基于快速非线性盲解卷积的旋转机械早期故障诊断方法

1.本发明涉及基于振动信号的旋转机械早期故障诊断技术领域，具体涉及一种基于快速非线性盲解卷积的旋转机械早期故障诊断方法。


背景技术：

2.随着现代工业技术的发展和进步，工程车辆、轨道交通、航空航天、发电系统、冶金采矿等高端装备正朝着高速、高精、高效方向发展，建立可靠的健康监测系统是保证这些设备高效、安全运行的必要举措，对合理延长机械设备使用寿命、减少周期性维护费用以及保证设备运行的安全性都具有重要的意义。齿轮箱具有结构紧凑，传递精度高，传递扭矩大的特点，是高端装备传动系统必不可少的关键部件。这些装备经常在复杂恶劣的载荷环境下工作，齿轮箱中的旋转部件如轴承、齿轮等非常容易产生疲劳、破坏，而这些故障信号往往被淹没在环境噪声之中，尤其是对于较弱的早期故障，通过常规的时频分析方法很难直接通过采集到的信号识别故障特征。
3.因此，能够监测到早期故障，并定位故障结构，从而做出相对应的处理并持续监测故障状态，对提高交通运输设备的可靠性、保障设备健康运行、提高生产效率、避免重大经济损失和人身伤害具有非常重要的现实意义。如何能够在强大的背景噪声中识别微弱故障特征一直是车辆旋转机械故障诊断的热点问题。其核心主要包括三点：首先，为了能够在强大的干扰下识别故障信息，算法必须具备较强的噪声适应能力；第二，要达到在线状态监测的目的，算法要具备较高的计算效率，计算时间小于信号采集时间；第三，为了保证诊断结果的准确性，算法必须具备较强的鲁棒性，防止漏报、误报等情况。虽然对于早期故障诊断的方法已经研究了很多，然而现存的方法很难同时保证以上三点，故障特征提取过程中难以保证准确性、高效性和稳定性。


技术实现要素：

4.本发明的目的是针对上述不足，提出了一种于基于快速非线性盲解卷积的旋转机械早期故障诊断方法，该方法基于广义非线性l
1/2
范数和滤波器稀疏惩罚项的盲解卷积模型，自动学习滤波器，并实现故障模式的诊断识别。
5.本发明具体采用如下技术方案：
6.基于快速非线性盲解卷积的旋转机械早期故障诊断方法，包括以下步骤：
7.(1)输入信号前处理：对采集的振动信号样本进行z
‑
score归一化，确定滤波器的长度并构造故障信号的hankel矩阵；
8.(2)非线性特征激活：确定尺度因子和平移因子，通过广义非线性sigmoid函数，对输入矩阵进行激活；
9.(3)构建目标函数：对特征向量进行l2范数归一化，约束滤波器能量，求出l1范数，并添加滤波器l
1/2
范数惩罚项，构造出目标函数；
10.(4)模型训练并输出故障特征：通过拟牛顿法优化目标函数，利用训练好的滤波器
对输入样本进行滤波，进行时频分析和包络分析，对滤波器进行频谱分析；
11.(5)故障类型诊断：根据时频分布判断故障的特征周期、包络谱判断特征频率、频分布和滤波器频谱判断中心频率，定位故障类型。
12.优选地，在步骤(1)中，采集的振动信号样本为x∈r1×
n
，根据转速信息确定滤波器长度l，对样本进行z
‑
score归一化，构造故障信号的hankel矩阵其中n
s
＝n
‑
l+1。
13.优选地，在步骤(2)中，通过广义sigmoid函数对输入矩阵进行非线性激活，并保证激活前后特征的0值分布一致，具体激活过程为其中f∈r1×
l
为滤波器，ε＝1
×
10
‑8，a和b分别为伸缩因子和平移因子，y为激活后的特征。
14.优选地，步骤(3)中，目标函数由非线性特征的l
1/2
范数滤波器的稀疏惩罚项组成，且滤波器被约束为单位能量；即：
[0015][0016]
其中，‖
·
‖1和‖
·
‖2分别表示l1和l2范数，λ为惩罚项的调整系数，y
i
指第i个特征，f
j
指滤波器的第j个元素。
[0017]
优选地，在步骤(4)中，通过拟牛顿法优化目标函数，利用训练好的滤波器对输入样本进行滤波，对滤波后的信号进行同步提取变换时频分析和hilbert包络分析，对滤波器进行频谱分析。
[0018]
本发明具有如下有益效果：
[0019]
本发明通过最小化特征向量的广义非线性l
1/2
范数，提高了目标函数在噪声环境下的故障表达能力和噪声适应能力，并引入l
1/2
范数惩罚项并约束滤波器能量，提高滤波器的质量，提升滤波后信号的冲击特性，对旋转机械的早期诊断具有更好的噪声适应能力、计算效率和鲁棒性。
附图说明
[0020]
图1为基于快速非线性盲解卷积的旋转机械早期故障诊断方法流程图；
[0021]
图2为测试效果对比图，(a)为原始信号，(b)为诊断结果时频图；(c)诊断结果包络谱；(d)滤波器波形和频谱。
具体实施方式
[0022]
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
[0023]
结合图1，基于快速非线性盲解卷积的旋转机械早期故障诊断方法，包括以下步骤：
[0024]
(1)输入信号前处理：对采集的振动信号样本进行z
‑
score归一化，确定滤波器的长度并构造故障信号的hankel矩阵；
[0025]
假设采集的振动信号样本为x∈r1×
n
，根据转速信息确定滤波器长度l，对样本进行z
‑
score归一化，即z＝(f
‑
μ
f
)/σ
f
，其中μ
f
为特征的均值，σ
f
为特征的标准差；这样每个样本的特征都被归一化到均值为0，标准差为1的分布中；构造故障信号的hankel矩阵其中n
s
＝n
‑
l+1。
[0026]
(2)非线性特征激活：确定尺度因子和平移因子，通过广义非线性sigmoid函数，对输入矩阵进行激活；
[0027]
通过广义sigmoid函数对输入矩阵进行非线性激活，并保证激活前后特征的0值分布一致，具体激活过程为其中f∈r1×
l
为滤波器，ε＝1
×
10
‑8，a和b分别为伸缩因子和平移因子，y为激活后的特征。
[0028]
(3)构建目标函数：对特征向量进行l2范数归一化，约束滤波器能量，求出l1范数，并添加滤波器l
1/2
范数惩罚项，构造出目标函数；
[0029]
目标函数由非线性特征的l
1/2
范数滤波器的稀疏惩罚项组成，且滤波器被约束为单位能量；即：
[0030][0031]
其中，‖
·
‖1和‖
·
‖2分别表示l1和l2范数，λ为惩罚项的调整系数，y
i
指第i个特征，f
j
指滤波器的第j个元素。
[0032]
(4)模型训练并输出故障特征：通过拟牛顿法优化目标函数，利用训练好的滤波器对输入样本进行滤波，进行时频分析和包络分析，对滤波器进行频谱分析；
[0033]
通过拟牛顿法优化目标函数，利用训练好的滤波器对输入样本进行滤波，对滤波后的信号进行同步提取变换(synchroextracting transform，set)时频分析和hilbert包络分析，对滤波器进行频谱分析。
[0034]
(5)故障类型诊断：根据时频分布判断故障的特征周期、包络谱判断特征频率、频分布和滤波器频谱判断中心频率，定位故障类型。
[0035]
通过xjtu
‑
sy滚动轴承加速寿命试验公开数据集的外圈早期故障诊断，对本发明作进一步描述。
[0036]
试验平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等组成，水平和竖直方向上通过两个pcb加速度传感器获取测试轴承的全寿命周期监测数据。选择bearing 1_1的竖直方向数据，采样频率为25.6khz，数据长度为25600点，每1分钟记录123个样品(即1.28s)，轴承的实际工作寿命为123min，选择75min的数据进行分析，此时轴承的故障较弱，属于早期阶段。分析结果如图2所示，可以看出时频分布中冲击出现的周期约为0.92s，包络谱出现108.6hz及其倍频的频率成分，该频率接近外圈故障特征频率理论值107.91hz。通过时频图和滤波器频率可以判断系统的共振频率约为1200hz。
[0037]
通过实验结果可以看出提出的方法可以在轴承出现早期故障时，提取出故障的特征，提高了早期故障诊断的噪声适应能力和鲁棒性
[0038]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的
保护范围。