CN102661783A - 一种旋转机械故障趋势预测的特征提取方法 - Google Patents

Abstract

本发明涉及一种旋转机械故障趋势预测的特征提取方法，其步骤为：(1)利用远程在线监测诊断中心进行工业现场数据采集，通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号x_j(t)；(2)根据FastICA算法对振动信号x_j(t)进行盲源分离，得到原始独立振动源s_j(t)的近似信号源y_j(t)；(3)对近似信号源y_j(t)的向量信号Y进行时频域基于小波包的特征频带分解，提取故障敏感特征频带。本发明由于采用独立成分分析(ICA)处理可以识别出混叠成采集信号的原始的独立信号源，对独立信号源进行基于小波包的特征频带获取，可以判断某个源信号是否在向故障的方向发展，达到提前预防故障的目的。本发明可以广泛在旋转机械故障趋势预测中应用。

Description

一种旋转机械故障趋势预测的特征提取方法

技术领域

本发明涉及一种机械故障趋势预测方法，特别是关于一种旋转机械故障趋势预测的特征提取方法。

背景技术

旋转机械是个复杂的非线性动力系统，设备的工况经常发生变化，负载、噪声、环境温度等都是处于动态变化中的因素，这些非故障因素会造成传感器采集到的振动信号能量发生变化。传统理论一般都把系统的非线性因素进行线性化处理，所以在进行振动信号分析来判断设备是否出现故障时，真正的设备故障信息往往被忽略。同时，复杂旋转机械设备大部分故障从发生、发展到最终以宏观形式表现出来的过程具有长历程特征，在故障出现以后的发展过程中，故障信号往往被工况信号所掩盖，表现为故障信号的信噪比很低，传统的基于能量幅值进行故障预测的方法在处理变工况的设备信号时具有很大的局限性，难于对设备状态做出有效预测。

发明内容

针对上述问题，本发明的目的是提供一种能对旋转机械故障发展变化情况进行趋势预测的旋转机械故障趋势预测的特征提取方法。

为实现上述目的，本发明采取以下技术方案：一种旋转机械故障趋势预测的特征提取方法，其包括以下步骤：(1)利用远程在线监测诊断中心进行工业现场数据采集，通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号x_j(t)，j＝1，2，...，n，其中，j为通道个数，n为正整数；(2)根据FastICA算法对振动信号x_j(t)进行盲源分离，得到原始独立振动源s_j(t)的近似信号源y_j(t)，其中，j＝1，2，...，n；(3)对近似信号源y_j(t)的向量信号Y进行时频域基于小波包的特征频带分解，提取故障敏感特征频带。

所述步骤(2)中，基于所述FastICA算法对振动信号x_j(t)的盲源分离方法为：①假设存在m个相互独立的振动源s_j(t)，其中j＝1，2，...，m，得到m个振动信号x_j(t)，且m个振动信号x_j(t)的向量形式用X′表示；②对m个振动信号x_j(t)的向量X′进行中心化处理，令X′-E[X′]＝X″，使其均值为0，其中，E为数学期望；③根据FastICA算法中的白化公式对向量X″进行白化处理，得到用于求解近似信号源y_j(t)的向量X；④根据FastICA算法中的分离矩阵W和向量X构造出近似信号源y_j(t)的向量Y＝WX，Y与原来的独立信号源s_i(t)近似。

所述步骤③中，所述白化处理为：(a)首先求解向量X″的协方差矩阵C_x，C_x＝E[X″(X″)^T]；(b)根据协方差矩阵C_x，得到以协方差矩阵C_x的单位范数特征向量为列的矩阵F＝(e₁…e_n)，其中，e_i(i＝1，2，...，n)为协方差矩阵C_x的单位范数特征向量；(c)根据协方差矩阵C_x，得到以协方差矩阵C_x的特征值为对角元素的对角矩阵D＝diag(d₁…d_n)，其中，d_i(i＝1，2，...，n)为协方差矩阵C_x的特征值；(d)将矩阵F和对角矩阵D代入FastICA算法中的白化公式

得到向量X。

所述步骤④中，所述FastICA算法中的分离矩阵W的收敛方法为：(a)首先对分离矩阵W赋予随机初始值；(b)由Hyvarinen的迭代公式W(k+1)＝E{Xg[W(k)^TX]}-E{g[W(k)^TX]}W(k)^T计算W(k+1)，其中E表示求数学期望，g表示非二次函数的导数，k为迭代次数；(c)利用W(k+1)←W(k+1)/‖W(k+1)||₂规范化W(k+1)；(d)反复迭代直至W收敛，得到收敛后的分离矩阵W。

所述步骤(3)中，对所述近似信号源y_j(t)的向量信号Y进行时频域基于小波包的特征频带分解，包括以下步骤：①在全频带根据多分辨率分析

将近似信号Y划分成Z个小波子空间w_j，其中，j＝1，2，...，Z，Z为正整数；②利用小波包分解公式

对每一个小波子空间w_j进一步分解，其中为由小波包分解得到的子空间；k＝1，2，...，Z；j＝1，2，...，Z；③对每一个小波子空间w_j分别进行小波包变换，小波包分解第j级分解水平上第k个子频带对应的小波包变换系数为d(i，j)，i代表某个子频带；④利用各个小波包系数d(i，j)的平方计算得到提升小波包分解第j级分解水平上第k个子频带上的平均能量E(j，k)为：

$E(j,k)=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\left[d_i(j,k)\right]}^2,$

其中，N为子频带个数；由能量守恒定律得到频带能量和为各个小波子空间能量；⑤根据频带能量和E(0，0)以及各个小波子空间能量E_i(j，k)，构造出由各频带信号相对能量组成的特征向量T＝[E₁，E₂，…E_M]^T/E(0，0)，即得到最终的非平稳信号故障特征量T。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于采用独立成分分析(ICA)处理可以识别出混叠成采集信号的原始的独立信号源，对独立信号源进行基于小波包的特征频带获取，可以判断某个源信号是否在向故障的方向发展，达到提前预防故障的目的。2、本发明由于采用FastICA算法对传感器采集到的信号进行盲信号分离，可以识别出原始信号中的非高斯成分，提纯能量形式故障信息，抑制干扰信息，提高对原始信号中微弱故障信号的识别能力。本发明可以广泛在旋转机械故障趋势预测中应用。

附图说明

图1是本发明的整体结构示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本发明提供的旋转机械故障趋势预测的特征提取方法，是以故障趋势预测为目的，通过ICA处理，从各传感器采集到的由多个独立振动信号源混合生成的混叠振动信号中，识别出各个独立振动信号源，再对识别出的独立信号源进行基于小波包的特征频带获取，进而判断某个独立信号源是否在向故障的方向发展，达到提前预防故障的目的。如图1所示，本发明包括以下步骤：

(1)利用现有的远程在线监测诊断中心进行工业现场数据采集，通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号x_j(t)，j＝1，2，...，n，其中，j为通道个数(即传感器个数)，n为正整数。

(2)根据FastICA算法(快速ICA算法，ICA为独立成分分析)对振动信号x_j(t)进行盲源分离，得到原始独立振动源s_j(t)(其中，j＝1，2，...，n)的近似信号源y_j(t)；其中，基于FastICA算法的盲源分离方法如下：

①假设存在m个相互独立的振动源s_j(t)，其中j＝1，2，...，m，则通过步骤(1)可以得到m个振动信号x_j(t)，且m个振动信号x_j(t)的向量形式用X′表示；

②对m个振动信号x_j(t)的向量X′进行中心化处理，即令X′-E[X′]＝X″，使其均值为0，其中，E为数学期望；

③根据FastICA算法中的白化公式对向量X″进行白化处理，得到用于求解近似信号源y_j(t)的向量X；白化处理如下：

a)首先求解向量X″的协方差矩阵C_x，C_x＝E[X″(X″)^T]；

b)根据协方差矩阵C_x，得到以协方差矩阵C_x的单位范数特征向量为列的矩阵F＝(e₁…e_n)，其中，e_i(i＝1，2，...，n)为协方差矩阵C_x的单位范数特征向量；

c)根据协方差矩阵C_x，得到以协方差矩阵C_x的特征值为对角元素的对角矩阵D＝diag(d₁…d_n)，其中，d_i(i＝1，2，...，n)为协方差矩阵C_x的特征值；

d)将步骤b)和步骤c)中的矩阵F和对角矩阵D代入FastICA算法中的白化公式

得到向量X。

④根据FastICA算法中的分离矩阵W和向量X构造出近似信号源y_j(t)的向量Y＝WX，使得Y与原来的独立信号源S_i(t)近似；

(3)对步骤(2)中得到的近似信号源y_j(t)的向量信号Y进行时频域基于小波包(Wave Packet Transform，WPT)的特征频带分解，提取故障敏感特征频带，针对非线性和非平稳问题进行故障趋势预测分析，进而判断是否存在某个独立信号源在向故障的方向发展，达到提前预防故障的目的。

上述步骤(2)中步骤④，由于FastICA算法中的分离矩阵W初始值为随机赋予，因此用最初的分离矩阵W来求解向量Y，会影响近似信号源y_j(t)与独立振动源s_j(t)的近似精度较低，因此，本实施例中，采用芬兰科学家许韦里宁(Hyvarinen)的迭代公式对分离矩阵W进行收敛计算，以得到真实可靠的分离矩阵W，进而提高近似信号源y_j(t)的近似精度。则分离矩阵W的收敛方法为：

a)首先对分离矩阵W赋予随机初始值；

b)利用Hyvar inen的迭代公式W(k+1)＝E{Xg[W(k)^TX]}-E{g[W(k)^TX]}W(k)^T计算W(k+1)，其中E表示求数学期望，g表示非二次函数的导数，k为迭代次数；

c)利用W(k+1)←W(k+1)/‖W(k+1)||₂规范化W(k+1)；

d)反复迭代直至W收敛，得到收敛后的分离矩阵W。

上述步骤(3)中，对近似信号源y_j(t)的向量信号Y进行时频域基于小波包的特征频带分解，包括以下步骤：

①在全频带根据多分辨率分析

将近似信号Y划分成Z个小波子空间w_j，其中，Z为正整数。

②利用小波包分解公式 $w_j=U_{j-k}^{2^k}\⊕U_{j-k}^{2^k+1}\⊕...\⊕U_{j-k}^{2^{k+1}-1}(k=\mathrm{1,2},...,Z,j=\mathrm{1,2},...,$ $Z),$ 对每一个小波子空间w_j进一步分解，其中

为由小波包分解得到的子空间。

③对每一个小波子空间w_j分别进行小波包变换，小波包分解第j级分解水平上第k个子频带对应的提升小波包变换系数为d(i，j)，i为子频带层数；随着尺度j的增加，子空间

的数目增加，频带划分愈细。在全频带对近似信号Y进行多层次的频带划分，信号被分解到相互独立的频带内，因此分解到每个频带内的信号都具有一定的能量。

④由于小波包变换系数d(i，j)的平方具有能量量纲，利用各个小波包系数d(i，j)的平方计算得到提升小波包分解第j级分解水平上第k个子频带上的平均能量E(j，k)，即：

$E(j,k)=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\left[d_i(j,k)\right]}^2,$

其中，N为子空间的个数；由能量守恒定律可知信号总能量等于各子频带能量之和，即E(0，0)为频带能量和，E_i(j，k)为各个小波子空间能量。

⑤根据频带能量和E(0，0)以及各个小波子空间能量E_i(j，k)，构造出由各频带信号相对能量组成的特征向量T＝[E₁，E₂，…E_M]^T/E(0，0)，即得到最终的非平稳信号故障特征量T。

上述各实施例仅用于说明本发明，各步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (6)

1.一种旋转机械故障趋势预测的特征提取方法，其包括以下步骤：

(1)利用远程在线监测诊断中心进行工业现场数据采集，通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号x_j(t)，j＝1，2，...，n，其中，j为通道个数，n为正整数；

(2)根据FastICA算法对振动信号x_j(t)进行盲源分离，得到原始独立振动源s_j(t)的近似信号源y_j(t)，其中，j＝1，2，...，n；

(3)对近似信号源y_j(t)的向量信号Y进行时频域基于小波包的特征频带分解，提取故障敏感特征频带。

2.如权利要求1所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤(2)中，基于所述FastICA算法对振动信号x_j(t)的盲源分离方法为：

①假设存在m个相互独立的振动源s_j(t)，其中j＝1，2，...，m，得到m个振动信号x_j(t)，且m个振动信号x_j(t)的向量形式用X′表示；

②对m个振动信号x_j(t)的向量X′进行中心化处理，令X′-E[X′]＝X″，使其均值为0，其中，E为数学期望；

③根据FastICA算法中的白化公式对向量X″进行白化处理，得到用于求解近似信号源y_j(t)的向量X；

④根据FastICA算法中的分离矩阵W和向量X构造出近似信号源y_j(t)的向量Y＝WX，Y与原来的独立信号源s_i(t)近似。

3.如权利要求2所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤③中，所述白化处理为：

(a)首先求解向量X″的协方差矩阵C_x，C_x＝E[X″(X″)^T]；

(b)根据协方差矩阵C_x，得到以协方差矩阵C_x的单位范数特征向量为列的矩阵F＝(e₁…e_n)，其中，e_i(i＝1，2，...，n)为协方差矩阵C_x的单位范数特征向量；

(c)根据协方差矩阵C_x，得到以协方差矩阵C_x的特征值为对角元素的对角矩阵D＝diag(d₁…d_n)，其中，d_i(i＝1，2，...，n)为协方差矩阵C_x的特征值；

(d)将矩阵F和对角矩阵D代入FastICA算法中的白化公式

得到向量X。

4.如权利要求2所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤④中，所述FastICA算法中的分离矩阵W的收敛方法为：

(a)首先对分离矩阵W赋予随机初始值；

(b)由Hyvar inen的迭代公式W(k+1)＝E{Xg[W(k)^TX]}-E{g[W(k)^TX]}W(k)^T计算W(k+1)，其中E表示求数学期望，g表示非二次函数的导数，k为迭代次数；

(c)利用W(k+1)←W(k+1)/‖W(k+1)||₂规范化W(k+1)；

(d)反复迭代直至W收敛，得到收敛后的分离矩阵W。

5.如权利要求3所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤④中，所述FastICA算法中的分离矩阵W的收敛方法为：

(a)首先对分离矩阵W赋予随机初始值；

(b)由Hyvar inen的迭代公式W(k+1)＝E{Xg[W(k)^TX]}-E{g[W(k)^TX]}W(k)^T计算W(k+1)，其中E表示求数学期望，g表示非二次函数的导数，k为迭代次数；

(c)利用W(k+1)←W(k+1)/‖W(k+1)||₂规范化W(k+1)；

(d)反复迭代直至W收敛，得到收敛后的分离矩阵W。

6.如权利要求1或2或3或4或5所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤(3)中，对所述近似信号源y_j(t)的向量信号Y进行时频域基于小波包的特征频带分解，包括以下步骤：

①在全频带根据多分辨率分析

将近似信号Y划分成Z个小波子空间w_j，其中，j＝1，2，...，Z，Z为正整数；

②利用小波包分解公式

对每一个小波子空间w_j进一步分解，其中

为由小波包分解得到的子空间；k＝1，2，...，Z；j＝1，2，...，Z；

③对每一个小波子空间w_j分别进行小波包变换，小波包分解第j级分解水平上第k个子频带对应的小波包变换系数为d(i，j)，i代表某个子频带；

④利用各个小波包系数d(i，j)的平方计算得到提升小波包分解第j级分解水平上第k个子频带上的平均能量E(j，k)为：

$E(j,k)=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\left[d_i(j,k)\right]}^2,$

其中，N为子频带个数；由能量守恒定律得到频带能量和

E_i(j，k)为各个小波子空间能量；

⑤根据频带能量和E(0，0)以及各个小波子空间能量E_i(j，k)，构造出由各频带信号相对能量组成的特征向量T＝[E₁，E₂，…E_M]^T/E(0，0)，即得到最终的非平稳信号故障特征量T。

Images