极限学习端点延拓的改进LCD机械故障特征提取方法技术

本发明专利技术公开了一种极限学习端点延拓的改进LCD机械故障特征提取方法，来提升轴承故障特征信息的提取精度。本发明专利技术根据轴承故障振动信号特征利用极限学习预测信号两端的变化进行信号延拓，通过多次迭代自适应地将延拓信号分解为若干个ISC分量，并将分解后的ISC分量舍去两端超出原信号长度的部分，然后对ISC分量进行包络谱分析，进而实现轴承故障特征频率的提取和故障类别辨识，解决了LCD方法产生的端点效应导致分解信号失真的问题。本发明专利技术适用于轴承故障诊断。

【技术实现步骤摘要】
极限学习端点延拓的改进LCD机械故障特征提取方法
本专利技术涉及轴承故障诊断领域，特别涉及一种极限学习端点延拓的改进LCD机械故障特征提取方法。
技术介绍
旋转机械是现代工业领域的重要组成部分，作为生产中的关键设备，其状态监测与早期故障诊断对于避免重大财产和经济损失、提高作业的安全性可靠性意义重大。由于旋转机械处于运行状态的振动信号包含大量设备状态信息，且具有非平稳、多分量、非线性、背景噪声强等特点，因此需要借助信号分析方法提取设备原始信号的故障特征。局部特征尺度分解(LCD)将一个非平稳信号分解为若干个包含原信号本身真实的物理信息的内禀尺度分量(ISC)和一个残余项之和，相较传统的基于基函数的信号分析方法，如：傅里叶变换、小波变换等，LCD克服了缺乏自适应的缺陷，原则上能够有效提取信号的本质特征，无须进行基函数的选择；相较于其他自适应时频分析方法，如：经验模态分解、局部均值分解等，LCD在计算速度、分解效果、抑制模态混淆等方面更加优越。因为这些优点，LCD方法在轴承故障诊断等相关研究领域已得到了较广泛的应用。同时，LCD也存在不能确定信号两端是否为极值点的端点效应问题：如何解决端点效应抑制模态混淆仍未彻底解决，LCD方法仍需进一步发展和完善。目前存在确保原始信号完整性的基础上利用镜像对称延拓等解决LCD端点效应的方法，但是这些传统的方法没有彻底解决存在的端点效应问题，端点效应问题仍旧存在。
技术实现思路
针对上述问题，本专利技术提供了一种极限学习端点延拓的改进LCD机械故障特征提取方法，来提升轴承故障特征频率的提取和故障类别辨识精度。为实现上述目的，本专利技术根据轴承故障振动信号特征进行信号延拓，通过多次迭代自适应地将延拓信号分解为若干个ISC分量，并将分解后的各ISC分量舍去两端超出原信号长度的部分，然后对ISC分量进行包络谱分析凸显故障频率特征信息，进而实现轴承故障特征频率的提取和故障类别辨识。进一步的，本专利技术将利用极限学习(ELM)预测信号两端的变化，通过ELM进行信号回归预测，在保证学习精度的前提下比传统的学习算法速度更快。进一步的，本专利技术的具体步骤包括：步骤1：采集轴承振动信号f；步骤2：指定信号两端的各延拓点数m；步骤3：利用极限学习对轴承振动信号进行延拓，得到延拓后的信号作为原始信号x(t)；步骤4：确定原始信号的极值点，构造基线信号m11(t)；步骤5，将基线信号m11(t)从原始信号中分离出来得到剩余信号h11(t)，若其满足ISC分量判据，则h11(t)为信号的第一个分量ISC1；若不满足，则将h11(t)作为原始信号，并返回步骤4，循环i次得到剩余信号h1i(t)＝h1i-1(t)-m1i(t)，使得h1i(t)满足ISC分量判据，则h1i(t)为信号的第一个分量ISC1；步骤6，将ISC1分量从原始信号中分离得r1(t)，即r1(t)＝x(t)-ISC1，将其作为原始信号，返回步骤4继续执行，重复循环n次，得到n个满足ISC分量判据的分量，满足LCD分解终止条件，即满足LCD的最大迭代次数，最终得到LCD对x(t)进行分解的n个ISC分量和剩余函数rn(t)之和；步骤7，将分解后的ISC分量舍去两端延拓的部分，对ISC分量进行包络分析，判断轴承故障特征频率，进行故障类别辨识。具体的，通过加速度传感器采集轴承的振动信号f；根据上面采集的轴承故障振动信号f，利用极限学习机对f信号进行左右端点延拓，得到延拓信号x(t)，具体的利用极限学习机对f进行延拓方式如下：将f分割作为训练样本的输入和输出，训练样本输入矩阵xj＝[x1,x2,....xN]T，训练样本输出矩阵yj＝[y1,y2,....yN]T，随机确定输入权重ωi，隐层偏置bi，计算得到隐藏层与输出层之间的输出权重完成极限学习机的训练过程，预测轴承故障振动信号f左右端变化趋势xl、xr，得到延拓信号x(t)＝[xl,f,xr]。式中，xi为信号训练样本的输入，yj为信号训练样本的输出，N为训练信号样本的组数，参数表示的含义如下：βi——输出权重；ωi——输入权重；g(x)——为激活函数；bi——第i个隐层单元的偏置；——训练后的输出权重；H+——隐层的输出矩阵H的Moore-Penrose广义逆；L——隐层节点个数；y——期望输出；进一步的，步骤6中，得到的LCD分解结果公式为：本专利技术利用极限学习机扩展信号两端保证信号完整性的同时预测信号变化，解决了LCD方法不能确定信号的两端是否为极点，导致分解信号失真的问题，因此能够有效提取早期轴承故障频率特征，实现轴承故障类别的精准判别。仿真数据和实验数据均表明，本专利技术提出的方法可以有效抑制LCD产生的端点效应，提高信号分解精度，与其他解决端效应的方法相比具有优势。附图说明图1为本专利技术的流程图；图2为本专利技术实施例中仿真信号LCD分解和其Hilbert谱；图3为本专利技术实施例中仿真信号基于本专利技术的改进LCD分解和其Hilbert谱；图4为本专利技术实施例中轴承振动信号的时域波形；图5为本专利技术实施例中轴承振动信号的包络谱；图6为本专利技术实施例中ISC分量的包络谱。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明，所述是对本专利技术的解释而不是限定。本专利技术利用极限学习机对轴承故障振动信号进行回归分析预测信号两端的变化趋势，并对振动信号延拓后进行LCD分解，获取的ISC分量在去掉延拓部分后有效解决了模态混淆的问题，然后对信号进行包络分析，进而实现轴承故障特征频率的准确提取和轴承故障类别的精准判别。极限学习机(ELM)作为一种机器学习算法，与传统的训练方法相比，在学习速率和泛化能力方面具有优势，同时在极限学习机的基础之上加入核函数，改进了机器学习算法的局限性，使其性能得以更好提高，将极限学习融入LCD能进一步提高LCD方法的分解精度，实现故障轴承的早发现、早应对。基于上述思想，本实施例提供了仿真验证本专利技术解决LCD端点效应的有效性，仿真验证步骤如下。采用的仿真信号为，采样点数N＝1000，采样频率fs＝2000Hz。x＝cos[800πt+0.5cos(50πt)]步骤1：采集仿真信号；步骤2：仿真信号利用极限学习机向两端延拓；步骤3：延拓后的信号进行LCD分解；步骤4：将分解后的ISC分量舍去两端超出原始信号长度的部分，ISC分量利用ELM延拓后求其Hilbert谱，结果舍去延拓部分；步骤5：对比仿真信号及ISC分量未进行延拓的Hilbert谱。图2为本实施例中仿真信号原始LCD分解和其Hilbert谱，图3为实施例中仿真信号基于本专利技术的改进LCD分解和其Hilbert谱，通过Hilbert谱的对比，发现现有的方法存在明显的端点效应，改进后的方法有效解决了端本文档来自技高网...

【技术保护点】
1.一种极限学习端点延拓的改进LCD机械故障特征提取方法，其特征在于，该方法包括以下步骤：/n步骤1：采集轴承振动信号f；/n步骤2：指定信号两端的各延拓点数m；/n步骤3：利用极限学习对轴承振动信号进行延拓，得到延拓后的信号作为原始信号x(t)；/n步骤4：确定原始信号的极值点，构造基线信号m

【技术特征摘要】
1.一种极限学习端点延拓的改进LCD机械故障特征提取方法，其特征在于，该方法包括以下步骤：
步骤1：采集轴承振动信号f；
步骤2：指定信号两端的各延拓点数m；
步骤3：利用极限学习对轴承振动信号进行延拓，得到延拓后的信号作为原始信号x(t)；
步骤4：确定原始信号的极值点，构造基线信号m11(t)；
步骤5，将基线信号m11(t)从原始信号中分离出来得到剩余信号h11(t)，若其满足ISC分量判据，则h11(t)为原始信号的第一个分量ISC1；若不满足，则将h11(t)作为原始信号，并返回步骤4，循环i次得到剩余信号h1i(t)＝h1i-1(t)-m1i(t)，使得h1i(t)满足ISC分量判据，则h1i(t)为原始信号的第一个分量ISC1；
步骤6，将ISC1分量从原始信号中分离得r1(t)，即r1(t)＝x(t)-ISC1，将r1(t)作为原始信号，返回步骤4继续执行，重复循环n次，得到n个满足ISC分量判据的分量，满足LCD分解终止条件，即满足LCD的最大迭代次数，最终得到LCD对x(t)进行分解的n个ISC分量和剩余函数rn(t)之和；
步骤7，将分解后的ISC分量舍去两端延拓的部分，对ISC分量进行包络分析，判断轴承故障特征频率，进行故障类别辨识；
其中，LCD指局部特征尺度分解；ISC指内禀尺度分量。


2.根据权利要求1所述的极限学习端点延拓的改进LCD机械故障特征提取方法，其特征在于，所述步骤1具体为：通过加速度传感器采集轴承的振动信号f。


3.根据权利要求1所述的极限学习端点延拓的改进LCD机械故障特征提取方法，其特征在于，所述步...

【专利技术属性】
技术研发人员：李福生，程惠珠，刘治汶，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51