CN103575523B

CN103575523B - 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法

Info

Publication number: CN103575523B
Application number: CN201310563608.0A
Authority: CN
Inventors: 靳国永; 朱培鑫; 马相龙; 石双霞; 陈跃华
Original assignee: Harbin Engineering University
Current assignee: Harbin Engineering University
Priority date: 2013-11-14
Filing date: 2013-11-14
Publication date: 2015-12-09
Anticipated expiration: 2033-11-14
Also published as: CN103575523A

Abstract

本发明提供的是一种基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法。（1）利用加速度传感器获取旋转机械振动加速度测试信号；（2）采用基于负熵最大化的FastICA方法对所述测试信号进行解耦分离；（3）计算分离信号谱峭度，并筛选出最能表征故障信息的分离信号；（4）对被选取的分离信号进行Hilbert包络谱分析；（5）将包络谱峰值对应的频率与轴承故障特征频率进行比较，从而诊断出具体故障。旋转机械滚动轴承的内圈故障诊断很好地验证了提出的方法的有效性，且故障信息明显增强，故障诊断精度大大调高，易于实现，实时性好，说明其具有良好的应用前景。

Description

基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法

技术领域

本发明涉及一种旋转机械故障诊断方法，特别涉及的是一种基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法。

背景技术

旋转机械是生产领域中十分重要的机械设备，由于旋转机械振动激励源多、性质复杂。目前，针对旋转机械的故障诊断问题，大部分都是要进行开箱或拆卸，这样必然会造成停机，影响运行效率。另一方面，旋转机械运行时，由于其转速的波动性、载荷变化或设备存在故障，其测点处的信号往往由多个振动源经过一定的路径混合而得。此外，外界也可能存在别的部件在运转，也会对我们需要的有用信号进行干扰，这样一来，从箱体表面测取的振动信号实际是有多种源信号耦合而成的。所以，如何从振动加速度信号中有效提取冲击特征，是对旋转机械缺陷位置和损失程度进行评判的关键问题。

这种情况下，FastICA可以有效分离多种振动源信号，但测试信号经FastICA分离之后存在不能有效分辨出最能表征故障信息的分离信号，目前一般利用故障测试信号的分离信号的频谱图和正常运转测试信号的分离信号的频谱图进行对比，根据经验进而选取表征故障信息的分离信号，但会导致错误的判断。其次，对复杂旋转机械系统来说,当出现故障时,调制边频带数目增多,幅值增大,致使故障信息提取难度大，频谱分析难度增加，精度也不够高，致使仅从信号上获取其时频域特征,然后达到诊断的目的,几乎是不可能的。

发明内容

本发明的目的在于提供一种诊断精度高，易于实现，实时性好的基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法。

本发明的目的是这样实现的：

1）利用加速度传感器获取旋转机械振动加速度测试信号；

2）采用基于负熵最大化的FastICA方法对所述测试信号进行解耦分离；

3）计算分离信号谱峭度，并筛选出最能表征故障信息的分离信号；

4）对被选取的分离信号进行Hilbert包络谱分析；

5）将包络谱峰值对应的频率与轴承故障特征频率进行比较，从而诊断出具体故障。

本发明的技术效果在于：

1）采用基于负熵最大化的FastICA分离方法对旋转机械加速度测试信号进行预处理解耦分离，能一定程度上消除环境噪声对故障特征提取的影响，且能有效分离耦合的多种源信号，初步提取故障信号的冲击特征。

2）通过计算分离信号谱峭度，利用谱峭度指标对冲击信号的敏感，筛选出最能表征故障信息的分离信号，可以有效提高诊断的准确率，从而有效避免根据经验选取表征故障信息的分离信号所导致错误的判断。

3）对被选取的分离信号的Hilbert包络谱分析能有效地识别调制边频，从而找出调制信号的特性，可以有效的将故障特征频率成分提取出来，大大提高诊断精确度。

4）本发明方法易于实现，实时性好，适用于旋转机械的检测并用于在线故障监测与诊断。

附图说明

图1是本发明的流程图。

图2为内圈故障滚动轴承加速度信号时域波形图。

图3为经基于负熵最大化的FastICA分离后的信号时域波形图。

图4为被选取含有故障特征信息的分离信号的时域图与包络谱图。

图5为分离信号的谱峭度值表。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细阐述。应当理解，以下是实施例仅用于说明本发明，但不用来限制本发明的保护范围。

本发明实施例的一种基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法流程图如图1所示，包括以下步骤：

1）利用加速度传感器测取旋转机械滚动轴承振动加速度测试信号。本实施方式选取美国CWRU公开的轴承故障测试数据，其用三个布置在滚动轴承不同位置的加速度传感器来获取三个测试信号。

2）采用基于负熵最大化的FastICA方法对测试信号进行解耦分离。其具体包括以下步骤：

2.1）对测试信号X进行中心化和白化处理得到白化数据Z。

中心化处理，即X=X-E(X)。式中，E(·)为求均值

中心化后的测试数据X的协方差矩阵可以分解为C_X=[XX^T]=UλU^T。

其中,U为酉矩阵,λ为C_X的特征值矩阵,λ=Diag(λ₁,λ₂,...,λ_N)。则白化矩阵B表示为B=λ^-1/2U^T

再通过白化矩阵B对中心化后的测试数据进行白化处理，即Z=BX。白化处理后的测试数据Z各分量正交归一，协方差为单位阵，即向量间没有相关性。

2.2）随机产生W_i(0)，且||W_i(0)||₂=1。其中W_i是分离矩阵W的第i行。

2.3）迭代：W_i(k+1)=E{Zg(W_i ^T(k)Z)}-E{g'(W_i ^T(k)Z)}W_i(k)。其中，g(·)是非二次函数，g'(·)是g(·)的导数，W_i(k+1)和W_i(k)分别为W_i的第k和k+1位置的元素值。

2.4）为了保证每次提取出来的都是之前从未提取过的独立分量，需要添加正交化步骤,把已提取的独立分量W_j减去。

W_{i} (k + 1) = W_{i} (k + 1) - Σ_{j = 1}^{i - 1} ({W_{i}}^{T} (K + 1) W_{j}) W_{j}, i &GreaterEqual; 2

2.5）为确保分离出的独立分量具有单位能量，W_i(k+1)需要归一化，W_i(k+1)=W_i(k+1)/||W_i(k+1)₂||

2.6）若W_i不收敛，则返回第2.3）步继续迭代；否则转到第2.7）步。

2.7）设m为独立分量个数，令i=1，i=i+1，若i≤m，返回第2.2）步计算W_i+1；否则，算法结束，从而得到分离矩阵W。

3）计算分离信号谱峭度，并筛选出最能表征故障信息的分离信号。其具体步骤如下：

3.1）峭度（Kurtosis）K是反映振动信号分布特性的数值统计量，是归一化的4阶中心矩，其计算公式为：

K = \frac{\frac{1}{n} Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{4}}{{\frac{1}{n} Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{2}}^{2}}

式中：x_i为信号值，为信号均值，n为采样长度。

3.2）选取原则为：在轴承无故障运转时，峭度指标值K≈3;随着故障的出现和发展，信号幅值的分布偏离正态分布，峭度值也随之增大，峭度指标的绝对值越大，说明轴承越偏离其正常状态，故障越严重。

4）对被选取的分离信号进行Hilbert包络谱分析。其步骤如下：

4.1）对被选取的分离时域信号进行Hilbert变换，求取时域解析信号。

4.2）通过求取解析信号的幅值来获取包络；

4.3）对包络信号进行频域分析，即傅里叶变换，获取包络谱。

5）将Hilbert包络谱峰值对应的频率与轴承故障特征频率进行比较，从而诊断出具体故障。

附图2.为一设置有内圈故障的SKF6205型滚动轴承加速度信号的时域图。为了检验本发明方法在实际的旋转机械滚动轴承故障诊断应用中的有效性，选取美国CWRU公开的轴承故障数据进行内圈故障诊断。依据Driveendbearing(12k)中代号为IR007_3的故障数据可知轴的转速n=1721r/min(f=28.68Hz)，采样频率Fs=12000Hz，由轴承参数计算得到的内圈故障特征频率154.9Hz。

附图3.为内圈故障滚动轴承信号经过基于负熵最大的FastICA分离之后的时域图。

附图5表.为分离信号的谱峭度值表。经计算，K₁=5.3689,远大于3，K₂=3.1269≈3，K₃=3.2288≈3,由此，可以分辨第二个和第三个信号为滚动轴承的结构振动信号，第一个信号包含故障信号，最能表征故障特征信息。

附图4.为被选取含有故障特征信息的分离信号的时域图与包络谱图。从图中可以清晰地看到故障特征频率为154.9Hz，此外也能清晰分辨出转频及其倍频，从而很好地验证了本发明所提出的方法的有效性与精确性。

Claims

1.一种基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法，其特征是：

(1)利用加速度传感器获取旋转机械振动加速度测试信号；

(2)采用基于负熵最大化的FastICA方法对所述测试信号进行解耦分离；

(3)计算分离信号谱峭度，并筛选出最能表征故障信息的分离信号,具体包括：

1)峭度K是归一化的4阶中心矩，其计算公式为：

K = \frac{\frac{1}{n} Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{4}}{{\frac{1}{n} Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{2}}^{2}}

式中：x_i为信号值，为信号均值，n为采样长度；

2)筛选出最能表征故障信息的分离信号的选取原则为：在旋转机械无故障运转时，峭度指标值K≈3；随着故障的出现和发展，信号幅值的分布偏离正态分布，峭度值也随之增大，峭度指标的绝对值越大，说明旋转机械越偏离其正常状态，故障越严重；

(4)对被选取的分离信号进行Hilbert包络谱分析；

(5)将包络谱峰值对应的频率与旋转机械故障特征频率进行比较，从而诊断出具体故障。

2.根据权利要求1所述的基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法，其特征是所述采用基于负熵最大化的FastICA方法对所述测试信号进行解耦分离具体包括：

1)对测试信号X进行中心化和白化处理得到白化数据Z，

中心化处理，即X＝X-E(X)，式中，E(·)为求均值，

中心化后的测试数据X的协方差矩阵分解为C_X＝[XX^T]＝UλU^T，

其中,U为酉矩阵,λ为C_X的特征值矩阵,λ＝Diag(λ₁,λ₂,…,λ_N)，则白化矩阵B表示为B＝λ^-1/2U^T，

再通过白化矩阵B对中心化后的测试数据进行白化处理，即Z＝BX，白化处理后的测试数据Z各分量正交归一，协方差为单位阵，即向量间没有相关性；

2)随机产生W_i(0)，且||W_i(0)||₂＝1，其中W_i是分离矩阵W的第i行，

3)迭代：W_i(k+1)＝E{Zg(W_i ^T(k)Z)}-E{g'(W_i ^T(k)Z)}W_i(k)，其中，g(·)是非二次函数，g'(·)是g(·)的导数，W_i(k+1)和W_i(k)分别为W_i的第k和k+1位置的元素值；

4)正交化，把已提取的独立分量W_j减去，

W_{i} (k + 1) = W_{i} (k + 1) - Σ_{j = 1}^{i - 1} (W_{i}^{T} (K + 1) W_{j}) W_{j}, i &GreaterEqual; 2;

5)W_i(k+1)归一化，W_i(k+1)＝W_i(k+1)/||W_i(k+1)₂||；

6)若W_i不收敛，则返回第3)步继续迭代；否则转到第7)步；

7)设m为独立分量个数，令i＝1，i＝i+1，若i≤m，返回第2)步计算W_i+1；否则，结束，从而得到分离矩阵W。

3.根据权利要求1或2所述的基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法，其特征是所述对被选取的分离信号进行Hilbert包络谱分析具体包括：

1)对被选取的分离时域信号进行Hilbert变换，求取时域解析信号；

2)通过求取解析信号的幅值来获取包络；

3)对包络信号进行频域分析，即傅里叶变换，获取包络谱。