张量奇异谱分解方法与流程

本发明涉及故障诊断，尤其涉及一种张量奇异谱分解方法。

背景技术：

1、由于工作环境恶劣，旋转机械设备不可避免地会出现各种故障。这些故障可能导致旋转机械设备停止运转或发生灾难性的事故。因此，故障诊断技术受到研究学者的广泛关注。

2、基于信号处理方法的故障诊断技术是用于判定旋转机械设备是否发生故障的一种有效手段，信号处理方法主要是降低振动信号中的噪声干扰、提取信号中的故障特征进而实现轴承的故障诊断。这是因为当旋转机械设备出现故障时，系统多个部位、测点的振动信号都可能包含故障信息，而采集的振动信号容易受到噪声等干扰，从而使故障特征不易被发现，因此噪声的存在容易导致设备出现误诊或漏诊问题，使得故障诊断精度低。此外，现有的矩阵奇异值分解方法由于直接根据奇异值的大小或者比率来实现信号的重构，当信号中有较大的噪声时，这种方法很容易导致漏诊问题，且它们也无法同时处理多个振动信号，无法实现多振动信号的信息耦合。

技术实现思路

1、本发明要解决的技术问题是：为了解决现有技术中振动信号容易受到噪声等干扰，从而容易误诊或漏诊，使得故障诊断精度低的技术问题，本发明提供一种张量奇异谱分解方法，故障诊断精度高，为旋转机械设备状态监测和剩余寿命预测提供基础支撑，避免对设备诊断时漏诊和误诊，提高了设备运转的安全性。

2、本发明解决其技术问题所采用的技术方案是：一种张量奇异谱分解方法，包括以下步骤：

3、s1：获取待诊断设备的多个振动信号，对每个所述振动信号预处理；

4、s2：通过功率谱密度方法确定每个所述振动信号的频带范围和最大谱峰频率，根据所述最大谱峰频率将预处理后的每个所述振动信号构建为多通道三阶张量信号其中，i1为三阶张量的第一阶、i2为三阶张量的第二阶以及i3为三阶张量的第三阶；

5、s3：对所述多通道三阶张量信号进行张量tensor-svd分解，并进行重构，计算每个所述振动信号对应的分量信号；

6、s4：根据所述分量信号，判断所述待诊断设备是否存在故障。

7、进一步，具体地，在步骤s1中，所述振动信号为两个，分别为振动信号x和振动信号y，通过matlab的工具箱中消除线性趋势项的detrend函数对所述振动信号x和所述振动信号y预处理。

8、进一步，具体地，在步骤s2中包括以下步骤：

9、s21：计算所述振动信号x和所述振动信号y的功率谱密度，所述振动信号x功率谱密度为psdx，所述振动信号y的功率谱密度为psdy；

10、s22：计算所述振动信号x和所述振动信号y的最大谱峰频率：

11、p＝max(psdx，psdy)(1)；

12、s22：根据所述最大谱峰频率将所述振动信号x和所述振动信号y分别构建为振动信号矩阵x和振动信号矩阵y；

13、所述振动信号矩阵x表达式为：

14、

15、所述振动信号矩阵y表达式为：

16、

17、其中，i2根据所述最大谱峰频率p计算：

18、i2＝(0.8～1.2)fs/p(4)；

19、其中，fs为采样频率；

20、s24：采用堆叠法将所述振动信号矩阵x和所述振动信号矩阵y构建为双通道三阶张量信号

21、

22、其中，α::1和α::2分别表示所述三阶张量信号的第1个正面切片和第2个正面切片。

23、进一步，具体地，在步骤s3中包括以下步骤：

24、s31、将所述双通道三阶张量信号的正面切片进行水平展开得到矩阵b；

25、s32、对所述矩阵b进行矩阵对角化，得到矩阵d，再对矩阵d进行奇异值分解，得到左奇异矩阵uo、核心矩阵so和右奇异矩阵vo；

26、s33、对所述左奇异矩阵uo、所述核心矩阵so和所述右奇异矩阵vo进行逆对角化，得到张量u、核心张量s和张量v；

27、s34、按顺序挑选出所述核心张量s中的第i个奇异值，构建为新核心张量si，根据张量积对所述张量u、所述新核心张量si和所述张量v进行重构，重构出第i个奇异值对应的张量ai：

28、ai＝u*si*vt(11)；

29、其中，i＝1,…i2；

30、s35、对所述第i个奇异值对应的张量ai逆重构，获取振动信号x的分量信号xi和所述振动信号y的分量信号yi。

31、进一步，具体地，在步骤s4中，计算所述振动信号x的分量信号xi、以及所述振动信号y的分量信号yi的包络谱和所述待诊断设备的故障特征频率f，在所述包络谱中能找到接近所述故障特征频率f的频率值f0及所述频率值的倍频，判断所述待诊断设备是否有故障。

32、进一步，具体地，振动信号x和振动信号y通过安装在轴承上的两个加速度振动传感器采集，采样点数为n。

33、进一步，具体地，根据所述振动信号x的分量信号xi、以及所述振动信号y的分量信号yi分别绘制其对应的时域波形图，若时域波形图上有冲击特征，则判定待诊断设备为故障设备。

34、本发明的有益效果是：

35、(1)本发明的一种张量奇异谱分解方法通过对振动信号预处理，去除了原始振动信号中的干扰信号，提高故障诊断的诊断精度；

36、(2)通过功率谱密度方法计算最大谱峰频率，确定矩阵的参数，再构建三阶张量信号，相对于现有技术信号周期性截断构建的张量，本发明不需要经过经验值就能简单构建成三阶张量信号，构建三阶张量信号速度快且构建的三阶张量信号没有干扰频率，提高了故障诊断的时效性和准确性；

37、(3)采用张量tensor-svd分解速度快，利用多个通道振动信号中故障特征信息之间的固有耦合关系实现了弱故障特征的增强，即能够实现通道信号的故障特征增强，从而易辨识，便于故障诊断；

38、(4)本发明的一种张量奇异谱分解方法故障诊断精度高，实现旋转机械设备的早期故障的诊断，为旋转机械设备状态监测和剩余寿命预测提供基础支撑，避免对设备诊断时漏诊和误诊，提高了设备运转的安全性。

技术特征：

1.一种张量奇异谱分解方法，其特征在于，包括以下步骤：

2.如权利要求1所述的张量奇异谱分解方法，其特征在于，在步骤s1中，所述振动信号为两个，分别为振动信号x和振动信号y，通过matlab的工具箱中消除线性趋势项的detrend函数对所述振动信号x和所述振动信号y预处理。

3.如权利要求2所述的张量奇异谱分解方法，其特征在于，在步骤s2中包括以下步骤：

4.如权利要求3所述的张量奇异谱分解方法，其特征在于，在步骤s3中包括以下步骤：

5.如权利要求4所述的张量奇异谱分解方法，其特征在于，在步骤s4中，计算所述振动信号x的分量信号xi、以及所述振动信号y的分量信号yi的包络谱和所述待诊断设备的故障特征频率f，在所述包络谱中能找到接近所述故障特征频率f的频率值fo及所述频率值的倍频，判断所述待诊断设备是否有故障。

6.如权利要求2所述的张量奇异谱分解方法，其特征在于，振动信号x和振动信号y通过安装在轴承上的两个加速度振动传感器采集，采样点数为n。

7.如权利要求4所述的张量奇异谱分解方法，其特征在于，根据所述振动信号x的分量信号xi、以及所述振动信号y的分量信号yi分别绘制其对应的时域波形图，若时域波形图上有冲击特征，则判定所述待诊断设备为故障设备。

技术总结
本发明涉及故障诊断技术领域，尤其涉及一种张量奇异谱分解方法，包括以下步骤：S1：获取待诊断设备的多个振动信号，对每个振动信号预处理；S2：通过功率谱密度方法确定每个振动信号的频带范围和最大谱峰频率，根据最大谱峰频率构建多通道三阶张量信号S3：对多通道三阶张量信号进行张量Tensor‑SVD分解，并进行重构，计算每个振动信号对应的分量信号；S4：根据每个分量信号，判断待诊断设备是否存在故障。本发明提供一种张量奇异谱分解方法，故障诊断精度高，为旋转机械设备状态监测和剩余寿命预测提供基础支撑，避免对设备诊断时漏诊和误诊，提高了设备运转的安全性。

技术研发人员：杨博淙,张飞斌,孟力,杨康定,王飞彪
受保护的技术使用者：赛腾机电科技(常州)有限公司
技术研发日：
技术公布日：2024/1/11