基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法技术

技术编号:9666014 阅读:155 留言:0更新日期:2014-02-14 02:11
本发明专利技术提供的是一种基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法。(1)利用加速度传感器获取旋转机械振动加速度测试信号;(2)采用基于负熵最大化的FastICA方法对所述测试信号进行解耦分离;(3)计算分离信号谱峭度,并筛选出最能表征故障信息的分离信号;(4)对被选取的分离信号进行Hilbert包络谱分析;(5)将包络谱峰值对应的频率与轴承故障特征频率进行比较,从而诊断出具体故障。旋转机械滚动轴承的内圈故障诊断很好地验证了提出的方法的有效性,且故障信息明显增强,故障诊断精度大大调高,易于实现,实时性好,说明其具有良好的应用前景。

【技术实现步骤摘要】
基于Fast I CA-谱峭度-包络谱分析的旋转机械故障诊断方法
本专利技术涉及一种旋转机械故障诊断方法,特别涉及的是一种。
技术介绍
旋转机械是生产领域中十分重要的机械设备,由于旋转机械振动激励源多、性质复杂。目前,针对旋转机械的故障诊断问题,大部分都是要进行开箱或拆卸,这样必然会造成停机,影响运行效率。另一方面,旋转机械运行时,由于其转速的波动性、载荷变化或设备存在故障,其测点处的信号往往由多个振动源经过一定的路径混合而得。此外,外界也可能存在别的部件在运转,也会对我们需要的有用信号进行干扰,这样一来,从箱体表面测取的振动信号实际是有多种源信号耦合而成的。所以,如何从振动加速度信号中有效提取冲击特征,是对旋转机械缺陷位置和损失程度进行评判的关键问题。这种情况下,FastICA可以有效分离多种振动源信号,但测试信号经FastICA分离之后存在不能有效分辨出最能表征故障信息的分离信号,目前一般利用故障测试信号的分离信号的频谱图和正常运转测试信号的分离信号的频谱图进行对比,根据经验进而选取表征故障信息的分离信号,但会导致错误的判断。其次,对复杂旋转机械系统来说,当出现故障时,调制边频带数目增多,幅值增大,致使故障信息提取难度大,频谱分析难度增加,精度也不够高,致使仅从信号上获取其时频域特征,然后达到诊断的目的,几乎是不可能的。
技术实现思路
本专利技术的目的在于提供一种诊断精度高,易于实现,实时性好的。本专利技术的目的是这样实现的:I)利用加速度传感器获取旋转机械振动加速度测试信号;2)采用基于负熵最大化的FastICA方法对所述测试信号进行解耦分离;3)计算分离信号谱峭度,并筛选出最能表征故障信息的分离信号;4)对被选取的分离信号进行Hilbert包络谱分析;5)将包络谱峰值对应的频率与轴承故障特征频率进行比较,从而诊断出具体故障。本专利技术的技术效果在于:I)采用基于负熵最大化的FastICA分离方法对旋转机械加速度测试信号进行预处理解耦分离,能一定程度上消除环境噪声对故障特征提取的影响,且能有效分离耦合的多种源信号,初步提取故障信号的冲击特征。2)通过计算分离信号谱峭度,利用谱峭度指标对冲击信号的敏感,筛选出最能表征故障信息的分离信号,可以有效提高诊断的准确率,从而有效避免根据经验选取表征故障信息的分离信号所导致错误的判断。3)对被选取的分离信号的Hilbert包络谱分析能有效地识别调制边频,从而找出调制信号的特性,可以有效的将故障特征频率成分提取出来,大大提高诊断精确度。4)本专利技术方法易于实现,实时性好,适用于旋转机械的检测并用于在线故障监测与诊断。 【附图说明】图1是本专利技术的流程图。图2为内圈故障滚动轴承加速度信号时域波形图。图3为经基于负熵最大化的FastICA分离后的信号时域波形图。图4为被选取含有故障特征信息的分离信号的时域图与包络谱图。图5为分离信号的谱峭度值表。【具体实施方式】下面结合附图和实施例,对本专利技术的【具体实施方式】作进一步详细阐述。应当理解,以下是实施例仅用于说明本专利技术,但不用来限制本专利技术的保护范围。本专利技术实施例的一种流程图如图1所示,包括以下步骤:I)利用加速度传感器测取旋转机械滚动轴承振动加速度测试信号。本实施方式选取美国CWRU公开的轴承故障测试数据,其用三个布置在滚动轴承不同位置的加速度传感器来获取三个测试信号。2)采用基于负熵最大化的FastICA方法对测试信号进行解耦分离。其具体包括以下步骤:2.1)对测试信号X进行中心化和白化处理得到白化数据Z。中心化处理,即X=X-E⑴。式中,E (.)为求均值中心化后的测试数据X的协方差矩阵可以分解为Cx= [XXT] =U λ UT。其中,U为酉矩阵,λ为Cx的特征值矩阵,A=DiagU1, λ 2,...,λ Ν)。则白化矩阵B表示为B= λ ^172Ut再通过白化矩阵B对中心化后的测试数据进行白化处理,即Ζ=ΒΧ。白化处理后的测试数据Z各分量正交归一,协方差为单位阵,即向量间没有相关性。2.2)随机产生Wi(O),且I Wi(O) I 2=1。其中Wi是分离矩阵W的第i行。2.3)迭代=Wi(I^l)=EiZgOC(k) Z)}-E {g’(( (k) Z)} Wi (k)。其中,g(.)是非二次函数,g’(.)是g(.)的导数,Wi (k+1)和1(10分别为Wi的第k和k+l位置的元素值。2.4)为了保证每次提取出来的都是之前从未提取过的独立分量,需要添加正交化步骤,把已提取的独立分量Wj减去。本文档来自技高网...

【技术保护点】
一种基于FastICA?谱峭度?包络谱分析的旋转机械故障诊断方法,其特征是:(1)利用加速度传感器获取旋转机械振动加速度测试信号;(2)采用基于负熵最大化的FastICA方法对所述测试信号进行解耦分离;(3)计算分离信号谱峭度,并筛选出最能表征故障信息的分离信号;(4)对被选取的分离信号进行Hilbert包络谱分析;(5)将包络谱峰值对应的频率与轴承故障特征频率进行比较,从而诊断出具体故障。

【技术特征摘要】
1.一种基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法,其特征是: (1)利用加速度传感器获取旋转机械振动加速度测试信号; (2)采用基于负熵最大化的FastICA方法对所述测试信号进行解耦分离; (3)计算分离信号谱峭度,并筛选出最能表征故障信息的分离信号; (4)对被选取的分离信号进行Hilbert包络谱分析; (5)将包络谱峰值对应的频率与轴承故障特征频率进行比较,从而诊断出具体故障。2.根据权利要求1所述的基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法,其特征是所述采用基于负熵最大化的FastICA方法对所述测试信号进行解耦分离具体包括: 1)对测试信号X进行中心化和白化处理得到白化数据Z, 中心化处理,即X=X-E(X),式中,E (.)为求均值, 中心化后的测试数据X的协方差矩阵分解为Cx=[XXT]=U λ UT, 其中,U为酉矩阵,λ为Cx的特征值矩阵,λ =Diag (λ 1; λ 2,..., λ Ν),则白化矩阵B表示为 B= λ -1/2UT, 再通过白化矩阵B对中心化后的测试数据进行白化处理,即Z=BX,白化处理后的测试数据Z各分量正交归一,协方差为单位阵,即向量间没有相关性; 2)随机产生Wi(O),且IIWi(O) I |2=1,其中Wi是...

【专利技术属性】
技术研发人员:靳国永朱培鑫马相龙石双霞陈跃华
申请(专利权)人:哈尔滨工程大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1