基于一种增强最小熵解卷积的机械故障诊断方法及系统与流程

1.本发明涉及机械故障诊断技术领域，具体为基于一种增强最小熵解卷积的机械故障诊断方法及系统。


背景技术：

2.在基于振动信号分析的旋转机械健康监测和故障诊断中，由于存在多个振动源以及受复杂传递路径和强噪声影响，测量振动信号通常成分复杂，可能包含高斯白噪声以及谐波分量、强冲击干扰等非高斯干扰成分，导致周期性故障信号十分微弱。
3.本方案将无偏自相关分析融入最小熵解卷积滤波器系数的迭代求解中，提出了一种基于无偏自相关分析的增强最小熵解卷积方法，以解决传统最小熵解卷积因主导冲击干扰造成峭度过大而无法有效恢复轴承周期性故障冲击的问题。所提方法在强冲击、高斯白噪声、谐波分量等干扰下均能准确恢复轴承周期性故障冲击序列，提取故障特征信息。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供基于一种增强最小熵解卷积的机械故障诊断方法及系统。
5.本发明的目的是通过以下技术方案来实现的：
6.基于一种增强最小熵解卷积的机械故障诊断方法及系统，包括以下步骤：
7.s1，输入测量信号，随机初始化滤波器系数，执行步骤s2；
8.s2，求解滤波信号，执行步骤s3；
9.s3，对滤波信号进行无偏自相关变换，并将变换后的信号作为新的滤波信号，执行步骤s4；
10.s4，计算滤波信号的峭度，执行步骤s5；
11.s5，更新滤波器系数，获得新的滤波器，执行步骤s6；
12.s6，重复步骤s2
‑
s5，使得滤波信号的峭度达到最大，执行步骤s7；
13.s7，选择滤波信号峭度达到最大时对应的滤波器作为最优滤波器，对应的经无偏自相关变换后的信号作为最终滤波信号，执行步骤s8；
14.s8，对滤波信号进行时域分析和包络分析，并根据分析结果诊断轴承故障。。
15.进一步的，所述步骤s3中，对滤波信号进行无偏自相关变换的公式为：
[0016][0017]
式中，为滤波信号y的无偏自相关，n为信号长度，τ为延迟系数，t
i
为时间，q＝0,...,n
‑
1，所述τ＝q/f
s
，f
s
为采样频率。
[0018]
进一步的，所述步骤s4中，根据
[0019]
进行无偏自相关分析后滤波信号的峭度的表达公式为：
[0020][0021]
式中：<
·
>表示时域平均算子。
[0022]
进一步的，所述步骤s5中，新的滤波器的系数获得的公式为：
[0023][0024]
式中，x0为一矩阵。
[0025]
进一步的，所述步骤5中新的滤波器的系数获得的公式中，所述矩阵
[0026]
进一步的，所述步骤s6中重复步骤s2
‑
s5，使得滤波信号进行无偏自相关变换后的峭度达到最大，选择最大峭度对应的滤波器参数，描述此过程公式如下：
[0027][0028]
式中，为滤波器系数估计值，f为滤波器，为的峭度。
[0029]
进一步的，所述测量信号的卷积形式为：
[0030]
x＝e*h
e
n*h
n
[0031]
式中，*代表卷积运算，x为测量信号，e为周期性故障信号，n为干扰成分，h
e
、h
n
分别为e和n对应的传递函数。
[0032]
进一步的，所述干扰成分包括:杂乱冲击干扰、非高斯谐波分量、高斯白噪声。
[0033]
本发明的有益效果是：
[0034]
本方案将无偏自相关分析融入最小熵解卷积滤波器系数的迭代求解中，提出了一种基于无偏自相关分析的增强最小熵解卷积方法，以解决传统最小熵解卷积因主导冲击干扰造成峭度过大而无法有效恢复轴承周期性故障冲击的问题。所提方法在强冲击、高斯白噪声、谐波分量等干扰下均能准确恢复轴承周期性故障冲击序列，提取故障特征信息。
附图说明
[0035]
图1为本发明的流程示意图；
[0036]
图2为本发明的故障轴承测量信号时域波形图以及包络谱图(a
‑
时域波形图、b
‑
包络谱图)；
[0037]
图3为本发明方法、最小熵解卷积方法、meda方法、omeda方法分别得到的故障轴承测量信号的滤波信号图(a
‑
本发明方法、b
‑
最小熵解卷积方法、c
‑
meda方法、d
‑
omeda方法)；
[0038]
图4为本发明方法、最小熵解卷积方法、meda方法、omeda方法分别对应的滤波信号
的包络谱图(a
‑
本发明方法、b
‑
最小熵解卷积方法、c
‑
meda方法、d
‑
omeda方法)。
具体实施方式
[0039]
下面结合本发明的附图1～4，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施。
[0040]
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0041]
基于一种增强最小熵解卷积的机械故障诊断方法及系统，包括以下步骤：
[0042]
s1，输入测量信号，随机初始化滤波器系数，执行步骤s2；
[0043]
s2，求解滤波信号，执行步骤s3；
[0044]
s3，对滤波信号进行无偏自相关变换，并将变换后的信号作为新的滤波信号，执行步骤s4；
[0045]
s4，计算滤波信号的峭度，执行步骤s5；
[0046]
s5，更新滤波器系数，获得新的滤波器，执行步骤s6；
[0047]
s6，重复步骤s2
‑
s5，使得滤波信号的峭度达到最大，执行步骤s7；
[0048]
s7，选择滤波信号峭度达到最大时对应的滤波器作为最优滤波器，对应的经无偏自相关变换后的信号作为最终滤波信号，执行步骤s8；
[0049]
s8，对滤波信号进行时域分析和包络分析，并根据分析结果诊断轴承故障。
[0050]
实施例：
[0051]
本实施例选用凯斯西储大学(cwru)轴承实验数据集中的一组信号进行分析，轴承试验装置由风扇端轴承(6203
‑
2rs jem skf)、驱动电机、驱动端轴承(6205
‑
2rs jem skf)、扭矩传感器、负载电机等组成。试验轴承为风扇端轴承(具体参数如表1所示)，采用电火花加工向试验轴承滚动体中植入了局部故障，轴承各部分(内圈、外圈、保持架、滚动体)故障特征频率相对于转轴转频的比例系数如表2所示。信号的采样频率为12khz，转轴转频f
r
为29.53hz，根据表2中比例系数计算得到轴承滚动体故障特征频率f
b
，如式所示：
[0052]
f
b
＝f
r
×
1.994＝58.883hz
[0053]
表1风扇端轴承尺寸参数(英寸)
[0054][0055]
表2风扇端轴承故障特征频率相对于转轴转频的比例系数
[0056][0057]
图2给出了信号的时域波形和包络谱，可见，时域波形中含有明显的强冲击干扰，包络谱无法识别到故障特征频率。
[0058]
图3、图4分别给出了所提方法以及对比方法的滤波信号以及各自对应的包络谱。可见，所提方法有效恢复了周期性故障冲击，包络谱中能准确识别轴承故障特征频率f
b
及其倍频(2f
b
、3f
b
、4f
b
)，同时还能观察到转频f
r
，诊断结果与实际情况相符。而三种对比方法无法有效提取轴承故障特征，只提取出少量伪主导冲击，由上述分析结果可见，相较于三种传统方法，所提方法对实际信号分析效果提升明显，在冲击干扰抑制、故障冲击增强方面具有较大的优势。
[0059]
进一步的，所述步骤s3中，对滤波信号进行无偏自相关变换的公式为：
[0060][0061]
式中，为滤波信号y的无偏自相关，n为信号长度，τ为延迟系数，t
i
为时间，q＝0,...,n
‑
1，所述τ＝q/f
s
，f
s
为采样频率。
[0062]
进一步的，所述步骤s4中，根据
[0063]
进行无偏自相关分析后滤波信号的峭度的表达公式为：
[0064][0065]
式中：<
·
>表示时域平均算子。
[0066]
进一步的，所述步骤s5中，新的滤波器的系数获得的公式为：
[0067][0068]
式中，x0为一矩阵。
[0069]
进一步的，所述步骤5中新的滤波器的系数获得的公式中，所述矩阵
[0070]
进一步的，所述步骤s6中重复步骤s2
‑
s5，使得滤波信号进行无偏自相关变换后的峭度达到最大，选择最大峭度对应的滤波器参数，描述此过程公式如下：
[0071]
[0072]
式中，为滤波器系数估计值，f为滤波器，为的峭度。
[0073]
进一步的，所述测量信号的卷积形式为：
[0074]
x＝e*h
e
n*h
n
[0075]
式中，*代表卷积运算，x为测量信号，e为周期性故障信号，n为干扰成分，h
e
、h
n
分别为e和n对应的传递函数。
[0076]
进一步的，所述干扰成分包括:杂乱冲击干扰、非高斯谐波分量、高斯白噪声。
[0077]
以上所述仅是本发明的优选实施方式，应当理解所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。