一种机械故障特征提取方法

1.本发明涉及机械装备故障诊断与状态监测技术领域，尤其涉及一种机械故障特征提取方法。


背景技术：

2.机械装备故障诊断与状态监测是服务于设备智能运维，关系人民生活、工业生产、国防安全的关键技术领域。为实现有效的故障诊断与状态监测，需要对能够反映设备健康状态的信号(如振动信号)进行分析。但是由于所采集到的信号往往受到严重的背景噪声以及其他干扰成分的影响，需要从采集到的信号中准确提取对应于故障事件的故障特征信号成分，才能够得出准确的故障诊断与状态监测结论。
3.由于故障特征信号往往存在于某一个频带之中，现有的故障特征提取方案有以下两个思路：其一为基于带通滤波器的思路，将原始信号通过具有不同滤波参数的带通滤波器滤波，滤波后的多个子信号中具有最大目标函数(目标函数为峭度或者相关峭度等)的子信号视为所提取到的最优故障特征；其二为基于信号分解的思路，将原始信号通过小波包分解或变分模式分解等分解算法分解为多个子信号，选择目标函数较大的一个或多个子信号为所提取的故障特征信号，其中小波包分解或变分模式分解等分解算法的参数需要通过启发式仿生算法优化获得，启发式仿生算法优化的目标函数往往也是峭度或者相关峭度等。
4.由于故障特征信号具体循环平稳性和脉冲性，常用定义于时域的峭度、基尼指数等统计量去量化信号的脉冲性，用定义于频域的峭度等统计量去量化循环平稳性，用相关峭度等去同时量化信号的循环平稳性和脉冲性。但定义于时域的峭度等易受到脉冲性噪声影响，定义于频域的峭度等易受到低频周期性干扰成分影响；而相关峭度等难以有效平衡循环平稳性或脉冲性的量化，脉冲性噪声或者低频周期性干扰均可以影响相关峭度等的量化值。
5.目前缺乏能够准确量化故障特征信号成分的故障特征提取统计量，由于峭度、相关峭度等传统统计量用于量化故障特征时容易受到脉冲性噪声或低频干扰成分的影响，基于峭度等传统统计量开发的故障特征提取技术往往需要启发式优化算法进行参数优化，并且提取效果难以保证。由于上述统计量不能够有效地量化故障特征，现有机械故障特征提取算法往往易受到脉冲性噪声或者低频信号干扰，不能确定最优的带通滤波参数或信号分解参数，从而不能有效提取故障特征；并且，基于信号分解的故障特征提取方法不能准确确定选择哪些子信号和选择多少子信号用于重构故障特征信号。
6.因此，本领域的技术人员致力于提供一种机械故障特征提取方法，解决故障特征统计量易受到脉冲性噪声或者低频噪声干扰的问题，进一步解决故障特征提取时易受到干扰的问题，有效提取故障特征。


技术实现要素：

7.有鉴于现有技术上的缺陷，本发明所要解决的技术问题是如何提供一种能够解决故障特征统计量易受到脉冲性噪声或者低频噪声干扰问题的机械故障特征提取方法。
8.为实现上述目的，本发明提供了一种机械故障特征提取方法，包括以下步骤：
9.步骤1、将采集到的原始信号进行分解，得到子信号；
10.步骤2、将所述子信号进行基于优化权重谱的统计量量化，得到量化值；
11.步骤3、对所述子信号的量化值进行过滤；
12.步骤4、对过滤后的子信号进行故障信息百分比排序；
13.步骤5、根据故障信息百分比重构所述子信号。
14.优选地，步骤1的信号分解算法包括变分模式分解、小波包分解、奇异值分解、小波分解、经验小波分解。
15.进一步地，步骤2中基于优化权重谱的统计量量化方式为：
16.owsi(x1)＝(ω
*
)
t
fs117.其中，owsi(x1)为基于优化权重谱的统计量，x1为被量化的信号，ω∈rn为权重列向量，ω
*
为优化权重，fs1为x1的傅里叶谱，即fs1＝|fft(x1)|∈rn。
18.优选地，优化权重的求解方法包括最大似然估计法、线性支持向量机法。
19.优选地，被量化的信号为故障信号成分时，量化值为正；被量化的信号为固有频率成分或干扰频率成分时，量化值为负。
20.进一步地，步骤3中保留量化值为正的子信号。
21.进一步地，步骤4中的故障信息百分比的计算方式为：
[0022][0023]
其中，s为保留的子信号，rep(sj)为子信号sj的故障信息百分比。
[0024]
进一步地，选择故障信息百分比在前x％的子信号进行重构，其中，x为设定的数值。
[0025]
进一步地，步骤5具体包括：
[0026]
步骤5.1、将保留的子信号按照故障信息百分比降序排列，得到降序排列的向量[rep1,rep2,...,repi,...,reps]；
[0027]
步骤5.2、最小化目标函数最小化后，n1为选择的剩余子信号的个数，对应于量化值的子信号被保留；
[0028]
步骤5.3、混合步骤5.2中保留的子信号。
[0029]
优选地，被量化的信号为故障信号成分时，量化值为负；被量化的信号为固有频率成分或干扰频率成分时，量化值为正；步骤3中保留量化值为负的子信号。
[0030]
本发明至少具有如下有益技术效果：
[0031]
1、本发明提供的机械故障特征提取方法，用正负量化值鉴别了故障子信号成分和固有子信号成分，由于优化权重谱是基于多样本分析得到，量化值不受随机脉冲的影响。
[0032]
2、本发明提供的机械故障特征提取方法，解决了基于信号分解算法故障特征提取
时选择多少子信号和选择哪些子信号的问题，故障特征统计量有效量化和鉴别故障子信号和干扰子信号，无需使用启发式算法。
[0033]
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
[0034]
图1是本发明实施例的机械故障特征提取方法流程示意图；
[0035]
图2是本发明实施例的优化权重谱示意图；
[0036]
图3是本发明实施例的故障特征提取过程图。
具体实施方式
[0037]
以下介绍本发明的优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
[0038]
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
[0039]
本发明提供了一种机械故障特征提取方法，解决故障特征统计量易受到脉冲噪声或者低频噪声干扰的问题，进一步解决故障特征提取时易受到干扰的问题，实现有效提取故障特征的目的。本发明的故障特征提取方法还可以有效解决信号分解中选择哪些子信号以及选择多少子信号用于重构故障特征信号的问题。
[0040]
本实施例的机械故障特征提取方法基于优化权重谱技术，通过给定一个振动信号的采样样本x，利用傅里叶变换fft(
·
)生成标准化傅里叶谱s，即s＝f|fft(x)|/sum(|fft(x)|)。进一步根据p和q个健康和故障采样振动信号，生成标准化傅里叶频谱数据集为：
[0041][0042]
其中yi是标签，p和q分别是健康和故障标准化傅里叶频谱数据样本的样本数量，当yi＝1时，si是故障样本的标准化傅里叶谱；当yi＝0时，si是健康样本的标准化傅里叶谱。
[0043]
标准化傅里叶频谱权重和框架(swnfs)计算如下：
[0044]
swnfs＝ω
t
s+c
[0045]
其中，s是标准化傅里叶频谱列向量，ω∈rn是权重列向量，c是阈值基线。根据swnfs框架，数据集t实际上是高维空间中的两簇点簇：健康标准化傅里叶频谱点簇、故障标准化傅里叶频谱点簇。以最大化两点簇之间的距离为标准，可求得最佳的权重列向量ω＝ω
*
，称ω
*
为优化权重。优化权重的求解方法包括最大似然估计法、线性支持向量机法等。
[0046]
如图2所示为由优化权重形成的优化权重谱，优化权重谱的正谱线频率对应故障特征频率，负谱线频率对应健康成分频率或固有频率成分，即优化权重谱可自动推断故障特征频率成分。优化权重谱正谱线的幅值之间的比例关系与故障信号中故障成分谱线之间的比例关系一致；优化权重谱负线的幅值之间的比例关系与固有信号成分频率谱线之间的比例关系一致。
[0047]
基于优化权重谱技术，本实施例的机械故障特征提取方法如图1所示，具体过程如下：
[0048]
步骤1、将采集到的含干扰成分和随机噪声的原始信号进行分解，得到子信号。
[0049]
本步骤中，信号分解算法包括变分模式分解、小波包分解、奇异值分解、小波分解、经验小波分解，信号分解后得到多个子信号。
[0050]
步骤2、将子信号进行基于优化权重谱的统计量量化，得到子信号的量化值。
[0051]
给定一个信号或者由一个信号分解算法得到的子信号，该信号用x1表示，根据傅里叶变换，其傅里叶谱为fs1＝|fft(x1)|∈rn，则基于优化权重谱的统计量为：
[0052]
owsi(x1)＝(ω
*
)
t
fs1[0053]
owsi(x1)为基于优化权重谱的统计量(optimized weights spectrum based index,owsi)，在被量化的信号或者子信号为故障信号成分时，其量化值为正；当被量化信号为固有频率成分或干扰频率成分时，量化值为负。
[0054]
步骤3、对子信号的量化值进行过滤。
[0055]
本步骤中，根据步骤2的子信号量化值，保留量化值为正的子信号，舍弃量化值为负的子信号。
[0056]
步骤4、对过滤后的子信号进行故障信息百分比排序。
[0057]
对量化值为正的子信号进行故障信息百分比大小排序，故障信息百分比的计算方式如下：
[0058][0059]
其中，s为保留的子信号，rep(sj)为子信号sj的故障信息百分比。
[0060]
步骤5、根据故障信息百分比重构所述子信号。
[0061]
本步骤中，选择故障信息百分比在前x％的子信号进行重构，x可以根据用户需求进行确定。重构的过程如下：
[0062]
步骤5.1、将保留的子信号按照故障信息百分比降序排列，得到降序排列的向量[rep1,rep2,...,repi,...,reps]；
[0063]
步骤5.2、最小化目标函数最小化后，n1为选择的剩余子信号的个数，对应于量化值的子信号被保留，其他的子信号被舍弃；
[0064]
步骤5.3、混合步骤5.2中保留的子信号，得到最终的子信号。
[0065]
也可以直接分析步骤5.2中保留的子信号，以进行机械健康和故障诊断。
[0066]
如图3所示，在轴承故障特征提取的具体实施例中，数据集为全生命周期数据集，数据集中的每个信号以20khz的采样频率、20480采样点采集，共采集984个信号文件。利用这些信号生成的优化权重谱如图2所示，图3(a)所示为第703号文件中的原始振动信号。故障特征提取的过程如下。
[0067]
信号分解：采用变分模式分解第703号文件中的振动信号，分解得到的子信号个数设置为7个，相应的信号分解结果如图3(b)所示。在图3(b)中，这7个子信号分布在7个不同的窄带中，编号分别为1到7。
[0068]
子信号量化与筛出：将7个子信号进行基于优化权重谱的统计量量化，相应的量化值如图3(c)所示，统计量具有可区分的量化特性，其中第1和第7个子信号被识别为干扰分量，并且被筛掉。
[0069]
子信号的相对信息百分比转化：通过故障信息百分比计算公式，将正量化值转换为相对信息百分比，结果如图3(d)所示。
[0070]
故障特征信号重构：根据相对信息百分比，发现第2个子信号不在相对信息前x％(本实施例具体为95％)，因此，仅选择子信号3至6作为最终故障分量并进行混合，最终得到的故障特征信号如图3(e)所示。
[0071]
将图3(a)中的原始信号的频域与图3(e)中提取的故障分量的频域进行比较，可以看出，低频段的主要干扰分量和高频段的噪声干扰分量都被消除。本发明中，步骤2和步骤3可以消除干扰分量，步骤4和步骤5进一步过滤出故障信息相对较少的子信号，因此，可以自动确定选择了哪些子信号和多少子信号。通过本发明的方法，不再需要通过启发式算法仔细调整信号处理参数；如果分解的子信号的数量变大，则可以更精确地实现子信号的选择。
[0072]
在本发明的其他实施例中，如果颠倒设置，即当yi＝1时，si是健康样本的标准化傅里叶谱；当yi＝0时，si是故障样本的标准化傅里叶谱，那么，具有负量化值的子信号为故障频率成分子信号，具有正量化值的子信号为健康频率成分子信号或固有频率成分信号；在步骤3中，保留具有负量化值的子信号，再对保留子信号的量化值取绝对值后按照后续步骤处理即可。
[0073]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到。