【技术实现步骤摘要】
本专利技术属于液体火箭发动机故障诊断，涉及一种涡轮泵轴承微弱故障提取方法、、系统、设备及介质。
技术介绍
1、涡轮泵作为液体火箭的“心脏”的“心脏”，其工况非常恶劣，极易引发故障。据统计涡轮泵故障在液体火箭事故中的占比达到70％以上。美国洛克达因公司归纳其研制的七种液体火箭发动机故障模式，其中轴承故障是涡轮泵最常见故障之一。因此，开展液体火箭发动机氧泵轴承故障诊断具有重要意义。
2、然而，采集涡轮泵振动的传感器一般都设置在壳体，距离目标轴承较远，传递路径一般较长，这些因素就会导致实际的工程信号中包含大量的噪声，轴承的故障特征就会被湮没。同时，涡轮泵轴承不同于普通轴承，它工作在低温液氧中，面临高压、高转速、高载荷等极端重载工况。由于其恶劣的工况，故障扩展也十分迅速，因此对于其故障判别程度也不同于普通轴承，微弱损伤将引起轴承及涡轮泵相关组件故障迅速蔓延，而推进剂流动、燃烧冲击和结构振动的强干扰影响又将引起微弱故障难以识别。在这种强干扰弱冲击的条件下，如何对涡轮泵微弱故障特征进行提取是亟待解决的难题。
3、近年来，解卷积的方法在机械设备振动信号处理方面得到了广泛的应用，它通过迭代求解的方式使得目标指标收敛，从而构建出符合目标指标的滤波器，并通过所设计的滤波器来提取出信号中的微弱特征，该方法克服了传统滤波器需要设计带宽和中心频率的限制。然而当前方法都是从单一的噪声或者脉冲角度去构建滤波器，这限制了滤波器的提取性能，也使得现有方法在涡轮泵轴承振动信号的特征提取方面效果不佳。
技术实现思路
1、针对现有技术在涡轮泵轴承故障特征提取效果不佳以及滤波器设计角度单一的问题，本专利技术的目的是提供一种涡轮泵轴承微弱故障提取方法、、系统、设备及介质，该方法对信号中的故障信息进行更加全面的滤波，能够对涡轮泵轴承的振动信号中的微弱特征进行有效提取和增强，实现涡轮泵轴承的诊断。
2、为达到上述目的，本专利技术采用以下技术方案予以实现：
3、一种涡轮泵轴承微弱故障提取方法，包括以下步骤：
4、获取涡轮泵轴承轴向、径向以及切向的振动信号，作为原始信号，并对原始信号进行预处理，得到预处理后的振动信号；
5、计算预处理后的振动信号的故障显著度指标；
6、以预处理后的振动信号的故障显著度指标作为遗传算法的适应度函数对滤波器长度以及协同系数进行优化，得到初始化的滤波器；
7、利用初始化的滤波器对振动信号进行滤波，得到滤波信号，并计算滤波信号的损失函数；
8、对损失函数进行训练到收敛，得到最优的滤波器参数；
9、根据最优的滤波器参数，计算得到目标信号；
10、对目标信号通过包络解调方法进行分析，提取解调后轴承的故障特征，实现涡轮泵轴承的故障诊断。
11、进一步的，预处理后的振动信号的故障显著度指标通过下式计算：
12、
13、
14、式中，psi(f)表示预处理后的振动信号的故障显著度指标，f表示需要量化脉冲程度的特征频率的集合，fi表示信号包络谱中第i个特征频率，h(fi)为信号包络谱中频率fi的幅值，δfpi表示由于转速的波动引起特征频率的变化范围，δfni表示由于信号包络谱中频率fi附近与特征频率无关的频率，<·>表示均值的运算，n表示需要量化的脉冲程度的特征频率的数量，p(fi)表示在频率fi处的故障显著程度。
15、进一步的，以预处理后的振动信号的故障显著度指标作为遗传算法的适应度函数对滤波器长度以及协同系数进行优化，得到最优的滤波器，包括以下步骤：
16、步骤1：设定滤波器长度l以及协同参数λ的优化范围和步长，初始化遗传算法的迭代次数；
17、步骤2：按照滤波器长度l的优化范围和协同参数λ的优化范围，生成初代种群；
18、步骤3：将故障显著度指标psi作为遗传算法优化的适应度函数，利用遗传算法对初代种群进行选择、交叉、变异操作，并迭代此操作，将每次迭代过程的适应度高的种群继承到下一代种群当中，并产生新的染色体组，当迭代次数达到设定的迭代次数，停止迭代，得到最优的参数组合。
19、进一步的，损失函数loss为：
20、
21、其中，n代表滤波信号的长度，nn代表定义噪声点的数量，np代表脉冲点的数量，xi表示滤波信号中的样本点，λ代表协同系数。
22、进一步的，滤波信号中噪声点的位置tn和滤波信号中脉冲点的位置tp的表达式如下：
23、tn＝[0,...,0,1,...,1,0,...0,1,...,1,0,...]
24、tp＝[1,...,1,0,...0,1,...,1,0,...,0,1...,1]
25、滤波信号通过下式计算：y＝x*ft-1
26、其中，x表示长度为n的振动信号，ft-1表示大小为l的fir滤波器，y表示滤波信号，*表示卷积运算。
27、进一步的，目标信号s表示为：
28、
29、式中，为长度为n的振动信号的矩阵表示，ft为最优的滤波器参数。
30、进一步的，对目标信号通过包络解调方法进行分析，提取解调后轴承的故障特征，实现涡轮泵轴承的故障诊断，包括以下步骤：对目标信号s进行hilbert变换，得到解调结果根据解调结果，得到目标信号的包络谱，通过判断目标信号的包络谱中是否出现故障特征频率，判断轴承的实际健康状态，如果出现故障特征频率，则轴承发生故障，否则，轴承正常。
31、一种涡轮泵轴承微弱故障提取系统，包括：
32、预处理后的振动信号获取模块，用于获取涡轮泵轴承轴向、径向以及切向的振动信号，作为原始信号，并对原始信号进行预处理，得到预处理后的振动信号；
33、故障显著度指标计算模块，用于计算预处理后的振动信号的故障显著度指标；
34、优化模块，用于以预处理后的振动信号的故障显著度指标作为遗传算法的适应度函数，对滤波器长度以及协同系数进行优化，得到初始化的滤波器；
35、损失函数计算模块，用于利用初始化的滤波器对振动信号进行滤波，得到滤波信号，并计算滤波信号的损失函数；
36、训练模块，用于对损失函数进行训练到收敛，得到最优的滤波器参数；
37、目标信号计算模块，用于根据最优的滤波器参数，计算得到目标信号；
38、解调后轴承的故障特征提取模块，用于对目标信号通过包络解调方法进行分析，提取解调后轴承的故障特征，实现涡轮泵轴承的故障诊断。
39、一种电子设备，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，所述的处理器执行所述的计算机程序时实现如所述的涡轮泵轴承微弱故障提取方法。
40、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，所述的计算机程序被处理器执行时实现所述的涡轮泵轴承微弱故障本文档来自技高网...
【技术保护点】
1.一种涡轮泵轴承微弱故障提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，预处理后的振动信号的故障显著度指标通过下式计算：
3.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，以预处理后的振动信号的故障显著度指标作为遗传算法的适应度函数对滤波器长度以及协同系数进行优化，得到最优的滤波器，包括以下步骤：
4.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，损失函数loss为：
5.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，滤波信号中噪声点的位置tn和滤波信号中脉冲点的位置tp的表达式如下：
6.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，目标信号s表示为：
7.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，对目标信号通过包络解调方法进行分析，提取解调后轴承的故障特征，实现涡轮泵轴承的故障诊断，包括以下步骤：对目标信号s进行Hilbert变换，得到解调结果根据解调结果，得到目标信号的包络谱
8.一种涡轮泵轴承微弱故障提取系统，其特征在于，包括：
9.一种电子设备，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：所述的处理器执行所述的计算机程序时实现如权利要求1至7中任意一项所述的涡轮泵轴承微弱故障提取方法。
10.一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：所述的计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的涡轮泵轴承微弱故障提取方法。
...【技术特征摘要】
1.一种涡轮泵轴承微弱故障提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，预处理后的振动信号的故障显著度指标通过下式计算：
3.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，以预处理后的振动信号的故障显著度指标作为遗传算法的适应度函数对滤波器长度以及协同系数进行优化，得到最优的滤波器，包括以下步骤：
4.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，损失函数loss为：
5.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，滤波信号中噪声点的位置tn和滤波信号中脉冲点的位置tp的表达式如下：
6.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其特征在于，目标信号s表示为：
7.根据权利要求1所述的涡轮泵轴承微弱故障提取方法，其...
【专利技术属性】
技术研发人员：陈禛怡，陈文博，高玉闪，王珺，訾艳阳，张丰登，廖星樾，杨少聪，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。