一种基于群分解的旋转机械复合故障诊断方法技术

本发明专利技术公开了一种基于群分解的旋转机械复合故障诊断方法，包括：步骤S1：采用加速度传感器对旋转机械的齿轮箱进行测量，获得振动加速度原始信号x(n)；步骤S2：对振动加速度原始信号x(n)进行群分解，获得振荡分量OCm(n)；步骤S3：对振荡分量OCm(n)进行Hilbert包络解调，得到振荡分量的包络谱

A composite fault diagnosis method for rotating machinery based on group decomposition

The invention discloses a compound fault diagnosis method for rotating machinery based on group decomposition, which comprises: 1) measuring the gear box of rotating machinery by acceleration sensor to obtain the original vibration acceleration signal x (n); 2) decomposing the original vibration acceleration signal x (n) by group decomposition to obtain the oscillation component OCm (n); Step S3: the Hilbert envelope demodulation of the oscillating component OCm (n) is used to obtain the envelope spectrum of the oscillating component.

【技术实现步骤摘要】
一种基于群分解的旋转机械复合故障诊断方法
本专利技术涉及机械故障诊断
，尤其涉及一种基于群分解分解的旋转机械复合故障诊断方法。
技术介绍
具有齿轮、轴承的机械设备故障，一般具有周期性的脉冲冲击力，产生振动信号的调制现象。调制信号频谱包含丰富的故障信息，采用解调分析方法从信号中提取调制信息，分析其强度和频次就可以判断零件的故障程度和类型。Hilbert解调方法是目前振动信号解调分析最为常用的方法，此方法可以研究信号的幅值包络、瞬时相位和瞬时频率。但是Hilbert变化要求信号具有窄带、单频率成分的特性。而旋转机械振动信号常为多分量的调制信号，因此需要将振动信号分解为单一模态的信号。振动信号具有非线性、非平稳特性，目前非平稳信号分解方法中，常用的有小波分解方法和经验模态分解(EmpiricalModeDecomposition，简称EMD)方法。小波分析能同时提供振动信号的时域和频域的局部化信，具有多尺度特性和“数学显微”特性，但需要人为选择基函数，缺乏自适应性。EMD方法将非线性非稳定信号分解成若干个具有物理意义的固有模态函数(IntrinsicModeFunction，简称IMF)之和，可根据信号局部时变特征进行自适应分解，但EMD没有合适的数学模型，缺乏严格的数学基础，存在端点效应和模态混叠等缺陷。同时，EMD分量带宽较大，不能分解频率接近的两个频率成分。由此可见，在现有技术中，缺乏有效且准确的方法来对旋转机械的复合故障进行诊断。
技术实现思路
为了解决采用现有技术在旋转机械复合故障诊断过程中存在的技术问题，本专利技术提供了一种基于群分解的旋转机械复合故障诊断方法，通过采用群分解方法对旋转机械振动加速度信号进行分解，自适应地将一个非平稳多分量振动信号分解为若干个瞬时频率的单一模态振动分量，对振荡分量进行包络解调得到分量包络谱，对包络谱进行分析，确定故障零件和故障类型，准确进行故障诊断。其中，“群分解方法”是希腊亚里士多德大学研究人员提出的一种新的分解方法，其英文名为“swarmdecomposition”，最早被用于处理脑电信号。本专利技术提供了一种基于群分解的旋转机械复合故障诊断方法，包括：步骤S1：采用加速度传感器对旋转机械的齿轮箱进行测量，获得振动加速度原始信号x(n)；步骤S2：对所述振动加速度原始信号x(n)进行群分解，获得振荡分量OCm(n)；步骤S3：对所述振荡分量OCm(n)进行Hilbert包络解调，得到振荡分量的包络谱步骤S4：从所述包络谱中识别是否含有预设的故障特征频率及其倍频：若含有故障特征频率及其倍频，则说明旋转机械的齿轮箱存在故障。本专利技术采用群分解方法对旋转机械振动加速度信号进行分解，自适应地将一个非平稳多分量振动信号分解为若干个瞬时频率的单一模态振动分量，对振荡分量进行包络解调得到分量包络谱，对包络谱进行分析，确定故障零件和故障类型，准确进行故障诊断。其中，振动加速度原始信号x(n)为离散序列，其采样频率取最高分析频率的3-5倍。进一步的，所述步骤S2中对所述振动加速度原始信号x(n)进行群分解的具体步骤为：步骤S21：根据韦尔奇算法求取振动加速度原始信号x(n)的功率谱Sx(ω)，根据所述功率谱Sx(ω)的峰值确定原始信号中心频率其中，q表示ωdom第q次被选为中心频率，ω为角频率，pth为中心频率选择阈值，0<pth<1；步骤S22：根据下述公式确定SwF群滤波处理的输入参数M和δ：其中，为归一化中心频率；步骤S23：对振动加速度原始信号x(n)进行SwF群滤波处理，得到中心频率为ωdom的初始振荡分量步骤S24：用振动加速度原始信号x(n)减去初始振荡分量得到中间振动信号x'(n)：步骤S25：当时，利用步骤S24得到的中间振动信号x'(n)作为新的振动加速度原始信号x(n)重复步骤S21到步骤S24；当时，将步骤S24得到的中间振动信号x'(n)作为振动加速度原始信号的余量Res(n)，即Res(n)＝x'(n)；步骤S26：根据下述公式，计算振荡分量OCm(n)：Ωdominant:{ω:ω＝ωdom}；其中，Ωdominant为所有中心频率的集合；|Ωdominant|为集合Ωdominant的长度。在本专利技术方案中，采用群分解方法对旋转机械振动加速度信号进行分解，自适应地将一个非平稳多分量振动信号分解为若干个瞬时频率的单一模态振动分量，从而能够通过对各个单一模态振动分量进行研究，来判断旋转机械是否存在故障。同时，在滤波过程中，利用韦尔奇法计算信号的功率谱，而韦尔奇功率谱较以往功率谱具有更高的频率分辨率，从而使得该方法具有更高的频率分辨能力，能够从强振动信号中提取微弱故障特征，较EMD等传统方法更适合进行旋转机械复合故障诊断。进一步的，所述步骤S23中SwF群滤波处理通过模拟群体捕食者行为建立滤波模型。进一步的，所述步骤S23中对振动加速度原始信号x(n)进行SwF群滤波处理的输入参数为x(n)、M和δ，假设有M个捕食者追赶猎物，猎物的运动轨迹pprey即为输入参数x(n)，输出参数由M个捕食者运动轨迹计算得出，具体步骤为：步骤S231：求第i个捕食者在第n个位置时的速度和位置坐标：其中，i＝1,2,...,M，δ为模拟时间间隔；步骤S232：求猎物对第i个捕食者的引力和第i个捕食者受到的内聚力di,i'＝pi(n-1)-pi'(n-1)；其中，sgn(d)表示符号函数，f(di,i')表示第i'个捕食者对第i个捕食者的内聚力，di,i'为两个捕食者的距离。dcr是捕食者之间既不存在引力又不存在斥力的距离，dcr＝rms(x(n))，rms表示振动加速度原始信号x(n)的均方根值；步骤S233：重复步骤S231到步骤S232，直到n＝L，其中，L为振动加速度原始信号x(n)的长度；步骤S234：求捕食者运动轨迹的加权平均值其中，β为加权因子且β＝0.005；步骤S235：计算x(n)和y(n)的StD值，StD定义如下：步骤S236：重复步骤S231到步骤S235，直到StD<StDth,其中,StDth为StD阈值，且0<StDth<1，此时x”(n)＝y(n)；步骤S237：计算SwF群滤波处理的输出参数初始振荡分量其中，τ为延迟时间，τdelay为互相关函数最大处延迟时间，R(x,x”)(τ)为互相关函数且-(L-1)≤τ≤(L-1)。本专利技术采用的SwF群滤波处理模型是一种群体智能算法，可以通过模拟群体捕食行为对振动信号进行自适应分解，使得本专利技术具有更高的频率分辨能力，能够从强振动信号中提取微弱故障特征。进一步的，所述步骤S3中对所述振荡分量进行Hilbert包络解调的具体步骤为：步骤S31：构造解析信号qm(n)：qm(n)＝OCm(n)+iOCm'(n)；OCm'(n)＝Hilbert(OCm(n))；其中，j为虚数单位；qm(n)为第m个振荡分量OCm(n)的解析信号；Hilbert为离散信号希尔伯特变换；OCm'(n)为OCm(n)的Hilbert变换结果；步骤S32：计算振荡分量的包络谱其中，FFT表示快速傅里叶变换，am(n)为qm(n)的包络信号。本专利技术对上述步骤得到本文档来自技高网...

【技术保护点】
1.一种基于群分解的旋转机械复合故障诊断方法，其特征在于，包括：步骤S1：采用加速度传感器对旋转机械的齿轮箱进行测量，获得振动加速度原始信号x(n)；步骤S2：对所述振动加速度原始信号x(n)进行群分解，获得振荡分量OCm(n)；步骤S3：对所述振荡分量OCm(n)进行Hilbert包络解调，得到振荡分量的包络谱

【技术特征摘要】
1.一种基于群分解的旋转机械复合故障诊断方法，其特征在于，包括：步骤S1：采用加速度传感器对旋转机械的齿轮箱进行测量，获得振动加速度原始信号x(n)；步骤S2：对所述振动加速度原始信号x(n)进行群分解，获得振荡分量OCm(n)；步骤S3：对所述振荡分量OCm(n)进行Hilbert包络解调，得到振荡分量的包络谱步骤S4：从所述包络谱中识别是否含有预设的故障特征频率及其倍频：若含有故障特征频率及其倍频，则说明旋转机械的齿轮箱存在故障。2.根据权利要求1所述的方法，其特征在于，所述步骤S2中对所述振动加速度原始信号x(n)进行群分解的具体步骤为：步骤S21：根据韦尔奇算法求取振动加速度原始信号x(n)的功率谱Sx(ω)，根据所述功率谱Sx(ω)的峰值确定原始信号中心频率其中，q表示ωdom第q次被选为中心频率，ω为角频率，pth为中心频率选择阈值，0<pth<1；步骤S22：根据下述公式确定SwF群滤波处理的输入参数M和δ：其中，为归一化中心频率；步骤S23：对振动加速度原始信号x(n)进行SwF群滤波处理，得到中心频率为ωdom的初始振荡分量步骤S24：用振动加速度原始信号x(n)减去初始振荡分量得到中间振动信号x'(n)：步骤S25：当Sx(ω)>Pth时，利用步骤S24得到的中间振动信号x'(n)作为新的振动加速度原始信号x(n)重复步骤S21到步骤S24；当Sx(ω)≤Pth时，将步骤S24得到的中间振动信号x'(n)作为振动加速度原始信号的余量Res(n)，即Res(n)＝x'(n)；步骤S26：根据下述公式，计算振荡分量OCm(n)：Ωdominant:{ω:ω＝ωdom}；其中，Ωdominant为所有中心频率的集合；|Ωdominant|为集合Ωdominant的长度。3.根据权利要求2所述的方法，其特征在于，所述步骤S23中SwF群滤波处理通过模拟群体捕食者行为建立滤波模型。4.根据权利要求3所述的方法，其特征在于，所述步骤S23中对振动加速度原始信号x(n)进行SwF群滤波处理的输入参数为x(n)、M和...

【专利技术属性】
技术研发人员：程军圣，李娟，舒文婷，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南,43