CN101403684A - 基于盲源分析技术的旋转机械复合故障的诊断方法 - Google Patents

Abstract

本发明涉及一种机械工程技术领域的基于盲源分析技术的旋转机械复合故障的诊断方法，步骤是：1.确定获得观测信号的个数和位置；2.采用特征分解法，对多故障的混合信号进行分析，确定可能存在故障的个数；3.在对混合信号进行盲分离之前，对混合信号进行信号预处理；4.采用独立分量盲分离算法对混合故障信号进行分离；5.对分离出的故障源信号分别进行归一处理，并进行频谱、小波分析，提取出故障特征；6.对分离出的各单一故障信号进行诊断。该方法可应用于多故障旋转机械-轴承系统的检测与诊断，可以有效提高对多故障共存旋转机械的故障诊断精度。

Description

基于盲源分析技术的旋转机械复合故障的诊断方法

技术领域

本发明涉及一种机械工程技术领域的故障诊断方法，具体地说，涉及的是一种基于盲源分析技术的旋转机械复合故障的诊断方法。

背景技术

目前，对于旋转机械的故障诊断方法已经有较为成熟的诊断方法和理论，其主要包括：频谱诊断方法，小波诊断法和轴心轨迹诊断法等。这些诊断方法对于单一故障的诊断已有较为显著的效果(见钟秉林，黄仁等编著的《机械故障诊断学》，北京：机械工业出版社，1997年)。然而，现有的诊断理论和方法都是基于单一故障的理论、试验和故障事例获得的，对于多故障共存情况下的复合故障诊断还没有行之有效的诊断方法。虽然可以通过频谱成分对共存故障进行诊断，但由于多故障共存情况下，由于各故障引发的振动信号和信息相互混叠在一起，用单一故障的诊断方法进行诊断，很难得到较为准确的诊断效果。

此外，由于当前的诊断方法主要是对单通道采集的振动信号进行分析，然后对故障进行诊断，不能同时利用多通道数据进行诊断分析。不能充分利用采集的多通道数据信息。对于多故障旋转机械的诊断是目前故障诊断领域的一个难点。

经对现有技术的文献检索发现，万方义等在《工程力学》(2004年24卷第一期)上发表的“谐波小波变换在转子-轴承系统多故障监测中的应用”，该文中提出采用谐波小波变换进行复合故障的诊断技术，具体为：对转子的振动信号采用谐波小波变换来分析转子-轴承系统同时出现裂纹和碰摩故障时的振动特征，并比较系统中仅有裂纹或碰摩时的差异，从而进行转子系统多非线性故障诊断。其不足在于：采用的原始振动信号事实上是多个故障产生的混叠信号，该方法的主要思想是通过小波分解然后依据不同频段的特征进行诊断。虽然该方法可以在不同频段上进行细化分析，但由于混叠的复合故障特征频率经小波分解后依然是混叠在一起并同时存在同一频段上，因此还不能从根本上将各故障信号分离和识别出来。本发明从根本上解决复合故障信号的混叠问题，将各故障信号从复杂信号中分离开来，转化成几个单一故障信号，再采用成熟的诊断方法进行各单一故障诊断，使复合故障诊断转化为几个单一故障诊断，很好地解决了复合故障分离、识别的问题。

发明内容

本发明的目的在于针对现有技术的不足，提出一种基于盲源分析技术的旋转机械复合故障的诊断方法，可以利用多通道振动信号的信息，对共存故障进行识别与诊断，提高对故障的诊断能力。

本发明是通过以下技术方案实现的，本发明的核心技术是利用盲源分离方法进行复合故障诊断。所谓盲源分离，就是从若干个观测到的多个信号的混合信号中恢复出无法直接观测到的原始信号，通常来说，观测信号来自一组传感器的输出，其中每一个传感器接收到多个原始信号的一组混合。所谓基于盲源分离的转子复合故障诊断技术，就是利用不同故障源信号的相对独立或弱相关性，通过独立分量算法(ICA)对一组传感器感测到的混叠振动信号进行分析处理从中得到各故障源信号，将复合故障诊断转化为几个单一故障的诊断，进而采用已有的故障诊断成熟方法诊断出各单一故障，从而实现对旋转机械共存复合故障的诊断。

本发明具体包括如下步骤：

第一步，确定获得观测信号的个数和位置，即根据可能存在故障的个数确定获取观测信号的个数和获取位置，并采用传感器采集观测信号，即多故障的混合信号；

布置传感器位置和个数，传感器的个数要大于可能存在故障源的个数。传感器可以采用加速计或位移传感器。加速度传感器可安装在轴承支架上；位移传感器可安装在靠近轴承处，测量轴的位移。

第二步，确定存在故障的个数：对第一步采集到的多故障的混合信号进行分析得到特征值，根据特征值确定存在故障的个数；

在混合信号数目大于源信号数目的前提下，对混合信号相关函数矩阵进行特征分解，其非零特征值个数就是源信号数目，由于实际噪声的影响，零特征值不可能精确出现，在这种情况下，需要确定一个阈值，大于阈值的特征值数目就是源信号数目。

第三步，对混合信号的预处理：对第一步采集的多故障的混合信号依次进行零均值化、信号白化与子带滤波预处理，得到预处理后的混叠故障信号；

信号零均值化是消除随机信号的均值，使之变为一个零均值的随机信号，以满足盲分离算法的假设条件。

消除信号均值的具体方法是采用算术平均代替数学期望，记x(t)＝[x₁(t)，x₂(t)，…，x_n(t)]^T(t＝1，2，…，N)为随机矢量x的N个样本，采用下列式子就可实现信号的零均值化，

${\stackrel{\‾}{x}}_i\left(t\right)=x_i\left(t\right)-\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{x}_i\left(t\right),i=\mathrm{1,2},\·\·\·n---\left(1\right)$

信号白化采用特征值分解法。具体实现方法是：设混合信号矢量x(t)的相关矩阵为R_x，该矩阵是一个非负定的Hermitian矩阵，其奇异分解如下

R_x＝Q∑²Q^T    (2)

其中矩阵∑²为对角矩阵，其对角元素λ₁ ²，λ₂ ²，…，λ_n ²是矩阵R_x的特征值，而矩阵Q是正交酉阵，该矩阵的列矢量是上述特征值对应的标准正交特征矢量。当获得矩阵R_x的奇异分解后，白化矩阵T可以按下式选取，

T＝∑^-1Q^T    (3)

可以证明，变换信号

的相关矩阵满足下式

$R_{\tilde{x}}={\mathrm{TR}}_x{T}^T=\left({\mathrm{\Σ}}^{-1}{Q}^T\right)\left(Q{\mathrm{\Σ}}^2{Q}^T\right){\left({\mathrm{\Σ}}^{-1}{Q}^T\right)}^T=I---\left(4\right)$

采用白化矩阵T对观测信号进行线性变换就可得到白化信号

从而实现信号的白化处理。

第四步，采用独立分量(ICA)盲分离算法对混叠故障信号进行分离，得到分离后的多路独立故障信号，独立故障信号数目与第二步确定的故障的个数相同；

将预处理后的信号作为输入，并给定第二步中得出的可能存在的故障数目，然后通过ICA算法进行计算分析，从中分离出可能存在的各故障源信号。从而把多故障混叠信号分离开来，转化为几个仅含单一故障的信号。

第五步，分离信号的后处理：对分离出的故障信号分别进行归一处理，然后进行频谱、小波分析，提取出故障特征信号；

第六步，对分离出的各单一故障特征信号进行诊断。

根据第五步分离出的源信号的故障特征，分别采用频谱诊断方法和小波诊断方法对分离出的源故障信号进行诊断，给出各对应故障。

本发明可以从复杂的混叠振动信号图谱中，有效地分离出可能存在的共存故障特征信号，把复杂的共存故障诊断转化为单一故障诊断，可以大大增加复合故障的诊断效率和精度，给一些关键旋转机械设备的安全运行和维护提供有力的技术保障，有效提高对事故和灾变的防治能力。本发明可对裂纹与碰摩同时存在的复合转子故障信号进行分离。

具体实施方式

下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例按下面步骤进行实施：

(1)确定获得观测信号的个数和位置的实施过程是：针对在Bently，RK4转子实验台上预先模拟的碰磨和裂纹共存故障(即实际故障数为2)，转子转速为1000转/分，根据观测信号数要大于或等于实际故障数的原则，分别取一侧轴承和转子轮盘处水平和垂直方向横向位移振动信号作为观测信号，即观测信号数为4，位移信号采用4个电涡流传感器来测量。

(2)确定存在故障的个数的实施过程是：采用特征分解法，对步骤(1)测得的4路多故障的混叠信号进行分析，得出的四个非零特征值23，17，0.8，0.5。其中两个较大的特征值对应着两路信号，其中较小两个近似为零，可以忽略。因此，可能存在故障的个数为2。

(3)对观测信号的预处理过程：分别对步骤(1)中由4路电涡流传感器测得的4路混叠故障位移观测信号依次进行零均值化、信号白化与子带滤波，滤波截取10倍频以下的频率，得到4路预处理后的混叠故障信号。

(4)选取合适的盲分离算法：采用独立分量盲分离分析方法(ICA)，将经步骤(3)预处理得到的4路信号作为输入，取ICA算法最大迭代次数为100，对混叠的故障信号进行迭代分离计算，经31次迭代计算后达到叠代收敛精度，混叠故障信号被分离成两路独立故障信号。

(5)分离信号的后处理的实施过程是：对有步骤(4)分离得到的两路故障信号进行幅值归一化处理，然后分别进行FFT变换，数据长度取1024个点。此时混叠的裂纹和碰磨复合故障信号被分离处理完毕，得到的两路信号分别对应着碰磨与裂纹单一故障信号。从而将复合故障诊断转化为单一故障诊断，大大降低了诊断难度。

(6)对分离出的各单一故障信号进行诊断：从步骤(5)分离处理后的两路信号频谱来看，一路信号的频谱具有较突出的1X和2X倍频成分，与转子只有裂纹故障时的频谱特征一致，但幅值上有较大差异，这是由盲分离的幅值不确定特性造成的，但通过频谱特征依然可以判断此路信号对应着裂纹故障；从另一路信号频谱上可以看到具有明显的1X、2X、3X以及微小的5X倍频成份，其与转子仅有碰磨故障时的频率成份比较一致，具有典型的碰磨故障谱特征。依此，可以诊断出此时转子同时具有裂纹和碰磨故障。

Claims (8)

1、一种基于盲源分析技术的旋转机械复合故障的诊断方法，其特征在于包括如下步骤：

第一步，根据可能存在故障的个数确定获取观测信号的个数和获取位置，并采用传感器采集观测信号，即多故障的混合信号；

第二步，采用特征分解法，对第一步采集到的混合信号进行分析得到特征值，根据特征值确定存在故障的个数；

第三步，对第一步采集的混合信号依次进行零均值化、信号白化与子带滤波预处理，得到预处理后的混叠故障信号；

第四步，采用独立分量盲分离算法对混叠故障信号进行分离，得到多路独立故障信号，独立故障信号数目与第二步确定的故障的个数相同；

第五步，对分离出的故障信号分别进行归一处理，然后进行频谱、小波分析，提取出故障特征信号；

第六步，对分离出的各单一故障特征信号进行诊断。

2.根据权利要求1所述的基于盲源分析技术的旋转机械复合故障的诊断方法方法，其特征是，第一步中，所述传感器的个数大于或等于可能存在故障源的个数，传感器采用加速计或位移传感器，其中加速度传感器安装在轴承支架上，位移传感器安装在靠近轴承处，测量轴的横向振动位移。

3.根据权利要求1所述的基于盲源分析技术的旋转机械复合故障的诊断方法，其特征是，第二步中，在混合信号数目大于源信号数目的前提下，对混合信号相关函数矩阵进行特征分解，其非零特征值个数就是源信号数目，确定一个阈值，大于阈值的特征值数目就是源信号数目。

4.根据权利要求1所述的基于盲源分析技术的旋转机械复合故障的诊断方法，其特征是，第三步中，对混合信号的预处理具体为：

(a)对观测信号进行零均值化，使之变为一个零均值的随机信号；

(b)对观测信号进行白化使其成为归一化的信号；

(c)采用子带滤波对观测信号进行窄带滤波处理，将混合信号限制在关注的频率范围内。

5.根据权利要求1或4所述的基于盲源分析技术的旋转机械复合故障的诊断方法，其特征是，所述信号零均值化是消除随机信号的均值，使之变为一个零均值的随机信号，以满足盲分离算法的假设条件；

消除信号均值的具体方法是采用算术平均代替数学期望，记x(t)＝[x₁(t)，x₂(t)，…，x_n(t)]^T(t＝1，2，…，N)为随机矢量x的N个样本，采用下列式子就可实现信号的零均值化，

${\stackrel{\‾}{x}}_i\left(t\right)=x_i\left(t\right)-\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{x}_i\left(t\right),i=\mathrm{1,2},...n.$

6.根据权利要求1或4所述的基于盲源分析技术的旋转机械复合故障的诊断方法，其特征是，所述信号白化采用特征值分解法，具体实现方法是：

设混合信号矢量x(t)的相关矩阵为R_x，该矩阵是一个非负定的Hermitian矩阵，其奇异分解如下

R_x＝Q∑²Q^T

其中矩阵∑²为对角矩阵，其对角元素λ₁ ²，λ₂ ²，…，λ_n ²是矩阵R_x的特征值，而矩阵Q是正交酉阵，该矩阵的列矢量是上述特征值对应的标准正交特征矢量。当获得矩阵R_x的奇异分解后，白化矩阵T按下式选取，

T＝∑^-1Q^T

变换信号

的相关矩阵满足下式

$R_{\tilde{x}}=T{R}_x{T}^T=\left({\mathrm{\Σ}}^{-1}{Q}^T\right)\left(Q{\mathrm{\Σ}}^2{Q}^T\right){\left({\mathrm{\Σ}}^{-1}{Q}^T\right)}^T=I$

采用白化矩阵T对观测信号进行线性变换就得到白化信号

从而实现信号的白化处理。

7.根据权利要求1所述的基于盲源分析技术的旋转机械复合故障的诊断方法，其特征是，第四步中，将预处理后的信号作为输入，并给定第二步中可能存在的故障数目，然后通过独立分量算法进行计算分析，从中分离出可能存在的各故障源信号，从而把多故障混叠信号分离开来，转化为几个仅含单一故障的信号。

8.根据权利要求1所述的基于盲源分析技术的旋转机械复合故障的诊断方法，其特征是，第六步中，根据第五步分离出的源信号的故障特征，分别采用频谱诊断方法和小波诊断方法对分离出的源故障信号进行诊断，给出各对应故障。