频谱；步骤C、计算归一化多分辨率时频谱的最大值，结合正交匹配追踪算法，计算出一组最能稀疏表示待观测信号的原子集合；步骤D、根据故障的稀疏表示信号及设备的故障特征频率和转速信息，确定故障类型，实现机械设备的快速故障诊断。进一步，本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，还具有以下特征：步骤A中、过完备原子库Φ中的原子g(t)如下：其中，g(t)——过完备原子库的原子；u——位移因子；f——频率因子；λ——尺度因子；——相位因子；为时频因子，通过量化时频因子可以产生故障过完备原子库Φ。进一步，本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，还具有以下特征：步骤A中、待观测信号数学模型为：进一步，本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，还具有以下特征：待观测信号数学模型的多分辨率广义S变换为：根据待观测信号的数学模型及待观测信号数学模型，待观测信号和原子余弦分量内积为：根据待观测信号的数学模型及待观测信号数学模型，待观测信号和原子正弦分量内积为：待观测信号和原子内积的模，即为多分辨率广义S变换的归一化形式为：其中，s(t)——待观测信号；GST(u，λ，f)——尺度λ下的广义S变换；g(t)cos——原子的余弦分量；g(t)sin——原子的正弦分量；imag——复数的虚部；real——复数的实部；——归一化参数。进一步，本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，还具有以下特征：步骤C中，稀疏表示待观测信号的原子集合，其中，s(t)——待观测信号；k——稀疏表示的原子个数；Γk——最佳原子在字典中的索引集合；——最佳原子集合；ak——稀疏表示系数；rk——稀疏表示后的残差信号；——信号s(t)在过完备原子库下的稀疏表示。进一步，本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，还具有以下特征：步骤C包括以下步骤，步骤C21、初始化参数，定义中的稀疏表示的原子个数初始值k＝0，残差初始值r0＝s(t)，稀疏表示系数初始值a0＝0，迭代次数初始值i＝1，已提取的最佳原子索引集合初始值已提取的最佳原子集合步骤C22、定义广义S变换参数λ在(0，1)范围内间隔取数，结合FFT快速算法，得到残差信号的多分辨率广义S变换GST(u，λ，f)(ri-1)；步骤C23、将多分辨率广义S变换GST(u，λ，f)(ri-1)乘以归一化参数进行归一化处理，得到归一化多分辨率时频谱；步骤C31、计算步骤C23中的归一化多分辨率时频谱的最大值，及对应的时频参数步骤C32、更新已提取的最佳原子索引集合：步骤C33、更新已提取的最佳原子集合，将步骤C32中的原子索引集合Γi中的时频因子代入到中，得到对应的最佳原子，所有的最佳原子构成已提取的最佳原子集合步骤C34、更新稀疏表示系数，矩阵为矩阵的伪逆矩阵；步骤C35、更新公式(7)中残差，步骤C36、更新迭代次数，i＝i+1；步骤C37、判断是否满足迭代终止条件，若不满足，则返回步骤C22；若满足，则终止迭代，总迭代次数k＝i-1；步骤C38、得到待观测信号s(t)在过完备原子库Φ下的一组最稀疏的原子表示进一步，本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，还具有以下特征：步骤C22定义广义S变换参数λ在(0，1)范围内间隔取数。进一步，本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，还具有以下特征：步骤C37、迭代终止条件为：当前残差与上一次迭代残差比值大于设定阈值。进一步，本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，还具有以下特征：设定阈值为0.005。本专利技术提供了一种旋转机械故障信号的稀疏特征提取方法，①能根据故障信号的结构特点进行构造故障过完备原子库，显著提高了信号的提取精度，使得故障诊断结果更为精确；②通过多分辨率广义S变换提取的最佳原子，在原子匹配精度上与传统基于内积最大策略吻合，但是却大幅度降低了原子搜索的复杂度和搜索时间，提高了稀疏分解的效率，同时，也提高了裂纹、点蚀或剥落等冲击类故障的故障诊断效率。附图说明图1为一种旋转机械故障信号的稀疏特征提取方法的流程图。图2a是采集的原始信号频谱图。图2b是采用传统的FFT变换得到的频谱图。图3a-图3c为不同时频因子下的几个原子波形。图4a-图4d为仿真信本文档来自技高网...

【技术保护点】
一种旋转机械故障信号的稀疏特征提取方法，其特征在于：包括以下步骤，步骤A、根据旋转机械冲击类故障的故障产生机理，构建故障过完备原子库；步骤B、根据待观测信号的数学模型和故障过完备原子库，通过多分辨率广义S变换和归一化处理，计算出待分析信号的多分辨率时频谱；步骤C、计算归一化多分辨率时频谱的最大值，结合正交匹配追踪算法，计算出一组最能稀疏表示待观测信号的原子集合；步骤D、根据故障的稀疏表示信号及设备的故障特征频率和转速信息，确定故障类型，实现机械设备的快速故障诊断。

【技术特征摘要】
1.一种旋转机械故障信号的稀疏特征提取方法，其特征在于：包括以下步骤，步骤A、根据旋转机械冲击类故障的故障产生机理，构建故障过完备原子库；步骤B、根据待观测信号的数学模型和故障过完备原子库，通过多分辨率广义S变换和归一化处理，计算出待分析信号的多分辨率时频谱；步骤C、计算归一化多分辨率时频谱的最大值，结合正交匹配追踪算法，计算出一组最能稀疏表示待观测信号的原子集合；步骤D、根据故障的稀疏表示信号及设备的故障特征频率和转速信息，确定故障类型，实现机械设备的快速故障诊断。2.如权利要求1所述的旋转机械故障信号的稀疏特征提取方法，其特征在于：步骤A中、过完备原子库Φ中的原子g(t)如下：其中，g(t)——过完备原子库的原子；u——位移因子；f——频率因子；λ——尺度因子；——相位因子；为时频因子，通过量化时频因子可以产生故障过完备原子库Φ。3.如权利要求2所述的旋转机械故障信号的稀疏特征提取方法，其特征在于：步骤A中、待观测信号数学模型为：4.如权利要求3所述的旋转机械故障信号的稀疏特征提取方法，其特征在于：待观测信号数学模型的多分辨率广义S变换为：根据待观测信号的数学模型、待观测信号数学模型及多分辨率广义S变换，获得待观测信号和原子余弦分量内积为：根据待观测信号的数学模型、待观测信号数学模型及多分辨率广义S变换，获得待观测信号和原子正弦分量内积为：待观测信号和原子内积的模，即为多分辨率广义S变换的归一化形式为：...

【专利技术属性】
技术研发人员：严保康，周凤星，李维刚，赵云涛，徐波，
申请(专利权)人：武汉科技大学，科大集智数据科技武汉有限公司，
类型：发明
国别省市：湖北,42