CN106096562A - 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 - Google Patents
基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN106096562A CN106096562A CN201610435189.6A CN201610435189A CN106096562A CN 106096562 A CN106096562 A CN 106096562A CN 201610435189 A CN201610435189 A CN 201610435189A CN 106096562 A CN106096562 A CN 106096562A
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- designated
- frequency
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 239000000203 mixture Substances 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 3
- 208000006011 Stroke Diseases 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- XNKARWLGLZGMGX-UHFFFAOYSA-N ethyl 4-(4-chloro-2-methylphenoxy)butanoate Chemical compound CCOC(=O)CCCOC1=CC=C(Cl)C=C1C XNKARWLGLZGMGX-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 240000001439 Opuntia Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法。本发明主要包括三部分的算法:一是基于经验模态分解(EMD)、奇异值分解(SVD)和K均值聚类(K‑Means)的源信号数目估计算法;二是基于模糊C均值聚类(FCM)的混叠矩阵估计算法;三是基于最小化l1范数的源信号估计及诊断算法。整个算法流程引入了盲源分离(BSS)及稀疏成分分析(SCA)的思想。本发明以仿真信号和实际振动信号为测试对象,给出了详细的算法描述,并通过一系列的实验验证了算法在信号处理及故障诊断方面的有效性。
Description
技术领域
本发明属于振动信号处理和故障诊断方法领域,尤其涉及一种针对风力发电机组齿轮箱的振动信号处理步骤及故障诊断方法。
背景技术
风力发电机组昂贵的运行维护费用是阻碍风电产业快速发展的重要因素之一。随着风电单机容量不断增大,风力发电机组的体积和轮毂高度也不断增大,内部的传动***受力情况更加复杂,由于风力发电机组故障而引起的事故常有发生,造成巨大的经济损失。齿轮箱位于风力发电机机舱内,是风力发电机传动动力的主要部件和连接主轴和发电机的重要枢纽,它具有结构紧凑、传递精度高、传递力矩大等特点,是风力发电机正常高效运行的保障。齿轮箱内部结构和受力情况复杂,并且常在变工况、变载荷等复杂环境下工作,因此齿轮箱部件在长时间运行过程中极易老化损伤,产生各类故障。因此,研究一套可行的齿轮箱故障诊断方法具有重要意义。
盲源分离技术是目前齿轮箱故障诊断领域较常采用的方法。齿轮箱的故障诊断的实质就是从齿轮箱各部位的振动数据中推断出是否发生故障以及发生故障情况下故障的具体类型。在上述诊断过程中,源信号的数目以及和源信号的信号特征都是未知的,即满足盲源特点,因此将盲源分离技术引入故障诊断是十分适合的并已存在相当多的成功应用案例。然而,现有的盲源分离技术仍然存在一定的局限性:一方面,目前的盲源分离算法大多针对超定或者正定情况,即要求观测信号数目大于或等于源信号数目,对欠定情况(观测信号数目小于源信号数目)下的盲源分离研究。但在很多情况下,这一条件并不满足,从而造成分离出的源信号仍然存在一定的混叠,影响最终的诊断结果。另一方面,真实的齿轮箱故障信号具有非平稳、非线性等特点,现有方法对处理这种信号的表现通常较差。
发明内容
为了改进现有方法,本发明的目的在于提供一种适用于欠定非线性盲源情况下的齿轮箱振动信号处理及故障诊断方法,提高故障诊断的准确性。
本发明的目的通过下述技术方案实现,包括以下步骤:
步骤(1),从安装在齿轮箱内的m个传感器上获取振动信号,并设振动信号矩阵为X=[x1,x2,...xm],其中任意一路传感器信号xi都为T维向量,即xi∈RT,表示每一路信号有T个采样点,并记采样频率为Fs。
步骤(2)选取任意一路传感器信号xi,对其进行EMD分解,得到IMF矩阵C,EMD分解过程可采用如下方法:
(2-1)初始化r0=xi,q=1(q为IMF下标,指示IMF数目);
(2-2)初始化h0=rq-1,k=1;
(2-3)求取hk-1的局部极大值和局部极小值点,并以局部极大值点为节点作三次样条插值计算hk-1上包络uk-1,以局部极小值点为节点作三次样条插值计算hk-1下包络lk-1;
(2-4)计算上下包络的均值
(2-5)令hk=hk-1-mk-1;
(2-6)若hk满足本征模态函数条件,则令第q个本征模态函数cq=hk;否则,令k=k+1并转入(2-3);
(2-7)令残量rq=rq-1-cq,若rj至少包含两个极值点,则令q=q+1并转入(2-2);否则分解结束,rq为余量。
(2-8)将上述步骤分离出的q个本征模态函数及余量rq组合成IMF矩阵C=[c1,c2,...cq,rq]。
步骤(3)计算IMF矩阵C的自相关矩阵RC=CCT。
步骤(4)将协方差矩阵进行奇异值分解,由于协方差矩阵为q×q维矩阵,因此得到协方差矩阵q个奇异值,奇异值构成的集合记为{λ1,λ2,...λq}。
步骤(5)取奇异值的自然对数{logλ1,logλ2,...logλq},并对该集合进行K均值聚类,分类数为2,聚类过程可以如下:
(5-1)取两个随机数作为聚类中心,记为{a1,a2};
(5-2)建立目标函数
(5-3)最小化目标函数W,在最小化的过程中,聚类中心{a1,a2}会不断被更新,直至收敛;
(5-4)聚类中心收敛后,待分类集合{logλ1,logλ2,...logλq}会被分为两类,将含数值较大的一类记为G1,数值较小的一类记为G2
步骤(6)统计G1中的元素个数n,将其作为源数目的估计。步骤(1)到步骤(6)的最终目的就是为了得到源数目估计n,用于后续的混叠矩阵及源信号估计。
步骤(7)选取短时傅立叶变换长度L≥64,窗口重叠长度为将各传感器振动信号{x1,x2,...xm}分段,并将各段信号依次进行短时傅立叶变换,将原始信号转化到时频域,得到系数矩阵为X(L,K,m),即X为L×K×m的三维矩阵,其中表示分段数。
步骤(8)根据系数矩阵X(L,K,m)计算各频率点的能量值,能量值矩阵记为E(L),E(L)中的元素
步骤(9)在E(L)中选取n个极大值,记录下相应的频率点,频率点集合记为{f1,f2,...fn}。注意,这里的频率点实际上是极大值在E(L)中的坐标,与真实的频率成比例关系,并非真实的频率值。
步骤(10)在频率点集合{f1,f2,...fn}中任取一个频率点fi,并将其从频率点集合中剔除,从系数矩阵X(L,K,m)提取此频率点的系数矩阵(只取实部)并将其归一化,公式为注意Y为K×m维矩阵。
步骤(11)利用模糊C均值算法对Y进行聚类,得到聚类中心{v1,v2}。矩阵Y中的每一行都可以看作一个m维的样本点,由于Y有K行,样本点集合可记为{y1,y2,...yK}。聚类过程可以如下:
(11-1)设定迭代终止误差为ε,设定权重系数为w,将初始化分类数c设定为2,随机初始化隶属度矩阵U=[uij],隶属度矩阵中的元素uij代表样本yj在第i类中的隶属度,并满足
(11-2)根据公式计算聚类中心{v1,v2};
(11-3)根据公式计算新的隶属度矩阵,记为U′;
(11-4)判断是否满足迭代终止准则,即若||U-U′||<ε,则停止计算;若||U-U′||≥ε,则令U=U′并转入(11-2),继续迭代。
步骤(12)将聚类中心v1作为混叠矩阵A的一列。
步骤(13)判断频率点集合{f1,f2,...fn}是否为空,假如集合不空,则转入步骤(10);假如集合为空集,表明已经得到混叠矩阵A的估计,此时混叠矩阵A恰好为m×n维的矩阵。步骤(7)到步骤(13)的最终目的就是得到混叠矩阵的估计。
步骤(14)分别从系数矩阵X(L,K,m)中提取各元素的实部和虚部并各自压缩重组为一个新的二维矩阵,实部矩阵记为RealX(m,L×K),虚部矩阵记为ImgX(m,L×K)。
步骤(15)建立目标函数且满足Ast=xt,其中A为步骤(13)估计得到的混叠矩阵,st为源信号在时频域中的一列,xt为输入矩阵的一列,这里输入矩阵可以是RealX(m,L×K)或者ImgX(m,L×K)。该步骤建立的目标函数的意义在于最小化分段频域源信号矩阵的l1范数,从而得到分段时频域源信号的估计。
步骤(16)最小化目标函数,得到分段时频域源信号的估计。为了使源信号更加直观和方便诊断,对分段时频域源信号执行逆短时傅立叶变化,得到时域源信号{s1,s2,...sn}。
步骤(17)对源信号{s1,s2,...sn}进行傅立叶变换,得到n个频域波形,判断各个频域波形的故障频率点是否存在明显波形,假如存在,则说明存在该类型故障,否则反之。
本发明引入了盲源分离技术来解决齿轮箱故障诊断问题。齿轮箱振动信号具有时变非线性的特点,利用盲源分离算法直接分离时域信号通常存在比较严重的混叠现象。实际上,齿轮箱振动信号的频率成分与故障类型息息相关,说明信号在频域上能更直观反映故障诊断的本质;另一方面,结合振动信号时变的特点,频率组成比例会随时间产生波动,因此需要结合时域和频域综合考虑。同时,本发明算法引入了稀疏成分分析,利用齿轮箱振动信号在时频域上稀疏的特性,将传感器时域振动信号通过短时傅立叶变换转化时频域求解,随后将计算结果转换回时域或者频域分析,充分利用了振动信号的特性。
本发明与现有振动信号处理方法相比,有益效果包括:本发明将时域振动信号转化到时频域进行求解,更加适用于非线性、非平稳信号的处理;本发明对传感器数目没有要求,适用于超定、正定以及欠定盲源分离问题,弥补了以独立成分分析为基础的盲源分离算法无法处理欠定盲源问题的不足之处;方法的鲁棒性较强,不容易受到噪音干扰,同时减弱了信号间的混叠现象,更加突出一些较微弱的故障信号,避免一些较微弱的故障信号被无用信号覆盖从而造成错判,利于早期故障的发现与维护,从而降低了风场的维护成本。
附图说明
图1算法框架流程图;
图2源信号数目估计算法示意图;
图3不同信噪比下源信号数目估计算法的准确度;
图4五路模拟齿轮箱振动信号的仿真源信号;
图5两路线性混叠情况下的仿真传感器信号;
图6线性混叠情况下第一路传感器信号经验模态分解得到的本征模态函数及余量;
图7五路线性混叠情况下的源信号估计图;
图8两路非线性混叠情况下的仿真传感器信号;
图9五路非线性混叠情况下的源信号估计图;
图10两路真实传感器振动信号时域波形;
图11运用本发明算法恢复得到的三路源信号频域图。
具体实施方式
下面结合附图对本发明做进一步详述:
图1展示了本发明的整体算法框架,从图中可以看到,本发明主要包括三部分算法。在接收到安装在齿轮箱内的m个传感器振动信号之后,此时未知量有两个,即源信号的数量n及源信号本身,因此第一部分算法的目的就是估计源信号的数量n,这里采用的算法有经验模态分解(EMD)、奇异值分解(SVD)以及K均值聚类(K-Means)。图2具体展示了第一部分算法:任意选择一路传感器信号进行EMD分解,分解结束后会得到一个由本征模态函数组成的IMF矩阵,求取IMF自相关矩阵的奇异值并利用K均值聚类算法二分类,数值较大一类的奇异值个数就是源信号数量n的估计。确定了源信号数量n实质上就确定了混叠矩阵的维数,因而可以执行第二部分估计混叠矩阵的算法,这里用到的主要方法是模糊C均值聚类(FCM),该部分的算法实际上还利用了振动信号在时频域上的稀疏性。混叠矩阵估计完毕后,第三部分算法开始执行,本发明运用最小化l1范数的方法还原原始信号。之后通过寻找故障频率点来确定故障类型。
通过上述分析可知,准确估计源信号的数量n是保证后续算法有效的前提,错误的估计直接影响到源信号的恢复。为了验证本发明算法的有效性,通过Matlab构造出若干个仿真源信号来模拟振动源信号,混叠矩阵随机选取,将仿真源信号混合并加以不同强度的噪声,每改变1dB的信噪比(SNR)便运用本发明算法重复一百次仿真实验(不同仿真实验的混叠矩阵都是重新随机选取的),统计得到不同信噪比下源信号数目估计算法的准确度,如图3所示。从图中可以看到,当信噪比升高时,算法的估计准确度随之提高,最终收敛为1,表示信噪比达到一定值后预测准确度为100%,同时,当信噪比在3%附近时,预测准确度也能保持在50%左右。
图4为五路模拟齿轮箱振动信号的仿真源信号时域图,各路信号分别表示齿轮箱内某个轴承或者齿轮产生的振动冲击信号,各路信号之间可以互相混叠,振动传感器接收到的信号就是它们混叠后的信号。图5和图8分别是五路模拟源信号在线性混叠情况与非线性混叠情况下得到的传感器信号,分别对它们执行以下步骤:
步骤(1),由于传感器信号有两路,因此m=2,并设振动信号矩阵为X=[x1,x2],其中任意一路传感器信号xi都为1024维向量,表示每一路信号有1024个采样点,采样频率为1Hz。
步骤(2)选取任意一路传感器信号xi,这里选取x1,对其进行EMD分解,得到IMF矩阵C,线性混叠情况下第一路传感器信号经验模态分解得到的本征模态函数及余量见图6,EMD分解过程如下:
(2-1)初始化r0=xi,q=1(q为IMF下标,指示IMF数目);
(2-2)初始化h0=rq-1,k=1;
(2-3)求取hk-1的局部极大值和局部极小值点,并以局部极大值点为节点作三次样条插值计算hk-1上包络uk-1,以局部极小值点为节点作三次样条插值计算hk-1下包络lk-1;
(2-4)计算上下包络的均值
(2-5)令hk=hk-1-mk-1;
(2-6)若hk满足本征模态函数条件,则令第q个本征模态函数cq=hk;否则,令k=k+1并转入(2-3);
(2-7)令残量rq=rq-1-cq,若rj至少包含两个极值点,则令q=q+1并转入(2-2);否则分解结束,rq为余量。
(2-8)将上述步骤分离出的q个本征模态函数及余量rq组合成IMF矩阵C=[c1,c2,...cq,rq]。
步骤(3)计算IMF矩阵C的自相关矩阵RC=CCT。
步骤(4)将协方差矩阵进行奇异值分解,由于协方差矩阵为9×9维矩阵,因此得到协方差矩阵9个奇异值,奇异值构成的集合记为{λ1,λ2,...λ9}。
步骤(5)取奇异值的自然对数{logλ1,logλ2,...logλ9},并对该集合进行K均值聚类,分类数为2,聚类过程如下:
(5-1)取两个随机数作为聚类中心,记为{a1,a2};
(5-2)建立目标函数
(5-3)最小化目标函数W,在最小化的过程中,聚类中心{a1,a2}会不断被更新,直至收敛;
(5-4)聚类中心收敛后,待分类集合{logλ1,logλ2,...logλq}会被分为两类,将含数值较大的一类记为G1,数值较小的一类记为G2
步骤(6)统计G1中的元素个数,得到n=5,将其作为源数目的估计。
步骤(7)设定短时傅立叶变换长度L=512,窗口重叠长度Overlap=504,将各传感器振动信号{x1,x2}分段,并将各段信号依次进行短时傅立叶变换,将原始信号转化到时频域,得到系数矩阵为X(512,65,2)。
步骤(8)根据系数矩阵X(512,65,2)计算各频率点的能量值,能量值矩阵记为E(L),E(L)中的元素
步骤(9)在E(L)中选取5个极大值,记录下相应的频率点,频率点集合记为{f1,f2,...f5}。注意,这里的频率点实际上是极大值在E(L)中的坐标,与真实的频率成比例关系,并非真实的频率值。
步骤(10)在频率点集合{f1,f2,...f5}中任取一个频率点fi,并将其从频率点集合中剔除,从系数矩阵X(512,65,2)提取此频率点的系数矩阵(只取实部)并将其归一化,公式为注意Y为65×2维矩阵。
步骤(11)利用模糊C均值算法对Y进行聚类,得到聚类中心{v1,v2}。矩阵Y中的每一行都可以看作一个2维的样本点,由于Y有K=65行,样本点集合可记为{y1,y2,...yK}。聚类过程如下:
(11-1)设定迭代终止误差为ε=1e-5,设定权重系数为w=2.0,将初始化分类数c设定为2,随机初始化隶属度矩阵U=[uij],隶属度矩阵中的元素uij代表样本yj在第i类中的隶属度,并满足
(11-2)根据公式计算聚类中心{v1,v2};
(11-3)根据公式计算新的隶属度矩阵,记为U′;
(11-4)判断是否满足迭代终止准则,即若||U-U′||<ε,则停止计算;若||U-U′||≥ε,则令U=U′并转入(11-2),继续迭代。
步骤(12)将聚类中心v1作为混叠矩阵A的一列。
步骤(13)判断频率点集合{f1,f2,...fn}是否为空,假如集合不空,则转入步骤(10);假如集合为空集,表明已经得到混叠矩阵A的估计,此时混叠矩阵A恰好为2×5维的矩阵。步骤(7)到步骤(13)的最终目的就是得到混叠矩阵的估计。
步骤(14)分别从系数矩阵X(512,65,2)中提取各元素的实部和虚部并各自压缩重组为一个新的二维矩阵,实部矩阵记为RealX(2,512×65),虚部矩阵记为ImgX(2,512×65),表示两者都是2×33280维矩阵。
步骤(15)建立目标函数且满足Ast=xt,其中A为步骤(13)估计得到的混叠矩阵,st为源信号在时频域中的一列,xt为输入矩阵的一列,这里输入矩阵可以是RealX(2,512×65)或者ImgX(2,512×65)。该步骤建立的目标函数的意义在于最小化分段频域源信号矩阵的l1范数,从而得到分段时频域源信号的估计。
步骤(16)最小化目标函数,得到分段时频域源信号的估计。为了使源信号更加直观和方便诊断,对分段时频域源信号执行逆短时傅立叶变化,得到时域源信号{s1,s2,...s5}。
步骤(17)对源信号{s1,s2,...s5}进行傅立叶变换,得到5个频域波形,判断各个频域波形的故障频率点是否存在明显波形,假如存在,则说明存在该类型故障,否则反之。由于本实例中仿真源信号已知,不需要再转换到频域,可以直接观察恢复信号与源信号的时域波形。
图7是将线性混叠的传感器信号代入上述步骤得到五路的源信号估计,对比图4中的原始信号,需要注意的是,本发明提出的算法并不保证恢复信号保持原始信号的次序性,即图7中的e1、e2、e3、e4和e5分别是图4中的s1、s4、s2、s5和s3的估计。观察对应的信号,可以发现估计信号较好地恢复了原始信号,从时域波形上几乎无法分辨两者的区别。为了定量衡量算法对源信号的恢复程度,可以计算估计信号与对应信号的相关系数,见表I。图9则是将非线性混叠的传感器信号代入上述步骤得到五路的源信号估计,对比图4可以看到非线性情况下的分离效果相对于线性情况效果稍差,说明非线性情况下的恢复信号仍然存在一定程度的混叠,但还是能分辨出大部分信号对应的源信号。
表I线性混叠情况下恢复信号与对应原始信号相关系数
上述实施例中用到的信号都是仿真信号,下面采用真实振动数据对算法进行验证。振动信号来自美国凯斯西储大学轴承数据中心,实施过程与上述过程类似,这里不再赘述。图10为两路真实传感器振动信号时域波形,采样频率为12000Hz,电动机转速为1772rpm,轴承类型为深沟球轴承,具体型号为6205-2RS JEM SKF,故障类型为轴承内圈故障,理论故障频率为159.93Hz。图11为运用本发明算法恢复得到的三路源信号频域图。从图中可以看出,e1、e2和e3分别占据了低频段、中频段和高频段,并且在e1的159.7Hz频率点附近存在明显的波峰,说明存在内圈故障。
应当理解的是,上述实施例为本发明较佳的实施例子,但本发明的实施方式并不受上述实施例的限制。对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法,其特征在于:
步骤(1),从安装在齿轮箱内的m个传感器上获取振动信号,并设振动信号矩阵为X=[x1,x2,...xm],其中任意一路传感器信号xi都为T维向量,即xi∈RT,表示每一路信号有T个采样点,并记采样频率为Fs;
步骤(2)选取任意一路传感器信号xi,对其进行EMD分解,分离出的q个本征模态函数及余量rq,得到本征模态函数IMF矩阵C,IMF矩阵C=[c1,c2,...cq,rq]。
步骤(3)计算IMF矩阵C的自相关矩阵RC=CCT;
步骤(4)将协方差矩阵进行奇异值分解,由于协方差矩阵为q×q维矩阵,因此得到协方差矩阵q个奇异值,奇异值构成的集合记为{λ1,λ2,...λq}。
步骤(5)取奇异值的自然对数{logλ1,logλ2,...logλq},并对该集合进行K均值聚类,分类数为2,将含数值较大的一类记为G1,数值较小的一类记为G2;
步骤(6)统计G1中的元素个数n,将其作为源数目的估计;
步骤(7)选取短时傅立叶变换长度L≥64,窗口重叠长度为将各传感器振动信号{x1,x2,...xm}分段,并将各段信号依次进行短时傅立叶变换,将原始信号转化到时频域,得到系数矩阵为X(L,K,m),即X为L×K×m的三维矩阵,其中表示分段数。
步骤(8)根据系数矩阵X(L,K,m)计算各频率点的能量值,能量值矩阵记为E(L),E(L)中的元素1≤l≤L;
步骤(9)在E(L)中选取n个极大值,记录下相应的频率点,即各极大值在E(L)中的坐标,频率点集合记为{f1,f2,...fn};
步骤(10)在频率点集合{f1,f2,...fn}中任取一个频率点fi,并将其从频率点集合中剔除,从系数矩阵X(L,K,m)提取此频率点的系数矩阵的实部并将其归一化,公式为其中,Y为K×m维矩阵;
步骤(11)利用模糊C均值算法对Y进行聚类,得到聚类中心{v1,v2}。矩阵Y中的每一行都可以看作一个m维的样本点,由于Y有K行,样本点集合可记为{y1,y2,...yK};
步骤(12)将聚类中心v1作为混叠矩阵A的一列;
步骤(13)判断频率点集合{f1,f2,...fn}是否为空,假如集合不空,则转入步骤(10);假如集合为空集,表明已经得到混叠矩阵A的估计,此时混叠矩阵A恰好为m×n维的矩阵;
步骤(14)分别从系数矩阵X(L,K,m)中提取各元素的实部和虚部并各自压缩重组为一个新的二维矩阵,实部矩阵记为RealX(m,L×K),虚部矩阵记为ImgX(m,L×K);
步骤(15)建立目标函数且满足Ast=xt,其中A为步骤(13)估计得到的混叠矩阵,st为源信号在时频域中的一列,xt为输入矩阵的一列,所述的输入矩阵是RealX(m,L×K)或者ImgX(m,L×K);
步骤(16)最小化目标函数,得到分段时频域源信号的估计。为了使源信号更加直观和方便诊断,对分段时频域源信号执行逆短时傅立叶变化,得到时域源信号{s1,s2,...sn};
步骤(17)对源信号{s1,s2,...sn}进行傅立叶变换,得到n个频域波形,判断各个频域波形的故障频率点是否存在明显波形,假如存在,则说明存在该类型故障,否则反之。
2.根据权利要求1所述的基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法,其特征在于,所述的步骤(2)中EMD分解过程如下:
(2-1)初始化r0=xi,q=1,q为IMF下标,指示IMF数目;
(2-2)初始化h0=rq-1,k=1;
(2-3)求取hk-1的局部极大值和局部极小值点,并以局部极大值点为节点作三次样条插值计算hk-1上包络uk-1,以局部极小值点为节点作三次样条插值计算hk-1下包络lk-1;
(2-4)计算上下包络的均值
(2-5)令hk=hk-1-mk-1;
(2-6)若hk满足本征模态函数条件,则令第q个本征模态函数cq=hk;否则,令k=k+1并转入(2-3);
(2-7)令残量rq=rq-1-cq,若rj至少包含两个极值点,则令q=q+1并转入(2-2);否则分解结束,rq为余量。
(2-8)将上述步骤分离出的q个本征模态函数及余量rq组合成IMF矩阵C=[c1,c2,...cq,rq]。
3.根据权利要求1所述的基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法,其特征在于,所述的步骤(5)中聚类过程如下:
(5-1)取两个随机数作为聚类中心,记为{a1,a2};
(5-2)建立目标函数
(5-3)最小化目标函数W,在最小化的过程中,聚类中心{a1,a2}会不断被更新,直至收敛;
(5-4)聚类中心收敛后,待分类集合{logλ1,logλ2,...logλq}会被分为两类,将含数值较大的一类记为G1,数值较小的一类记为G2。
4.根据权利要求1所述的基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法,其特征在于,所述的步骤(11)中聚类过程如下:
(11-1)设定迭代终止误差为ε,设定权重系数为w,将初始化分类数c设定为2,随机初始化隶属度矩阵U=[uij],隶属度矩阵中的元素uij代表样本yj在第i类中的隶属度,并满足
(11-2)根据公式计算聚类中心{v1,v2};
(11-3)根据公式计算新的隶属度矩阵,记为U′;
(11-4)判断是否满足迭代终止准则,即若||U-U′||<ε,则停止计算;若||U-U′||≥ε,则令U=U′并转入(11-2),继续迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610435189.6A CN106096562B (zh) | 2016-06-15 | 2016-06-15 | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610435189.6A CN106096562B (zh) | 2016-06-15 | 2016-06-15 | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106096562A true CN106096562A (zh) | 2016-11-09 |
CN106096562B CN106096562B (zh) | 2019-06-04 |
Family
ID=57236661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610435189.6A Active CN106096562B (zh) | 2016-06-15 | 2016-06-15 | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096562B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106802407A (zh) * | 2017-01-18 | 2017-06-06 | 南京大学 | 一种信源数估计方法及其应用 |
CN108776801A (zh) * | 2018-04-17 | 2018-11-09 | 重庆大学 | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 |
CN108847686A (zh) * | 2018-07-02 | 2018-11-20 | 国电南瑞科技股份有限公司 | 一种光伏逆变器故障预测方法 |
CN110849462A (zh) * | 2019-12-05 | 2020-02-28 | 武汉科技大学 | 一种基于稀疏特征相似性的连轧机振动信号分离方法 |
CN111160317A (zh) * | 2020-01-06 | 2020-05-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 微弱信号盲提取方法 |
CN111272368A (zh) * | 2020-02-24 | 2020-06-12 | 南京震坤物联网科技有限公司 | 基于基频数据K-Means聚类的支吊架劣化报警方法 |
CN111458141A (zh) * | 2020-04-10 | 2020-07-28 | 中国工程物理研究院机械制造工艺研究所 | 基于经验模态分解和奇异值分解的振源数估计方法 |
CN111582248A (zh) * | 2020-06-11 | 2020-08-25 | 西安因联信息科技有限公司 | 一种基于svd的齿轮箱信号降噪方法 |
CN111612074A (zh) * | 2020-05-22 | 2020-09-01 | 王彬 | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 |
CN113095394A (zh) * | 2021-04-07 | 2021-07-09 | 深圳大学 | 一种基于鲁棒聚类粒子群优化的欠定盲源分离方法 |
CN113884236A (zh) * | 2021-08-24 | 2022-01-04 | 西安电子科技大学 | 一种多传感器融合动平衡分析方法、***、设备、介质 |
CN117235476A (zh) * | 2023-11-14 | 2023-12-15 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
CN117574113A (zh) * | 2024-01-15 | 2024-02-20 | 北京建筑大学 | 一种基于球坐标欠定盲源分离的轴承故障监测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944416A (zh) * | 2012-12-06 | 2013-02-27 | 南京匹瑞电气科技有限公司 | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 |
CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
-
2016
- 2016-06-15 CN CN201610435189.6A patent/CN106096562B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944416A (zh) * | 2012-12-06 | 2013-02-27 | 南京匹瑞电气科技有限公司 | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 |
CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
HU CHUNZHI: "On the use of EEMD and SVM based approach for bearing fault diagnosis of wind turbine gearbox", 《2016 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
QIAN YANG ET AL: "PSO based LS-SVM approach for fault prediction of primary air fan", 《2015 CHINESE AUTOMATION CONGRESS (CAC)》 * |
谭泊: "基于模糊聚类的风力发电机组齿轮箱故障诊断研究", 《万方学位论文库》 * |
郭艳平等: "基于EMD和优化K-均值聚类算法诊断滚动轴承故障", 《计算机应用研究》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106802407B (zh) * | 2017-01-18 | 2020-02-11 | 南京大学 | 一种信源数估计方法及其应用 |
CN106802407A (zh) * | 2017-01-18 | 2017-06-06 | 南京大学 | 一种信源数估计方法及其应用 |
CN108776801A (zh) * | 2018-04-17 | 2018-11-09 | 重庆大学 | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 |
CN108847686A (zh) * | 2018-07-02 | 2018-11-20 | 国电南瑞科技股份有限公司 | 一种光伏逆变器故障预测方法 |
CN108847686B (zh) * | 2018-07-02 | 2021-11-30 | 国电南瑞科技股份有限公司 | 一种光伏逆变器故障预测方法 |
CN110849462B (zh) * | 2019-12-05 | 2021-07-27 | 武汉科技大学 | 一种基于稀疏特征相似性的连轧机振动信号分离方法 |
CN110849462A (zh) * | 2019-12-05 | 2020-02-28 | 武汉科技大学 | 一种基于稀疏特征相似性的连轧机振动信号分离方法 |
CN111160317B (zh) * | 2020-01-06 | 2023-03-28 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 微弱信号盲提取方法 |
CN111160317A (zh) * | 2020-01-06 | 2020-05-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 微弱信号盲提取方法 |
CN111272368A (zh) * | 2020-02-24 | 2020-06-12 | 南京震坤物联网科技有限公司 | 基于基频数据K-Means聚类的支吊架劣化报警方法 |
CN111458141A (zh) * | 2020-04-10 | 2020-07-28 | 中国工程物理研究院机械制造工艺研究所 | 基于经验模态分解和奇异值分解的振源数估计方法 |
CN111612074A (zh) * | 2020-05-22 | 2020-09-01 | 王彬 | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 |
CN111612074B (zh) * | 2020-05-22 | 2024-02-02 | 王彬 | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 |
CN111582248B (zh) * | 2020-06-11 | 2023-11-03 | 西安因联信息科技有限公司 | 一种基于svd的齿轮箱信号降噪方法 |
CN111582248A (zh) * | 2020-06-11 | 2020-08-25 | 西安因联信息科技有限公司 | 一种基于svd的齿轮箱信号降噪方法 |
CN113095394B (zh) * | 2021-04-07 | 2023-09-22 | 深圳大学 | 一种基于鲁棒聚类粒子群优化的欠定盲源分离方法 |
CN113095394A (zh) * | 2021-04-07 | 2021-07-09 | 深圳大学 | 一种基于鲁棒聚类粒子群优化的欠定盲源分离方法 |
CN113884236B (zh) * | 2021-08-24 | 2022-06-21 | 西安电子科技大学 | 一种多传感器融合动平衡分析方法、***、设备、介质 |
CN113884236A (zh) * | 2021-08-24 | 2022-01-04 | 西安电子科技大学 | 一种多传感器融合动平衡分析方法、***、设备、介质 |
CN117235476A (zh) * | 2023-11-14 | 2023-12-15 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
CN117235476B (zh) * | 2023-11-14 | 2024-02-13 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
CN117574113A (zh) * | 2024-01-15 | 2024-02-20 | 北京建筑大学 | 一种基于球坐标欠定盲源分离的轴承故障监测方法及*** |
CN117574113B (zh) * | 2024-01-15 | 2024-03-15 | 北京建筑大学 | 一种基于球坐标欠定盲源分离的轴承故障监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106096562B (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096562A (zh) | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 | |
CN108510153B (zh) | 一种多工况旋转机械故障诊断方法 | |
CN107013449B (zh) | 基于深度学习的声音信号识别压缩机故障的方法及*** | |
CN107356432A (zh) | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 | |
CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
CN110672343A (zh) | 基于多注意力卷积神经网络的旋转机械故障诊断方法 | |
CN109376801B (zh) | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN109472288A (zh) | 一种抽水蓄能机组振动混合特征提取与分类方法 | |
CN109765054A (zh) | 一种滚动轴承故障诊断方法 | |
CN114298267A (zh) | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 | |
CN111693311B (zh) | 基于独立分量分析与相关性准则的旋转机械故障诊断方法 | |
CN110006652A (zh) | 一种滚动轴承故障诊断方法及*** | |
CN113158984B (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 | |
CN104807534A (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
Huang et al. | A Fault Diagnosis Approach for Rolling Bearing Based on Wavelet Packet Decomposition and GMM-HMM. | |
CN106485213A (zh) | 一种利用心电信号进行自动身份识别的特征提取方法 | |
CN107036808A (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN114459760B (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及*** | |
CN104280253B (zh) | 一种基于免疫检测器的故障诊断方法及*** | |
CN108548669A (zh) | 一种工程装备传动***故障诊断方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |