基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法技术

本发明专利技术公开了基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法，包括步骤：S1、分析设备可能存在的故障情况及对应的故障特征信息，并采集设备端的机械振动信号和转速信号；S2、在设备端截取一段时域信号，通过移不变K‑SVD学习方法进行pattern训练；S3、根据压缩感知原理，将采集到的振动信号数据进行实时压缩采样；S4、将设备端由训练学习得到的pattern、转速工况信息和压缩采样后的数据进行远程传输；S5、在接收端，利用pattern构造移不变稀疏字典，同时利用同一传感器上三通道的压缩数据，通过多数据压缩追踪算法进行故障特征恢复；S6、由提取的故障特征信息以确定设备的故障问题所在。本发明专利技术方法能够快速提取故障特征和解决庞大数据量的远距离传输问题。

Remote Diagnosis of Local Faults in Rotary Machinery Based on Multi-data Compression Tracking Algorithms

The invention discloses a remote fault diagnosis method for rotating machinery based on multi-data compression tracking algorithm, which includes steps: S1, analyzing the possible fault situation and corresponding fault feature information of the equipment, collecting the mechanical vibration signal and speed signal of the equipment end, S2, intercepting a time domain signal at the equipment end, and training the pattern by shifting invariant K_SVD learning method. S3. According to the principle of compressed sensing, the collected vibration signal data are compressed and sampled in real time; S4, remote transmission of the pattern, rotational speed information and compressed data acquired by training at the equipment end; S5, at the receiving end, a shift-invariant sparse dictionary is constructed by using pattern, and at the same time, the compressed data of three channels on the same sensor is used to pass through multiple data. Compression tracking algorithm is used to recover fault features; S6. The fault feature information is extracted to determine the fault problem of the equipment. The method of the invention can quickly extract fault features and solve the problem of long-distance transmission of huge amount of data.

【技术实现步骤摘要】
基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法
本专利技术涉及齿轮箱等旋转机械故障诊断领域，特别涉及一种基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法。
技术介绍
旋转机械的远程故障诊断，因振动信号的复杂性、不稳定性且包含大量噪声成分一直是旋转机械健康状态评估的难点，同时庞大的数据量也给远距离传输带来了沉重的负担。振动信号作为机械健康评估的重要指示，其中往往包含重要的故障特征信息，能够准确、便捷地将故障特征信息提取出来是旋转机械故障诊断的重要手段。常用的旋转机械故障诊断方法主要包括经验模态分解、小波变换和基于稀疏理论的方法等。经验模态分解方法容易造成模态混叠进而导致故障诊断的不准确，小波变换需要挑选小波种类同时无法兼顾时域、频域的分辨率。基于稀疏理论的方法是利用故障特征信号在某变换域上的可稀疏性进行故障特征提取的，该方法能够准确地将故障信息分离出来。2006年，Donoho等人在文献“Compressedsensing[J].IEEETransactionsonInformationTheory,2006”中正式提出压缩感知(Compressedsensing)理论。该理论是以稀疏理论为前提，将可稀疏的信号压缩采样为少量信号，并利用少量信号完整地恢复出真实信号。本文基于压缩感知理论，利用时不变K-SVD字典学习方法，对不同通道的数据进行压缩采样以减少数据传输、存储的压力，同时通过压缩信号的恢复处理直接提取出故障特征信号，以达到准确、快速地进行机械故障的健康状态评估。
技术实现思路
本专利技术的目的在于针对现有故障检测方法的准确性不足和远程诊断传输压力过大，提供一种基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法；该方法能够实时压缩数据以便于远距离传输，同时能够直接对压缩数据处理完成较高准确度的故障特征信息提取，以快速完成机械健康状态的评估。为实现以上目的，本专利技术采取如下技术方案：基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法，包括以下步骤：S1、分析设备可能存在的故障情况及其对应的故障特征信息，并采集设备端的机械振动信号和转速信号；S2、在设备端定时截取一段时域的机械振动信号，通过移不变K-SVD学习方法进行pattern训练，pattern表示一组向量；S3、根据压缩感知原理，将采集到的机械振动信号数据进行实时压缩采样；S4、将设备端由训练学习得到的pattern、转速工况信息和压缩采样后的数据进行远程传输；S5、在接收端，利用pattern构造移不变稀疏字典，同时利用同一传感器上三通道压缩数据，通过多数据压缩追踪算法进行故障特征恢复；S6、由步骤S5提取的故障特征信息确定设备的故障问题所在。作为优选的技术方案，所述步骤S1中具体包括：S11、由设备结构分析其中旋转机构可能会发生的故障类型，并由设备工况计算其故障特征频率；S12、通过压电式加速度三向传感器采集设备壳体的振动加速度信号，其中传感器置于轴承座处；S13、采用光电编码器采集旋转机械输入端的转速信号。作为优选的技术方案，所述步骤S2中具体包括：S21、定时截取竖直方向5s的机械振动信号以便于移不变K-SVD字典训练；S22、根据转速信息设置峭度的计算长度Lk，设置信号的训练长度L，并由峭度指标确定训练信号段；其中峭度指标的计算公式如下：式中：xi为振动信号值，为振动信号均值，Lk为峭度的计算长度，σt为标准差；S23、由工况设置pattern的长度l，设置输出pattern数量为1，将训练信号段作为输入，进行移不变K-SVD字典训练得到pattern。作为优选的技术方案，步骤S23中，所述移不变K-SVD字典训练是一个循环迭代的过程，包括稀疏分解和pattern更新两个阶段；在稀疏分解阶段采用匹配追踪算法进行信号段的稀疏分解，目标函数即：式中：τ为某一时刻σ＝{τ|θτ≠0}，θ是稀疏系数，Tτ是位移算子，m是每次迭代出的pattern；在pattern更新阶段，首先根据稀疏分解结果寻找最优的patchs矩阵即：式中：是Tτ的伴随矩阵，剩余信号w是patchs在时刻τ对应的权值，m表示所要训练pattern；θτ表示系数；x表示训练信号段的信号；然后将最优的patchs矩阵进行奇异值分解，以得到更新的pattern。作为优选的技术方案，所述步骤S3中具体包括：S31、确定机械振动信号的采样数据的压缩率为20％，并选择高斯随机矩阵作为压缩采样的观测矩阵Φ；S32、由所述观测矩阵Φ对不同通道的采样数据进行实时压缩采样，其中压缩采样模型为：y＝Φ(x+e)式中：y是维数为M的压缩后信息，Φ是M×N的观测矩阵，x+e是采集到的维数为N的含噪信号。作为优选的技术方案，所述步骤S4中，为最大限度减缓远距离传输压力，只将压缩后的数据信息、学习得到的pattern和转速工况信息进行远距离无线传输。作为优选的技术方案，所述步骤S5中具体包括：S51、分析每次接收到的pattern波形信息，检查是否存在疑似于冲击衰减波形；若无，判断无局部型故障问题，直接将接收的信息进行存储即可；若有疑似波形，则进行后续步骤；S52、将接收到的pattern按照移不变字典构造方法进行特征信号对应的稀疏字典Ψ构造；S53、截取同一传感器三个通道的压缩数据信号段，并根据截取长度和工况信息计算所述压缩数据信号段中冲击个数的取值范围，并取最大值作为此段信号在稀疏字典Ψ上的预估稀疏度k；S54、利用同一传感器的三通道压缩数据、预估稀疏度k和构造出的稀疏字典Ψ，通过多数据压缩追踪算法进行故障特征信息恢复。作为优选的技术方案，步骤54中，所述多数据压缩追踪算法是压缩采样匹配追踪算法的改进，压缩采样匹配追踪算法的原理是通过计算proxy来寻找信号的k稀疏成分，计算方法如下：pro＝ATy＝(ΦΨ)TΦx0式中：y是压缩信号，x0是稀疏信号，Φ是观测矩阵，A是感知矩阵即观测矩阵Φ与稀疏字典Ψ的乘积A＝ΦΨ；所述多数据压缩追踪算法的核心原理是通过叠加计算不同通道的proxy进而增强sumpro中与信号k稀疏成分对应的成分，sumpro的计算公式为：式中：yi表示不同通道的压缩信号，xi表示每个通道下的设备故障特征信号，ei表示不同通道下的非特征成分噪声；i表示1至n的序数；其中每个proei计算结果是随机的，而每个proi都有k个相应成分对应于稀疏信号x的稀疏成分，则最终的叠加结果会增强含噪声时计算出sumpro中的k稀疏成分对应的成分。作为优选的技术方案，所述步骤S6中具体包括：S61、将恢复的故障特征信号进行频谱分析，得出设备的故障特征频率；S62、对比设备可能存在故障的特征频率，以确定设备的故障位置，进而达到设备健康状态评估的目的。本专利技术相对于现有技术具有如下的优点和效果：(1)本专利技术方法将多数据压缩追踪算法与远程故障诊断技术相结合，能够有效地减小数据传输压力，节约成本。(2)本专利技术方法利用移不变K-SVD字典训练方法进行pattern训练，该方法仅需一段信号作为输入，并且由于局部性特征信号的特性只需一个pattern即可构造稀疏字典Ψ，在保证精度的情况下简化了训练步骤，提高了训练速度。(3)本专利所针对的信号数据必然混有非特征成分的噪声，若采用未改进的压缩采本文档来自技高网...

【技术保护点】
1.基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法，其特征在于，包括以下步骤：S1、分析设备可能存在的故障情况及其对应的故障特征信息，并采集设备端的机械振动信号和转速信号；S2、在设备端定时截取一段时域的机械振动信号，通过移不变K‑SVD学习方法进行pattern训练，pattern表示一组向量；S3、根据压缩感知原理，将采集到的机械振动信号数据进行实时压缩采样；S4、将设备端由训练学习得到的pattern、转速工况信息和压缩采样后的数据进行远程传输；S5、在接收端，利用pattern构造移不变稀疏字典，同时利用同一传感器上三通道压缩数据，通过多数据压缩追踪算法进行故障特征恢复；S6、由步骤S5提取的故障特征信息确定设备的故障问题所在。

【技术特征摘要】
1.基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法，其特征在于，包括以下步骤：S1、分析设备可能存在的故障情况及其对应的故障特征信息，并采集设备端的机械振动信号和转速信号；S2、在设备端定时截取一段时域的机械振动信号，通过移不变K-SVD学习方法进行pattern训练，pattern表示一组向量；S3、根据压缩感知原理，将采集到的机械振动信号数据进行实时压缩采样；S4、将设备端由训练学习得到的pattern、转速工况信息和压缩采样后的数据进行远程传输；S5、在接收端，利用pattern构造移不变稀疏字典，同时利用同一传感器上三通道压缩数据，通过多数据压缩追踪算法进行故障特征恢复；S6、由步骤S5提取的故障特征信息确定设备的故障问题所在。2.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法，其特征在于，所述步骤S1中具体包括：S11、由设备结构分析其中旋转机构可能会发生的故障类型，并由设备工况计算其故障特征频率；S12、通过压电式加速度三向传感器采集设备壳体的振动加速度信号，其中传感器置于轴承座处；S13、采用光电编码器采集旋转机械输入端的转速信号。3.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法，其特征在于，所述步骤S2中具体包括：S21、定时截取竖直方向5s的机械振动信号以便于移不变K-SVD字典训练；S22、根据转速信息设置峭度的计算长度Lk，设置信号的训练长度L，并由峭度指标确定训练信号段；其中峭度指标的计算公式如下：式中：xi为振动信号值，为振动信号均值，Lk为峭度的计算长度，σt为标准差；S23、由工况设置pattern的长度l，设置输出pattern数量为1，将训练信号段作为输入，进行移不变K-SVD字典训练得到pattern。4.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法，其特征在于，步骤S23中，所述移不变K-SVD字典训练是一个循环迭代的过程，包括稀疏分解和pattern更新两个阶段；在稀疏分解阶段采用匹配追踪算法进行信号段的稀疏分解，目标函数即：式中：τ为某一时刻σ＝{τ|θτ≠0}，θ是稀疏系数，Tτ是位移算子，m是每次迭代出的pattern；在pattern更新阶段，首先根据稀疏分解结果寻找最优的patchs矩阵即：式中：是Tτ的伴随矩阵，剩余信号w是patchs在时刻τ对应的权值，m表示所要训练pattern；θτ表示系数；x表示训练信号段的信号；然后将最优的patchs矩阵进行奇异值分解，以得到更新的pattern。5.如权利要求1所述的基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法，其特征在于，所...

【专利技术属性】
技术研发人员：林慧斌，唐建蒙，何国林，吴芳坦，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44