CN111310589B - 一种机械系统的故障诊断方法、故障诊断装置及终端 - Google Patents

一种机械系统的故障诊断方法、故障诊断装置及终端 Download PDF

Info

Publication number
CN111310589B
CN111310589B CN202010063932.6A CN202010063932A CN111310589B CN 111310589 B CN111310589 B CN 111310589B CN 202010063932 A CN202010063932 A CN 202010063932A CN 111310589 B CN111310589 B CN 111310589B
Authority
CN
China
Prior art keywords
preset
mechanical system
eigenmode
fault diagnosis
eigenmode function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010063932.6A
Other languages
English (en)
Other versions
CN111310589A (zh
Inventor
武哲
成立峰
檀晟玥
侯书勇
牛虎利
张嘉钰
常宏杰
朱金达
杨光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Science and Technology
Original Assignee
Hebei University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei University of Science and Technology filed Critical Hebei University of Science and Technology
Priority to CN202010063932.6A priority Critical patent/CN111310589B/zh
Publication of CN111310589A publication Critical patent/CN111310589A/zh
Application granted granted Critical
Publication of CN111310589B publication Critical patent/CN111310589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明适用于故障诊断技术领域，提供了一种机械系统的故障诊断方法、故障诊断装置、终端及计算机可读存储介质，所述故障诊断方法包括：获取机械系统的预设检测位置在预设检测时段内的状态信号；对所述状态信号进行自适应分解，得到多个本征模函数，其中，各个本征模函数的对应信号的中心频率不同；从所述多个本征模函数中选取至少一个目标本征模函数，其中，目标本征模函数和预设的基准信号的相关度小于未选取的本征模函数和所述基准信号的相关度；基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断。本发明能够提高故障诊断的精度。

Description

一种机械系统的故障诊断方法、故障诊断装置及终端
技术领域
本发明属于故障诊断技术领域，尤其涉及一种机械系统的故障诊断方法、故障诊断装置、终端及计算机可读存储介质。
背景技术
风电机组在运行中长时间处于强烈随机风载等复杂环境，内外部激励复杂，容易导致传动系统关键零部件失效，进而导致整个机组停机，行星齿轮箱是风力发电机组传动系统的核心，具有结构紧凑、传动比大、体积较小等优点，主要由行星齿轮、行星架、太阳轮、齿轮、箱体、轴承组成，行星齿轮箱在传动时有多组齿轮同时啮合，导致其频谱特征具有很强的复杂性。
由于行星齿轮箱的振动信号频谱的复杂性，现有技术中对行星齿轮箱的检测中，通常利用EMD和VMD等方法对获取的行星齿轮箱的振动信号进行分解，并根据分解的信号确定行星齿轮箱的频谱，通过频谱判断行星齿轮箱的状态，该状态包括行星齿轮箱否出现故障，以及在出现故障时的位置。上述方法对振动信号分解后，得到多个本征模函数，由于多个本征模函数包含的齿轮箱的特征信息繁多，利用该多个本征模函数对行星齿轮箱进行故障诊断，容易产生诊断误差，导致故障诊断的精度较低。
发明内容
有鉴于此，本发明提供了一种机械系统的故障诊断方法、故障诊断装置、终端及计算机可读存储介质，能够提高机械系统的故障诊断的精度。
本发明实施例的第一方面提供了一种机械系统的故障诊断方法，所述故障诊断方法包括：
获取机械系统的预设检测位置在预设检测时段内的状态信号；
对所述状态信号进行自适应分解，得到多个本征模函数，其中，各个本征模函数的对应信号的中心频率不同；
从所述多个本征模函数中选取至少一个目标本征模函数，其中，目标本征模函数和预设的基准信号的相关度小于未选取的本征模函数和所述基准信号的相关度；
基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断。
本发明实施例的第二方面提供了一种机械系统的故障诊断装置，所述故障诊断装置包括：
获取模块，用于获取机械系统的预设检测位置在预设检测时段内的状态信号；
自适应分解模块，用于对所述状态信号进行自适应分解，得到多个本征模函数，其中，各个本征模函数的对应信号的中心频率不同；
选取模块，用于从所述多个本征模函数中选取至少一个目标本征模函数，其中，目标本征模函数和预设的基准信号的相关度小于未选取的本征模函数和所述基准信号的相关度；
故障诊断模块，用于基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断。
本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如任一项所述机械系统的故障诊断方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述机械系统的故障诊断方法的步骤。
本发明与现有技术相比存在的有益效果是：
本发明通过对机械系统的预设检测位置在预设检测时段内的状态信号进行自适应分解，得到多个本征模函数，其中，各个本征模函数的对应信号的中心频率不同，从所述多个本征模函数中选取至少一个目标本征模函数，其中，目标本征模函数和预设的基准信号的相关度小于未选取的本征模函数和基准信号的相关度，基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断。本发明得到的每个目标本征模函数和基准信号的相关性小于未选取的每个本征模函数和基准信号的相关度，使目标本征模函数中包含基准信号相关的特征信息较少，那么，在机械系统故障时，目标本征模函数能够更好的体现故障特征，通过目标本征模函数判断机械系统的故障状态，减少了非故障信号对故障信号的干扰，提高了故障诊断的精度；在机械系统未发生故障时，目标本征模函数和基准信号具有偏差较大，可以更精确的判定机械系统的状态，提高了故障诊断的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的机械系统的故障诊断方法的实现流程图；
图2是本发明另一实施例提供的机械系统的故障诊断方法的实现流程图；
图3是未经降噪处理的X方向断齿信号时域图；
图4是未经降噪处理的X方向断齿信号频谱图；
图5是本发明实施例提供的经降噪处理后的X方向断齿信号时域图；
图6是本发明实施例提供的经降噪处理后的X方向断齿信号频域图。
图7是本发明实施例提供的X方向行星齿轮箱断齿状态IMF1频谱图；
图8是本发明实施例提供的X方向行星齿轮箱断齿状态IMF2频谱图；
图9是本发明实施例提供的X方向行星齿轮箱断齿状态IMF3频谱图；
图10是本发明实施例提供的X方向行星齿轮箱断齿状态IMF4频谱图；
图11是本发明实施例提供的X方向行星齿轮箱断齿状态IMF5频谱图；
图12是本发明实施例提供的X方向行星齿轮箱断齿状态IMF6频谱图；
图13是本发明实施例提供的X方向行星齿轮箱断齿状态的Rényi熵分布图；
图14是本发明实施例提供的Y方向行星齿轮箱断齿状态的Rényi熵分布图；
图15是本发明实施例提供的对X方向和Y方向的目标本征模函数进行全矢融合后的频谱图；
图16是本发明实施例提供的对图15中频谱的9倍啮合频率附近的局部放大图；
图17是本发明实施例提供的对图15中频谱的11倍啮合频率附近的局部放大图；
图18是本发明实施例提供的对图15的频谱进行解调后的频谱图。
图19是本发明实施例提供的机械系统的故障诊断装置的结构示意图；
图20是本发明实施例提供的终端的示意图；
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
参见图1，其示出了本发明实施例提供的机械系统的故障诊断方法的实现流程图，详述如下：
S101：获取机械系统的预设检测位置在预设检测时段内的状态信号。
在本发明实施例中，机械系统可以为多级行星齿轮箱，状态信号可以为加速度信号、速度信号等振动信号，在多级行星齿轮箱的预设位置布设加速度传感器，以获取行星齿轮箱在预设检测时段的加速度信号。
在本发明又一实施例中，可以获取预设位置在预设检测时段的三个相互垂直方向的状态信号，该三个相互垂直方向分别为X方向、Y方向和Z方向。
S102：对所述状态信号进行自适应分解，得到多个本征模函数。其中，各个本征模函数的对应信号的中心频率不同。
在本发明实施例中，参见图2，其示出了本发明另一实施例提供的机械系统的故障诊断方法的实现流程图，详述如下：
S201：获取机械系统的预设检测位置在预设检测时段内的状态信号。
S202：对所述状态信号进行降噪处理。
S203：对降噪后的状态信号进行自适应分解，得到多个本征模函数。其中，各个本征模函数的对应信号的中心频率不同。
S204：从所述多个本征模函数中选取至少一个目标本征模函数。其中，目标本征模函数和预设的基准信号的相关度小于未选取的本征模函数和所述基准信号的相关度；
S205：基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断。
其中，S201、S203、S204和S205可参考图1所示实施例中的中的S101至S104，在此不再赘述。
S202：对所述状态信号进行降噪处理。
在本发明实施例中对预设检测时段内的状态信号进行降噪处理，以提高状态信号的信噪比，示例性的，利用压缩感知技术对预设检测时段的状态信号中的能够稀疏表示的信号进行亚采样，而后通过贪婪迭代选择估测矩阵中与残差具有最大相关性的原子实现信号矢量逼近，得到降噪后的状态信号。
状态信号为三个方向的状态信号时，可以对每个方向的状态信号进行降噪处理，得到每个方向上的降噪后的状态信号。
示例性的，利用压缩感知技术对X方向的预设检测时段的状态信号进行降噪处理的过程为：
S2021.选取m×n的高斯随机矩阵Φ为测量矩阵，其中每一个值都满足N(0,1/n)的独立正态分布，并对采集数据
Figure BDA0002375372710000061
进行观测，其中，
Figure BDA0002375372710000062
为X方向第n个时刻的状态信号，得到观测值γ(即初始残差)：
Φ＝[φ1,φ2,…φn]；
γ＝ΦX
其中，φ1,φ2…φn表示测量矩阵Φ的列向量，每个列向量含有的行数为m；
S2022.建立稀疏基矩阵ψ和传感矩阵Θ：
Figure BDA0002375372710000063
Θ＝Φψ
其中，ψ表示Hermite矩阵，
Figure BDA0002375372710000064
表示稀疏基矩阵的m个列向量，每个列向量含有的行数为n。
S2023.每次迭代中，选出传感矩阵中与残差γi-1具有最大投影系数的列向量构成恢复矩阵
Figure BDA0002375372710000065
Figure BDA0002375372710000066
为残差γi-1与传感矩阵的最大投影系数所对应的列的集合。每次更新时须将传感矩阵中具有最大投影系数的列向量置零：
Figure BDA00023753727100000611
Figure BDA0002375372710000067
其中，γi-1表示第i-1次迭代的残差，θi表示传感矩阵Θ的列向量，δi表示投影系数最大值
Figure BDA0002375372710000068
(即相关向量)的索引并存储在恢复矩阵中。
S2024.通过Moore-Penrose的伪逆
Figure BDA0002375372710000069
求解对称矩阵Q：
Figure BDA00023753727100000610
Figure BDA0002375372710000071
S2025.为使迭代中残差最小，基于Modified Cholesky分解，得到对称矩阵Q的逆Q-1：
Figure BDA0002375372710000072
Figure BDA0002375372710000073
Figure BDA0002375372710000074
Q-1＝(L-1)TD-1L-1
其中，L表示下三角形矩阵，D表示上三角形矩阵，各下角标表示矩阵中元素的位置。
S2026.求出最小二乘解，即每次迭代中的重构向量
Figure BDA0002375372710000075
Figure BDA0002375372710000076
S2027.根据恢复矩阵
Figure BDA0002375372710000077
和每次迭代所得的重构向量
Figure BDA0002375372710000078
更新下次需要迭代的残差：
Figure BDA0002375372710000079
S2028.再进行S2023，直到迭代次数达到预设次数。
S102：对所述状态信号进行自适应分解，得到多个本征模函数。其中，各个本征模函数的对应信号的中心频率不同。
在本发明实施例中，可选的，对所述预设检测时段的状态信号进行自适应分解包括：
将所述状态信号进行二维化，得到二维状态信号；
基于预设的约束变分模型对所述二维状态信号进行约束变分求解，得到指定数量的本征模函数，其中，所述约束变分模型包括：
Figure BDA00023753727100000710
其中，ωK表示第K个本征模函数的中心频率，mAS,K表示根据ωK从本征模函数mK中得到的解析信号，βK表示第K个本征模函数的权重系数，λ表示拉格朗日乘子，f(x)表示输入的二维状态信号。
L({mK},{ωK},λ)表示对mK，ωK和λ求解。
可选的，所述基于预设的约束变分模型对所述二维状态信号进行约束变分求解，得到指定数量的本征模函数包括：
将所述二维状态信号输入约束变分模型，利用乘法算子交替方向方法进行迭代运算，直至输出的指定数量的满足预设条件的本征模函数；
其中，所述乘法算子交替方向方法进行迭代运算的公式包括：
Figure BDA0002375372710000081
Figure BDA0002375372710000082
Figure BDA0002375372710000083
其中，所述
Figure BDA0002375372710000084
表示第n+1次迭代的第K个本征模函数，
Figure BDA0002375372710000085
表示第n+1次迭代的第K个本征模函数对应的中心频率，λn+1表示第n+1次迭拉格朗日乘子，τ表示预设的的时间步长；K表示指定数量，在迭代运算中，每次迭代次数i得到K个本征模函数以及K个本征模函数对应的中心频率。
其中，所述预设条件包括：
Figure BDA0002375372710000086
其中，K表示指定数量，n表示迭代的次数，
Figure BDA0002375372710000087
表示在第n次迭代的第i个本征模函数，
Figure BDA0002375372710000088
表示第n-1次迭代的第i个本征模函数，ε表示第一预设值，i和n为正整数。
可选的，构建约束变分模型的过程包括：
基于所述预设检测时段的二维状态信号，以指定数量的本征模函数对应信号的带宽之和最小为约束条件，构建初始约束变分模型；
利用预设的惩罚函数和预设的拉朗格朗日乘子对所述约束变分模型进行约束，得到约束变分模型。
示例性的，步骤S102的计算过程包括：
S1021：建立如下非递归且完全自适应分解二维信号的初始约束变分模型
Figure BDA0002375372710000091
其中，ωK表示各本征模函数的中心频率；mAS,K表示根据ωK从本征模函数mK中得到的解析信号；βK表示本征模函数的权重系数；
Figure BDA0002375372710000092
表示二维情况下的范数。
其中，f(x)可以为X方向的状态信号，也可以为X方向、Y方向和Z方向的状态信号，上述约束变分模型，能够同时对各个方向的状态信号进行自适应分解，当仅自适应分解X方向的状态信号时，得到的本征模函数的数目为指定数量，当对三个方向的状态信号进行自适应分解时，自适应分解之后的三个方向的本征模函数的数目相同，三个方向的本征模函数的数量和可以为指定数量。
S1022：引入拉格朗日乘子和惩罚函数对上述问题进一步约束：
Figure BDA0002375372710000093
其中，
Figure BDA0002375372710000094
表示拉格朗日乘子；
Figure BDA0002375372710000095
表示惩罚函数。
S1023：通过上述定义的增广拉格朗日方程进一步将问题转化为无约束鞍点问题，之后将拉格朗日乘子与二次惩罚项融合：
Figure BDA0002375372710000096
S1024：在每次迭代中，将处于更新状态中的本征模函数mK、中心频率ωK和拉格朗日乘子λ作为增广拉格朗日的鞍点来解出最优数据：
Figure BDA0002375372710000101
Figure BDA0002375372710000102
Figure BDA0002375372710000103
其中，所述
Figure BDA0002375372710000104
表示第n+1次迭代的第K个本征模函数，
Figure BDA0002375372710000105
表示第n+1次迭代的第K个本征模函数对应的中心频率，λn+1表示第n+1次迭拉格朗日乘子，τ表示预设的的时间步长。
S1025：在更新本征模函数mK时将二维解析信号限制到频域半空间：
Figure BDA0002375372710000106
S1026：消除本征模函数的首次变异，达到最优条件之后得到本征模函数
Figure BDA0002375372710000107
(即IMF)得到维纳滤波更新：
Figure BDA0002375372710000108
S1027：更新中的中心频率ωK为：
Figure BDA0002375372710000109
S1028：最大拉格朗日乘子λ：
Figure BDA00023753727100001010
上述方法将降噪后的状态信号非递归自适应的分解成多个特征尺度分量，即本征模函数。
S103：从所述多个本征模函数中选取至少一个目标本征模函数。
其中，目标本征模函数和预设的基准信号的相关度小于未选取的本征模函数和所述基准信号的相关度。
在本发明实施例中，目标本征模函数和预设的基准信号的相关度小于未选中的本征模函数和所述基准信号的相关度，目标本征模函数包含基准信号较少的特征信息，目标本征模函数能够更好的体现故障特征，那么，在机械系统故障时，通过目标本征模函数判断机械系统的故障状态，减少了非故障信号对故障信号的干扰，提高了故障诊断的精度；在机械系统未发生故障时，目标本征模函数和基准信号具有一定的偏差，可以更容易的判定机械系统的状态。
可选的，所述从所述多个本征模函数中选取至少一个目标本征模函数包括：
基于所述基准信号和指定数量的本征模函数，构建指定数量的密度矩阵；
确定每个密度矩阵的Rényi熵，得到指定数量的Rényi熵；
从所述指定数量的Rényi熵中选取前N小的Rényi熵，其中N为大于1的整数；
将选取的Rényi熵对应的本征模函数确定为目标本征模函数。
在本发明实施例中，可以确定每个密度矩阵的Rényi熵，并将所有Rényi熵按照大小排序，得到Rényi熵序列；
从所述Rényi熵序列中的最小Rényi熵开始，按照从小至大的顺序选取N个Rényi熵，并将选取的Rényi熵对应的本征模函数确定为目标本征模函数。
在本发明实施例中，一个本征模函数和基准信号，构建一个密度矩阵，密度矩阵能够表示机械系统的状态。
Rényi熵中文名称可以为瑞丽熵。
可选的，所述基于所述基准信号和指定数量的本征模函数，构建指定数量的密度矩阵包括：
对所述基准信号和所述指定数量的本征模函数进行正交化，得到正交化的基准信号和正交化的指定数量的本征模函数；
分别将正交化的指定数量的本征模函数和正交化的基准信号输入至第一预设公式，得到指定数量的密度矩阵；
其中，所述第一预设公式包括：
ρi＝p1|IMF⊥i><IMF⊥i|+p2|N⊥><N⊥|
其中，ρi表示第i个密度矩阵，IMF⊥i表示第i个正交化后的本征模函数，其中，i≤K，N⊥表示基准信号，p1表示第一预设概率，p2表示第二预设概率
在本发明实施例中，构建密度矩阵的过程为：
示例性的，在状态信号包括X方向的状态信号时，构建X方向的密度矩阵的过程为：
1.在欧氏空间中，所得本征模函数形成的向量组{IMFx1，IMFx2，…，IMFxK，Nx}(其中K为本征模函数个数)线性无关，利用Schmidt正交化使得本征模函数之间相互正交，得到等价于本征模函数的正交信号{IMF⊥x1，IMF⊥x2，...，IMF⊥xK，N⊥x}。
|IMF⊥x1>＝|IMFx1
Figure BDA0002375372710000121
Figure BDA0002375372710000122
Figure BDA0002375372710000123
其中，|IMFx1>,|IMFx2>,…,|IMFxK>,|Nx>分别为本征模函数的右矢；
Figure BDA0002375372710000126
为正交化本征模函数的右矢；
2.将正交本征模函数化为左矢和右矢的形式。正交信号
Figure BDA0002375372710000127
的左矢为：
Figure BDA0002375372710000128
3.非线性机械系统的密度矩阵的建立：
ρi＝p1|IMF⊥i><IMF⊥i|+p2|N⊥><N⊥|
其中，ρi表示第i个密度矩阵，IMF⊥i表示第i个正交化后的本征模函数，其中，i≤n，n表示指定数量，N⊥表示基准信号，p1表示第一预设概率，p2表示第二预设概率。(这里取p1＝p2＝1/2)。
在本发明实施例中，确定每个密度矩阵的Rényi熵的方法为：
Figure BDA0002375372710000124
其中，Sα(ρ)表示密度矩阵ρ的Rényi熵，α为Rényi熵的尺度参数，
Figure BDA0002375372710000125
且
α≠1。
在本发明实施例中，将一维变分模态分解扩展到多维，利用具有非递归模式和强有力的数学理论支撑的自适应分解方法处理行星齿轮故障信号，实现了多元振动信号的同步处理。
建立的非线性机械系统的密度矩阵能够很好地描述一个非线性机械系统所处的状态，并采用Rényi熵(瑞丽熵)对信息线性相关性的度量作为自适应分解技术性能的优化指标，提取有效目标本征模函数所含的故障特征，能够高效全面地提取行星齿轮箱故障状态信号的有效频谱特征。
其中，在仅获取一个方向的状态信号时，一般认为该方向的状态信号为预设位置的状态信号，经过自适应分解后的得到的该方向的本征模函数的个数为指定数量，该方向的目标本征模函数的个数为至少一个，且基于该至少一个的目标本征模函数，对机械系统进行故障诊断。
在三个方向的本征模函数的和为指定数量时，选取出的三个方向的目标本征模函数的和为至少三个，各个方向的目标本征模函数的个数可以相同。
由上可知，本发明通过对预设检测时段的振动信号进行自适应分解，得到指定数量的本征模函数，每个本征模函数对应的信号的中心频率不同，从指定数量的本征模函数中选取至少一个的目标本征模函数，其中，目标本征模函数和预设的基准信号的相关度小于未选中的本征模函数和基准信号的相关度，基于至少一个的目标本征模函数，对所述机械系统进行故障诊断。由于每个目标本征模函数和基准信号的相关性小于未选中的每个本征模函数和基准信号的相关度，目标本征模函数中包含基准信号相关的特征信息较少，那么，在机械系统故障时，目标本征模函数能够包含故障特征，通过目标本征模函数判断机械系统的故障状态，减少了非故障信号对故障信号的干扰，提高了故障诊断的精度；在机械系统未发生故障时，目标本征模函数和基准信号具有偏差的概率较大，可以更容易的判定机械系统的状态并且提供了诊断的精度。
其中，基准信号表示机械系统正常时的信号。
S104：基于所述至少一个的目标本征模函数，对所述机械系统进行故障诊断。
在本发明实施例中，所述目标本征模函数包括三个预设方向的目标本征模函数，其中，所述三个预设方向相互垂直。
在本发明实施例中，获取的预设检测时段的状态信号可以包括三个方向的状态信号时，且三个方向相互垂直，也可以包括三个方向中任一个方向的状态信号，在状态信号包括三个方向的状态信号时，可以利用全矢融合技术将三个方向中的任意两个方向的状态信号对应的目标本征模函数进行全矢融合，得到预设位置的频谱，也可指定两个方向的目标本征模函数，并对指定两个方向下的目标本征模函数进行全矢融合，由于考虑到空间内的两个方向的状态信号，全矢融合得到的频谱包括预设位置更全面的特征状态信息，根据该频谱对机械系统进行故障诊断，可以综合考虑两个空间方向的状态信息，相比于只根据一个方向的状态信息得到的频谱，两个方向的状态信号全矢融合后，能够体现预设位置更全面的特征信息，而对两个方向的目标本征模函数进行全矢融合，得到的频谱能够更全面的得到预设位置的故障信息，因此，根据至少一个的目标本征模函数，对机械系统进行诊断，能够更准确的判断机械系统的状态。
可选的，所述基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断包括：
对所述三个预设方向中的两个预设方向的目标本征模函数进行全矢融合，得到状态频谱；
将所述状态频谱输入至预设的深度卷积神经网络诊断模型中，得到机械系统的故障诊断结果，其中所述故障诊断结果包括机械系统正常和机械系统不正常；
其中，在所述机械系统不正常时，所述故障诊断结果还包括机械系统的故障位置及故障位置的故障类型。
在本发明实施例中，对X方向和Y方向，两个垂直方向的目标本征模函数进行全矢融合的过程为：
S1041：全矢谱技术以同源信号为基础，涡动轨迹实际上是不同椭圆的组合，将涡动产生的各谐波及其振幅以频谱图的形式表现出来。各谐波的角速度w在两相互正交的运动方向上的位移为：
Figure BDA0002375372710000151
Figure BDA0002375372710000152
其中，k为提取的有效目标模态分量的个数；v＝1,...,n，n为采集数据的点数，即采集数据的各个时刻；∑IMFxj,v表示x方向上，有效目标本征模函数的第v个点的振幅；∑IMFyj,v表示y方向上，有效目标本征模函数的第v个点的振幅；
Figure BDA0002375372710000153
和
Figure BDA0002375372710000154
表示相位角。
S1042：将两个相互垂直x和y方向上的目标本征模函数构成复序列：
∑IMFAj,v＝∑IMFxj,v+i∑IMFyj,v
S1043：对S1042的公式做快速傅里叶变换得：
Figure BDA0002375372710000155
Figure BDA0002375372710000156
其中，v＝1,...,n/2-1；∑IMFRAj,v为第v个点下，∑IMFAj,v的实部；∑IMFIAj,v为第v个点下，∑IMFAj,v的虚部。
S1044：在运动学上，一个椭圆的运动轨迹可以分解为两个圆运动轨迹，并且该两圆运动轨迹的圆频率大小相等，方向相反。
Figure BDA0002375372710000157
Figure BDA0002375372710000158
其中，Xpv和
Figure BDA0002375372710000159
——圆频率为+w的圆轨迹的半径幅值和相位角；Xrv和
Figure BDA00023753727100001510
——圆频率为-w的圆轨迹的半径幅值和相位角；
S1045：将椭圆的长轴Ra作为振动的主振矢，并绘制频谱图。
Ra＝Xpv＝Xrv
S1046：根据行星齿轮箱理论故障频率，观察多级行星齿轮箱振动信号的频谱图，确定多级行星齿轮箱的故障类型。
在本发明实施例中，多元信息实现全矢合成，弥补单通道丢失信息的缺点，能够对同源信息在空间和时间上扩展，增大信息的全面性和确定性。经过消噪后的状态信号再自适应分解为指定数量的本征模函数，提高了多元数据全矢合成数据的信噪比。
可选的，在将所述状态频谱输入至预设的深度卷积神经网络诊断模型之前还包括：
获取机械系统的状态频谱和对应的标签，其中，所述标签包括机械系统正常和机械系统不正常；
其中，在所述机械系统不正常时，所述标签还包括机械系统的故障位置及故障位置的故障类型。
构建深度卷积神经网络；
训练所述深度卷积神经网络以获取深度卷积神经网络诊断模型。
在本发明实施例中，所述获取的机械系统的状态频谱，可以为经过本申请上述故障诊断的方法得到的状态频谱。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
示例性的，利用DDS行星齿轮箱故障诊断实验台进行实验验证。该实验台包括：电机，两级行星齿轮箱，由一个滚动轴承或两个平行轴组成的两平行轴变速箱，轴承负载，磁制动器，振动传感器，信号采集系统和计算机等。该实验台可模拟行星齿轮的齿轮断齿故障，同步采集行星齿轮断齿状态下X和Y两个方向上的振动加速度信号，采样频率设置为12800Hz，断齿故障设置在行星变速箱的第二级太阳齿轮上，伺服电机的输入频率为40Hz。变速箱参数如表1所示，行星齿轮箱中特征频率参数如表2所示。
表1行星齿轮箱参数
Figure BDA0002375372710000171
表2行星齿轮箱特征频率
Figure BDA0002375372710000172
在上述行星齿轮箱中，将加速度传感器放置在第二级太阳齿轮处。
步骤一：将加速度传感器放置在行星齿轮箱第二级太阳齿轮处，同步采集行星齿轮箱的振动加速度信号。
步骤二：对振动加速度信号进行降噪处理，以X方向断齿状态信号为例，图3是未经降噪处理的X方向断齿信号时域图，图4是未经降噪处理的X方向断齿信号频谱图，图5是经降噪处理处理后X方向断齿信号时域图，图6是经降噪处理处理后的X方向断齿信号频域图。
步骤三：将降噪信号非递归自适应的分解成多个IMF分量，将非平稳特征清晰地拾取出来，其中，IMF表示本征模函数，图7是X方向行星齿轮箱断齿状态IMF1频谱图，图8是X方向行星齿轮箱断齿状态IMF2频谱图；图9是X方向行星齿轮箱断齿状态IMF3频谱图；图10是X方向行星齿轮箱断齿状态IMF4频谱图；图11是x方向行星齿轮箱断齿状态IMF5频谱图；图12是为X方向行星齿轮箱断齿状态IMF6频谱图。
分别计算行星齿轮箱各断齿状态IMF分量与基准信号之间的Rényi熵。采用Rényi熵对信息线性相关性的度量作为自适应分解的优化指标，提取有效目标IMF分量所含的故障特征，从而进一步提高信号的信噪比。
Rényi熵等价于系统包含信息的有序程度，Rényi熵越大即说明系统包含越少的特征规律信息，Rényi熵越小则与上述结论相反，图13是X方向行星齿轮箱断齿状态的Rényi熵分布图，图14是Y方向行星齿轮箱断齿状态的Rényi熵分布图。图13-图14中，两图中断齿状态IMF分量与基准信号间的Rényi熵数值顺序都为：IMF1>IMF4>IMF2>IMF6>IMF3>IMF5，如图所示，行星齿轮断齿状态下IMF1分量与基准信号之间的Rényi熵最大，其中，基准信号为正常信号，表明IMF1所含信息特征与正常信号间的耦合关系最大，所体现的故障特征信息相对最少。IMF3、IMF5和IMF6所对应的Rényi熵较小，表明断齿IMF分量和基准信号间存在着强非线性关系，所体现的故障信息更丰富。IMF3、IMF5和IMF6分量处于高频域内，数据融合之后，既可降低噪声的影响又可减轻数据计算的工作量。因此选取IMF3、IMF5和IMF6三个分量进行后续故障信息的提取和处理，为后续故障诊断工作提供了基础。
步骤四：将多元振动加速度信号以复数形式全矢合成，在复域中经过傅里叶变换之后计算椭圆参数，实现了各方向信息之间的叠加和互补，充分体现多级行星齿轮箱振动加速度信号的频谱特征的完整性，图15是对X方向和Y方向的目标本征模函数进行全矢融合后的频谱图；
图16是对图15中频谱的9倍啮合频率附近的局部放大图，图17是对图15中频谱的11倍啮合频率附近的局部放大图。如图15-图17所示。并对比行星齿轮箱理论故障频率，初步实现对多级行星齿轮箱的故障诊断。在高频域中，处于断齿状态的太阳轮会在啮合频率及其倍频处出现峰值；由于制造误差的影响，太阳轮与三个行星齿轮啮合时产生的冲击特征具有一定的差异，太阳轮的局部故障特征频率会变为fs/3＝6.947Hz并在其倍频处出现峰值，同时基于系统的传动效应对振动信号的调制作用，峰值会在行星架绝对转频fc及其倍频处出现，基于上述因素的共同作用，围绕啮合频率形成边频带。所以可以初步确定故障类型为太阳轮断齿。
步骤五：局部故障太阳轮的特征频率(fs/3＝6.947Hz)、行星架的绝对旋转频率(fc＝1.45Hz)以及太阳轮的绝对旋转频率(fa＝6.67Hz)太小，会受到行星齿轮箱中其它高频信号的调制作用消失在低频区间内，给故障的诊断带来很大的影响，对被调制到高频区域的潜在的低频断齿故障动力学特征频率进行解调，图18是对图15的频谱进行解调的频谱图，如图18所示，在太阳轮局部故障特征频率fs/3、太阳轮的绝对旋转频率fa以及行星架的绝对旋转频率fc及其倍频处均出现峰值，且幅值高于基准信号。在以上频率位置周围出现了大量的边频带，且峰值绝大部分位于行星架转频和太阳轮局部故障特征频率的组合位置，符合多级行星齿轮箱局部故障特征。综合上述步骤四中的断齿结论，可以准确判定该行星齿轮箱的故障类型为太阳轮局部故障断齿，证明了本发明的可行性。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图19示出了本发明实施例提供的机械系统的故障诊断装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图19所示，故障诊断装置19包括：
获取模块1901，用于获取机械系统的预设检测位置在预设检测时段内的状态信号；
自适应分解模块1902，用于对所述状态信号进行自适应分解，得到多个本征模函数，其中，各个本征模函数的对应信号的中心频率不同；
选取模块1903，用于从所述多个本征模函数中选取至少一个目标本征模函数，其中，目标本征模函数和预设的基准信号的相关度小于未选取的本征模函数和所述基准信号的相关度；
故障诊断模块1904，用于基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断。
所述自适应分解模块1902具体用于：
将所述状态信号进行二维化处理，得到二维状态信号；
基于预设的约束变分模型对所述二维状态信号进行约束变分求解，得到指定数量的本征模函数，其中，所述约束变分模型包括：
Figure BDA0002375372710000201
其中，ωK表示第K个本征模函数的中心频率，mAS,K表示根据ωK从本征模函数mK中得到的解析信号，βK表示第K个本征模函数的权重系数，λ表示拉格朗日乘子，f(x)表示输入的二维状态信号。
所述自适应分解模块1902还用于：
将所述二维状态信号输入约束变分模型，利用乘法算子交替方向方法进行迭代运算，直至输出的指定数量的满足预设条件的本征模函数；
其中，所述乘法算子交替方向方法进行迭代运算的公式包括：
Figure BDA0002375372710000202
Figure BDA0002375372710000203
Figure BDA0002375372710000204
其中，所述
Figure BDA0002375372710000205
表示第n+1次迭代的第K个本征模函数，
Figure BDA0002375372710000206
表示第n+1次迭代的第K个本征模函数对应的中心频率，λn+1表示第n+1次迭拉格朗日乘子，τ表示预设的的时间步长；
其中，所述预设条件包括：
Figure BDA0002375372710000207
其中，K表示指定数量，n表示迭代的次数，
Figure BDA0002375372710000208
表示在第n次迭代的第i个本征模函数，
Figure BDA0002375372710000209
表示第n-1次迭代的第i个本征模函数，ε表示第一预设值，i和n为正整数。
所述选取模块1903，具体用于：
基于所述基准信号和指定数量的本征模函数，构建指定数量的密度矩阵；
确定每个密度矩阵的Rényi熵，得到指定数量的Rényi熵；
从所述指定数量的Rényi熵中选取前N小的Rényi熵，其中N为大于1的整数；
将选取的Rényi熵对应的本征模函数确定为目标本征模函数。
所述选取模块1903，还用于：
对所述基准信号和所述指定数量的本征模函数进行正交化，得到正交化的基准信号和正交化的指定数量的本征模函数；
分别将正交化的指定数量的本征模函数和正交化的基准信号输入至第一预设公式，得到指定数量的密度矩阵；
其中，所述第一预设公式包括：
ρi＝p1|IMF⊥i><IMF⊥i|+p2|N⊥〉〈N⊥|
其中，ρi表示第i个密度矩阵，IMF⊥i表示第i个正交化后的本征模函数，其中，i≤K，N⊥表示基准信号，p1表示第一预设概率，p2表示第二预设概率。
所述故障诊断模块1904，具体用于：
对所述三个预设方向中的两个预设方向的目标本征模函数进行全矢融合，得到状态频谱；
将所述状态频谱输入至预设的深度卷积神经网络诊断模型中，得到机械系统的故障诊断结果，其中所述故障诊断结果包括机械系统正常和机械系统不正常；
其中，在所述机械系统不正常时，所述故障诊断结果还包括机械系统的故障位置及故障位置的故障类型。
图20是本发明一实施例提供的终端的示意图。如图20所示，该实施例的终端20包括：处理器200、存储器201以及存储在所述存储器201中并可在所述处理器200上运行的计算机程序202。所述处理器200执行所述计算机程序202时实现上述各个故障诊断方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器200执行所述计算机程序202时实现上述各装置实施例中各模块/单元的功能，例如图19所示单元1901至1904的功能。
示例性的，所述计算机程序202可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器201中，并由所述处理器200执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序202在所述终端20中的执行过程。
所述终端20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器200、存储器201。本领域技术人员可以理解，图20仅仅是终端20的示例，并不构成对终端20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器200可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器201可以是所述终端20的内部存储单元，例如终端20的硬盘或内存。所述存储器201也可以是所述终端20的外部存储设备，例如所述终端20上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器201还可以既包括所述终端20的内部存储单元也包括外部存储设备。所述存储器201用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器201还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述各个故障诊断方法实施例中的步骤。
计算机可读存储介质存储有计算机程序202，计算机程序202包括程序指令，程序指令被处理器200执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序202来指令相关的硬件来完成，计算机程序202可存储于一计算机可读存储介质中，该计算机程序202在被处理器200执行时，可实现上述各个方法实施例的步骤。其中，计算机程序202包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种机械系统的故障诊断方法，其特征在于，所述故障诊断方法包括：
获取机械系统的预设检测位置在预设检测时段内的状态信号；
对所述状态信号进行自适应分解，得到多个本征模函数，其中，各个本征模函数的对应信号的中心频率不同；
从所述多个本征模函数中选取至少一个目标本征模函数，其中，目标本征模函数和预设的基准信号的相关度小于未选取的本征模函数和所述基准信号的相关度；
基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断；
其中，所述从所述多个本征模函数中选取至少一个目标本征模函数包括：
基于所述基准信号和指定数量的本征模函数，构建指定数量的密度矩阵；
确定每个密度矩阵的Rényi熵，得到指定数量的Rényi熵；
从所述指定数量的Rényi熵中选取前N小的Rényi熵，其中，N为大于1的整数；
将选取的Rényi熵对应的本征模函数确定为目标本征模函数。
2.根据权利要求1所述的机械系统的故障诊断方法，其特征在于，所述对所述状态信号进行自适应分解，得到多个本征模函数包括：
将所述状态信号进行二维化处理，得到二维状态信号；
基于预设的约束变分模型对所述二维状态信号进行约束变分求解，得到指定数量的本征模函数，其中，所述约束变分模型包括：
Figure FDA0004139586860000011
其中，ωK表示第K个本征模函数的中心频率，mAS,K表示根据ωK从本征模函数mK中得到的解析信号，βK表示第K个本征模函数的权重系数，λ表示拉格朗日乘子，f(x)表示输入的二维状态信号，K表示指定数量，K为正整数。
3.根据权利要求2所述的机械系统的故障诊断方法，其特征在于，所述基于预设的约束变分模型对所述二维状态信号进行约束变分求解，得到指定数量的本征模函数包括：
将所述二维状态信号输入约束变分模型，利用乘法算子交替方向方法进行迭代运算，直至输出的指定数量的满足预设条件的本征模函数；
其中，所述乘法算子交替方向方法进行迭代运算的公式包括：
Figure FDA0004139586860000021
Figure FDA0004139586860000022
Figure FDA0004139586860000023
其中，所述
Figure FDA0004139586860000024
表示第n+1次迭代的第K个本征模函数，
Figure FDA0004139586860000025
表示第n+1次迭代的第K个本征模函数对应的中心频率，λn+1表示第n+1次迭拉格朗日乘子，τ表示预设的时间步长；
其中，所述预设条件包括：
Figure FDA0004139586860000026
其中n表示迭代的次数，
Figure FDA0004139586860000027
表示在第n次迭代的第i个本征模函数，
Figure FDA0004139586860000028
表示第n-1次迭代的第i个本征模函数，ε表示第一预设值，i和n为正整数。
4.根据权利要求1所述的机械系统的故障诊断方法，其特征在于，所述基于所述基准信号和指定数量的本征模函数，构建指定数量的密度矩阵包括：
对所述基准信号和所述指定数量的本征模函数进行正交化，得到正交化的基准信号和正交化的指定数量的本征模函数；
分别将正交化的指定数量的本征模函数和正交化的基准信号输入至第一预设公式，得到指定数量的密度矩阵；
其中，所述第一预设公式包括：
ρi＝p1|IMF⊥i><IMF⊥i|+p2|N⊥><N⊥|
其中，ρi表示第i个密度矩阵，IMF⊥i表示第i个正交化后的本征模函数，其中，i≤K，N⊥表示基准信号，p1表示第一预设概率，p2表示第二预设概率。
5.根据权利要求1至4任一项所述的机械系统的故障诊断方法，其特征在于，所述目标本征模函数包括三个预设方向的目标本征模函数，其中，所述三个预设方向相互垂直。
6.根据权利要求5所述的机械系统的故障诊断方法，其特征在于，所述基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断包括：
对所述三个预设方向中的两个预设方向的目标本征模函数进行全矢融合，得到状态频谱；
将所述状态频谱输入至预设的深度卷积神经网络诊断模型中，得到机械系统的故障诊断结果，其中所述故障诊断结果包括机械系统正常和机械系统不正常；
其中，在所述机械系统不正常时，所述故障诊断结果还包括机械系统的故障位置及故障位置的故障类型。
7.一种机械系统的故障诊断装置，其特征在于，所述故障诊断装置包括：
获取模块，用于获取机械系统的预设检测位置在预设检测时段内的状态信号；
自适应分解模块，用于对所述状态信号进行自适应分解，得到多个本征模函数，其中，各个本征模函数的对应信号的中心频率不同；
选取模块，用于从所述多个本征模函数中选取至少一个目标本征模函数，其中，目标本征模函数和预设的基准信号的相关度小于未选取的本征模函数和所述基准信号的相关度；
故障诊断模块，用于基于所述至少一个目标本征模函数，对所述机械系统进行故障诊断；
其中，所述选取模块具体用于：
基于所述基准信号和指定数量的本征模函数，构建指定数量的密度矩阵；
确定每个密度矩阵的Rényi熵，得到指定数量的Rényi熵；
从所述指定数量的Rényi熵中选取前N小的Rényi熵，其中，N为大于1的整数；
将选取的Rényi熵对应的本征模函数确定为目标本征模函数。
8.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述机械系统的故障诊断方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述机械系统的故障诊断方法的步骤。
CN202010063932.6A 2020-01-20 2020-01-20 一种机械系统的故障诊断方法、故障诊断装置及终端 Active CN111310589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010063932.6A CN111310589B (zh) 2020-01-20 2020-01-20 一种机械系统的故障诊断方法、故障诊断装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010063932.6A CN111310589B (zh) 2020-01-20 2020-01-20 一种机械系统的故障诊断方法、故障诊断装置及终端

Publications (2)

Publication Number Publication Date
CN111310589A CN111310589A (zh) 2020-06-19
CN111310589B true CN111310589B (zh) 2023-04-28

Family

ID=71146863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010063932.6A Active CN111310589B (zh) 2020-01-20 2020-01-20 一种机械系统的故障诊断方法、故障诊断装置及终端

Country Status (1)

Country Link
CN (1) CN111310589B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507785A (zh) * 2020-11-02 2021-03-16 北京工商大学 一种基于cnn和lstm的滚动轴承故障分析
CN113237619B (zh) * 2021-04-16 2022-11-15 江苏方天电力技术有限公司 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN113705420A (zh) * 2021-08-24 2021-11-26 青岛理工大学 一种风电支撑结构模态响应分量提取方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106289774A (zh) * 2016-07-26 2017-01-04 北京工业大学 一种滚动轴承故障识别与趋势预测方法
CN107192553A (zh) * 2017-06-28 2017-09-22 石家庄铁道大学 基于盲源分离的齿轮箱复合故障诊断方法
CN108801630A (zh) * 2018-06-22 2018-11-13 石家庄铁道大学 单通道盲源分离的齿轮故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106289774A (zh) * 2016-07-26 2017-01-04 北京工业大学 一种滚动轴承故障识别与趋势预测方法
CN107192553A (zh) * 2017-06-28 2017-09-22 石家庄铁道大学 基于盲源分离的齿轮箱复合故障诊断方法
CN108801630A (zh) * 2018-06-22 2018-11-13 石家庄铁道大学 单通道盲源分离的齿轮故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Lin Mengting等.An Improved Fault Diagnosis Method Based on a Genetic Algorithm by Selecting Appropriate IMFs.《IEEE ACCESS》.2019,60310-60321. *
武哲等.基于多元经验模态分解的旋转机械早期故障诊断方法.《仪器仪表学报》.2016,241-248. *

Also Published As

Publication number Publication date
CN111310589A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111310589B (zh) 一种机械系统的故障诊断方法、故障诊断装置及终端
Wang et al. Application of an improved ensemble local mean decomposition method for gearbox composite fault diagnosis
Li et al. Motor current signal analysis using deep neural networks for planetary gear fault diagnosis
US5781460A (en) System and method for chaotic signal identification
CN104807534B (zh) 基于在线振动数据的设备固有振动模式自学习识别方法
Chen et al. Planetary gearbox condition monitoring of ship-based satellite communication antennas using ensemble multiwavelet analysis method
CN109765055A (zh) 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统
Lloyd et al. A cubic differential system with nine limit cycles
Zhang et al. Fault diagnosis of key components in the rotating machinery based on Fourier transform multi-filter decomposition and optimized LightGBM
CN105849804A (zh) 过滤噪声的计算高效方法
CN113029559A (zh) 一种齿轮箱故障诊断方法及系统
Nascimento et al. A new solution to the hyperbolic tangent implementation in hardware: Polynomial modeling of the fractional exponential part
CN106981056A (zh) 一种基于分数阶偏微分方程的图像对比度增强滤波器
Anwarsha et al. A review on the role of tunable Q-factor wavelet transform in fault diagnosis of rolling element bearings
CN115718860A (zh) 一种基于模态分解与稀疏时域法的低频振荡模态辨识方法
Shen et al. Ordinary differential equation algorithms for a frequency-domain water wave Green’s function
CN113917540B (zh) 基于稀疏约束的抗假频射线束进行地震数据去噪的方法
Qi et al. Efficient sampling from shallow Gaussian quantum-optical circuits with local interactions
CN113960412A (zh) 一种配电网故障行波信号处理方法及装置
CN113740055A (zh) 一种齿轮箱复合故障成分分离诊断方法及装置
Liu et al. Research on residual life prediction of rolling bearings based on STFT-CNN
CN104820581B (zh) 一种fft和ifft逆序数表的并行处理方法
Wang et al. Research on fault evolution feature extraction and identification of sun gear cracks in planetary gearbox based on Volterra high-order kernel generalized frequency response graphic analysis
CN117436037A (zh) 基于加权多尺度卷积稀疏表示的轴承故障诊断方法及系统
Xu et al. An efficient algorithm for linear semi-infinite programming over positive polynomials

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant