[发明专利]一种旋转机械故障趋势预测的特征提取方法

权利要求书

1.一种旋转机械故障趋势预测的特征提取方法，其包括以下步骤：

(1)利用远程在线监测诊断中心进行工业现场数据采集，通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号x_j(t)，j＝1，2，...，n，其中，j为通道个数，n为正整数；

(2)根据FastICA算法对振动信号x_j(t)进行盲源分离，得到原始独立振动源s_j(t)的近似信号源y_j(t)，其中，j＝1，2，...，n；

(3)对近似信号源y_j(t)的向量信号Y进行时频域基于小波包的特征频带分解，提取故障敏感特征频带。

2.如权利要求1所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤(2)中，基于所述FastICA算法对振动信号x_j(t)的盲源分离方法为：

①假设存在m个相互独立的振动源s_j(t)，其中j＝1，2，...，m，得到m个振动信号x_j(t)，且m个振动信号x_j(t)的向量形式用X′表示；

②对m个振动信号x_j(t)的向量X′进行中心化处理，令X′-E[X′]＝X″，使其均值为0，其中，E为数学期望；

③根据FastICA算法中的白化公式对向量X″进行白化处理，得到用于求解近似信号源y_j(t)的向量X；

④根据FastICA算法中的分离矩阵W和向量X构造出近似信号源y_j(t)的向量Y＝WX，Y与原来的独立信号源s_i(t)近似。

3.如权利要求2所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤③中，所述白化处理为：

(a)首先求解向量X″的协方差矩阵C_x，C_x＝E[X″(X″)^T]；

(b)根据协方差矩阵C_x，得到以协方差矩阵C_x的单位范数特征向量为列的矩阵F＝(e₁…e_n)，其中，e_i(i＝1，2，...，n)为协方差矩阵C_x的单位范数特征向量；

(c)根据协方差矩阵C_x，得到以协方差矩阵C_x的特征值为对角元素的对角矩阵D＝diag(d₁…d_n)，其中，d_i(i＝1，2，...，n)为协方差矩阵C_x的特征值；

(d)将矩阵F和对角矩阵D代入FastICA算法中的白化公式得到向量X。

4.如权利要求2所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤④中，所述FastICA算法中的分离矩阵W的收敛方法为：

(a)首先对分离矩阵W赋予随机初始值；

(b)由Hyvar inen的迭代公式W(k+1)＝E{Xg[W(k)^TX]}-E{g[W(k)^TX]}W(k)^T计算W(k+1)，其中E表示求数学期望，g表示非二次函数的导数，k为迭代次数；

(c)利用W(k+1)←W(k+1)/‖W(k+1)||₂规范化W(k+1)；

(d)反复迭代直至W收敛，得到收敛后的分离矩阵W。

5.如权利要求3所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤④中，所述FastICA算法中的分离矩阵W的收敛方法为：

(a)首先对分离矩阵W赋予随机初始值；

(b)由Hyvar inen的迭代公式W(k+1)＝E{Xg[W(k)^TX]}-E{g[W(k)^TX]}W(k)^T计算W(k+1)，其中E表示求数学期望，g表示非二次函数的导数，k为迭代次数；

(c)利用W(k+1)←W(k+1)/‖W(k+1)||₂规范化W(k+1)；

(d)反复迭代直至W收敛，得到收敛后的分离矩阵W。

6.如权利要求1或2或3或4或5所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤(3)中，对所述近似信号源y_j(t)的向量信号Y进行时频域基于小波包的特征频带分解，包括以下步骤：

①在全频带根据多分辨率分析将近似信号Y划分成Z个小波子空间w_j，其中，j＝1，2，...，Z，Z为正整数；

②利用小波包分解公式对每一个小波子空间w_j进一步分解，其中为由小波包分解得到的子空间；k＝1，2，...，Z；j＝1，2，...，Z；

③对每一个小波子空间w_j分别进行小波包变换，小波包分解第j级分解水平上第k个子频带对应的小波包变换系数为d(i，j)，i代表某个子频带；

④利用各个小波包系数d(i，j)的平方计算得到提升小波包分解第j级分解水平上第k个子频带上的平均能量E(j，k)为：

E(j,k)=1NΣi=1N[di(j,k)]2,]]>

其中，N为子频带个数；由能量守恒定律得到频带能量和E_i(j，k)为各个小波子空间能量；

⑤根据频带能量和E(0，0)以及各个小波子空间能量E_i(j，k)，构造出由各频带信号相对能量组成的特征向量T＝[E₁，E₂，…E_M]^T/E(0，0)，即得到最终的非平稳信号故障特征量T。