本發(fā)明涉及齒輪箱混合故障盲源分離診斷方法
技術(shù)領(lǐng)域：
，尤其涉及一種可實(shí)現(xiàn)盲源分離單通道擴(kuò)展，提取感興趣的故障信號(hào)的齒輪箱混合故障盲源分離方法。
背景技術(shù)：
：機(jī)械設(shè)備結(jié)構(gòu)復(fù)雜，有很多部件組成，為了獲得該設(shè)備完整的運(yùn)行狀態(tài)，常采用多測點(diǎn)布置傳感器采集信號(hào)，但是每個(gè)傳感器所拾取的振動(dòng)信號(hào)并不是在該位置所測部件的真實(shí)振動(dòng)，它包含各個(gè)部件的綜合振動(dòng)，而且各個(gè)部件產(chǎn)生的振源到達(dá)傳感器的傳送路徑也不同，這增加了傳感器所測信號(hào)的復(fù)雜程度。顯然這里的振動(dòng)信號(hào)存在兩個(gè)未知的因素：振源未知，振源到傳感器的傳遞混合參數(shù)未知。盲源分離(bss)是實(shí)現(xiàn)機(jī)械設(shè)備故障診斷的有效方法之一，它利用設(shè)備故障信號(hào)和噪聲信號(hào)的相對(duì)獨(dú)立性，實(shí)現(xiàn)對(duì)觀測信號(hào)的噪聲去除。bss能夠提取完全湮沒于噪聲中的有用信號(hào)，因此，較之傳統(tǒng)的小波分析和hilbert-huang變換更容易發(fā)現(xiàn)機(jī)械設(shè)備中的微弱故障。然而，在一般的盲分離模型中，往往要求信號(hào)接收器的個(gè)數(shù)不少于信源的數(shù)目。但事實(shí)上，由于成本問題，以及受監(jiān)測環(huán)境所限，可能無法對(duì)設(shè)備同時(shí)安裝多個(gè)傳感器，有時(shí)甚至出現(xiàn)僅能對(duì)其進(jìn)行單通道監(jiān)測的狀況。因此，近年來單通道盲源分離問題逐漸成為盲信號(hào)研究領(lǐng)域中的熱點(diǎn)。經(jīng)驗(yàn)?zāi)Ｊ椒纸?empiricalmodedecomposition，emd)是huang在1998年提出的一種時(shí)頻分析方法，它基于信號(hào)局部特征的時(shí)間尺度，將信號(hào)分解為若干個(gè)本征模函數(shù)(intrinsicmodefunction，imf)之和。其中每個(gè)imf在每個(gè)時(shí)刻只含有單一的頻率成分，從而使得信號(hào)的瞬時(shí)頻率具有物理含義，因此適于分析非平穩(wěn)信號(hào)。信號(hào)經(jīng)emd分解后得到一系列頻率由高至低的本征模態(tài)函數(shù)以及一個(gè)殘余分量，這些本征模態(tài)函數(shù)表征了信號(hào)所有的頻率分布信息。在運(yùn)行的旋轉(zhuǎn)機(jī)械上所采集到的振動(dòng)信號(hào)中不可避免的存在高頻噪聲成分，這使得分解得到的imf序列中部分imf表征的是數(shù)據(jù)中的高頻噪聲成分，另外emd分解不可避免的會(huì)產(chǎn)生虛假振動(dòng)模式，基于emd方法的混合故障信號(hào)預(yù)處理的主要內(nèi)容就是剔除imf序列中的高頻噪聲成分以及虛假振動(dòng)模式，達(dá)到單通道擴(kuò)展及降噪的基本目的。獨(dú)立分量分析(independentcomponentanalysis，ica)是近幾十年來發(fā)展起來的一類信號(hào)處理方法，主要用于解決在上述兩個(gè)未知條件下，僅根據(jù)源信號(hào)的統(tǒng)計(jì)特性和獨(dú)立性來恢復(fù)源信號(hào)的問題。但是獨(dú)立分量分析僅僅是利用了數(shù)據(jù)的統(tǒng)計(jì)獨(dú)立性，而實(shí)際的工程數(shù)據(jù)還有其他的屬性，這會(huì)造成數(shù)據(jù)信息的利用不夠充分。約束獨(dú)立分量分析(constrainedindependentcomponentanalysis，cica)就是把研究對(duì)象的先驗(yàn)信息添加到分析算法中，它是在獨(dú)立分量分析發(fā)展的基礎(chǔ)上發(fā)展起來的。因此可以將約束獨(dú)立分量分析用于機(jī)械故障診斷研究，能將部件早期微弱故障特征從較強(qiáng)的背景噪聲和其它干擾信號(hào)中提取出來，達(dá)到故障診斷的目的。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是如何提供一種可實(shí)現(xiàn)盲源分離單通道擴(kuò)展，提取感興趣的故障信號(hào)的齒輪箱混合故障盲源分離方法。為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是：一種實(shí)現(xiàn)齒輪箱混合故障信號(hào)盲源分離方法，其特征在于包括如下步驟：對(duì)采集到的單通道齒輪箱混合故障信號(hào)進(jìn)行emd預(yù)處理；利用白噪聲統(tǒng)計(jì)特征及峭度值結(jié)合方法選取imf分量，作為有效的振動(dòng)模式分量；對(duì)所選取的imf分量重構(gòu)分組，作為盲源分離的輸入信號(hào)，結(jié)合cica算法進(jìn)行混合信號(hào)盲源分離，提取出感興趣的故障信號(hào)；對(duì)經(jīng)cica方法分離得出的感興趣的故障信號(hào)進(jìn)行hilbert包絡(luò)分析，獲取其包絡(luò)譜，診斷出混合故障中感興趣的故障特征，實(shí)現(xiàn)盲源分離。進(jìn)一步的技術(shù)方案在于：所述方法中通過單個(gè)加速度傳感器采集單通道齒輪箱混合故障信號(hào)。進(jìn)一步的技術(shù)方案在于，所述的對(duì)采集到的單通道混合故障信號(hào)進(jìn)行emd預(yù)處理的方法如下：基于白噪聲統(tǒng)計(jì)特性提取機(jī)械振動(dòng)模式，對(duì)任意歸一化白噪聲時(shí)間序列nm，m＝1，…，n，進(jìn)行emd分解后表示為n為自然數(shù)，白噪聲序列經(jīng)過emd分解后，共分解為w個(gè)imf分量，cl(m)為第l個(gè)imf分量。進(jìn)一步的技術(shù)方案在于，所述的利用白噪聲統(tǒng)計(jì)特征及峭度值結(jié)合方法選取imf分量，作為有效的振動(dòng)模式分量的方法如下：定義cl(m)的能量密度為cl(m)的傅立葉譜所對(duì)應(yīng)的平均周期為經(jīng)過公式推導(dǎo)得出emd分解得到的任意imf的能量密度與平均周期之間的關(guān)系為對(duì)式兩邊取以e為底的對(duì)數(shù)，得到各imf的能量密度與平均周期對(duì)數(shù)值理想關(guān)系式作出能量密度與平均周期對(duì)數(shù)二維關(guān)系圖；計(jì)算白噪聲emd分解后得到的各imf分量的平均周期和能量密度對(duì)數(shù)，散點(diǎn)表示在二維關(guān)系圖中；歸一化白噪聲imf的能量密度服從正態(tài)分布，自由度等于平均能量；因此，對(duì)于歸一化白噪聲時(shí)間序列的任意cl(m)，lnel的置信區(qū)間為在所述二維關(guān)系圖中用虛線作出置信水平為99％條件下的置信區(qū)間，將此圖作為基于白噪聲統(tǒng)計(jì)特性選取imf分量的模板；將單通道采集到的等長度混合信號(hào)進(jìn)行emd分解，計(jì)算各imf分量的平均周期和能量密度對(duì)數(shù)，將散點(diǎn)圖表示在白噪聲統(tǒng)計(jì)特性模板中；將落在置信區(qū)間內(nèi)或邊界上的imf分量作為高頻噪聲和低頻虛假分量去除，而落在置信區(qū)間以外的各imf分量代表的就是實(shí)際的機(jī)械振動(dòng)模式；計(jì)算各imf分量的峭度值，當(dāng)imf分量的峭度值大于3時(shí)，表示imf分量中含有較多的沖擊成分，將此原則與白噪聲統(tǒng)計(jì)特性相結(jié)合，對(duì)imf分量進(jìn)行選取。進(jìn)一步的技術(shù)方案在于，所述的結(jié)合cica算法進(jìn)行混合信號(hào)盲源分離，提取出感興趣的故障信號(hào)的方法如下：基于已知軸承及齒輪的故障信號(hào)特征頻率，構(gòu)造參考脈沖信號(hào)r(t)，定義待提取的獨(dú)立成分y和參考信號(hào)r(t)的距離函數(shù)為ε(y,r)；則有以下不等式：其中：w*是欲抽取的獨(dú)立成分對(duì)應(yīng)的最優(yōu)解混向量，wi(i＝1,2,…,l-1)是其它獨(dú)立成分對(duì)應(yīng)的解混向量；則下述的約束函數(shù)有且只有在y＝w*tx時(shí)為真：g(y)＝ε(y,r)-ξ≤0其中：為閾值參數(shù)，把g(y)的表達(dá)式代入，得到約束獨(dú)立成分算法，即cica算法如下：maxj(y)≈ρ{e[g(y)]-e[g(v)]}2式中：j(y)表示關(guān)于負(fù)熵的目標(biāo)函數(shù)；g(y)是約束函數(shù)；h(y)和h(r)分別是使約束輸出的獨(dú)立成分y和參考信號(hào)r具有單位方差；上式實(shí)際上是對(duì)目標(biāo)函數(shù)的一個(gè)約束優(yōu)化問題，可通過拉格朗日乘數(shù)法求解，得到目標(biāo)源信號(hào)的最佳估計(jì)，將目標(biāo)源信號(hào)即感興趣的信號(hào)提取出來。進(jìn)一步的技術(shù)方案在于，所述ε(y,r)用均方誤差ε(y,r)＝e{(y-r)2}度量，或用相關(guān)函數(shù)ε(y,r)＝-e{yr}度量。采用上述技術(shù)方案所產(chǎn)生的有益效果在于：所述方法有效實(shí)現(xiàn)了單通道混合故障信號(hào)盲源分離的預(yù)處理問題，可同時(shí)達(dá)到單通道擴(kuò)展和信號(hào)降噪的效果，與cica盲源分離算法相結(jié)合，更精確地提取感興趣的故障信號(hào)，提高了故障診斷的針對(duì)性和效果，是一種有效的齒輪箱混合故障診斷方法。附圖說明下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。圖1本發(fā)明實(shí)施例所述方法的主流程圖；圖2本發(fā)明實(shí)施例所述方法中軸承外圈故障仿真信號(hào)時(shí)域圖；圖3本發(fā)明實(shí)施例所述方法中齒輪故障仿真信號(hào)時(shí)域圖；圖4是本發(fā)明實(shí)施例所述方法中隨機(jī)白噪聲時(shí)域圖；圖5本發(fā)明實(shí)施例所述方法中混合信號(hào)時(shí)域圖；圖6本發(fā)明實(shí)施例所述方法中各imf分量的白噪聲統(tǒng)計(jì)特性圖；圖7本發(fā)明實(shí)施例所述方法中各imf分量的峭度值分布圖；圖8本發(fā)明實(shí)施例所述方法中原信號(hào)與重構(gòu)信號(hào)對(duì)比圖；圖9本發(fā)明實(shí)施例所述方法中提取的imf分量時(shí)域波形圖圖10本發(fā)明實(shí)施例所述方法中參考信號(hào)及分離出的故障信號(hào)時(shí)域圖；圖11本發(fā)明實(shí)施例所述方法中分離出的仿真故障信號(hào)包絡(luò)譜圖。具體實(shí)施方式下面結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以采用其他不同于在此描述的其它方式來實(shí)施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實(shí)施例的限制。如圖1所示，本發(fā)明為一種實(shí)現(xiàn)齒輪箱混合故障信號(hào)盲源分離的方法，所述方法包括如下步驟：s101：通過單個(gè)加速度傳感器采集單通道齒輪箱混合故障信號(hào)，對(duì)采集到的單通道齒輪箱混合故障信號(hào)進(jìn)行emd預(yù)處理，以實(shí)現(xiàn)信號(hào)降噪及單通道擴(kuò)展。s102：利用白噪聲統(tǒng)計(jì)特性及峭度值結(jié)合方法選取imf分量，作為有效的振動(dòng)模式分量。s103：對(duì)所選取的imf分量重構(gòu)分組，作為盲源分離的輸入信號(hào)，結(jié)合cica(約束獨(dú)立分量分析)算法進(jìn)行混合信號(hào)盲源分離，可提取出感興趣的故障信號(hào)。比如混合故障信號(hào)包括軸承、齒輪故障信號(hào)以及諧波信號(hào)和噪聲信號(hào)，在進(jìn)行cica算法時(shí)，根據(jù)軸承故障特征頻率建立對(duì)應(yīng)的參考信號(hào)，便可以從輸入信號(hào)中將軸承故障時(shí)域信號(hào)分離(提取)出來，所提取的軸承故障信號(hào)即為感興趣的故障信號(hào)。s104：對(duì)經(jīng)cica方法分離得出的故障成分進(jìn)行hilbert包絡(luò)分析(cica分離得出的故障信號(hào)為時(shí)域波形，需要進(jìn)行頻域分析得到故障頻率才可驗(yàn)證分離結(jié)果得到的是感興趣的故障信號(hào)，對(duì)其進(jìn)行hilbert包絡(luò)分析可得到信號(hào)的包絡(luò)譜，包絡(luò)譜可反映出分離信號(hào)的頻譜信息)，用以獲取其包絡(luò)譜，可診斷出混合故障中感興趣的故障特征，實(shí)現(xiàn)盲源分離。具體的，所述的步驟s101中基于對(duì)輪箱混合故障信號(hào)進(jìn)行emd預(yù)處理以及利用白噪聲統(tǒng)計(jì)特性及峭度值結(jié)合方法選取imf分量，作為有效的振動(dòng)模式分量的具體方法如下：1)基于白噪聲統(tǒng)計(jì)特性提取機(jī)械振動(dòng)模式，對(duì)任意歸一化白噪聲時(shí)間序列nm，m＝1，…，n。進(jìn)行emd分解后表示為n為自然數(shù)，白噪聲序列經(jīng)過emd分解后，共分解為w個(gè)imf分量，cl(m)為第l個(gè)imf分量。2)定義cl(m)的能量密度為3)cl(m)的傅立葉譜所對(duì)應(yīng)的平均周期為4)經(jīng)過公式推導(dǎo)可得出emd分解得到的任意imf的能量密度與平均周期之間的關(guān)系為對(duì)式兩邊取以e為底的對(duì)數(shù)，得到各imf的能量密度與平均周期對(duì)數(shù)值理想關(guān)系式作出能量密度與平均周期對(duì)數(shù)二維關(guān)系圖。5)計(jì)算白噪聲emd分解后得到的各imf分量的平均周期和能量密度對(duì)數(shù)，散點(diǎn)表示在二維關(guān)系圖中。6)歸一化白噪聲imf的能量密度服從正態(tài)分布，自由度等于平均能量。因此，對(duì)于歸一化白噪聲時(shí)間序列的任意cl(m)，lnel的置信區(qū)間為在上述二維圖中用虛線作出置信水平為99％條件下的置信區(qū)間，此圖作為基于白噪聲統(tǒng)計(jì)特性選取imf分量的模板。7)將單通道采集到的等長度混合信號(hào)進(jìn)行emd分解，計(jì)算各imf分量的平均周期和能量密度對(duì)數(shù)，將散點(diǎn)圖表示在白噪聲統(tǒng)計(jì)特性模板中。將落在置信區(qū)間內(nèi)或邊界上的imf分量作為高頻噪聲和低頻虛假分量去除，而落在置信區(qū)間以外的各imf代表的就是實(shí)際的機(jī)械振動(dòng)模式。8)計(jì)算各imf的峭度值，當(dāng)imf的峭度值大于3時(shí)，表示imf中含有較多的沖擊成分，將此原則與白噪聲統(tǒng)計(jì)特性相結(jié)合，對(duì)imf分量進(jìn)行更精確的選取。所述的步驟s103中結(jié)合cica算法進(jìn)行混合信號(hào)盲源分離包括以下步驟：基于已知軸承及齒輪的故障信號(hào)特征頻率，構(gòu)造參考脈沖信號(hào)r(t)，定義待提取的獨(dú)立成分y和參考信號(hào)r(t)的距離函數(shù)為ε(y,r)。ε(y,r)可用均方誤差ε(y,r)＝e{(y-r)2}度量，也可用相關(guān)函數(shù)ε(y,r)＝-e{yr}度量。則有以下不等式：其中：w*是欲抽取的獨(dú)立成分對(duì)應(yīng)的最優(yōu)解混向量，wi(i＝1,2,…,l-1)是其它獨(dú)立成分對(duì)應(yīng)的解混向量。則下述的約束函數(shù)有且只有在y＝w*tx時(shí)為真：g(y)＝ε(y,r)-ξ≤0(5)其中：為閾值參數(shù)。把式(5)代入，可得約束獨(dú)立成分(cica)算法如下：式中：j(y)表示關(guān)于負(fù)熵的目標(biāo)函數(shù)g(y)是約束函數(shù)；h(y)和h(r)分別是使約束輸出的獨(dú)立成分y和參考信號(hào)r具有單位方差；上式實(shí)際上是對(duì)目標(biāo)函數(shù)的一個(gè)約束優(yōu)化問題，可通過拉格朗日乘數(shù)法求解，得到目標(biāo)源信號(hào)的最佳估計(jì)，將目標(biāo)源信號(hào)提取出來(目標(biāo)源信號(hào)即感興趣的信號(hào)，如源信號(hào)中包括齒輪、軸承故障等信號(hào)，若將軸承故障信號(hào)作為想要提取出的目標(biāo)信號(hào)，即軸承故障信號(hào)為感興趣的信號(hào))。為了驗(yàn)證所提方法在分析齒輪箱故障特征提取中的有效性，從而構(gòu)造一組仿真信號(hào)。其中，s1為軸承外圈故障仿真信號(hào)，s2為齒輪故障仿真信號(hào)，s3為混入的白噪聲信號(hào)，s1及s2如式(7)所示。圖2是軸承外圈故障仿真信號(hào)的時(shí)域圖，圖3是齒輪故障仿真信號(hào)的時(shí)域圖，圖4是混入的白噪聲信號(hào)的時(shí)域圖。其中，采樣頻率為25600hz，a＝800為衰減率，a＝2m·s-2為沖擊幅值，t＝1s為仿真時(shí)長，f1＝3khz為沖擊導(dǎo)致的共振頻率，f2＝240hz為故障齒輪嚙合頻率，仿真軸承的故障特征頻率fm為55hz，仿真故障齒輪幅值調(diào)制頻率fz為20hz。仿真單通道數(shù)據(jù)采集，將以上信號(hào)進(jìn)行混合，混合仿真信號(hào)的時(shí)域圖如圖5所示。對(duì)歸一化處理后的混合信號(hào)進(jìn)行emd分解，得到13個(gè)imf分量，分別計(jì)算出各imf分量的能量密度和平均周期。構(gòu)造與混合信號(hào)等長度的歸一化白噪聲樣本，將仿真信號(hào)分解出的各imf分量的能量密度和平均周期對(duì)數(shù)值(對(duì)應(yīng)的點(diǎn)用*表示)與該置信區(qū)間對(duì)比，結(jié)果如圖6所示，可明顯觀察到代表imf2，imf5，imf6及imf7的點(diǎn)落在置信區(qū)間外。計(jì)算各imf的峭度值，如圖7所示，可看出imf2，imf5，imf6，imf7及imf11的峭度值大于3，再分別計(jì)算imf2，imf5，imf6，imf7及imf11與原信號(hào)的相關(guān)系數(shù)值，如表1所示，可見imf11的相關(guān)系數(shù)值相對(duì)較小，由此判斷imf2，imf5，imf6及imf7屬于振動(dòng)模式分量(即有效的包含機(jī)械振動(dòng)信息的分量)。將選取出的imf分量進(jìn)行重構(gòu)，其時(shí)域圖與原信號(hào)對(duì)比如圖8所示，從圖中可明顯看出，對(duì)信號(hào)進(jìn)行emd分解再重構(gòu)實(shí)現(xiàn)了一定程度上的降噪處理，沖擊成分更加明顯。表1-imf分量與混合信號(hào)的相關(guān)系數(shù)imf分量imf2imf5imf6imf7imf11相關(guān)系數(shù)0.58000.28210.62580.25740.0368用cica算法對(duì)提取出的imf分量進(jìn)行盲源分離，目的將軸承及齒輪故障仿真信號(hào)從選取的imf分量信號(hào)中分離出來。如圖9，將imf2，imf5，imf6及imf7作為輸入信號(hào)，參考軸承及齒輪仿真故障特征頻率，建立方波形式的參考信號(hào)，并利用cica方法提取出的軸承及齒輪仿真故障信號(hào)時(shí)域波形如圖10所示。對(duì)分離出的故障信號(hào)分別做hilbert包絡(luò)分析，得到hilbert包絡(luò)譜如圖11所示，從圖中可明顯地看到對(duì)應(yīng)的軸承仿真故障頻率55hz以及倍頻，以及齒輪仿真故障的調(diào)制頻率20hz，驗(yàn)證了上述選取imf分量方法以及cica算法的正確性。本發(fā)明實(shí)施例中的測試數(shù)據(jù)處理結(jié)果驗(yàn)證了所述方法的有效性。所述方法有效實(shí)現(xiàn)了單通道混合故障信號(hào)盲源分離的預(yù)處理問題，可同時(shí)達(dá)到單通道擴(kuò)展和信號(hào)降噪的效果，與cica盲源分離算法相結(jié)合，更精確地提取感興趣的故障信號(hào)，提高了故障診斷的針對(duì)性和效果，是一種有效的齒輪箱混合故障診斷方法。當(dāng)前第1頁12