基于变参时频流形信号重构的旋转机械微弱故障检测方法技术

本发明专利技术公开了一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，包括：步骤(1)、故障带内成分提取：步骤(2)、高维TFD矩阵构造：步骤(3)、TFM特征提取：步骤(4)、TFM特征去噪：步骤(5)、故障成分TFD重构：步骤(6)、故障成分时域信号重构。该技术方法至少具有以下优点：对不同机械振动信号的普适性好、计算效率高、信噪比高、能够定量分析故障严重程度等。能够定量分析故障严重程度等。能够定量分析故障严重程度等。

【技术实现步骤摘要】
基于变参时频流形信号重构的旋转机械微弱故障检测方法


[0001]本专利技术涉及故障检测领域，具体涉及一种基于变参时频流形信号重构的旋转机械微弱故障检测方法。

技术介绍

[0002]振动监测技术常用于旋转机械故障诊断中，通过对振动信号的分析可以监测旋转机械的运行状态并及时发现故障，有利于减少停机时间、确保高效生产。当旋转机械在定转速下发生局部故障时，振动信号中会出现周期性瞬态脉冲成分，但由于复杂的机械结构和工作环境，瞬态脉冲往往淹没在大量噪声中，使故障信息在振动信号中显得十分微弱，给机械故障检测带来了挑战。因此，从振动信号中提取故障瞬态脉冲成分是实现旋转机械微弱故障检测的关键。
[0003]时频变换方法，如短时傅里叶变换(STFT)，可以将一维的时域振动信号转换成时频域中的时频分布(TFD)，常用于提取故障瞬态脉冲的时频模式，即特定频带内周期性出现的脉冲区域。然而，噪声也会分布在振动信号的TFD中，干扰了故障瞬态脉冲的识别。传统的去噪方法仅起到带通滤波的效果，即只能去除故障所在频带以外的噪声，对故障频带内的噪声(即带内噪声)则无法去除。
[0004]时频流形(TFM)是一种旨在去除时频域中故障带内噪声的方法，通过流形学习非线性提取嵌入在高维TFD中的内在流形结构，在保留故障瞬态脉冲的同时减弱故障带内噪声。TFM的具体步骤为：1)采用相空间重构(PSR)把一维振动信号转换到高维空间；2)利用时频变换对高维空间中的每一维信号进行处理，获得高维TFD；3)对高维TFD进行流形学习，获得低维的TFM特征。/>[0005]传统技术存在以下技术问题：
[0006]TFM在一定程度上减弱了信号时频分布中的故障带内噪声，但是还存在以下缺点：1)时频变换的参数由人为选定，不具有对不同信号的普适性；2)高维TFD数据量较大，对其进行流形学习的计算负担重；3)流形学习的近邻点参数需要优化，增加了计算负担；4)TFM特征中仍然残留了少部分故障带内噪声；5)TFM特征仅反映了故障瞬态脉冲的内在时频流形结构，其幅值与信号的TFD相差甚远，不能用于机械故障严重程度的定量分析。

技术实现思路

[0007]本专利技术要解决的技术问题是提供一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，该方法针对TFM存在的问题，提出具有对信号普适性的变参时频变换方法构造高维TFD，并把获得的两维TFM特征进行自适应阈值去噪，最后把去噪后的TFM特征作为时频特征基重构时域信号。本专利技术方法能够极大地去除振动信号中的噪声，在提取故障瞬态脉冲流形结构的同时，也能恢复其幅值，从而实现旋转机械微弱故障的精确检测。
[0008]为了解决上述技术问题，本专利技术提供了一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，包括：
[0009]步骤(1)、故障带内成分提取：采用传统信号处理方法从信号中提取故障所在频带内的成分；
[0010]步骤(2)、高维TFD矩阵构造：对故障带内成分进行变参时频变换，对获得的每个TFD进行降采样并转换为列向量，用于构造高维TFD矩阵；
[0011]步骤(3)、TFM特征提取：对高维TFD矩阵进行流形学习，获得两维TFM特征；
[0012]步骤(4)、TFM特征去噪：根据两维TFM特征的联合幅值分布确定阈值，将两维TFM特征中低于阈值的幅值置零，获得去噪后的两维TFM特征；
[0013]步骤(5)、故障成分TFD重构：把去噪后的两维TFM特征按照给定的权重进行加权求和，对得到的一维向量反变换为二维矩阵，得到重构的故障成分TFD；
[0014]步骤(6)、故障成分时域信号重构：把重构的故障成分TFD上采样到原始尺寸，借用故障带内成分TFD对应的相位信息，通过逆时频变换重构故障成分时域信号；
[0015]其中，步骤(1)中，所述传统信号处理方法能够确定故障信息所在的频带位置并提取出其中的信号成分，滤除故障频带以外的噪声。
[0016]在其中一个实施例中，所述步骤(1)中，所述传统信号处理方法包括峭度谱、稀疏谱、信息谱、经验模态分解、变分模态分解、经验小波变换、小波变换和小波包变换。
[0017]在其中一个实施例中，所述步骤(2)中，所述变参时频变换采用不同的参数对信号进行时频变换，所述变参时频变换方法包括短时傅里叶变换、小波变换和维格纳
‑
威利分布；所述降采样是能够减少数据量的方法，包括下采样、二维离散小波变化、二维离散余弦变换、二维经验模态分解和二维变分模态分解。
[0018]在其中一个实施例中，所述步骤(3)中，所述流形学习是具有维数约简功能的方法，所述流形学习包括局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法和局部保留投影算法。
[0019]在其中一个实施例中，所述步骤(4)中，所述两维TFM特征的联合幅值分布是指把各数据点对应的第一维TFM特征作为横坐标、第二维TFM特征作为纵坐标，该图呈对勾状，对勾的左下部分中的点为噪声点，右上部分中的点为故障脉冲点；所述阈值是区分噪声点和故障脉冲点的临界点。
[0020]在其中一个实施例中，所述步骤(5)中，所述给定的权重能够把重构的故障成分TFD的幅值达到所述步骤(2)中故障带内成分TFD的幅值水平，权重获取方法包括采用高维TFD矩阵中所有维数据的均值或者其中一维数据，分别与去噪后的两维TFM特征进行数学运算得到，所述数学运算方法包括计算欧式距离、内积和余弦相似度；所述重构的故障成分TFD的尺寸与故障带内成分TFD经过降采样后的尺寸相同。
[0021]在其中一个实施例中，所述步骤(6)中，所述上采样是所述步骤(2)中所述降采样的逆变换；所述原始尺寸是所述步骤(2)中故障带内成分TFD的尺寸；所述故障带内成分TFD对应的相位信息是所述步骤(2)中故障带内成分在其中一个参数下经过时频变换得到的所有时频点的相位；所述逆时频变换是所述步骤(2)中时频变换的逆变换；其中，对重构信号做包络谱分析，通过是否识别旋转机械故障特征频率来检测是否存在故障。
[0022]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
[0023]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现
任一项所述方法的步骤。
[0024]一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
[0025]本专利技术的有益效果：
[0026]与现有技术相比，本专利技术公开了一种基于变参时频流形信号重构的旋转机械微弱故障检测方法；本专利技术采用不同参数下的时频变换方法构造高维TFD，可以提高对不同信号的普适性；对高维TFD降采样后再进行流形学习，可以减小流形学习的计算负担；自适应选择阈值对TFM特征进行去噪，可以较为彻底地去除残留噪声，且对流形学习的近邻点参数具有鲁棒性，无需优化近邻点参数，进一步提高了方法的计算效率；重构信号恢复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，包括：步骤(1)、故障带内成分提取：采用传统信号处理方法从信号中提取故障所在频带内的成分；步骤(2)、高维TFD矩阵构造：对故障带内成分进行变参时频变换，对获得的每个TFD进行降采样并转换为列向量，用于构造高维TFD矩阵；步骤(3)、TFM特征提取：对高维TFD矩阵进行流形学习，获得两维TFM特征；步骤(4)、TFM特征去噪：根据两维TFM特征的联合幅值分布确定阈值，将两维TFM特征中低于阈值的幅值置零，获得去噪后的两维TFM特征；步骤(5)、故障成分TFD重构：把去噪后的两维TFM特征按照给定的权重进行加权求和，对得到的一维向量反变换为二维矩阵，得到重构的故障成分TFD；步骤(6)、故障成分时域信号重构：把重构的故障成分TFD上采样到原始尺寸，借用故障带内成分TFD对应的相位信息，通过逆时频变换重构故障成分时域信号；其中，步骤(1)中，所述传统信号处理方法能够确定故障信息所在的频带位置并提取出其中的信号成分，滤除故障频带以外的噪声。2.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(1)中，所述传统信号处理方法包括峭度谱、稀疏谱、信息谱、经验模态分解、变分模态分解、经验小波变换、小波变换和小波包变换。3.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(2)中，所述变参时频变换采用不同的参数对信号进行时频变换，所述变参时频变换方法包括短时傅里叶变换、小波变换和维格纳
‑
威利分布；所述降采样是能够减少数据量的方法，包括下采样、二维离散小波变化、二维离散余弦变换、二维经验模态分解和二维变分模态分解。4.如权利要求1所述的基于变参时频流形信号重构的旋转机械微弱故障检测方法，其特征在于，所述步骤(3)中，所述流形学习是具有维数约简功能的方法，所述流形学习包括局部切空间排列算法、等距映射算法、局部线...

【专利技术属性】
技术研发人员：王俊，王玉琦，黄伟国，杜贵府，沈长青，何清波，
申请(专利权)人：苏州大学，
类型：发明
国别省市：