一种旋转机械故障趋势预测的特征提取方法.pdf

(19)中华人民共和国国家知识产权局*CN102661783A*(12)发明专利申请(10)申请公布号CN102661783A(43)申请公布日2012.09.12(21)申请号201210123651.0(22)申请日2012.04.24(71)申请人北京信息科技大学地址100092北京市海淀区清河小营东路12号166信箱(72)发明人徐小力左云波吴国新王红军蒋章雷(74)专利代理机构北京远大卓悦知识产权代理事务所(普通合伙)11369代理人贺持缓(51)Int.Cl.G01H17/00(2006.01)G01M99/00(2011.01)权利要求书权利要求书2页2页说明书说明书44页页附图附图11页(54)发明名称一种旋转机械故障趋势预测的特征提取方法(57)摘要本发明涉及一种旋转机械故障趋势预测的特征提取方法，其步骤为：(1)利用远程在线监测诊断中心进行工业现场数据采集，通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号xj(t)；(2)根据FastICA算法对振动信号xj(t)进行盲源分离，得到原始独立振动源sj(t)的近似信号源yj(t)；(3)对近似信号源yj(t)的向量信号Y进行时频域基于小波包的特征频带分解，提取故障敏感特征频带。本发明由于采用独立成分分析(ICA)处理可以识别出混叠成采集信号的原始的独立信号源，对独立信号源进行基于小波包的特征频带获取，可以判断某个源信号是否在向故障的方向发展，达到提前预防故障的目的。本发明可以广泛在旋转机械故障趋势预测中应用。CN1026783ACN102661783A权利要求书1/2页1.一种旋转机械故障趋势预测的特征提取方法，其包括以下步骤：(1)利用远程在线监测诊断中心进行工业现场数据采集，通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号xj(t)，j＝1，2，...，n，其中，j为通道个数，n为正整数；(2)根据FastICA算法对振动信号xj(t)进行盲源分离，得到原始独立振动源sj(t)的近似信号源yj(t)，其中，j＝1，2，...，n；(3)对近似信号源yj(t)的向量信号Y进行时频域基于小波包的特征频带分解，提取故障敏感特征频带。2.如权利要求1所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤(2)中，基于所述FastICA算法对振动信号xj(t)的盲源分离方法为：①假设存在m个相互独立的振动源sj(t)，其中j＝1，2，...，m，得到m个振动信号xj(t)，且m个振动信号xj(t)的向量形式用X′表示；②对m个振动信号xj(t)的向量X′进行中心化处理，令X′-E[X′]＝X″，使其均值为0，其中，E为数学期望；③根据FastICA算法中的白化公式对向量X″进行白化处理，得到用于求解近似信号源yj(t)的向量X；④根据FastICA算法中的分离矩阵W和向量X构造出近似信号源yj(t)的向量Y＝WX，Y与原来的独立信号源si(t)近似。3.如权利要求2所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤③中，所述白化处理为：T(a)首先求解向量X″的协方差矩阵Cx，Cx＝E[X″(X″)]；(b)根据协方差矩阵Cx，得到以协方差矩阵Cx的单位范数特征向量为列的矩阵F＝(e1…en)，其中，ei(i＝1，2，...，n)为协方差矩阵Cx的单位范数特征向量；(c)根据协方差矩阵Cx，得到以协方差矩阵Cx的特征值为对角元素的对角矩阵D＝diag(d1…dn)，其中，di(i＝1，2，...，n)为协方差矩阵Cx的特征值；(d)将矩阵F和对角矩阵D代入FastICA算法中的白化公式得到向量X。4.如权利要求2所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤④中，所述FastICA算法中的分离矩阵W的收敛方法为：(a)首先对分离矩阵W赋予随机初始值；(b)由Hyvarinen的迭代公式W(k+1)＝E{Xg[W(k)TX]}-E{g[W(k)TX]}W(k)T计算W(k+1)，其中E表示求数学期望，g表示非二次函数的导数，k为迭代次数；(c)利用W(k+1)←W(k+1)/‖W(k+1)||2规范化W(k+1)；(d)反复迭代直至W收敛，得到收敛后的分离矩阵W。5.如权利要求3所述的一种旋转机械故障趋势预测的特征提取方法，其特征在于：所述步骤④中，所述FastICA算法中的分离矩阵W的收敛方法为：(a)首先对分离矩阵W赋予随机初始值；(b)由Hyvarinen的迭代公式W(k+1)＝E{Xg[W(k)TX]}-E{g[W(k)TX]}W(k)T计算W(k+1)，其中E表示求数学期望，g表示非二次函数的导数，k为迭代次数；2CN102661783A权利要求书2/2页(c)利用W(k+1)←W(k+1)