[發明專利]一種旋轉機械故障趨勢預測的特征提取方法

有效

• 申請號: 201210123651.0
• 申請日: 2012-04-24
• 公開（公告）號: CN102661783A
• 公開（公告）日: 2012-09-12
• 發明（設計）人: 徐小力;左云波;吳國新;王紅軍;蔣章雷
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G01H17/00
• 分類號: G01H17/00;G01M99/00
• 代理公司: 北京遠大卓悅知識產權代理事務所(普通合伙) 11369
• 代理人: 賀持緩

1.一種旋轉機械故障趨勢預測的特征提取方法，其包括以下步驟：

(1)利用遠程在線監測診斷中心進行工業現場數據采集，通過布置在旋轉機械設備上的多個傳感器采集多個通道的振動信號x_j(t)，j＝1，2，...，n，其中，j為通道個數，n為正整數；

(2)根據FastICA算法對振動信號x_j(t)進行盲源分離，得到原始獨立振動源s_j(t)的近似信號源y_j(t)，其中，j＝1，2，...，n；

(3)對近似信號源y_j(t)的向量信號Y進行時頻域基于小波包的特征頻帶分解，提取故障敏感特征頻帶。

2.如權利要求1所述的一種旋轉機械故障趨勢預測的特征提取方法，其特征在于：所述步驟(2)中，基于所述FastICA算法對振動信號x_j(t)的盲源分離方法為：

①假設存在m個相互獨立的振動源s_j(t)，其中j＝1，2，...，m，得到m個振動信號x_j(t)，且m個振動信號x_j(t)的向量形式用X′表示；

②對m個振動信號x_j(t)的向量X′進行中心化處理，令X′-E[X′]＝X″，使其均值為0，其中，E為數學期望；

③根據FastICA算法中的白化公式對向量X″進行白化處理，得到用于求解近似信號源y_j(t)的向量X；

④根據FastICA算法中的分離矩陣W和向量X構造出近似信號源y_j(t)的向量Y＝WX，Y與原來的獨立信號源s_i(t)近似。

3.如權利要求2所述的一種旋轉機械故障趨勢預測的特征提取方法，其特征在于：所述步驟③中，所述白化處理為：

(a)首先求解向量X″的協方差矩陣C_x，C_x＝E[X″(X″)^T]；

(b)根據協方差矩陣C_x，得到以協方差矩陣C_x的單位范數特征向量為列的矩陣F＝(e₁…e_n)，其中，e_i(i＝1，2，...，n)為協方差矩陣C_x的單位范數特征向量；

(c)根據協方差矩陣C_x，得到以協方差矩陣C_x的特征值為對角元素的對角矩陣D＝diag(d₁…d_n)，其中，d_i(i＝1，2，...，n)為協方差矩陣C_x的特征值；

(d)將矩陣F和對角矩陣D代入FastICA算法中的白化公式得到向量X。

4.如權利要求2所述的一種旋轉機械故障趨勢預測的特征提取方法，其特征在于：所述步驟④中，所述FastICA算法中的分離矩陣W的收斂方法為：

(a)首先對分離矩陣W賦予隨機初始值；

(b)由Hyvar?inen的迭代公式W(k+1)＝E{Xg[W(k)^TX]}-E{g[W(k)^TX]}W(k)^T計算W(k+1)，其中E表示求數學期望，g表示非二次函數的導數，k為迭代次數；

(c)利用W(k+1)←W(k+1)/‖W(k+1)||₂規范化W(k+1)；

(d)反復迭代直至W收斂，得到收斂后的分離矩陣W。

5.如權利要求3所述的一種旋轉機械故障趨勢預測的特征提取方法，其特征在于：所述步驟④中，所述FastICA算法中的分離矩陣W的收斂方法為：

(a)首先對分離矩陣W賦予隨機初始值；

(b)由Hyvar?inen的迭代公式W(k+1)＝E{Xg[W(k)^TX]}-E{g[W(k)^TX]}W(k)^T計算W(k+1)，其中E表示求數學期望，g表示非二次函數的導數，k為迭代次數；

(c)利用W(k+1)←W(k+1)/‖W(k+1)||₂規范化W(k+1)；

(d)反復迭代直至W收斂，得到收斂后的分離矩陣W。

6.如權利要求1或2或3或4或5所述的一種旋轉機械故障趨勢預測的特征提取方法，其特征在于：所述步驟(3)中，對所述近似信號源y_j(t)的向量信號Y進行時頻域基于小波包的特征頻帶分解，包括以下步驟：

①在全頻帶根據多分辨率分析將近似信號Y劃分成Z個小波子空間w_j，其中，j＝1，2，...，Z，Z為正整數；

②利用小波包分解公式對每一個小波子空間w_j進一步分解，其中為由小波包分解得到的子空間；k＝1，2，...，Z；j＝1，2，...，Z；

③對每一個小波子空間w_j分別進行小波包變換，小波包分解第j級分解水平上第k個子頻帶對應的小波包變換系數為d(i，j)，i代表某個子頻帶；

④利用各個小波包系數d(i，j)的平方計算得到提升小波包分解第j級分解水平上第k個子頻帶上的平均能量E(j，k)為：

E(j,k)=1NΣi=1N[di(j,k)]2,]]>

其中，N為子頻帶個數；由能量守恒定律得到頻帶能量和E_i(j，k)為各個小波子空間能量；

⑤根據頻帶能量和E(0，0)以及各個小波子空間能量E_i(j，k)，構造出由各頻帶信號相對能量組成的特征向量T＝[E₁，E₂，…E_M]^T/E(0，0)，即得到最終的非平穩信號故障特征量T。