一种基于统计平均差异谱的自适应机械故障特征提取方法技术

本发明专利技术公开了一种基于统计平均差异谱的自适应机械故障特征提取方法，涉及机械装备故障诊断领域，包括以下步骤：步骤

【技术实现步骤摘要】
一种基于统计平均差异谱的自适应机械故障特征提取方法


[0001]本专利技术涉及机械装备故障诊断领域，尤其涉及一种基于统计平均差异谱的自适应机械故障特征提取方法
。

技术介绍

[0002]机械装备故障诊断与状态监测是服务于设备智能运维，关系人民生活
、
工业生产
、
国防安全的关键

。
为实现有效地故障诊断与状态监测，需要对能够反映设备健康状态的信号
(
如振动信号
)
进行分析
。
但是由于所采集到的信号往往受到严重的背景噪声以及其他干扰成分的影响，需要从采集到的信号中准确提取对应于故障事件的故障特征信号成分，才能够做出准确的故障诊断与状态监测结论
。
[0003]由于故障特征信号具有循环平稳性和脉冲性，常用定义于时域的峭度
、
基尼指数等统计量去量化信号的脉冲性，用定义于频域的峭度等统计量去量化循环平稳性，用相关峭度等去同时量化信号的循环平稳性和脉冲性
。
但定义于时域的峭度等易受到脉冲性噪声影响，定义于频域的峭度等易受到低频周期性干扰成分影响；而相关峭度等难以有效平衡循环平稳性或脉冲性的量化，脉冲性噪声或者低频周期性干扰均可以影响相关峭度等的量化值
。
[0004]因为故障特征信号往往存在于某一个频带之中，因此现有的故障特征提取方案如下：思路1：基于带通滤波器的思路，将原始信号通过具有不同滤波参数的带通滤波器滤波，滤波后的多个子信号中具有最大目标函数
(
目标函数为峭度或者相关峭度等
)
的子信号视为所提取到的最优故障特征；思路2：基于信号分解的思路，将原始信号通过小波包分解或变分模式分解等分解算法分解为多个子信号，选择目标函数较大的一个或多个子信号作为所提取的故障特征信号，其中小波包分解或变分模式分解等分解算法的参数需要通过启发式仿生算法优化获得，启发式仿生算法优化的目标函数往往也是峭度或者相关峭度等
。
此外，信号分解算法本质上等价于带通滤波器组，因此思路1和思路2的技术路线具有等价性
。
[0005]由于现有故障特征统计量不能够有效地量化故障特征，现有机械故障特征提取算法往往易受到脉冲性噪声或者低频信号干扰，不能确定最优的带通滤波参数或信号分解参数，从而不能有效提取故障特征；并且，基于信号分解的故障特征提取方法不能准确确定选择哪些子信号和选择多少子信号用于重构故障特征信号
。
[0006]此外，现有算法的滤波器架构自适应性不强，参数调优麻烦
。
如快速谱峭度图的滤波参数固定，仅由采样频率和滤波等级确定；而当使用基于信号分解算法时，信号分解算法的参数往往由仿生算法确定，算法不够高效，也不能保证参数是最优解
。
[0007]因此，本领域的技术人员致力于开发一种基于统计平均差异谱的自适应机械故障特征提取方法，能够有效地量化故障特征，不容易受到脉冲性噪声或者低频信号干扰，并且无需参数优化和人工调整，算法实施高效
。

技术实现思路

[0008]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是如何构造新型统计量，并基于此统计量设计一种自适应故障特征信号成分提取方法
。
[0009]为实现上述目的，本专利技术提供了一种基于统计平均差异谱的自适应机械故障特征提取方法，所述方法包括以下步骤：
[0010]步骤
1、
使用基于傅里叶变换的频谱分解原始信号，得到不同频带的子信号；
[0011]步骤
2、
利用统计平均计算差异谱；
[0012]步骤
3、
基于差异谱构造新型统计量，使用新型统计量对子信号进行量化；
[0013]步骤
4、
根据量化值的正负对子信号进行筛选；
[0014]步骤
5、
计算筛选后的子信号的相对故障信息；
[0015]步骤
6、
根据相对故障信息精选子信号和重构故障信号成分
。
[0016]进一步地，所述步骤2还包括：
[0017]步骤
2.1、
收集等长度的健康信号和故障信号；
[0018]步骤
2.2、
利用傅里叶变换，将健康信号和故障信号分别转化成健康信号的幅值频谱数据集
、
故障信号的幅值频谱数据集；
[0019]步骤
2.3、
根据健康信号的幅值频谱数据集
、
故障信号的幅值频谱数据集分别生成健康信号的统计平均谱
、
故障信号的统计平均谱；
[0020]步骤
2.4、
根据健康信号的统计平均谱和故障信号的统计平均谱计算得到差异谱
。
[0021]进一步地，所述步骤
2.3
还包括：
[0022]步骤
2.3.1、
假定一个理想的统计平均谱为
[0023]步骤
2.3.2、
估计单个元素；
[0024]步骤
2.3.3、
重复步骤
2.3.2
，直至给出
S
(ideal)
所有元素的估计，得到统计平均谱
。
[0025]进一步地，所述估计单个元素包括：
[0026]设频谱数据集为
{S
j
}
M
，其中
M
表示频谱样本个数，
S
j
表示第
j
个样本；设
S
j
中的元素表示为
S
j
＝
[S
j
，1,S
j
，2,...,S
j,k
]T
∈R
k
，其中
k
是频谱向量的长度，即
S
j
中共有
k
个元素；
[0027]提取频谱数据集
{S
j
}
M
中每一个频谱样本的第
p
个元素，一共提取出的
M
个元素表示为
[S
1,p
,S
2,p
,...,S
M,p
]；
[0028]设统计平均谱
S
(ideal)
的第
p
个元在频谱数据集中服从某一个分布
f(x
；
β
),
其中
x
是分布变量，
β
是分布参数，根据
M
个元素
[S
1,p
,S
2,p
,...,S
M,p
]计算分布参数；
[0029]得到分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于统计平均差异谱的自适应机械故障特征提取方法，其特征在于，所述方法包括以下步骤：步骤
1、
使用基于傅里叶变换的频谱分解原始信号，得到不同频带的子信号；步骤
2、
利用统计平均计算差异谱；步骤
3、
基于差异谱构造新型统计量，使用新型统计量对子信号进行量化；步骤
4、
根据量化值的正负对子信号进行筛选；步骤
5、
计算筛选后的子信号的相对故障信息；步骤
6、
根据相对故障信息精选子信号和重构故障信号成分
。2.
如权利要求1所述的基于统计平均差异谱的自适应机械故障特征提取方法，其特征在于，所述步骤2还包括：步骤
2.1、
收集等长度的健康信号和故障信号；步骤
2.2、
利用傅里叶变换，将健康信号和故障信号分别转化成健康信号的幅值频谱数据集
、
故障信号的幅值频谱数据集；步骤
2.3、
根据健康信号的幅值频谱数据集
、
故障信号的幅值频谱数据集分别生成健康信号的统计平均谱
、
故障信号的统计平均谱；步骤
2.4、
根据健康信号的统计平均谱和故障信号的统计平均谱计算得到差异谱
。3.
如权利要求2所述的基于统计平均差异谱的自适应机械故障特征提取方法，其特征在于，所述步骤
2.3
还包括：步骤
2.3.1、
假定一个理想的统计平均谱为步骤
2.3.2、
估计单个元素；步骤
2.3.3、
重复步骤
2.3.2
，直至给出
S
(ideal)
所有元素的估计，得到统计平均谱
。4.
如权利要求3所述的基于统计平均差异谱的自适应机械故障特征提取方法，其特征在于，所述估计单个元素包括：设频谱数据集为
{S
j
}
M
，其中
M
表示频谱样本个数，
S
j
表示第
j
个样本；设
S
j
中的元素表示为
S
j
＝
[S
j
，1,S
j
，2,...,S
j,k
]
T
∈R
k
，其中
k
是频谱向量的长度，即
S
j
中共有
k
个元素；提取频谱数据集
{S
j
}
M
中每一个频谱样本的第
p
个元素，一共提取出的
M
个元素表示为
[S
1,p
,S
2,p
,...,S
M,p
]
；设统计平均谱
S
(ideal)
的第
p
个元
S
p(ideal)
在频谱数据集中服从某一个分布
f(x
；
β
),
其中
x
是分布变量，
...

【专利技术属性】
技术研发人员：王冬，侯炳昌，谢旻，
申请(专利权)人：香港城市大学深圳研究院，
类型：发明
国别省市：