[发明专利]一种基于G-P奇异谱分解的旋转机械复合故障诊断方法

摘要

本发明提供了一种基于G‑P奇异谱分解的旋转机械复合故障诊断方法，步骤S1：采用加速度传感器对旋转机械的齿轮箱进行测量，获得预设时间段内的振动加速度原始信号x(t)；步骤S2：对振动加速度原始信号进行G‑P奇异谱分解，获得奇异谱分量；步骤S3：对奇异谱分量进行时频域转换，得到奇异谱分量的包络谱；步骤S4：从包络谱中识别是否含有预设的故障特征频率及其倍频。本发明通过采用G‑P奇异谱分解方法对复合故障振动加速度信号进行分解，自适应地将一个复杂的多分量信号分解为若干个由高频到低频的调幅‑调频信号，并求取各个分量的包络谱，对包络谱进行分析，便可以分析其主要频率成分，从而判断故障类别，准确进行故障诊断。

主权项

1.一种基于G‑P奇异谱分解的旋转机械复合故障诊断方法，其特征在于，包括：步骤S1：采用加速度传感器对旋转机械的齿轮箱进行测量，获得预设时间段内的振动加速度原始信号x(t)；t表示预设时间段；步骤S2：对所述振动加速度原始信号进行G‑P奇异谱分解，获得奇异谱分量；步骤S3：对所述奇异谱分量进行时频域转换，得到奇异谱分量的包络谱；步骤S4：从所述包络谱中识别是否含有预设的故障特征频率及其倍频：若含有故障特征频率及其倍频，则说明旋转机械的齿轮箱存在故障；在步骤S2中对所述振动加速度原始信号进行G‑P奇异谱分解的具体步骤为：步骤S21：通过所述振动加速度原始信号x(t)生成新的信号离散序列x(n),n＝1,2,...,N；其中，所述信号离散序列x(n)通过将所述振动加速度原始信号x(t)中的所有值均减去均值z得到；所述均值z为所述振动加速度原始信号x(t)的均值；N为信号离散序列的信号长度；步骤S22：采用G‑P算法确定奇异谱分解所需的轨迹矩阵的嵌入维数M，其中M为正整数且1＜M＜N；步骤S23：构建轨迹矩阵X(M×N)，根据预设改进规则生成改进后的轨迹矩阵X(N×K)；其中，预设改进规则为将所述轨迹矩阵X(M×N)右下角元素移动到左上角；所述轨迹矩阵X(M×N)的第i行为：x_i＝(x(i),...,x(N),x(1),...,x(i‑1))且i＝1,...,M,K＝N‑M+1；步骤S24：对所述改进后的轨迹矩阵X(N×K)进行奇异值分解X＝UDV^T；其中，左奇异矩阵U＝M×M，右奇异矩阵V＝K×K，特征矩阵D＝M×K，所述特征矩阵D中每一个元素均为所述轨迹矩阵的奇异值σ_k，σ_k为第k个奇异值，且λ_k为所述轨迹矩阵的第k个特征值；步骤S25：根据步骤S24获得的左奇异矩阵U、右奇异矩阵V和特征矩阵D生成奇异谱分量的主分量序列g^(j)(n)，其中，j为迭代次数；步骤S26：从所述信号离散序列x(n)中减去步骤S25获得的所述主分量序列g^(j)(n)，得到奇异谱分量的残余分量序列v^(j)(n)，计算残余分量序列v^(j)(n)和所述信号离散序列x(n)之间的均方差，当所述均方差小于预设的阈值时，停止奇异值分解步骤，得到最终的奇异谱分量为所述主分量序列与残余分量序列之和；否则，重复步骤S22至步骤S26。