用于机械传动系统复合故障识别的自适应信号降噪分解方法技术方案

本发明专利技术涉及用于机械传动系统复合故障识别的自适应信号降噪分解方法，属于机械振动信号处理与故障诊断技术领域。采用自回归模型自适应去除振动信号的谐波成分，通过构造滤波器组分解AR降噪振动信号，得到一系列模态，估计模态的故障周期，并借助盲解卷积理论自适应迭代更新滤波器和模态，依据多域相关性系数和故障周期一致性系数进行模态选择，依据加权平方包络谐波噪声比确定最优滤波器长度，对自适应降噪分解后得到的最优模态进行平方包络谱分析，最终实现复合故障识别。本发明专利技术可对机械传动系统振动信号进行自适应降噪分解，无需构造先验基函数和故障周期先验知识，显著提高了复合故障识别的准确性。合故障识别的准确性。合故障识别的准确性。

【技术实现步骤摘要】
用于机械传动系统复合故障识别的自适应信号降噪分解方法


[0001]本专利技术属于机械振动信号处理与故障诊断
，更具体地说，涉及一种用于机械传动系统复合故障识别的自适应信号降噪分解方法。

技术介绍

[0002]机械传动系统是高端装备(航空发动机、直升机、轨道列车、风力发电机等)的重要组成部分，其运行可靠性与安全性问题始终是国内外学术界与工程界的关注焦点。齿轮、轴承等旋转部件是机械传动系统的关键基础件，在实际工作中往往面临重载、高速、高温等恶劣复杂的服役条件，极易出现故障。大量工程实践表明，机械故障大多表现为多种故障并存，即同时或级联发生相互关联和交叉影响的复合故障。因此，开展机械传动系统状态监测与复合故障诊断对于保障机械装备的服役安全具有重要意义。
[0003]振动信号是目前表征机械装备异常和故障的最敏感征兆量，具有良好的可解释性，且测试简单，基于振动信号的分析方法已经在机械故障诊断领域得到极为广泛的应用。然而，随着机械装备的复杂化程度日趋增加，机械传动系统的振动信号成分愈加复杂，且呈现出强非平稳和强非线性的特点，给传统的时域统计特征分析和频谱分析方法带来了巨大挑战。
[0004]将振动信号分解为若干个具有明确物理意义的子信号(即模态)，是提取复杂机械传动系统故障特征并进行故障识别的有效途径。小波变换、经验模态分解、局部均值模态分解、经验小波变换、变分模态分解和特征模态分解等诸多方法已经在机械故障领域得到应用，并取得了丰富成果。然而，小波变换和经验小波变换受限于小波基的构造，无法实现信号的自适应分解；经验模态分解和局部均值模态分解由于采用递归迭代分解方式，始终无法避免端点效应和模态混叠等问题；变分模态分解虽然采用非递归分解方式，但其参数(模态个数和平衡参数)需要人为提前选取，不具备参数自适应性。特征模态分解作为一种新近提出的信号分解方法，充分考虑了机械故障的冲击性和循环平稳性，更适用于处理机械故障振动信号。然而，特征模态分解同样需要依赖人为经验提前设定参数(滤波器长度和模态个数)，而不当的参数选取会显著降低其分解性能，同时该方法在齿轮和轴等部件在旋转运行过程中产生的强谐波干扰下容易出现故障漏诊问题，无法实现复合故障的有效准确识别。因此，亟需提出一种能够充分考虑机械传动系统复合故障振动信号特点的自适应信号降噪分解方法，实现机械传动系统复合故障的准确识别。

技术实现思路

[0005]本专利技术提出一种用于机械传动系统复合故障识别的自适应信号降噪分解方法，克服了现行信号分解方法未充分考虑机械传动系统复合故障振动信号特点(多重冲击性、多循环平稳周期、强谐波干扰等)以及需要根据经验人为提前选取参数导致分解性能降低的诸多不足，能更为有效地实现机械传动系统复合故障的识别，在满足自适应分解特性的同时，极大地避免了复合故障漏诊或误诊问题。
[0006]本专利技术采用的技术方案是：
[0007]一种用于机械传动系统复合故障识别的自适应信号降噪分解方法，其特征在于，包括如下步骤：
[0008]步骤1、输入振动信号数据：将振动加速度传感器安装在被测试机械设备传动装置的外壳体上，采集得到机械传动系统原始振动信号，标记为x(n)，其中，n＝1，2，3，
…
，N为振动信号的采样点数序列，N为总采样点数即信号长度；
[0009]步骤2、去除谐波干扰：采用自回归(AR)模型估计原始振动信号x(n)中的谐波成分，并根据公式(1)计算得到去除谐波干扰后的AR降噪振动信号e(n)，实现对原始振动信号的自适应降噪处理；
[0010][0011]其中，a(p)是AR模型中第p阶系数，q是AR模型的阶数；
[0012]步骤3、构造滤波器组并初始化：采用K个有限长单位冲激响应(FIR)滤波器构造一个滤波器组{f
k
,k＝1,2,3,
…
,K}，其中，f
k
为第k个滤波器的向量表示形式，所述的滤波器组的具体构造形式为，将K个频带宽度均相等的滤波器，均匀分布于整个分析频带，且相邻2个滤波器所对应的频带宽度有50％的重合度；采用汉宁窗函数对所述的滤波器组进行初始化，设置滤波器组中K个滤波器的长度L均相等，滤波器长度范围为L∈[1,L
upper
]；
[0013]步骤4、滤波分解AR降噪振动信号e(n)得到模态u
k
：应用步骤3所述的滤波器组{f
k
}对AR降噪振动信号e(n)进行滤波，根据公式(2)采用特征矢量法分解得到K个模态{u
k
,k＝1,2,3,
…
,K}：
[0014]u
k
＝Εf
k
ꢀꢀꢀ
(2)
[0015]其中，u
k
为第k个模态的向量表示形式，f
k
为滤波器组中第k个滤波器的向量表示形式，E为用于特征矢量法求解而构造的AR降噪振动信号的Toeplitz矩阵形式，分别表示如下：
[0016][0017]步骤5、估计模态u
k
的故障周期T
k
：应用希尔伯特变换和自相关函数迭代估计模态u
k
的故障周期T
k
；
[0018]步骤6、自适应迭代更新滤波器f
k
和模态u
k
：借助盲解卷积理论，以模态u
k
的相关峭度最大化作为滤波器f
k
自适应迭代更新的准则，根据AR降噪振动信号e(n)和步骤5所述的故障周期T
k
将模态u
k
的相关峭度构造成广义瑞利商形式，并通过求解广义特征值问题自适应更新滤波器f
k
和模态u
k
；
[0019]步骤7、判断滤波器f
k
的迭代更新次数是否达到指定的迭代次数pre_iteration，如果是，得到最终更新后的模态u
k
，否则重复执行步骤4至步骤6；
[0020]步骤8、模态选择：首先，计算自适应分解得到的每个模态的平方包络谐波噪声比、相关峭度和所有模态的相关峭度均值，将相关峭度低于均值的模态和平方包络谐波噪声比低于阈值SEHNR_limit的模态去除；然后，计算剩余模态中每两个模态之间的多域相关性系
数(即时域相关系数、频谱正交性系数和平方包络谱正交性系数)和故障周期一致性系数，去除多域相关性系数高于阈值Similarity_limit且故障周期一致性系数低于阈值period_limit的模态，保留剩余模态；
[0021]步骤9、计算保留剩余模态的加权平方包络谐波噪声比，并判断滤波器长度L是否到达指定的长度范围上限L
upper
，如果是，执行步骤10，否则重复执行步骤4至步骤8；
[0022]步骤10、获得最优滤波器长度和最优模态：选取当模态的加权平方包络谐波噪声比数值最大时所对应的滤波器长度作为最优滤波器长度，此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于机械传动系统复合故障识别的自适应信号降噪分解方法，其特征在于，包括如下步骤：步骤1、获取振动信号数据：将振动加速度传感器安装在被测试机械设备传动装置的外壳体上，采集得到机械传动系统原始振动信号，标记为x(n)，其中，n＝1，2，3，
…
，N为振动信号的采样点数序列，N为总采样点数即信号长度；步骤2、去除谐波干扰：采用自回归AR模型估计原始振动信号x(n)中的谐波成分，并根据公式(1)计算得到去除谐波干扰后的AR降噪振动信号e(n)，实现对原始振动信号的自适应降噪处理；其中，a(p)是AR模型中第p阶系数，q是AR模型的阶数；步骤3、构造滤波器组并初始化：采用K个有限长单位冲激响应FIR滤波器构造一个滤波器组{f
k
,k＝1,2,3,
…
,K}，其中，f
k
为第k个滤波器的向量表示形式，所述的滤波器组的具体构造形式为，将K个频带宽度均相等的滤波器，均匀分布于整个分析频带，且相邻2个滤波器所对应的频带宽度有50％的重合度；采用汉宁窗函数对所述的滤波器组进行初始化，设置滤波器组中K个滤波器的长度L均相等，滤波器长度范围为L∈[1,L
upper
]；步骤4、分解AR降噪振动信号e(n)得到模态u
k
：应用步骤3所述的滤波器组{f
k
}对AR降噪振动信号e(n)进行滤波，根据公式(2)采用特征矢量法分解得到K个模态{u
k
,k＝1,2,3,
…
,K}：u
k
＝Εf
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，u
k
为第k个模态的向量表示形式，f
k
为滤波器组中第k个滤波器的向量表示形式，E为用于特征矢量法求解而构造的AR降噪振动信号的Toeplitz矩阵形式，分别表示如下：步骤5、估计模态u
k
的故障周期T
k
：应用希尔伯特变换和自相关函数迭代估计模态u
k
的故障周期T
k
；步骤6、自适应迭代更新滤波器f
k
和模态u
k
：借助盲解卷积理论，以模态u
k
的相关峭度最大化作为滤波器f
k
自适应迭代更新的准则，根据AR降噪振动信号e(n)和步骤5所述的故障周期T
k
将模态u
k
的相关峭度构造成广义瑞利商形式，并通过求解广义特征值问题自适应更新滤波器f
k
和模态u
k
；步骤7、判断滤波器f
k
的迭代更新次数是否达到预先指定的迭代次数pre_iteration，如果是，得到最终更新后的模态u
k
，否则重复执行步骤4至步骤6；步骤8、模态选择：首先，计算自适应分解得到的每个模态的平方包络谐波噪声比、相关峭度和所有模态的相关峭度均值，将相关峭度低于均值的模态和平方包络谐波噪声比低于阈值SEHNR_limit的模态去除；然后，计算剩余模态中每两个模态之间的多域相关性系数和故障周期一致性系数，该多域相关性系数包括即时域相关系数、频谱正交性系数和平方包络谱正交性系数，去除多域相关性系数高于阈值Similarity_limit且故障周期一致性系数
低于阈值period_limit的模态，保留剩余模态；步骤9、计算保留剩余模态的加权平方包络谐波噪声比，并判断滤波器长度L是否到达预先指定的长度范围上限L
upper
，如果是，执行步骤10，否则重复执行步骤4至步骤8；步骤10、获得最优滤波器长度和最优模态：选取当模态的加权平方包络谐波噪声比数值最大时所对应的滤波器长度作为最优滤波器长度，此时对应的模态即为最优模态；步骤11、故障特征分离提取与识别：对经过自适降噪分解后获得的最优模态即子信号进行平方包络谱分析，将所有子信号从时域转换至频域，分别得到所有子信号在平方包络谱上的频率分布情况，分离提取复合故障的特征频率，与机械传动系统关键部件的旋转特征频率进行比对，可最终检测出复合故障并识别出复合故障的位置。2.根据权利要求1所述的用于机械传动系统复合故障识别的自适应信号降噪分解方法，其特征在于：所述的步骤1中，振动加速度传感器通常布置在机械设备传动系统滚动轴承处或靠近滚动轴承处的外壳体表面，被测设备传动系统部件包括滚动轴承和齿轮。3.根据权利要求1所述的用于机械传动系统复合故障识别的自适应信号降噪分解方法，其特征在于：所述的步骤2中，AR模型的系数a(p)通过Levinson
‑
Durban递归算法求解Yule
–
Walker方程计算获得，阶数q根据公式(4)自适应确定，即通过计算不同阶数下AR降噪振动信号e(n)的峭度值(kurtosis)，自动选取与最大峭度值对应的阶数作为最优阶数；其中，e
q
(n)代表阶数为q时的AR降噪振动信号，是e
q
(n)的均值，阶数q的取值范围为q∈[q
lower
，q
upper
]。4.根据权利要求1所述的用于机械传动系统复合故障识别的自适应信号降噪分解方法，其特征在于：所述的步骤3中，第k个滤波器频带宽度的下截止频率f
lower,k
和上截止频率f
upper,k
的计...

【专利技术属性】
技术研发人员：赫修智，周晓勤，王荣奇，刘强，韩昊忱，龚政，孟昊楠，姚国凤，
申请(专利权)人：吉林大学，
类型：发明
国别省市：