一种基于振动信号的时频域联合故障诊断方法技术

本发明专利技术属于旋转机械故障诊断方法领域，具体涉及一种基于振动信号的时频域联合故障诊断方法，首先基于旋转信号采样具有周期性的特性，将一个周期内的采样信号表示为一个多维向量，而将多个周期的采样信号表示为数据矩阵的形式，利用建立的协方差矩阵求其特征值，并建立起特征值阈值向量用于对实时故障进行检测；其次利用小波包变换将上述的时域矩阵变换成频域矩阵，进一步将该矩阵的每一个行向量基于一定的周期性再改写成矩阵形式，并再求取特征值建立相应的阈值向量，以判断故障发生在哪一个频段，提高了检测故障的定位精度，为对系统的维护、管理等提供更有利的支撑。

【技术实现步骤摘要】
一种基于振动信号的时频域联合故障诊断方法
本专利技术涉及旋转机械故障诊断方法领域，具体涉及一种基于振动信号的时频域联合故障诊断方法。
技术介绍
在现有旋转机械故障诊断方法中，由于仅利用的是基于一维振动信号的相关性进行的，常显得效果不佳。现有技术中，从旋转机械系统中采集到最常见的是一维振动信号，通常采用小波变换和神经网络等方法进行时域频域分析。小波变换只是对信号的低频部分进行处理，这对于频域分析来说是不均衡的，而BP神经网络存在着学习速度慢且易陷入局部极小值等不足。但是，上述诊断方法仍然是基于一维信号在时域上的分析，仅能提高故障有没有在时域上的精度。但在判断出故障后，人们往往想知道其故障承载在哪一个频带上。若能实现，这样势必会提高故障的定位精度，为进一步的系统维护和健康管理奠定基础。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于振动信号的时频域联合故障诊断方法。本专利技术解决上述技术问题的技术方案如下：一种基于振动信号的时频域联合故障诊断方法，包括以下步骤：1)，基于时域上的多变量故障诊断方法：测量旋转机械系统的振动信号，并对采集得到的振动信号进行放大、传输与显示，其得出的原始振动信号序列X(i)＝[x(i)(1),x(i)(2),L,x(i)(L)]组如下式：i＝1,2,L,N，N+1,L，其中i表示第i组数据，L表示每组数据的长度，前N组为正常数据用于诊断阈值的训练，余下的数据组为测试数据；2)，将旋转机械系统在一个周期内的采样信号表示成向量，如下式：y(i)＝[x(i)(1)，x(i)(2)，Lx(i)(r)]T，其中r为一个周期内的采样点个数；则将多个周期内的采样信号可以写成如下矩阵形式：其中，b＝[L/r]，i＝1,2,L,N；令：求取对称矩阵E(i)的特征值，且满足记E(i)的特征值向量为3)，阈值向量的确定：记特征值矩阵为D：令则有选取为阈值特征值向量，这是由前N个正常数据求得的，其中α为阈值系数，用以调节选取阈值的大小；4)，建立在线故障判别器：将新获得的数据组求其形如步骤3的特征向量，仍记：记偏差向量：其中5)，借助于阶跃函数的思想：令6)，得故障的判别器：7)，基于频域上的故障诊断方法：记小波包算子矩阵为W∈Rr×r，对步骤2的矩阵形式进行小波包变换，得出下式：其中，i＝1,2,L,N，行向量是Y(i)在第s个频带上的投影；8)，确定各频程上小波阈值：对步骤7得到的矩阵Γ(i)，第s个频带的信号为将改写为如步骤2中的矩阵形式：将上式记为如步骤3中的特征值矩阵形式，并求其特征值：得则有形如步骤3中的特征值矩阵式：记：选取阈值向量：其中wαs为阈值系数，用以调节选取阈值的大小；9)，频带故障判别：当有新数据Y(i)到来时，基于步骤7至8的过程得其特征向量，记它与阈值向量的偏差向量为：同步骤5中的借助于阶跃函数的思想令:如步骤6中的得故障的判别器:优选的，所述步骤2中的总的样本点数L为r的整数倍，若否，则对其进行截断或补位处理。优选的，所述步骤8中的总的样本点数b为l的整数倍，若否，则对其进行截断或补位处理。本专利技术的有益效果是：首先基于旋转信号采样具有周期性的特性，将一个周期内的采样信号表示为一个多维向量，而将多个周期的采样信号表示为数据矩阵的形式，利用建立的协方差矩阵求其特征值，并建立起特征值阈值向量用于对实时故障进行检测，由此在时域中判断故障是否发生，将一维振动信号改写为多维信号，通过求取阈值向量并建立在线的故障判别器对故障是否发生进行判别；其次利用小波包变换将上述的时域矩阵变换成频域矩阵，进一步将该矩阵的每一个行向量基于一定的周期性再改写成矩阵形式，并再求取特征值建立相应的阈值向量，以判断故障发生在哪个频率，由此在频域中判别故障发生的频带。利用小波包变换将时域信号变换到频域，通过求取频带的阈值向量，建立故障判别器以判别故障发生在哪个频带，所以人们能得知故障发生在哪个频率，避免了现有技术的诊断方法仅能得知故障有没有在时域上，而无法得知其故障承载在哪一个频带上，导致检测诊断方法不佳，及对系统的维护、管理等造成不便的问题。具体实施方式以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范围。一种基于振动信号的时频域联合故障诊断方法，包括以下步骤：1)，基于时域上的多变量故障诊断方法：测量旋转机械系统的振动信号，并对采集得到的振动信号进行放大、传输与显示，其得出的原始振动信号序列组如下式：其中i表示第i组数据，L表示每组数据的长度，前N组为正常数据用于诊断阈值的训练，余下的数据组为测试数据；2)，将旋转机械系统在一个周期内的采样信号表示成向量，如下式：y(i)＝[x(i)(1)，x(i)(2)，Lx(i)(r)]T，其中r为一个周期内的采样点个数；则将多个周期内的采样信号可以写成如下矩阵形式：其中，b＝[L/r]，i＝1,2,L,N；令：求取对称矩阵E(i)的特征值，且满足记E(i)的特征值向量为3)，阈值向量的确定：记特征值矩阵为D：令则有选取为阈值特征值向量，这是由前N个正常数据求得的，其中α为阈值系数，用以调节选取阈值的大小；4)，建立在线故障判别器：将新获得的数据组求其形如步骤3的特征向量，仍记：记偏差向量：其中5)，借助于阶跃函数的思想：令6)，得故障的判别器：7)，基于频域上的故障诊断方法：记小波包算子矩阵为W∈Rr×r，对步骤2的矩阵形式进行小波包变换，得出下式：其中，i＝1,2,L,N，行向量是Y(i)在第s个频带上的投影；8)，确定各频程上小波阈值：对步骤7得到的矩阵Γ(i)，第s个频带的信号为将改写为如步骤2中的矩阵形式：将上式记为如步骤3中的特征值矩阵形式，并求其特征值：得则有形如步骤3中的特征值矩阵式：记：选取阈值向量：其中wαs为阈值系数，用以调节选取阈值的大小；9)，频带故障判别：当有新数据Y(i)到来时，基于步骤7至8的过程得其特征向量，记它与阈值向量的偏差向量为：同步骤5中的借助于阶跃函数的思想令:如步骤6中的得故障的判别器:上述一种基于振动信号的时频域联合故障诊断方法，在使用时，时域上的判别是判断该组数据有无故障，本文档来自技高网...

【技术保护点】
1.一种基于振动信号的时频域联合故障诊断方法，其特征在于，包括以下步骤：/n1)，基于时域上的多变量故障诊断方法：测量旋转机械系统的振动信号，并对采集得到的振动信号进行放大、传输与显示，其得出的原始振动信号序列组如下式：

【技术特征摘要】
1.一种基于振动信号的时频域联合故障诊断方法，其特征在于，包括以下步骤：
1)，基于时域上的多变量故障诊断方法：测量旋转机械系统的振动信号，并对采集得到的振动信号进行放大、传输与显示，其得出的原始振动信号序列组如下式：其中i表示第i组数据，L表示每组数据的长度，前N组为正常数据用于诊断阈值的训练，余下的数据组为测试数据；
2)，将旋转机械系统在一个周期内的采样信号表示成向量，如下式：y(i)＝[x(i)(1)，x(i)(2)，Lx(i)(r)]T，其中r为一个周期内的采样点个数；
则将多个周期内的采样信号可以写成如下矩阵形式：



其中，b＝[L/r]，i＝1,2,L,N；
令：

求取对称矩阵E(i)的特征值，且满足
记E(i)的特征值向量为
3)，阈值向量的确定：
记特征值矩阵为D：



令
则有
选取为阈值特征值向量，这是由前N个正常数据求得的，其中α为阈值系数，用以调节选取阈值的大小；
4)，建立在线故障判别器：
将新获得的数据组求其形如步骤3的特征向量，
仍记：
记偏差向量：其中
5)，借助于阶跃函数的思想：令
6)，得故障的判别器：
7)，基于频域上的故障诊断方法：
记小波包算子矩阵为W∈Rr×r...

【专利技术属性】
技术研发人员：李晓，张竹青，张玉华，孟华，田彦彦，
申请(专利权)人：河南伯特利知识产权服务有限公司，
类型：发明
国别省市：河南;41