一种基于包络法盲信号分离的机械故障类型判断方法技术

本发明专利技术提供了一种基于包络法盲信号分离的机械故障类型判断方法，涉及机械故障识别技术领域，包括如下步骤：获取观测信号；对各个通道的观测信号进行VMD分解；求取VMD分解的各分量与源信号的马氏距离；对各个通道采用单通道SVD算法进行源数目估算获得其个数；根据所述源数目估计的个数选取马氏距离较小的各分量；对选取的各分量求取包络，并通过包络后的各分量组成新的观测信号向量；将所述新的信号观测向量作为cICA的输入向量，并构造合适参考信号，分离各个信号；对分离后的各个信号进行包络频谱分析，判断故障类型。本发明专利技术通过包络法的cICA双通道盲信号分离，从而实现对机械故障的提取以及识别。的提取以及识别。的提取以及识别。

【技术实现步骤摘要】
一种基于包络法盲信号分离的机械故障类型判断方法


[0001]本专利技术涉及机械故障识别
，尤其涉及一种基于包络法盲信号分离的机械故障类型判断方法。

技术介绍

[0002]旋转机械故障识别的过程中，识别的研究对象一般为同时运行的多个设备。因旋转机械设备结构复杂，传输路径混杂，为实现故障诊断的准确性，会在不同的地点进行传感器布防，且各个传感器采集到的信号有所不同。
[0003]一方面，传感器检测到的观测信号与旋转机械设备自身组件的振动信息混合在一起，不能忽略其自身设备的振动信息，且传感器采集到的观测振动信号为多个振动观测信号以及其他噪声彼此耦合的结果。另一方面，因旋转机械设备运转时产生的信号大多数是非线性和非稳态的。故仅仅依靠单个传感器采集到的信号进行独立分析，往往容易忽略传感器之间的差异，导致分析到的旋转机械故障信息结果出现严重差异。

技术实现思路

[0004]本专利技术提供了一种基于包络法盲信号分离的机械故障类型判断方法，目的是为了解决现有技术在分析旋转机械故障信息时，所得到的结果会出现严重差异的问题。
[0005]为了实现上述目的，本专利技术提供如下技术方案：一种基于包络法盲信号分离的机械故障类型判断方法，包括如下步骤：
[0006]通过多个传感器获取各个通道机械故障的观测信号；
[0007]对各个通道的观测信号进行VMD分解，求取VMD分解得到的各分量与源信号的马氏距离；
[0008]对各个通道采用单通道SVD算法进行源数目估算，获得源数目估算的个数；
[0009]根据所述源数目估计的个数选取马氏距离小于阈值的各分量；
[0010]对选取的各分量求取包络，将求取包络后的各分量组成新的观测信号向量；
[0011]根据研究对象固有先验信息构造cICA模型的参考信号，并通过设置了参考信号的所述cICA模型对新的信号观测向量进行分离，获得分离后的各个信号；
[0012]对分离后的各个信号进行包络频谱分析，提取各个信号中的故障特征信息，判断故障类型。
[0013]优选的，所述对各个通道的观测信号进行VMD分解，具体包括步骤：
[0014]对各个通道的观测信号根据模态个数波动法获取模态个数；
[0015]利用所述模态个数对各个通道的观测信号进行VMD分解。
[0016]优选的，所述利用所述模态个数对各个通道的观测信号进行VMD分解，包括步骤：
[0017]所述VMD将观测信号分解为预设尺度的K个固定模态分量IMF；
[0018]通过设定有限带宽参数和初始化中心角频率获得估算的K个中心角频率；
[0019]通过各个中心角频率获得各模态函数。
[0020]优选的，所述通过各个中心角频率获得各模态函数，具体表达式为：
[0021]u
k
(t)＝A
k
(t)cos[φ
k
(t)][0022]其中，A
k
(t)为u
k
(t)的瞬时幅值，A
k
(t)≥0；w
k
(t)＝φ
k
′
(t)且w
k
(t)≥0,w
k
(t)为瞬时中心角频率，φ
k
(t)为相位函数；K为人为指定的模态分量个数。
[0023]优选的，所述VMD将观测信号分解为预设尺度的K个固定模态分量IMF，具体步骤为：
[0024]采用相应的约束变分模型对信号进行分解，具体表达式为：
[0025][0026][0027]其中，δ(t)为Dirac分布；*表示卷积；k＝1,2,
…
,K；s.t.为约束条件；f(t)为原始信号；
[0028]对所述约束变分模型加入拉格朗日乘子λ和二次惩罚项α，将其转变为非约束性变分情形，获得最优的约束变分模型，具体表达式为：
[0029][0030]使用交替方向乘子法对最优的约束变分模型进行迭代优化，获得迭代式，具体为：
[0031][0032][0033][0034]利用范数下Parseval/Plancherel傅里叶等距在频域对迭代式进行求解，具体为：
[0035][0036]泛函的极小值为：
[0037][0038][0039]其中，迭代约束条件为：
[0040][0041]其中，表示对应的傅里叶变换，表示当前模态功率谱的重心；
[0042]重复上述步骤，若符合迭代停止要求，则结束循环。
[0043]优选的，所述对各个通道采用单通道SVD算法进行源数目估算，获得源数目估算的个数，具体包括：
[0044]获得待检测机械设备的单通道信号x(t)；
[0045]对所述单通道信号x(t)通过VMD进行分解，获得有限个IMF分量；
[0046]IMF＝[c1,
…
,c
n
]T
[0047]其中，c
i
,i＝1,2,
…
,n为模态个数波动法预设的VMD分解个数；
[0048]将所述单通道信号x(t)与VMD分解后的各个IMF分量重新组合成新的观测矩阵；
[0049]x
IMF
＝[x,c1,
…
,c
n
]T
[0050]计算虚拟信号x
IMF
协方差矩阵：
[0051][0052]对所重构的虚拟信号的协方差矩阵R
IMF
进行SVD，并得到其奇异值Λ
IMF
＝{λ1,λ2,
…
λ
M
}，具体为：
[0053]R
IMF
＝V
s
Λ
s
V
sT
+V
n
Λ
n
V
nT
[0054]通过上式获得协方差矩阵R
IMF
的奇异值：
[0055]λ1≥λ2≥
…
≥λ
n
≥λ
n+1
＝≥λ
n+2
＝
…
λ
m
[0056]其中，V
s
＝[v1,v2,
…
,v
n
]∈R
m
×
n
为n奇异值，Λ
s
＝diag{λ1≥λ2≥
…
λ
n
}是特征值，为主要分量；V
n
∈R
m
×
(m
‑
n)
为m
‑
n个最小奇异值，Λ
n
＝diag{λ
n+1
＝λ
n+2
＝
…
λ
m
}的特征值，为次要分量；
[0057本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于包络法盲信号分离的机械故障类型判断方法，其特征在于，包括如下步骤：通过多个传感器获取各个通道机械故障的观测信号；对各个通道的观测信号进行VMD分解，求取VMD分解得到的各分量与源信号的马氏距离；对各个通道采用单通道SVD算法进行源数目估算，获得源数目估算的个数；根据所述源数目估计的个数选取马氏距离小于阈值的各分量；对选取的各分量求取包络，将求取包络后的各分量组成新的观测信号向量；根据研究对象固有先验信息构造cICA模型的参考信号，并通过设置了参考信号的所述cICA模型对新的信号观测向量进行分离，获得分离后的各个信号；对分离后的各个信号进行包络频谱分析，提取各个信号中的故障特征信息，判断故障类型。2.如权利要求1所述的一种基于包络法盲信号分离的机械故障类型判断方法，其特征在于，所述对各个通道的观测信号进行VMD分解，具体包括步骤：对各个通道的观测信号根据模态个数波动法获取模态个数；利用所述模态个数对各个通道的观测信号进行VMD分解。3.如权利要求2所述的一种基于包络法盲信号分离的机械故障类型判断方法，其特征在于，所述利用所述模态个数对各个通道的观测信号进行VMD分解，包括步骤：所述VMD将观测信号分解为预设尺度的K个固定模态分量IMF；通过设定有限带宽参数和初始化中心角频率获得估算的K个中心角频率；通过各个中心角频率获得各模态函数。4.如权利要求3所述的一种基于包络法盲信号分离的机械故障类型判断方法，其特征在于，所述通过各个中心角频率获得各模态函数u
k
(t)，具体表达式为：u
k
(t)＝A
k
(t)cos[φ
k
(t)]其中，A
k
(t)为u
k
(t)的瞬时幅值，A
k
(t)≥0；w
k
(t)＝φ
′
k
(t)且w
k
(t)≥0,w
k
(t)为瞬时中心角频率，φ
k
(t)为相位函数；K为人为指定的模态分量个数。5.如权利要求3所述的一种基于包络法盲信号分离的机械故障类型判断方法，其特征在于，所述VMD将观测信号分解为预设尺度的K个固定模态分量IMF，具体步骤为：采用相应的约束变分模型对信号进行分解，具体表达式为：采用相应的约束变分模型对信号进行分解，具体表达式为：其中，δ(t)为Dirac分布；*表示卷积；k＝1,2,
…
,K；s.t.为约束条件；f(t)为原始信号；对所述约束变分模型加入拉格朗日乘子λ和二次惩罚项α，将其转变为非约束性变分情形，获得最优的约束变分模型，具体表达式为：
使用交替方向乘子法对最优的约束变分模型进行迭代优化，获得迭代式，具体为：使用交替方向乘子法对最优的约束变分模型进行迭代优化，获得迭代式，具体为：使用交替方向乘子法对最优的约束变分模型进行迭代优化，获得迭代式，具体为：利用范数下Parseval/Plancherel傅里叶等距在频域对迭代式进行求解，具体为：泛函的极小值为：泛函的极小值为：其中，迭代约束条件为：其中，表示对应的傅里叶变换，表示当前模态功率谱的重心；重复上述步骤，若符合迭代停止要求，则结束循环。6.如权利要求1所述的一种基于包络法盲信号分离的机械故障类型判断方法，其特征在于，所述对各个通道采用单通道SVD算法进行源数目估算，获得源数目估算的个数，具体包括：获得待检测机械设备的单通道信号x(t)；对所述单通道信号x(t)通过VMD进行分解，获得有限个IMF分量；IMF＝[c1,
…
,c
n
]
T
其中，c
i
,i＝1,2,
…
,n为模态个数波动法预设的VMD分解个数；将所述单通道信号x(t)与VMD分解后的各个IMF分量重新组合成新的观测矩阵；x
IMF
＝[x,c1,
…
,c
n
]
T
计算虚拟信号x
IMF
协方差矩阵：
对所重构的虚拟信号的协方差矩阵R
IMF
进行SVD，并得到其奇异值Λ
IMF
＝{λ1,λ2,
…
λ
m
}，具体为：通过上式获得协方差矩阵R
IMF
的奇异值：λ1≥λ2≥
…
≥λ
n
≥λ
n+1
＝≥λ
n+...

【专利技术属性】
技术研发人员：刘晨，李万军，张芬，田小静，曹海红，
申请(专利权)人：西安航空职业技术学院，
类型：发明
国别省市：