[发明专利]基于变参时频流形信号重构的旋转机械微弱故障检测方法

说明书

本发明公开了一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，包括：步骤(1)、故障带内成分提取：步骤(2)、高维TFD矩阵构造：步骤(3)、TFM特征提取：步骤(4)、TFM特征去噪：步骤(5)、故障成分TFD重构：步骤(6)、故障成分时域信号重构。该技术方法至少具有以下优点：对不同机械振动信号的普适性好、计算效率高、信噪比高、能够定量分析故障严重程度等。

技术领域

本发明涉及故障检测领域，具体涉及一种基于变参时频流形信号重构的旋转机械微弱故障检测方法。

背景技术

振动监测技术常用于旋转机械故障诊断中，通过对振动信号的分析可以监测旋转机械的运行状态并及时发现故障，有利于减少停机时间、确保高效生产。当旋转机械在定转速下发生局部故障时，振动信号中会出现周期性瞬态脉冲成分，但由于复杂的机械结构和工作环境，瞬态脉冲往往淹没在大量噪声中，使故障信息在振动信号中显得十分微弱，给机械故障检测带来了挑战。因此，从振动信号中提取故障瞬态脉冲成分是实现旋转机械微弱故障检测的关键。

时频变换方法，如短时傅里叶变换(STFT)，可以将一维的时域振动信号转换成时频域中的时频分布(TFD)，常用于提取故障瞬态脉冲的时频模式，即特定频带内周期性出现的脉冲区域。然而，噪声也会分布在振动信号的TFD中，干扰了故障瞬态脉冲的识别。传统的去噪方法仅起到带通滤波的效果，即只能去除故障所在频带以外的噪声，对故障频带内的噪声(即带内噪声)则无法去除。

时频流形(TFM)是一种旨在去除时频域中故障带内噪声的方法，通过流形学习非线性提取嵌入在高维TFD中的内在流形结构，在保留故障瞬态脉冲的同时减弱故障带内噪声。TFM的具体步骤为：1)采用相空间重构(PSR)把一维振动信号转换到高维空间；2)利用时频变换对高维空间中的每一维信号进行处理，获得高维TFD；3)对高维TFD进行流形学习，获得低维的TFM特征。

传统技术存在以下技术问题：

TFM在一定程度上减弱了信号时频分布中的故障带内噪声，但是还存在以下缺点：1)时频变换的参数由人为选定，不具有对不同信号的普适性；2)高维TFD数据量较大，对其进行流形学习的计算负担重；3)流形学习的近邻点参数需要优化，增加了计算负担；4)TFM特征中仍然残留了少部分故障带内噪声；5)TFM特征仅反映了故障瞬态脉冲的内在时频流形结构，其幅值与信号的TFD相差甚远，不能用于机械故障严重程度的定量分析。

发明内容

本发明要解决的技术问题是提供一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，该方法针对TFM存在的问题，提出具有对信号普适性的变参时频变换方法构造高维TFD，并把获得的两维TFM特征进行自适应阈值去噪，最后把去噪后的TFM特征作为时频特征基重构时域信号。本发明方法能够极大地去除振动信号中的噪声，在提取故障瞬态脉冲流形结构的同时，也能恢复其幅值，从而实现旋转机械微弱故障的精确检测。

为了解决上述技术问题，本发明提供了一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，包括：

步骤(1)、故障带内成分提取：采用传统信号处理方法从信号中提取故障所在频带内的成分；

步骤(2)、高维TFD矩阵构造：对故障带内成分进行变参时频变换，对获得的每个TFD进行降采样并转换为列向量，用于构造高维TFD矩阵；

步骤(3)、TFM特征提取：对高维TFD矩阵进行流形学习，获得两维TFM特征；

步骤(4)、TFM特征去噪：根据两维TFM特征的联合幅值分布确定阈值，将两维TFM特征中低于阈值的幅值置零，获得去噪后的两维TFM特征；

步骤(5)、故障成分TFD重构：把去噪后的两维TFM特征按照给定的权重进行加权求和，对得到的一维向量反变换为二维矩阵，得到重构的故障成分TFD；