基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法与流程

1.本发明涉及旋转机械早期故障诊断领域，具体涉及基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法。


背景技术：

2.齿轮箱作为工程车辆、轨道交通、航空航天、发电系统、冶金采矿等高端装备的重要动力传递系统，经常在复杂恶劣的载荷环境下工作，其中轴承、齿轮等关键旋转部件非常容易产生疲劳、破坏，造成重大经济损失和安全事故。建立可靠的健康监测系统，尽早的发现故障并采取相应的维修措施，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和保证设备运行的安全性都具有重要的意义。例如，当齿轮、轴承发生初始故障后，破坏了机器本身的边界条件，机械设备继续运转，可能会导致齿轮、轴承的加速破坏，而且会诱发其他零部件的故障，产生严重的事故。然而，由于故障早期的信号较弱，且往往被淹没在环境噪声之中，通过常规的采集和分析方法很难直接获得故障特征。综上，提高故障诊断模型特征提取能力和噪声适应能力，能够在背景噪声下准确的提取故障特征，是当前故障诊断领域中的热点和难点问题。
3.要在故障早期识别出故障特征，首先诊断模型需要有强大的噪声适应能力，能够排除干扰，准确提取故障信息，同时，为防止漏报、误报等情况，需要保证算法的鲁棒性和稳定性。综上，轴承齿轮等零部件的初期故障较弱，容易被背景噪声掩盖，漏报后会错过最佳的维护时期，使机械设备处于高危运行状态。要实现对高端装备最关键零部件进行在线监测，在故障初期阶段识别并预警，需要改善监测模型的泛化能力，提高在故障特征提取过程中的噪声适应能力、计算效率和鲁棒性。


技术实现要素：

4.本发明的目的是针对上述不足，提出了一种基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法，该诊断方法主要应用于旋转机械的故障诊断中，通过自动学习滤波器，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.基于非线性卷积稀疏滤波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：对采集的旋转机械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，作为模型的输入。
8.(2)非线性特征激活：确定尺度因子和平移因子，通过广义sigmoid函数，对输入进行非线性激活。
9.(3)构建目标函数：先对特征向量的行进行l2范数归一化，然后对列进行l2范数归一化，对滤波器能量进行约束，求出l1范数，作为模型的目标函数。
10.(4)模型训练：通过拟牛顿法对模型进行迭代优化，得到滤波器组。
11.(5)滤波器降维：对滤波器进行频谱分析，然后计算频谱峭度，选择峭度最大值对
应的滤波器作为最优滤波器。
12.(6)滤波和包络分析：通过最优滤波器对采集的原始样本进行滤波，并进行hilbert包络谱分析。
13.(7)故障类型判断：根据包络谱的峰值、频率和谐波个数，判断故障类型。
14.优选地，步骤1中，测试的旋转机械振动样本为x∈r1×
n
需要经过z
‑
score归一化，即z＝(f
‑
μ
x
)/σ
x
，其中μ
x
为均值，σ
f
为标准差；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，然后构造故障信号的hankel矩阵其中n
s
＝n
‑
l 1，其中n为输入信号的长度，l为滤波器的长度。
15.优选地，步骤2中，通过广义sigmoid函数对样本进行非线性激活，具体激活过程为其中f∈r
m
×
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为非线性特征，y为线性特征，m为滤波器维数。
16.优选地，在步骤3中，先对特征向量的行进行l2范数归一化，然后对列进行l2范数归一化，对滤波器能量进行约束，目标函数为式(1)所示：
[0017][0018]
其中||
·
||1和||
·
||2分别表示l1和l2范数。
[0019]
本发明具有如下有益效果：
[0020]
本技术记载的基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法，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，并根据滤波器的频谱峭度，选择最优滤波器，提高滤波器的质量，对轴承故障的早期诊断具有更好的噪声适应性、计算效率和鲁棒性。
附图说明
[0021]
图1为基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法流程框图；
[0022]
图2为原始信号示意图；
[0023]
图3为非线性卷积稀疏滤波示意图，(a)表示时域波形，(b)表示包络谱；
[0024]
图4为原始卷积稀疏滤波示意图，(a)表示时域波形，(b)表示包络谱。
具体实施方式
[0025]
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：
[0026]
结合图1，基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法，包括以下步骤：
[0027]
(1)输入信号前处理：对采集的旋转机械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，作为模型的输入。
[0028]
测试的旋转机械振动样本为x∈r1×
n
需要经过z
‑
score归一化，即z＝(f
‑
μ
x
)/σ
x
，其中μ
x
为均值，σ
f
为标准差；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，然后构造故障信号的hankel矩阵其中n
s
＝n
‑
l 1，其中n为输入信号的长度，l为滤波
器的长度。
[0029]
(2)非线性特征激活：确定尺度因子和平移因子，通过广义sigmoid函数，对输入进行非线性激活。
[0030]
通过广义sigmoid函数对样本进行非线性激活，具体激活过程为其中为滤波器，ε＝1
×
10
‑8，a和b分别为伸缩因子和平移因子，y为非线性特征，y为线性特征，m为滤波器维数。
[0031]
(3)构建目标函数：先对特征向量的行进行l2范数归一化，然后对列进行l2范数归一化，对滤波器能量进行约束，求出l1范数，作为模型的目标函数。
[0032]
在步骤3中，先对特征向量的行进行l2范数归一化，然后对列进行l2范数归一化，对滤波器能量进行约束，目标函数为式(1)所示：
[0033][0034]
其中||
·
||1和||
·
||2分别表示l1和l2范数。
[0035]
(4)模型训练：通过拟牛顿法对模型进行迭代优化，得到滤波器组。
[0036]
(5)滤波器降维：对滤波器进行频谱分析，然后计算频谱峭度，选择峭度最大值对应的滤波器作为最优滤波器。
[0037]
(6)滤波和包络分析：通过最优滤波器对采集的原始样本进行滤波，并进行hilbert包络谱分析。
[0038]
(7)故障类型判断：根据包络谱的峰值、频率和谐波个数，判断故障类型。
[0039]
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，对本技术记载的方法作进一步描述。
[0040]
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，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
‑
4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。
[0041]
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。