[发明专利]一种旋转机械故障趋势预测的特征提取方法

说明书

技术领域

本发明涉及一种机械故障趋势预测方法，特别是关于一种旋转机械故障趋势预测的特征提取方法。

背景技术

旋转机械是个复杂的非线性动力系统，设备的工况经常发生变化，负载、噪声、环境温度等都是处于动态变化中的因素，这些非故障因素会造成传感器采集到的振动信号能量发生变化。传统理论一般都把系统的非线性因素进行线性化处理，所以在进行振动信号分析来判断设备是否出现故障时，真正的设备故障信息往往被忽略。同时，复杂旋转机械设备大部分故障从发生、发展到最终以宏观形式表现出来的过程具有长历程特征，在故障出现以后的发展过程中，故障信号往往被工况信号所掩盖，表现为故障信号的信噪比很低，传统的基于能量幅值进行故障预测的方法在处理变工况的设备信号时具有很大的局限性，难于对设备状态做出有效预测。

发明内容

针对上述问题，本发明的目的是提供一种能对旋转机械故障发展变化情况进行趋势预测的旋转机械故障趋势预测的特征提取方法。

为实现上述目的，本发明采取以下技术方案：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。

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。

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。

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Hyvarinen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。