【技术实现步骤摘要】
本专利技术涉及机械故障诊断，具体而言，涉及一种机械设备的故障提取方法。
技术介绍
1、随着工业技术的发展，机械设备的结构逐步趋于精密、体积趋于大型化。多个设备之间的协作关系紧密、复杂，一旦某个关键部件发生损坏，就可能引起连锁反应，导致整台设备不能正常工作，这极大的降低了生产效率，造成严重的经济损失。此外，旋转机械工作环境越来越苛刻、工作条件复杂，因此对设备可靠性提出了更高的要求。
2、机械设备中各联接设备、传动设备，如齿轮箱，不论在正常还是故障状态，都会产生振动，其故障振动的幅值和频率成分与故障的位置、类型及程度相关；同时，其在故障状态与正常状态下的信号形式有明显区别。通过振动信号的分析能够确定这些复杂机械设备的故障点和故障类型。但在这些复杂机械设备的故障特征提取的过程中，存在以下难点：1、故障特征被噪声掩盖；2、对于快变信号，分析时信号易被频带截断，获取的信息不完整；3、频率相近的两个信号难以区分；4、同一传感器在同一时间可能接收到同一频率的多个振动分量，导致信号出现重叠交叉，使信号分离十分困难。虽然信号分离的技术有一定发展，但现有的时频分析方法，对时变非平稳信号的处理都具有一定的局限性，如线性时频变换方法的抑噪性较弱；双线性时频分析方法在分解时又会产生自交叉项，干扰信号的分解；emd不能分解时频相近的信号或快变信号等。因此，目前常用的技术都不能为存在时频重叠的信号提供精确的时频描述，因此，不能准确地分离信号，以致不能准确提取设备故障。
技术实现思路
1、为解决上述问
2、通过在机械设备不同部位布置的传感器，获取振动信号s(t)，所述信号包括c个通道和p个分量；其中，c个通道表示c个采集部位，所述振动信号s(t)包括信号si(t)交叉重叠特征，其中，i为小于p的自然数；
3、加载信号分解模型，向信号分解模型输入振动信号s(t)，实现振动信号s(t)分解，获取p个分量的特征向量up(p＝1，2，...，p)，其中非零特征值个数为p；
4、从p个分量的特征向量中，提取信号分量进行包络阶次分析，根据包络阶次谱判断包含故障信息的分量，用于判断所述采集部位是否存在故障；
5、其中，所述信号分解模型采用elmssct-mpa-mmd结构，实现c>p时信号分解。
6、其中，加载信号分解模型前，建立信号分解模型，包括：
7、定义信号分解模型处理的信号，该信号为多通道多分量信号x(n)；其中，多通道多分量信号x(n)包括c个通道和p个分量，不同分量对应不同的故障来源；其中，第c个单分量信号表示为第p个信号分量表示为xp(n)，多通道多分量信号x(n)表示为：
8、
9、其中，c为小于c的自然数，p为小于p的自然数，xp(n)为第p个信号分量，通道信号x(c)(n)表示为信号分量乘以复常数
10、确定所述多通道多分量信号x(n)的自相关分解方法；
11、获取p个分量的特征向量ui(i＝1,2,...,p)。
12、进一步的，确定多通道多分量信号x(n)的自相关分解方法包括：
13、建立关联矩阵a，大小为：c×p，关联矩阵a中独立通道数m＝min{c,p}；
14、针对多通道多分量信号x(n)建立多通道信号矩阵xsen和多分量信号矩阵xcom，其中，xsen＝axcom；
15、关联矩阵a表示为：
16、判断c、p大小，如果c≥p，信号分量xp(p＝1,2,...,p)为特征向量ui的线性组合，表示为：xp＝k1pu1+k2pu2+...+kppup，其中：kip(i＝1，2，...，p)为未知的权重系数；
17、定义多通道分量信号x(n)的自相关矩阵，其中，h{·}为厄米特转置；
18、对大小为m×n的自相关矩阵r进行特征分解，表示为：
19、
20、其中，λi为特征值，ui是正交的特征向量，即：通道信号x(m)(n)(m＝1，2，…，m)的线性组合，通道信号x(m)(n)为信号分量xp(n)(p＝1，2，…，p)的线性组合。
21、进一步的，提取信号分量包括：
22、获取大小为m×n的自相关矩阵r进行特征分解后的特征向量，表示为：
23、ui＝αi1x1+αi2x2+…+αipxp；其中，i<＝m，m＝min{c，p}，xp为重叠的信号分量；
24、迭代更新特征向量ui，迭代次数i＝1：p；
25、剔除ui对剩余信号的影响；
26、获取特征向量的时频集中度。
27、其中，迭代更新特征向量ui指：
28、定义特征向量线性组合的表达式：y＝γ1u1+γ2u2+…+γpup；其中，γ为优化系数；
29、获取每个信号分量xp时频支撑域设每一个支撑域的面积为dp(p＝1，2，…，p)，重叠信号分量的任意组合对应的支撑面积大于单个分量的支撑面积，当dp为最小值时，其对应的分量xp(p＝1，2，…，p)具有最佳的时频聚集性；
30、计算分量xp具有最佳的时频聚集性时的未知权重系数，将系数集代入特征向量线性组合的表达式，计算得：
31、ui＝γ1re(u1)+...+γ(p-1)re(up)+1*ui+γpim(u1)+...+γ2(p-1)up。
32、其中，剔除ui对剩余信号的影响的计算方法为：
33、
34、其中，获取特征向量的时频集中度的方法包括：
35、对每个特征向量进行归一化处理：
36、获得时频集中度：
37、按照时频集中度的大小从小到大排序，其中时频集中度最小的p个分量为p个多分量信号的信号分量。
38、进一步的，提取信号分量进行包络阶次分析，包括：将高频振动信号转变为含有故障信息的低频包络信号，从低频包络信号提取故障信息。
39、本专利技术是针对变工况下机械设备运行可靠性提出的一种故障特征提取方案，公开了振动信号随转速变换的情况下，如何实现复杂特征信号故障特征提取的方案。通过本专利技术，可以将elmssct与mpa-mmd结合应用于机械设备振动信号分解，提高时频重叠信号重叠部分的时频分辨率，提高信号的可分性，可在机械设备工作环境极端、振动信号组成复杂、多端故障难以提取的环境下实现多分量多通道信号的有效分解，进而实现故障特征提取。
本文档来自技高网...【技术保护点】
1.一种机械设备的故障提取方法，其特征在于，包括：
2.根据权利要求1所述的故障提取方法，其特征在于，所述加载信号分解模型前，建立所述信号分解模型，包括：
3.根据权利要求2所述的故障提取方法，其特征在于，所述确定所述多通道多分量信号x(n)的自相关分解方法包括：
4.根据权利要求3所述的故障提取方法，其特征在于，所述提取信号分量包括：
5.根据权利要求3所述的故障提取方法，其特征在于，所述迭代更新特征向量ui指：
6.根据权利要求5所述的故障提取方法，其特征在于，所述剔除ui对剩余信号的影响的计算方法为：
7.根据权利要求5所述的故障提取方法，其特征在于，所述获取特征向量的时频集中度的方法包括：
8.根据权利要求1所述的故障提取方法，其特征在于，提取信号分量进行包络阶次分析，包括：将高频振动信号转变低频包络信号；如果所述低频包络信号包含故障特征，从所述低频包络信号提取故障信息。
【技术特征摘要】
1.一种机械设备的故障提取方法，其特征在于，包括：
2.根据权利要求1所述的故障提取方法，其特征在于，所述加载信号分解模型前，建立所述信号分解模型，包括：
3.根据权利要求2所述的故障提取方法，其特征在于，所述确定所述多通道多分量信号x(n)的自相关分解方法包括：
4.根据权利要求3所述的故障提取方法，其特征在于，所述提取信号分量包括：
5.根据权利要求3所述的故障提取方法，其特征在于，...
【专利技术属性】
技术研发人员：麻云娇，张亢，
申请(专利权)人：贵州航天凯星智能传动有限公司，
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。