[发明专利]基于FastICA-谱峭度-包络谱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FastICA-谱峭度-包络谱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。

发明内容

本发明的目的在于提供一种诊断精度高，易于实现，实时性好的基于FastICA-谱峭度-包络谱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。

本发明的技术效果在于：

1）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）本发明方法易于实现，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是本发明的流程图。

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FastICA-谱峭度-包络谱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-E(X)。式中，E(·)为求均值

中心化后的测试数据X的协方差矩阵可以分解为C_X=[XX^T]=UλU^T。

其中,U为酉矩阵,λ为C_X的特征值矩阵,λ=Diag(λ₁,λ₂,...,λ_N)。则白化矩阵B表示为B=λ^-1/2U^T