增强旋转机械故障信号特征的盲解卷积算法.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CN113536226A(43)申请公布日2021.10.22(21)申请号202110798951.8(22)申请日2021.07.14(71)申请人东南大学地址211102江苏省南京市江宁区东南大学路2号(72)发明人胡建中方波许飞云贾民平(74)专利代理机构北京德崇智捷知识产权代理有限公司11467代理人郝雅洁(51)Int.Cl.G06F17/16(2006.01)G06N3/04(2006.01)G01M13/045(2019.01)权利要求书1页说明书5页附图2页(54)发明名称增强旋转机械故障信号特征的盲解卷积算法(57)摘要本发明涉及一种增强旋转机械故障信号特征的盲解卷积算法，包括以下步骤：S1：构建多个级联的FIR滤波器，根据原始振动信号的特征确定盲解卷积算法的最大化准则，将最大化准则作为目标函数；S2：利用级联的FIR滤波器依次对原始振动信号进行卷积运算，得滤波后的信号，计算滤波后的信号的目标函数值；S3：采用后向自动微分算法计算当前迭代次数下目标函数值对滤波器的梯度；S4：更新所有滤波器的值；S5：重复S2‑S4，达到最大迭代次数后，输出最终的滤波后的信号。解决了由于不同盲解卷积算法的迭代算法不能通用以及盲解卷积算法性能较差，导致旋转机械故障诊断精度不高的技术问题。CN113536226ACN113536226A权利要求书1/1页1.一种增强旋转机械故障信号特征的盲解卷积算法，其特征在于，包括以下步骤：S1：构建多个级联的FIR滤波器，根据原始振动信号的特征确定盲解卷积算法的最大化准则，将最大化准则作为目标函数；S2：利用所述级联的FIR滤波器依次对所述原始振动信号进行卷积运算，得滤波后的信号，计算所述滤波后的信号的目标函数值；S3：采用后向自动微分算法计算当前迭代轮次下目标函数值对滤波器的梯度；S4：更新各滤波器的值；S5：重复S2‑S4，达到最大迭代次数后，输出最终的滤波后的信号。2.根据权利要求1所述的增强旋转机械故障信号特征的盲解卷积算法，其特征在于，利用n个级联的FIR滤波器{f1，f2，…，fn‑1，fn}依次对原始振动信号进行卷积运算，公式如下：s1＝f1*x，s2＝f2*s1，…，sn‑1＝fn‑1*sn‑2，sn＝fn*sn‑1其中，si表示第i个滤波器的输出，i∈[1，n]，*表示卷积运算，sn为原始振动信号x经n个滤波器依次滤波的滤波后的信号；根据所确定的最大化准则而确定的所述目标函数为J，计算sn的目标函数值为J(sn)。3.根据权利要求2所述的增强旋转机械故障信号特征的盲解卷积算法，其特征在于，所述更新各滤波器的值，包括以下步骤：计算一阶动量和二阶动量：2mt＝β1·mt‑1+(1‑β1)·gt，vt＝β2·vt‑1+(1‑β2)·gt其中，β1为一阶动量衰减系数，β2为二阶动量衰减系数，gt为采用后向自动微分算法计算的当前迭代轮次下目标函数值J(sn)对滤波器的梯度，下标t表示第t次迭代；下标t‑1表示第t‑1次迭代；更新所有滤波器的值：‑8其中θt＝{f1，f2，…，fn‑1，fn}表示第t轮迭代下所有滤波器的值，α表示学习率，ε＝10。4.根据权利要求3所述的增强旋转机械故障信号特征的盲解卷积算法，其特征在于，梯度g，的计算公式如下：其中，J代表所述J(sn)，t表示当前迭代轮次，n即为滤波器数量。2CN113536226A说明书1/5页增强旋转机械故障信号特征的盲解卷积算法技术领域[0001]本发明涉及基于深度学习的旋转机械故障诊断计算技术领域，尤其是一种增强旋转机械故障信号特征的盲解卷积算法。背景技术[0002]齿轮箱和轴承是旋转机械的重要部件，它们的失效是造成机械故障最常见的原因。为了减少安全隐患，保证设备正常运行，对旋转机械的齿轮箱和轴承等部件进行状态监测尤为重要。齿轮箱或者轴承故障形成后，会产生将周期性的瞬态脉冲。然而由于受到传输路径和环境噪声的影响，振动传感器所采集的信号故障脉冲大幅度衰减，这给故障分析带来了很大阻碍。[0003]盲解卷积旨求解一个逆FIR滤波器对原始信号滤波，最大限度地恢复由故障激发的脉冲特征。通过最大化滤波信号的某项指标求解滤波器系数，这样的指标通常被称为最大化准则。不同盲解卷积算法的主要区别在于最大化准则不同。例如，基于峭度最大化的盲解卷积算法‑MED；基于相关峭度最大化的盲解卷积算法‑MCKD；基于D范数最大化的盲解卷积算法‑OMED等。这些算法需要人为推导最大化准则对滤波器系数的偏导数，之后进一步推导出滤波器系数的迭代更新公式，最后多次迭代求解滤波器系数和滤波信号。这种求解过程需要人为推导滤波器系数的迭代更新公式，计算过程复杂，并且基于不同最大化准则的盲解卷积算法