[发明专利]一种基于G-P奇异谱分解的旋转机械复合故障诊断方法

说明书

本发明提供了一种基于G‑P奇异谱分解的旋转机械复合故障诊断方法，步骤S1：采用加速度传感器对旋转机械的齿轮箱进行测量，获得预设时间段内的振动加速度原始信号x(t)；步骤S2：对振动加速度原始信号进行G‑P奇异谱分解，获得奇异谱分量；步骤S3：对奇异谱分量进行时频域转换，得到奇异谱分量的包络谱；步骤S4：从包络谱中识别是否含有预设的故障特征频率及其倍频。本发明通过采用G‑P奇异谱分解方法对复合故障振动加速度信号进行分解，自适应地将一个复杂的多分量信号分解为若干个由高频到低频的调幅‑调频信号，并求取各个分量的包络谱，对包络谱进行分析，便可以分析其主要频率成分，从而判断故障类别，准确进行故障诊断。

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种基于G-P奇异谱分解的旋转机械复合故障诊断方法。

背景技术

旋转机械的故障诊断技术的研究具有重要的意义，国内外学者已对旋转机械的单一故障做了大量研究，而对于复合故障诊断，由于各故障信号之间相互耦合以及其处于强背景噪声下的特点使得对复合故障特征提取难度加大，需要选择合适的故障诊断方法。

经验模态分解(Empirical Mode Decomposition，简称EMD)是一种常用的自适应非线性信号处理方法，根据信号本身的尺度特征将信号分解成多个固有模态函数分量(intrinsic modefunction，简称IMF)，崔玲立等人将基于EMD与二代小波的解调方法用于复合故障的耦合特征分离和轴承损伤性故障微弱信号的特征提取，但其最大缺点是无法克服模态混叠现象。Wu和Huang基于EMD提出一种总体平均经验模式分解算法(EEMD)，它在一定程度上能够抑制EMD的模态混叠效应，李蓉等将EEMD与线调频小波路径追踪算法相结合应用于齿轮箱复合故障诊断方法，但其存在IMF分量不满足条件的情况。

奇异谱分析(Singular Spectrum Analysis，SSA)是一种基于主成分分析的非参数化谱估计的数学分析方法。传统的奇异谱分析的主要过程为原始时间序列被分解为多个部分，然后按照一定的准则重构出新的时间序列，但该方法存在迭代时残余序列能量减少的问题。

近年，Bonizzi等人提出了一种新的自适应信号处理方法-奇异谱分解(SingularSpectrum Decomposition，SSD)，将SSA与SSD进行对比分析，改进了SSA轨迹矩阵构建方法以弥补其在残余序列迭代时能量减少的缺点，改进了SSA分量序列的重构方法以实现信号的自适应重构过程，为处理非平稳非线性信号提供了新的思路，但其存在主观选取嵌入维数的缺陷。

由此可见，在现有技术中，缺乏有效且准确的方法来对旋转机械的复合故障进行诊断。

发明内容

为了解决采用现有技术在旋转机械复合故障诊断过程中存在的技术问题，本发明提供了一种基于G-P奇异谱分解的旋转机械复合故障诊断方法，该方法是基于G-P算法的奇异谱分解方法，采用G-P算法自动获取轨迹矩阵的嵌入维数、构建轨迹矩阵，并进一步对轨迹矩阵进行奇异值分解以及对分量序列进行重构，从而获得具有物理意义的奇异谱分量，将获得的奇异谱分量进行时频域转换后获得故障特征，最后通过故障特征，判断旋转机械是否存在故障。其中，G-P算法是由Grassberger和Procaeeia提出的基于分形理论的一种关联维数算法，它可以根据关联维数与嵌入维数的关系来自动选取奇异谱分解的嵌入维数，克服了奇异谱分解主观选取嵌入维数的缺陷。

本发明提供了一种基于G-P奇异谱分解的旋转机械复合故障诊断方法，包括：

步骤S1：采用加速度传感器对旋转机械的齿轮箱进行测量，获得预设时间段内的振动加速度原始信号x(t)；

t表示预设时间段；

步骤S2：对所述振动加速度原始信号进行G-P奇异谱分解，获得奇异谱分量；

步骤S3：对所述奇异谱分量进行时频域转换，得到奇异谱分量的包络谱；