[发明专利]一种基于LOF-Kurtogram的机械故障诊断方法

说明书

一种基于LOF‑Kurtogram的旋转机械故障诊断方法，首先利用固定长度的滑动时窗将一段机械监测信号分割为多个数据段；提取每个数据段的时域、时频域等特征指标向量；设置LOF算法中参数k的初始值，并计算每个数据段的局部异常因子值，基于3σ准则筛选出异常段，并将其剔除清洗；然后将清洗后的数据输入到Kurtogram，获得滤波后数据段，求其包络谱，查找故障特征频率，完成故障诊断。本发明基于局部异常因子对传统Kurtogram算法进行了改进，实现了环境干扰造成的大冲击噪声下数据的诊断，提高了机械故障数据抗噪处理能力，对于机械故障的诊断具有更加理想的效果。

技术领域

本发明属机械监测及故障诊断领域，具体涉及一种基于LOF-Kurtogram的机械故障诊断方法。

背景技术

工业装备中含有大量的旋转机械零部件如轴承、齿轮等，它们在旋转机械中起到支撑、传送力矩作用，对于设备的安全、可靠运行十分重要。然而这些旋转零部件也故障频发，一旦故障，轻则设备无法正常运行，停工停产，重则机组破坏，造成重大人员伤亡。可见旋转机械故障的及时、准确诊断对于防止重大事故、设备生产经济效益的提高具有十分重要的意义。基于振动传感器获取振动信号，对信号进行分析，判断设备是否存在故障是旋转机械故障诊断的重要手段。轴承、齿轮等旋转零部件故障时，传感器采集的监测信号表现为周期性冲击，信号处理方法通过信号是否含有周期性冲击频率成分，判断是否存在故障。由于工业现场，环境嘈杂，采集的监测信号夹杂大量的噪声，周期性成分也便淹没于噪声中，直接计算其频谱往往很难发现周期性成分，容易造成对故障的误判，因此，如何从复杂信号中提取周期性成分是故障诊断的关键。

谱峭度(Kurtogram)是一种常用的信号处理故障诊断方法，它利用了峭度对冲击敏感的特征，含有冲击的信号峭度值往往大于不含冲击的，基于此提取峭度值大的频段，完成冲击信号的提取。然而，Kurtogram只适用于不含有明显噪点的冲击信号提取，现实环境中，如由于人为测试、环境干扰等影响，采集的信号往往含有一处或几处明显的噪点，它们具有更大的峭度值使得Kurtogram最终提取的目标信号不含有周期性冲击，无法准确诊断出故障。

发明内容

为了达到上述目的，本发明采取的技术方案为：

一种基于LOF-Kurtogram的旋转机械监测故障诊断方法，包括以下步骤：

1)获得一段旋转机械监测信号作为原始信号x(t)，其中t＝1,…,N，N为该段信号采样点个数，利用窗长为l的滑动窗，将x(t)分割为若干段，段数记为S；

2)对每一段提取时域特征和时频域特征，形成特征指标集合；其中，中f_i表示滑动时第i个数据段的特征指标向量，特征指标包括均值、最大值、最小值、峰峰值、方差、峭度、均方根、波形因子、峰值因子、脉冲因子、方根幅值、裕度因子、偏斜度、小波能量组分比；

3)设定k值大小，搜索计算特征点集合内任意一点的k近邻域；

4)计算所有特征点的局部可达密度，其中任意点

其中，o'为o的邻域，k_distance(o')表示点o'的第k距离，k_distance(o)表示点o的第k距离，d(o,o')表示点o与o'的欧氏距离其中，k值取为5；N_k(o)是点o的邻域，即o的第k距离以内的所有点，包括第k距离上的点；

5)点o的局部异常因子值计算表达式如下：

式中lrd_k(o)与lrd_k(o′)分别为点o与点o′的局部可达密度；

6)根据式(2)计算中所用特征点的局部异常因子值，记为根据阈值T检测异常数据段，从序列中选出大于T的所有根据窗宽l与数据段序号i确定出原始机械监测数据中噪点的位置。此处阈值T的计算采用的是3-sigma原则，即