[发明专利]一种旋转机械故障特征提取方法及装置

说明书

本发明涉及一种旋转机械故障特征提取方法及装置，包括：提出一种二元特征尺度分解方法——复局部特征尺度分解(Complex Local characteristic‑scale decomposition，CLCD)；采集同一截面水平及垂直方向的振动信号，将其组成一个复数信号；通过CLCD将该信号自适应分解成多个复内禀尺度分量，用全矢谱技术融合各分量的实部和虚部特征。本发明通过提出的CLCD方法直接对双通道的信号进行处理，确保了各个通道信号有相同的分解尺度，便于信息融合。并且运用了双线性变换，所以该方法自适应性强，故障特征提取全面、速度快、效率高，具有良好的技术效果。

技术领域

本发明涉及一种旋转机械故障特征提取方法及装置，属于机械振动技术领域。

背景技术

近年来，旋转机械故障诊断成为研究的热点，如何从故障振动信号中准确提取振动信号特征则是研究旋转机械故障的关键。旋转机械在不同时刻、不同方向呈现的振动强度不同，基于单通道信息的故障诊断方法会割裂转子不同方向振动信号的特征信息，不能全面反映故障特征。考虑到稳态时转子同一截面互相垂直方向上各谐波的振荡轨迹为椭圆，人们提出了基于同源信息技术的故障特征提取方法，如全频谱、全息谱和全矢谱。同源信息技术能把两个正交通道的振动信号很好的融合，更全面、准确地反映故障特征。但同源信息技术以傅立叶变换为基础而提取信息，适用于平稳信号的分析。为了分析非线性、非平稳的机械故障振动信号，与同源信息技术相结合的各种方法相继被提出。

如经验模态分解(EMD)和局部均值分解(LMD)方法，这两种方法均可将任一复杂信号自适应地分解为若干瞬时频率具有物理意义的相互独立的单分量信号，适用于分析非线性、非平稳的信号，但是它们处理双通道的二元振动信号时却采用一元信号处理方法，效率低，并会出现分解结果数目不统一等问题，而且EMD还存在过包络及欠包络问题、LMD也存在着信号突变问题。

复局部均值分解(CLMD)和全矢谱相结合的CLMD全矢包络技术虽然解决了分解尺度不统一的问题，但是在平滑局部均值函数和包络估计函数时采用了移动平均的方法，并且通过解调才能得到纯调频函数，因此仍存在着计算量大问题。

二元经验模态分解(BEMD)虽然可以实现二元信号的自适应分解，并有效提取旋转机械的故障特征，但作为EMD的扩展，BEMD仍存在模态混叠、端点效应和计算量大、运行时间长等缺点。

2012年，程军圣等人提出了一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)，由于采用线性变换的形式对相邻两个极值点之间的信号进行处理，和EMD和LMD相比，LCD在时频局部化、运算速度和包络拟合精度等方面表现出良好的优越性。

本发明在LCD的基础上，提出了一种二元特征尺度分解方法——CLCD，并将其用于旋转机械故障特征的提取中。将CLCD方法与全矢谱技术相结合，直接对双通道的信号进行处理，确保了各个通道信号有相同的分解尺度，便于信息融合。并且由于CLCD方法运用了双线性变换，所以该方法具有较强的自适应性，故障特征提取全面、速度快、效率高，具有良好的技术效果。

发明内容

本发明的目的是提供一种旋转机械故障特征提取方法及装置，以解决目前旋转机械故障识别过程中存在的运行时间长、效率低、采用一维信号处理存在的分解尺度不统一等问题。

为解决上述技术问题，本发明提供了一种旋转机械故障特征提取方法，包括以下步骤：

步骤1，提出一种二元特征尺度分解方法——复局部特征尺度分解(CLCD)；

步骤2，采集旋转机械同一截面水平方向的振动信号x(t)及垂直方向的振动信号y(t)，将其组成一个复数信号z(t)＝x(t)+jy(t)，其中，ij＝i²＝j²＝-1。