[发明专利]基于改进粒子群的非线性ICA分析的旋转机械故障诊断方法

说明书

技术领域

本发明涉及一种旋转机械故障诊断方法，特别涉及的是一种基于改进粒子群的非线性ICA分析的旋转机械故障诊断方法。

背景技术

旋转机械是生产领域中十分重要的机械设备，由于旋转机械激励源多、性质复杂，其振动信号往往是非平稳的多分量信号，其不同的非平稳特性往往对应不同的机械故障。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，影响极其运行效率。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，ICA可以解决这个问题，但传统的ICA方法一般利用梯度法，牛顿迭代法及自然梯度法求解，非线性盲分离的难度很大。最近有人将遗传算法与ICA模型相结合进行非线性混叠信号盲分离，效果不错，但计算复杂，收敛速度慢，独立性不好，鲁棒性差。

发明内容

本发明的目的在于提供一种各分离信号之间独立性好，计算简单，收敛速度快，鲁棒性好的基于改进粒子群的非线性ICA分析的旋转机械故障诊断方法。

本发明的目的是这样实现的：

1)利用加速度传感器测取旋转机械振动加速度测试信号；

2)对振动加速度测试信号进行中心化和白化处理，使期望为零，方差为一；

3)计算粒子初始位置处的评价函数，初始化非线性去混合函数的参数；

4)计算每个粒子更新位置的优化目标函数（即评价函数）；

5)通过优化目标函数，根据限制条件更新局部最优值pbest和全局最优值gbest；

6)计算更新粒子速度矢量，计算更新粒子位置矢量；

7)判断是否达到最大迭代次数，或适应度函数是否大于最大值，若是，则执行步骤8)，否则转为步骤4)；

8)选取全局最优值构成分离矩阵和多项式参数，对振动加速度测试信号进行非线性ICA分离处理，得到多个分离信号；

9)从中选取包含故障信息的分离信号，并作出频谱图；

10）观察频谱图是否在故障特征频率或其倍频处存在明显峰值，进而判断旋转机械是否发生故障。

本发明的技术效果在于，通过对振动加速度测试信号进行基于动态因子和线性递减惯性权重的粒子群算法优化非线性ICA的分离后，有效地将旋转机械结构振动分量与故障频率分量区分开来，故障信息得到了增强，从而实现对振动信号中冲击故障特征精确的提取，改变了传统的以降噪为主的故障信息增强思想,并为旋转机械微弱故障的有效诊断提供了一种有效技术手段。其过程具有，各分离信号之间独立性好，计算简单，收敛速度快，鲁棒性好等优点。

附图说明

图1是本发明的流程图。

图2为内圈故障滚动轴承加速度测试信号时域波形图。

图3为经基于改进粒子群的非线性ICA分析分离后的分离信号时域波形图。

图4为被选取的包含故障特征信息的分离信号频谱图。

具体实施方式

下面结合附图和实施例，对本发明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发明，但不用来限制本发明的保护范围。

本发明实施例的一种基于改进非线性ICA分析的旋转机械故障诊断方法流程图如图1所示，包括以下步骤：

1）利用加速度传感器对旋转机械进行测量获取振动加速度测试信号x。本发明用三个布置在不同滚动轴承位置的加速度传感器来获取三个振动加速度测试信号。

2）对振动加速度测试信号x进行中心化和白化处理，使期望为零，方差为一。

3）计算粒子初始位置处的评价函数，初始化非线性去混合函数的参数。进一步，具体包括以下步骤：

3.1）初始化各粒子的位置矢量

W=[W₁,W₂…,W_n],G=[G₁,G₂…,G_n],W_j=[w_j1,w_j2,…,w_jp]，G_j=[g_j1,g_j2,…,g_jp]。