[发明专利]一种基于SCA和FastICA的旋转机械耦合故障诊断方法

说明书

本发明涉及旋转机械故障诊断技术领域，特别涉及一种基于SCA和FastICA的旋转机械耦合故障诊断方法。具体方法如下：第一步：通过多个传感器采集旋转机械的耦合故障的转子振动信号；第二步：引入同步累加平均降噪算法，并结合信号均衡、平滑处理，对采集振动信号进行降噪；第三步：运用FastICA算法对降噪后的信号进行分离，分离出各单一故障特征信号；第四步：对分离后的各单一故障特征信号进行相应诊断。该方法能够有效滤除脉冲噪声和白噪声，降低噪声提高了信噪比，实现了对故障特征信号的有效提取，是一种有效的旋转机械系统耦合故障的诊断方法。

技术领域

本发明涉及旋转机械故障诊断技术领域，特别涉及一种基于SCA和FastICA的旋转机械耦合故障诊断方法。

背景技术

机旋转机械运行时，传感器测量的振动信号与各种振动源混合，含有很强的噪声。传统的信号处理方法很难分离混合信号，给机器健康监测和故障诊断带来困难。介绍了盲源分离的原理和方法，指出盲源分离算法在强脉冲噪声环境下是无效的。在这种环境下，首先采用同步累积平均降噪(SCA)方法对振动信号进行去噪，然后采用改进的快速独立分量分析(FastICA)算法进行分离。仿真试验和转子故障实验结果表明，该方法能有效地提取故障特征，与以往的方法相比具有一定的优越性。因此，它在故障检测领域，特别是在强噪声和振动干扰的情况下，具有一定的实用价值。

在旋转机械运行过程中，传感器测得的振动信号通常由多个部件的振动叠加而成。如何对这些信号进行分析、处理和识别，对于判断旋转机械的工作状态和设备故障诊断具有重要意义。传感器信号的直接分析和处理非常困难，这势必给机械状态监测和故障诊断带来很大困难。

各种传统的现代信号处理方法，如经验模态分解(EMD)、小波变换、自适应滤波器、Kalman滤波器、数学形态学分析，已被广泛应用于振动信号分析。然而，上述传统分析方法对于旋转机械多重叠振动信号的分析显然是不够的。盲源分离技术可以实现多个混叠信号的分离，盲源分离不受源信号时间和频谱重叠的影响，分离后的输出信号不会丢失源信号的弱特征信息。

到目前为止，已经出现了许多有效且各具特色的盲源分离算法。典型算法包括快速定点算法、自然梯度算法、EASI算法和JADE算法。这些算法在分离无噪声混合信号时表现出良好的分离性能。然而，在分离噪声信号时，会有很多误差，即使在信噪比较低的情况下，会得出完全错误的结论，因为这些算法都是在没有考虑噪声模型的情况下推导出来的。在机器运行过程中，振动传感器测得的振动信号不可避免地含有噪声信号。因此，采用盲源分离算法直接分离重叠振动信号时，可能会产生较大的误差或得出错误的结论。

发明内容

本发明的目的是为了提供一种基于SCI和FastICA的旋转机械耦合故障诊断方法，以解决目前采用盲源分离算法直接分离重叠振动信号时，可能会产生较大的误差或得出错误的结论的问题。

具体的，本发明采用以下技术方案进行：一种基于SCI和FastICA的旋转机械耦合故障诊断方法，具体方法如下：

第一步：通过多个传感器采集旋转机械的耦合故障的转子振动信号；

第二步：引入同步累加平均降噪算法，并结合信号均衡、平滑处理，对采集振动信号进行降噪；

第三步：运用FastICA算法对降噪后的信号进行分离，分离出各单一故障特征信号；

第四步：对分离后的各单一故障特征信号进行相应诊断。

作为优选，所述传感器的个数大于或等于可能纯在的故障源个数。

作为优选，传感器采用加速度传感器或位移传感器。

传感器安装在靠近转子的支架上，测量转子的横向位移。

由于采用盲源分离算法直接分离重叠振动信号时，可能会产生较大的误差或得出错误的结论。