[发明专利]一种基于奇异谱分解的旋转机械故障诊断方法

摘要

本发明公开了一种基于奇异谱分解的旋转机械故障诊断方法，包括以下步骤：步骤1，在旋转机械的关键部件附近安装传感器进行测量，采集测量信号作为源信号；步骤2，利用奇异谱分解对源信号进行分解，得到若干个瞬时频率具有物理意义的奇异谱分量；步骤3，根据特征能量因子最大准则挑选蕴含丰富故障特征信息的分解分量作为主奇异谱分量；步骤4，对主奇异谱分量进行希尔伯特解调，获得相应的包络谱；步骤5，从包络谱中观察故障特征频率处是否存在明显峰值，从而实现旋转机械故障类型的准确判别。本发明简单易行，较其他现有技术相比能够实现更为精确的故障诊断。

主权项

1.一种基于奇异谱分解的旋转机械故障诊断方法，其特征在于：包括以下步骤：步骤1，在旋转机械的关键部件附近安装传感器进行测量，采集测量信号作为源信号；步骤2，利用奇异谱分解对源信号进行分解，得到若干个瞬时频率具有物理意义的奇异谱分量；所述步骤2中利用奇异谱分解对源信号进行分解的步骤为步骤2.1，对源信号构建一个新的轨迹矩阵表达式：以源信号x(n)＝{1,2,3,4,5}为例，其嵌入维数M为3，则对应的矩阵X为式中，矩阵X的虚线部分对应于奇异谱分析中的新轨迹矩阵，且新矩阵中各对角线元素相同且数量相等；步骤2.2，自适应选择第j次迭代所需的嵌入维数M：首先计算第j次迭代时残余分量的功率谱密度PSD，即式中，j＝2,3,4…，υj(n)表示第j次迭代时获得的残余分量，υk(n)表示第k次迭代时获得的残余分量；随后估计功率谱密度PSD中最大峰值对应的频率fmax；在第1次迭代中，如果归一化频率fmax/Fs小于给定阈值10‑3，则残余量被视为一个大趋势项，此时M设置为N/3，其中Fs是采样频率，N是源信号的采样长度；否则，当迭代次数j>1，嵌入维数被设置为M＝1.2×(Fs/fmax)；步骤2.3，按照高频到低频的顺序依次重构第j个奇异谱分量：在第1次迭代中，如果检测到一个大趋势项，只使用第1个左右特征向量去获取g⁽¹⁾(n)，使得且g⁽¹⁾(n)从X₁的对角平均中获得，其中g⁽¹⁾(n)是第1个奇异谱分量，X₁是第1次迭代过程中检测到的大趋势项，σ₁是X₁的第1个奇异值，u₁是X₁的第1个左特征向量，υ₁是X₁的第1个右特征向量，是υ₁的转置；否则，当迭代次数j>1，必须获得一个分量序列g⁽¹⁾(n)去描述一个物理意义明确的时间尺度；在这个意义上，它的频率成分主要集中在频带[f_max‑δf,f_max+δf]之间，其中f_max是功率谱密度PSD中最大峰值对应的频率，δf表示残余项功率谱密度中主峰的半带宽；因此，根据左特征向量在频谱[f_max‑δf,f_max+δf]范围中具有突出主频率的所有特征组和对选取模态分量的主峰能量贡献最大的一个特征组，创建一个子集I_j(I_j＝{i₁,…,i_p})；随后通过矩阵的对角平均法重构这对应的奇异谱分量；步骤2.4，设置迭代终止条件：将迭代估计出的奇异谱分量从源信号中分离出，得到一个残余项计算所得残余项和源信号之间的归一化均方差NMSE，即式中，表示第j次迭代时获得的奇异谱分量，υ^(j+1)(n)表示第j次迭代时获得的残余项，υ^(j)(n)表示第j次迭代时设定的源信号；当归一化均方差NMSE小于给定阈值th＝1％时，整个分解过程终止，否则，将残余项作为输入信号重复上述迭代过程获得最终分解结果，即式中m是获得的奇异谱分量个数，在每次迭代后残余项υ(j+1)(n)的能量都会减小；步骤3，根据特征能量因子最大准则挑选蕴含丰富故障特征信息的分解分量作为主奇异谱分量；步骤4，对主奇异谱分量进行希尔伯特解调，获得相应的包络谱；步骤5，从包络谱中观察故障特征频率处是否存在明显峰值，从而实现旋转机械故障类型的准确判别。