基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113702030A(43)申请公布日2021.11.26(21)申请号202110803518.9(22)申请日2021.07.14(71)申请人西南交通大学地址610000四川省成都市二环路北一段(72)发明人张新赵艺珂王家序吴磊张忠强何劲峰(74)专利代理机构成都时誉知识产权代理事务所(普通合伙)51250代理人沈成金(51)Int.Cl.G01M13/021(2019.01)G01M13/028(2019.01)G06F17/15(2006.01)权利要求书2页说明书4页附图2页(54)发明名称基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统(57)摘要本发明公开了基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统，涉及机械故障诊断技术领域，包括以下步骤：S1，输入测量信号，随机初始化滤波器系数；S2，求解滤波信号；S3，对滤波信号进行加窗实现信号均等分割，求得每段滤波信号的峭度，并求其平均值得到该滤波信号的平均窗峭度；S4，更新滤波器系数，获得新的滤波器；S5，重复步骤S2‑S4，使得滤波信号的平均窗峭度达到最大；S6，选择滤波信号的平均窗峭度达到最大时对应的滤波器作为最优滤波器；S7，对滤波信号进行时域分析，据此准确诊断齿轮故障。通过此种设计解决最小熵解卷积因主导冲击干扰造成峭度过大而无法有效恢复周期性故障冲击的问题。CN113702030ACN113702030A权利要求书1/2页1.基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统，其特征在于，包括以下步骤：S1，输入测量信号，随机初始化滤波器系数，执行步骤S2；S2，求解滤波信号，执行步骤S3；S3，对将滤波信号进行加窗实现信号均等分割，求得每段滤波信号的峭度，并求其平均值得到该滤波信号的平均窗峭度，执行步骤S4；S4，更新滤波器系数，获得新的滤波器，执行步骤S5；S5，重复步骤S2‑S4，使得滤波信号的平均窗峭度达到最大，执行步骤S6；S6，选择滤波信号的平均窗峭度达到最大时对应的滤波器作为最优滤波器，执行步骤S7；S7，对滤波信号进行时域分析，据此准确诊断齿轮故障。2.根据权利要求1所述的基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统，其特征在于，所述步骤S3中，平均窗峭度的获得的表达式为：式中，AK表示滤波信号的平均窗峭度，M为分割段数，ym表示第m段信号，K(ym)为其对应的峭度，m取1到M。3.根据权利要求2所述的基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统，其特征在于，所述K(ym)的计算公式为：式中：<·>表示时域平均算子。4.根据权力1所述的基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统，其特征在于，所述步骤S5中的重复步骤S2‑S4，使得滤波信号的平均窗峭度达到最大，选择最大平均窗峭度对应的滤波器参数，描述此过程公式如下：式中，为当前滤波器系数值，f为滤波器。5.根据权利要求1所述的基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统，其特征在于，所述测量信号的卷积形式为：x＝e*he+n*hn式中，*代表卷积运算，x为测量信号，e为周期性故障信号，n为干扰成分，he、hn分别为e和n对应的传递函数。6.根据权利要求5所述的基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统，其特征在于，所述干扰成分包括:杂乱冲击干扰、非高斯谐波分量、高斯白噪声。7.根据权利要求1所述的基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统，2CN113702030A权利要求书2/2页其特征在于，所述步骤S4中，新的滤波器的系数获得的公式为：式中，X0为一矩阵，N为信号长度，y为滤波信号。8.根据权利要求7所述的基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统，其特征在于，所述新的滤波器的系数获得的公式中，所述矩阵式中，L为滤波器长度。3CN113702030A说明书1/4页基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统技术领域[0001]本发明涉及机械故障诊断技术领域，具体为基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统。背景技术[0002]在基于振动信号分析的旋转机械健康监测和故障诊断中，由于存在多个振动源以及受复杂传递路径和强噪声影响，测量振动信号通常成分复杂，可能包含高斯白噪声以及谐波分量、强冲击干扰等非高斯干扰成分，导致周期性故障信号十分微弱。[0003]为解决最小熵解卷积(MinimumEntropyDeconvolution,MED)方法在用于故障诊断时倾向于恢复少量主导冲击而非周期性故障冲击序列的问题，提出了最大平均窗峭度盲解卷积方法。方法定义了一种新盲解卷积指标——平均窗峭度，该指标通过对信号进行加窗均等分割计算各等分段峭度的均值，以抑制因少量