基于时频谱寻优的变速旋转机械故障稀疏特征提取方法技术

本发明专利技术公开了一种基于时频谱寻优的变速旋转机械故障稀疏特征提取方法，包括如下步骤：通过滤波后的Teager能量算子增强故障冲击信号；采用NAG梯度上升法对残差增强信号的广义S变换时频谱进行寻优，得到最优时频谱；根据最优时频谱重构冲击信号最佳表示原子；通过迭代得到所有冲击信号的最佳表示原子，从而得到故障信号的稀疏特征表示。本发明专利技术提高了变速旋转机械故障的识别精度和识别速度，达到快速诊断的目的。断的目的。断的目的。

【技术实现步骤摘要】
基于时频谱寻优的变速旋转机械故障稀疏特征提取方法


[0001]本专利技术属于机械故障诊断
，具体涉及一种基于时频谱寻优的变速旋转机械故障稀疏特征提取方法。

技术介绍

[0002]轴承、齿轮等部件是旋转机械设备的关键设备，在运行过程中，由于应力的变化或环境的影响，会出现不同程度的损耗或故障。如何实时监测这些设备的运行状态是相关企业密切关注的问题。对设备安全威胁严重的裂纹、剥落等冲击类故障在故障早期时十分微弱，识别和提取比较困难。特别是变速旋转机械的早期故障，其振动信号呈现出微弱的非周期性的局部冲击特征，难以用传统的傅里叶分析方法进行特征提取。
[0003]稀疏分解方法对故障信号的冲击特征提取有着显著的效果，通过构建故障信号的过完备原子库，将冲击信号在过完备原子库中进行稀疏表示，可有效地将微弱的故障信号从强噪声中提取出来。但是，由于稀疏分解通常需要构建极大规模的过完备原子库，在最佳原子匹配过程中，计算效率会比较慢，从而影响其算法的实时性。
[0004]专利号为ZL 201711346416.9的专利技术专利公开了一种基于时频谱分割的变速旋转机械故障诊断方法，包括时频分析方法和故障提取方法，将多分辨率广义S变换的归一化时频谱进行二值化处理、融合、分割，最终提取出最佳表示原子对故障信号进行稀疏表示。
[0005]但是，上述专利存在两个不足：1.涉及的时频谱二值化处理对阈值的选取比较难，容易造成过度分解；2.涉及的最佳原子搜索策略中的离散化广义S变换的调解因子会影响算法效率，特别是在调解因子步长小的情况，搜索速度比较慢。

技术实现思路

[0006]本专利技术的目的在于克服现有技术之缺陷，提供了一种基于时频谱寻优的变速旋转机械故障稀疏特征提取方法，其提高了变速旋转机械故障的识别精度和识别速度，达到快速诊断的目的。
[0007]本专利技术的技术方案是这样实现的：本专利技术公开了一种基于时频谱寻优的变速旋转机械故障稀疏特征提取方法，包括如下步骤：S1）获取待分析故障信号；将待分析故障信号赋给残差信号，得到初始残差信号；S2）采用Teager能量算子对残差信号进行增强，得到残差增强信号；S3）采用NAG梯度上升法对残差增强信号的广义S变换时频谱进行寻优，得到最优时频谱；S4）根据最优时频谱重构故障冲击信号的最佳表示原子；S5）根据得到的所有最佳表示原子，计算得到待分析故障信号的稀疏特征表示；S6）判断是否满足迭代终止条件，若不满足，则更新残差信号，返回步骤S2，若满
足，则终止迭代。
[0008]进一步地，采用滤波后的Teager能量算子对残差信号进行增强，具体包括：对残差信号进行Teager能量算子运算，公式为：，其中，为残差信号；为Teager能量算子运算结果；为的一阶导数；为的二阶导数；对Teager能量算子运算结果进行平滑滤波，公式为：，其中，为滤波后的Teager能量算子；采用滤波后的Teager能量算子对冲击信号进行增强：，其中，为滤波后的Teager能量算子增强后的信号。进一步地，步骤S3）具体包括：以尺度因子为输入变量，对应尺度下的时频谱能量最大值为目标函数，采用NAG梯度上升法，对所有尺度下对应的时频谱能量最大值进行寻优，寻优到最优尺度因子，根据最优尺度因子对应的最优时频谱，找到能量最大值点相对应的频率因子、位移因子、相位因子，得到最优时频因子。
[0009]进一步地，采用NAG梯度上升法，对所有尺度下对应的时频谱能量最大值进行寻优，寻优到最优尺度因子，具体包括：S31）初始化参数；S32）抽取一个尺度因子的值，计算残差增强信号的多分辨率广义S变换，获取其时频谱，时频谱中的能量最大值为目标函数在输入变量为时的值，计算尺度因子的下一个更新值，公式为：，
，其中，为迭代次数，为输入变量，为目标函数在处的梯度值，为更新量，为学习率，为衰减系数；S33）判断是否满足迭代终止条件，若不满足，则返回步骤S32）；若满足，则终止迭代，此时的尺度因子即为寻优到的最优尺度因子为。
[0010]进一步地，步骤S31）初始化参数，具体包括：初始化尺度因子的变化步长、的变化范围、NAG梯度上升法的学习率、衰减系数、迭代次数初始值。
[0011]进一步地，计算残差增强信号的多分辨率广义S变换，获取其时频谱，具体包括：根据公式计算残差增强信号的多分辨率广义S变换；根据待分析信号数学模型构建稀疏分解的过完备原子库，为：，待观测信号与过完备原子库原子的内积表示成广义S变换的形式为：，稀疏分解的原子内积运算转换成不同尺度因子下的时频谱形式。
[0012]不同尺度因子下对应的时频谱能量最大点为： ，为频率因子。
[0013]进一步地，步骤S4）具体包括：根据得到的最优时频因子，计算冲击信号的最
佳表示原子；重构冲击信号的最佳表示原子：。
[0014]进一步地，更新残差信号，具体包括：计算新的残差信号，其中，为待分析故障信号为待分析故障信号在已提取的最佳表示原子集合下的稀疏特征表示，更新迭代次数；迭代次数初始值。
[0015]进一步地，步骤S5）具体包括：计算待分析故障信号在最佳表示原子集合下的稀疏特征表示 ， ，K为最佳表示原子的数量，为最佳表示原子。
[0016]进一步地，步骤S6）后还包括如下步骤：得到待分析故障信号的稀疏特征表示后，结合设备的物理参数和运行参数，确定故障的类型，实现设备的故障诊断。
[0017]本专利技术至少具有如下有益效果：本专利技术的基于时频谱寻优的变速旋转机械故障稀疏特征提取方法包括如下步骤：通过滤波后的Teager能量算子增强故障冲击信号；通过Nesterov加速梯度(Nesterov accelerated gradient, NAG)上升法对多分辨率广义S变换的调节因子进行寻优，得到冲击信号对应的最优时频谱；根据最优时频谱重构冲击信号最佳表示原子；通过迭代尽可能得到所有冲击信号的最佳表示原子，从而得到故障信号的稀疏特征表示。
[0018]本专利技术上述方案采用滤波后的Teager能量算子可以很大程度上增强故障冲击信号，抑制噪声，从而更适用于故障的早期发现。
[0019]本专利技术通过基于时频谱寻优的稀疏分解方法，可以在保证稀疏分解精度的前提下，提高稀疏分解的效率，同时，本专利技术涉及的方法无需依赖信号的周期性，适用于变速旋转机械故障特征提取。
附图说明
[0020]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0021]图1为本专利技术实施例提供的一种基于时频谱寻优的变速旋转机械故障稀疏特征提
取方法的流程图；图2为一种实施例的原始故障信号示意图；图3为一种实施例的经滤波后的Teager能量算子增强后的故障信号示意图；图4为传统遍历方法对原始故障信号提取的第一个最佳时频谱图；图5为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频谱寻优的变速旋转机械故障稀疏特征提取方法，其特征在于：包括如下步骤：S1）获取待分析故障信号，将待分析故障信号赋给残差信号，得到初始残差信号；S2）采用Teager能量算子对残差信号进行增强，得到残差增强信号；S3）采用NAG梯度上升法对残差增强信号的广义S变换时频谱进行寻优，得到最优时频谱；S4）根据最优时频谱重构故障冲击信号的最佳表示原子；S5）根据得到的所有最佳表示原子，计算得到待分析故障信号的稀疏特征表示；S6）判断是否满足迭代终止条件，若不满足，则更新残差信号，返回步骤S2，若满足，则终止迭代。2.如权利要求1所述的基于时频谱寻优的变速旋转机械故障稀疏特征提取方法，其特征在于：采用滤波后的Teager能量算子对残差信号进行增强，具体包括：对残差信号进行Teager能量算子运算，公式为：， 其中，为残差信号；为Teager能量算子运算结果；为的一阶导数；为的二阶导数；对Teager能量算子运算结果进行平滑滤波，公式为：，其中，为滤波后的Teager能量算子；采用滤波后的Teager能量算子对冲击信号进行增强：，其中，为滤波后的Teager能量算子增强后的信号。3.根据权利要求1所述的一种基于时频谱寻优的变速旋转机械故障稀疏特征提取方法，其特征在于：步骤S3）具体包括：以尺度因子为输入变量，对应尺度下的时频谱能量最大值为目标函数，采用NAG梯度上升法，对所有尺度下对应的时频谱能量最大值进行寻优，寻优到最优尺度因子，根据最优尺度因子对应的最优时频谱，找到能量最大值点相对应的频率因子、位移因子、相位因子，得到最优时频因子。4.根据权利要求3所述的一种基于时频谱寻优的变速旋转机械故障稀疏特征提取方法，其特征在于：采用NAG梯度上升法，对所有尺度下对应的时频谱能量最大值进行寻优，寻
优到...

【专利技术属性】
技术研发人员：李志千，严保康，周凤星，卢少武，马娅婕，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：