一种基于稀疏成分分析的轴承耦合故障解耦方法技术

本发明专利技术属于轴承耦合故障解耦方法领域，特别涉及一种基于稀疏成分分析的轴承耦合故障解耦方法。该方法通过稀疏点检测以及点云滤波算法提高观测信号的质量，然后通过短时傅里叶变换将时域信号变换到频域空间，在基于势函数法源信号数量估计的基础上增加了约束以提高源信号数量估计的准确性，然后通过L1范数方法恢复频域源信号，并通过傅里叶逆变换求解时域源信号。通过稀疏分量分析分离出的源信号经频谱分析判断多种故障类型，实现轴承复合故障诊断；能够实现噪声环境下的轴承耦合故障的自动解耦，相比于传统方法无需满足传感器数量的限制，以及源信号数量的实现假设，具有较高的耦合故障分离精度。合故障分离精度。合故障分离精度。

【技术实现步骤摘要】
一种基于稀疏成分分析的轴承耦合故障解耦方法


[0001]本专利技术属于属于轴承耦合故障解耦方法领域，特别涉及一种基于稀疏成分分析的轴承耦合故障解耦方法。

技术介绍

[0002]轴承是工业领域旋转机械重要的部件，轴承失效将会导致设备停机，影响企业的经济效益，严重情况下会对人们的生命安全造成威胁。当轴承发生故障时，往往不是单一的故障，而是多种故障同时发生，故障之间以某种方式相互耦合。因此，有必要对轴承的复合故障进行诊断，保证轴承安全有效运行。
[0003]目前针对轴承等旋转机械的关键部件的复合故障诊断方法有以下几种：(1)盲源分离算法，其是从混合信号中分离出源信号的有效方法，当设备发生两种或两种以上的故障时，从传感器中采集到的数据是多种故障信号的混合，盲源分离的目的是从混合信号中分离出每个故障信号。比较成熟的信号盲源分离算法是独立分量分析算法，但独立分量分析算法存在着许多不足：它只适用于观测信号的数量大于等于源信号的数量，并且在该算法中需要预先知道源信号的数量。因此这些条件限制了独立分量分析算法在工业领域的应用。(2)稀疏分量分析算法(SCA)是广泛应用于欠定盲源分离问题的方法，该方法消除了传感器数量大于源信号数量的限制，通过将时域信号通过频域变换方法转换到频域，通过频域空间的线性聚类特性来估计源信号的数量以及混叠矩阵，然后通过L1范数方法恢复出源信号。稀疏分量分析需要能够解决观测信号的数量问题，但是该算法的实施需要满足信号是充分稀疏的，然而在实际工业现场中，获取的信号不一定充分稀疏，并且信号中包含着大量的干扰噪声，这些因素降低了稀疏分量分析算法的信号分离效果。此外，在源信号的数量估计上目前尚需要通过人工经验观察线性类别的数量，自动化智能化水平较低。

技术实现思路

[0004]为解决上述
技术介绍
中提出的问题。本专利技术提供了一种基于稀疏成分分析的轴承耦合故障解耦方法。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于稀疏成分分析的轴承耦合故障解耦方法，步骤包括:
[0007](1)对信号进行时频域表示：定义传感器在t时刻观测到的信号为x
i
(t)，其中i＝1,2,...n为观测信号的数量，经过短时傅里叶变换后的信号为：
[0008][0009]其中：w为窗函数；m为窗口大小；R为每次移动的步长；
[0010](2)对信号进行稀疏性增强：欠定盲源分离的线性瞬时混合模型为：
[0011]x(t)＝As(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(b)
[0012]其中：x(t)为观测信号即传感器获得的信号；s(t)为源信号，A为混叠矩阵，
[0013]对公式(b)进行短时傅里叶变换可得:
[0014]，X(t,ω)＝AS(t,ω).
[0015]其中X(t,w)＝[X1(t,w),X2(t,w),...,X
M
(t,w)]T S(t,w)＝[S1(t,w),S2(t,w),...,S
N
(t,w)]T
[0016]其中X
i
(t,w)(i＝1,2...M)为第i个观测信号在时频点(t,w)处的取值，
[0017]S
i
(t,w)(j＝1,2...N)为第j个观测信号在时频点(t,w)处的取值。将混合矩阵A写成向量的形式，
[0018]X(t,w)＝a1S1(t,w)+a2S2(t,w)+,...+a
N
S
N
(t,w)
[0019]其中a
i
(i＝1,2,...N)为混合矩阵的第i个列向量。由于进行STFT后得到的是复数信号，因此上式可以写成：
[0020]Re{X(t,ω)}＝a1Re{S1(t,w)}+a2Re{S2(t,w)}+,...+a
N
Re{S
N
(t,ω)}
[0021]Im{X(t,ω)}＝aIm{S1(t,w)}+a2Im{S2(t,w)}+,...+a
N
Im{S
N
(t,ω)}
[0022]其中，Re为向量中每个元素的实部，Im为向量中每个元素的虚部，
[0023]记向量Re{X(t,ω)}与向量Im{X(t,ω)}之间的夹角为θ，则有：
[0024][0025]取|cos(θ)＞0.9|作为的点作为稀疏点；
[0026](3)点云数据滤波：对每个点的邻域进行统计分析，去掉不符合标准的点，稀疏离群点的去除方法为计算每个点到周围最近点的距离分布，对于不满足阈值Νσ的点进行删除，步骤包括：
[0027](A)定义频域空间中的点为p
i
,遍历空间中的点到周围最n个近点的距离，
[0028](B)记p
k
到周围n个最近点的距离分别为p
k1
,p
k2
,...p
kn
,这些距离的平均值为μ，标准差为σ，
[0029](C)设定阈值threshold＝Νσ，对于超出阈值的点进行删除，
[0030](D)遍历频域空间中的其他点并循环第(B)(C)步，完成点云滤波；
[0031](4)通过约束势函数法估计源信号数量，势函数的定义为：
[0032][0033]其中，其中，
[0034][0035]其中，θ为待聚类中心，θ
t
为散点图中每个样本的相角，l
t
为每个样本的半径，λ为窗口分辨率参数，基于约束势函数法源信号数量估计方法步骤包括：
[0036](E)选择势函数的参数中窗口分辨率λ＝λ1，划分区间个数m＝m1；
[0037](F)根据公式(c)得到势函数值；
[0038](G)定义峰值点为PeakA(i)(1≤i≤n),PeakB(i)＝PeakA(i)+180(1≤i≤n)；
[0039](H)在峰值点中寻找PeakC(j)(1≤j≤n),使得|PeakC(j)
‑
PeakB(i)|＜ε；
[0040](I)如果满足步骤(2)将PeakA(i)，PeakC(j)从峰值点列表中删除；
[0041](J)删除的点为正确的峰值点最终剩余的峰值点为错误的峰值点；
[0042](5)通过最小L1范数法恢复源信号
[0043]根据步骤(4)所估计的源信号的数量以及方向向量得到混叠矩阵A,定义正确的峰值点为：
[0044]PeakCorrect(k)，则A为：
[0045][0046]在混叠矩阵A已经确定的情况下，恢复源信号归结为如下：
[0047][0048]代价函数为：得到S的l1范数解恢复源信号在时域空间中的信号，然后通过傅里叶逆变换得到源信号的时域信号。
[0049]本专利技术的有益效果为：该方法通过稀疏点检测以及点云滤波算法提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏成分分析的轴承耦合故障解耦方法，其特征在于：步骤包括:(1)对信号进行时频域表示：定义传感器在t时刻观测到的信号为x
i
(t)，其中i＝1,2,...n为观测信号的数量，经过短时傅里叶变换后的信号为：其中：w为窗函数；m为窗口大小；R为每次移动的步长；(2)对信号进行稀疏性增强：欠定盲源分离的线性瞬时混合模型为：x(t)＝As(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(b)其中：x(t)为观测信号即传感器获得的信号；s(t)为源信号，A为混叠矩阵，对公式(b)进行短时傅里叶变换可得:，X(t,ω)＝AS(t,ω).其中X(t,w)＝[X1(t,w),X2(t,w),...,X
M
(t,w)]
T
S(t,w)＝[S1(t,w),S2(t,w),...,S
N
(t,w)]
T
其中X
i
(t,w)(i＝1,2...M)为第i个观测信号在时频点(t,w)处的取值，S
i
(t,w)(j＝1,2...N)为第j个观测信号在时频点(t,w)处的取值，将混合矩阵A写成向量的形式，X(t,w)＝a1S1(t,w)+a2S2(t,w)+,...+a
N
S
N
(t,w)其中a
i
(i＝1,2,...N)为混合矩阵的第i个列向量。由于进行STFT后得到的是复数信号，因此上式可以写成：Re{X(t,ω)}＝a1Re{S1(t,w)}+a2Re{S2(t,w)}+,...+a
N
Re{S
N
(t,ω)}Im{X(t,ω)}＝aIm{S1(t,w)}+a2Im{S2(t,w)}+,...+a
N
Im{S
N
(t,ω)}其中，Re为向量中每个元素的实部，Im为向量中每个元素的虚部，记向量Re{X(t,ω)}与向量Im{X(t,ω)}之间的夹角为θ，则有：取|cos(θ)＞0.9|作...

【专利技术属性】
技术研发人员：李健，郭传社，王加柱，单传虎，
申请(专利权)人：山东哈工卓越智能有限公司，
类型：发明
国别省市：