【技術實現步驟摘要】
本專利技術涉及旋轉設備故障診斷，尤其涉及一種多源激勵信號下的故障量化分離方法、設備及其介質。
技術介紹
1、工業旋轉機械設備在運行過程中，通常會產生特定周期性振動信號，設備的運行狀態和健康狀況可依據這些振動信號進行分析，在實際的工業制造現場，故障源往往不止一個，這意味著傳感器采集的往往不是單個振動源，而是多個信號的耦合。上述現象使故障排除非常困難。因此，為了解決這一問題，提高現代設備故障檢測和診斷的準確性，最關鍵的一步就是將故障信號從混合信號中分離出來，這種問題稱為信號的盲源分離。
2、通常解決盲源分離問題的方法有三種，分別是獨立成分分析(independentcomponent?analysis，ica)、主成分分析(principal?component?analysis，pca)和稀疏分量分析(sparse?componentanalysis，sca)。ica算法的前提是源信號統計獨立，每個獨立分量必須符合非高斯分布，然而，現代機械設備很難滿足該假設。pca算法是基于數據的方差來分離信號，因此只能捕捉信號的線性特征，當實際工況下涉及多系統耦合時，信號出現復雜的非線性關系，pca將無法準確有效地實現信號分離。sca通過稀疏編碼的方式從混合信號中恢復出原始信號綜合比較，sca更適合作為解決bss((blind?source?separation，盲源分離)的一種方法，可以在混合矩陣和源信號未知的情況下，利用源信號稀疏性假設條件，估計混合矩陣和恢復源信號。sca算法主要實現對估計混合矩陣和恢復源信號，而由于工業環境的
技術實現思路
1、本專利技術要解決的技術問題是：為了解決現有技術故障診斷準確率低、無法適用于旋轉設備故障診斷，本專利技術提供一種多源激勵信號下的故障量化分離方法，對旋轉設備故障診斷的準確率高，適用于旋轉設備的故障診斷。
2、本專利技術解決其技術問題所采用的技術方案是：一種多源激勵信號下的故障量化分離方法，所述方法包括以下步驟：
3、s1，獲取多通道的振動信號f(n)，并對所述振動信號f(n)進行預處理；
4、s2，對預處理后的所述振動信號進行總體局部均值分解，得到分解信號，計算所述分解信號的協方差矩陣特征值，并對所有特征值排序，自適應設置閾值，完成振動耦合信號中信源數目的估計；
5、s3，將所述分解信號與預處理后的所述振動信號分別組成與所述信源數目等量的二維觀測矩陣；
6、s4，將所述二維觀測矩陣進行短時傅里葉時頻變換，得到二維散點分布，根據設備類型設置閾值，將幅值小于閾值的二維散點進行過濾處理，將剩余的點映射到單位圓上，采用模糊c均值算法估計直線歸一化的聚類中心，在完成方向矢量估計后，利用l1范數最小化方法分離各估計源信號對應的時頻分布；
7、s5，基于各估計源信號對應的時頻分布，對估計的源信號進行幅值恢復，確保估計源信號接近真實源信號；
8、s6，對所述源信號進行傅里葉變換，將時域信號轉化為頻域信號，根據設備信息定位特征頻率，計算對應特征頻率下的幅值，實現旋轉設備的故障診斷分類；
9、s7，參考國標文件、工程經驗及設備狀態，設置特征閾值，依據頻率幅值和閾值進行設備狀態評分，將故障類型和評分以折線圖和雷達圖形式呈現。
10、進一步，具體地，所述步驟s1中對所述振動信號進行預處理包括以下步驟：
11、設所述振動信號f(n)是定義域f＝(0,1,…,n-1)上的一維離散函數，結構元素g(n)是定義域g＝(0,1,…,m-1)上的一維離散函數，并且n≥m，則所述振動信號和所述結構元素的四種基本算子可定義為以下公式：
12、
13、
14、其中，表示膨脹算子，表示腐蝕算子，表示開算子，·表示閉算子；
15、使用交替混合濾波器對所述振動信號f(n)進行濾波處理，得到耦合振動信號計算公式如下：
16、[(f)ah(g)](n)＝[(f)oc(g)+(f)co(g)](n)/2，
17、
18、其中，oc表示先開后閉的交替濾波運行算，co表示先閉后開的交替濾波運算，ah表示為交替混合濾波運算。
19、進一步，具體地，所述步驟s2具體包括以下步驟：
20、s20，在耦合振動信號上添加m次幅值為k、均值為0的白噪聲nm(t)(m＝1,2,…,m)，得到分析信號xm(t):
21、
22、s21，獲取所述分析信號xm(t)的所有局部極值點ni，計算相鄰局部均值極點的平均值mi和包絡函數值ai，計算公式為：
23、
24、將所有的相鄰兩個局部極值均值mi和所有的相鄰兩個包絡函數值ai分別用直線連接起來，使用滑動平均法進行處理，得到局部均值函數m11(t)及包絡估計函數a11(t)，兩個下標分別表示為第幾個函數和迭代次數；
25、s22，從所述分析信號xm(t)中分離出局部均值函數m11(t)，得到殘差h11(t)：
26、h11(t)＝xm(t)-m11(t)；
27、s23，對所述殘差h11(t)進行解調，得到解調函數s11(t)：
28、
29、s24，判斷所述解調信號是否屬于純調頻信號，判斷條件為：|a12(t)-1|≤δ；
30、若s11(t)屬于純調頻信號，δ為設置閾值；
31、反之，若s11(t)不屬于純調頻信號，重復步驟s20至s21將s11(t)繼續分解，直至s1n(t)屬于純調頻信號：
32、
33、s25，將得到所有的所述包絡估計函數相乘，計算瞬時幅值函數a1(t)：
34、
35、s26，基于純調頻信號s1n(t)和瞬時幅值函數a1(t)計算乘積函數pf1(t):
36、pf1(t)＝a1(t)s1n(t)；
37、s27，從分析信號xm(t)中減去pf1(t)得到第一信號u1(t)，重復執行所述步驟s21值步驟s26，重復次數為k次，直至uk(t)是一個單調函數，最終得到k個pf分量：
38、
39、其中，k是總的pf分量，pfk,m(t)是第m次分解的第k個pf分量；
40、s28，對信號xm(t)分解得到的同階次的pf分量進行平均化處理以減小白噪聲引入的隨機性影響：
41、
42、其中，pfj,m(t)是第m次添加白噪聲后的第j個pf分量，pfj(t)是第j階次分量的平均值；
43、s29，最終信號xm(t)被分解為多個平均后的pf分量，uk(t)是最終的殘余信號：
44、
45、s30，將所有的所述pf分量組成信號矩陣，計算協方差矩陣，并進行特征值分解，將得到的所有特征值按從大到小排序本文檔來自技高網...
【技術保護點】
1.一種多源激勵信號下的故障量化分離方法，其特征在于，所述方法包括以下步驟：
2.如權利要求1所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟S1中對所述振動信號進行預處理包括以下步驟：
3.如權利要求2所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟S2具體包括以下步驟：
4.如權利要求3所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟S3具體包括以下步驟：
5.如權利要求1所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟S4具體包括以下步驟：
6.如權利要求5所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟S5具體包括以下步驟：
7.如權利要求1所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟S7具體包括以下步驟；
8.如權利要求3所述的多源激勵信號下的故障量化分離方法，其特征在于，所述故障診斷的類型包括轉子不對中、部件碰摩、滾動軸承異常、滾動軸承潤滑不良、轉子不平衡和轉子松動。
9.一種計算機設備，其特征在于
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，當所述計算機程序被處理器執行時，使得處理器實現如權利要求1至8中任一項所述的多源激勵信號下的故障量化分離方法。
...【技術特征摘要】
1.一種多源激勵信號下的故障量化分離方法，其特征在于，所述方法包括以下步驟：
2.如權利要求1所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟s1中對所述振動信號進行預處理包括以下步驟：
3.如權利要求2所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟s2具體包括以下步驟：
4.如權利要求3所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟s3具體包括以下步驟：
5.如權利要求1所述的多源激勵信號下的故障量化分離方法，其特征在于，所述步驟s4具體包括以下步驟：
6.如權利要求5所述的多源激勵信號下的故障量...
【專利技術屬性】
技術研發人員：張飛斌，張永奇，黃金鳳，孟力，楊康定，褚福磊，
申請(專利權)人：頻率探索智能科技江蘇有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。