[发明专利]一种基于盲抽取算法的旋转机械故障诊断方法

说明书

本发明涉及机械故障诊断技术，旨在提供一种基于盲抽取算法的旋转机械故障诊断方法。包括步骤：旋转机械的多通道振动测量；基于故障信息参考信号的设定；利用盲抽取算法抽取分离信号；分离信号的能量占比计算；旋转机械支持向量机诊断模型训练与诊断。本发明包含了从信号采集到故障诊断等一系列步骤，解决了以往盲源分离算法仅应用在人工诊断而极少应用在人工智能诊断方面的问题，较大程度地提升了旋转机械故障诊断的准确性。因此，相对于现有技术所采用的旋转机械故障诊断算法，本发明具有更好的实用价值。

技术领域

本发明涉及机械故障诊断技术，具体涉及信号处理及人工智能在机械故障诊断上的应用，特别是一种基于盲抽取算法的旋转机械故障诊断方法。

背景技术

旋转机械是工业领域中非常重要并且应用非常广泛的一类机械设备，如风机、水泵、压缩机等，在各个工业领域发挥着重要的作用。旋转机械在工作过程中，难免会出现或大或小的故障，这些故障轻则造成经济损失，重则造成人员伤亡，因此旋转机械的故障诊断在工业领域有着非常重要的地位，人们对于旋转机械的故障诊断方法的研究也从未停下。

目前对于旋转机械的故障诊断大多都是基于振动信号，当我们对旋转机械进行振动测试时，测得的信号为旋转机械内部多个振动源混合后的信号，这对于故障特征提取和故障诊断无疑是增加了难度。随着人工智能的发展，出现了许多基于人工智能的旋转机械故障诊断算法，相比于传统人工诊断，人工智能故障具有准确性高，时效性好等优点。

盲源分离算法基于对振动源的独立性假设，在没有先验知识的情况下，分离出与振动源信号具有相同广义形式的分离信号，从而使故障特征更为明显。但是，由于盲源分离算法存在着幅值与顺序不确定性，很难作为人工智能诊断算法的输入向量。因此，目前业内尚无法做到将基于盲源分离算法的面向旋转机械的人工智能诊断算法。目前基于盲源分离的故障诊断算法大多仅限于人为的故障诊断，存在着准确性差、效率低等缺点。本发明设计一种面向旋转机械的基于盲抽取算法的人工智能故障诊断系统，结合已有先验知识与传统的盲源分离技术，逐次抽取出与指定振动源信号具有相同广义形式的分离信号，并计算出其能量占比，结合盲抽取算法与支持向量机方法，能够较大地提高故障诊断的准确性。

发明内容

本发明要解决的技术问题是盲源分离无法与人工智能算法结合对旋转机械设备进行故障诊断，克服现有技术中的不足，提供一种结合盲抽取与人工智能诊断算法的旋转机械故障诊断方法。

为解决技术问题，本发明的解决方案是：

提供一种基于盲抽取算法的旋转机械故障诊断方法，包括以下步骤：

(1)旋转机械的多通道振动测量

将N个振动传感器布置在旋转机械上的轴承座上，N1；

(2)基于故障信息参考信号的设定

根据传感器的数量，设置拟抽取的分离信号数量为N(抽取的分离信号数量需与步骤(1)中传感器数量一致)；针对每一个分离信号，设置一个与分离信号频率具有相同频率的参考信号R_i，其中i＝1，2，...，N，该参考信号R_i是为盲抽取算法提供先验知识，一般采用方波的形式；

(3)利用盲抽取算法抽取分离信号

该盲抽取算法在传统盲源分离算法的基础上进行了改进，加入了一定的先验知识，依据先验知识来对振源信号进行逐次抽取，避免了传统盲源分离中的顺序不确定性，使之能够与人工智能算法结合，对旋转机械设备进行故障诊断。

将观测信号合记为X(t)＝[x₁(t)，x₂(t)，...，x_i(t)]^T，i＝1，2，...，N，其中的x_i(t)为观测信号分量，为第i个振动传感器测得的振动信号，T表示矩阵的转置(以下同)；