[发明专利]基于密度峰值聚类的稀疏分量分析的机械故障诊断方法

说明书

本发明公开了一种基于密度峰值聚类的稀疏分量分析的机械故障诊断方法，属机械设备状态监测及故障诊断技术领域，该方法首先拾取机械振动的观测信号；使用sinC函数构建结构元素，并基于sinC型结构元素构造组合滤波器，对观测信号进行形态滤波(MF)处理，并对滤波后的信号进行归一化处理并取绝对值；对归一化信号通过密度峰值聚类算法来得到聚类中心；利用聚类中心对滤波信号进行正交匹配追踪重构，得到解调源信号；然后对估计的源信号进行FFT，对变换后的信号的频域进行分析，最终实现盲源分离的故障诊断，本发明不要求故障数量已知，可以充分实现故障信号的盲源分离。

技术领域

本发明涉及一种基于密度峰值聚类的稀疏分量分析的机械故障诊断方法，属于机械设备状态监测及故障诊断技术领域。

背景技术

滚动轴承通常安装在旋转机械的关键位置，因此即使是比较微弱的故障也能在振动信号中反映出来。在实际的工业制造现场，故障源往往不止一个，这意味着传感器采集的往往不是单个振动源，而是多个信号的耦合。上述现象使故障排除非常困难。因此，为了解决这一问题，提高现代设备故障检测和诊断的准确性，最关键的一步就是将故障信号从混合信号中分离出来，这种问题称为信号的盲源分离。通常解决盲源分离问题的方法有两种，分别是独立成分分析(Independent Component Analysis,ICA)和主成分分析(SparseComponent Analysis,SCA)。

ICA算法的前提是源信号统计独立，每个独立分量必须符合非高斯分布。然而，现代机械设备很难满足该假设。相反，SCA的稀疏性假设相对容易满足。综合比较，SCA更适合作为解决BSS的一种方法。然而，由于实际生产机械的复杂性和现场噪声的多样性，采集到的时域信号往往难以满足SCA的稀疏性的要求。

因此，直接在时域对观测信号进行SCA是不明智的。但是，考虑将其变换到频域或时频域时则，相对容易满足稀疏性的要求，并且现有的SCA算法大多是在源数目已知的情况下通过混合矩阵(即本发明的聚类中心)估计源信号，然而工业现场背景噪声强、干扰源多，致使在实际测试过程中故障源数目事先并不清楚。

发明内容

针对上述存在的问题，本发明提供了一种基于密度峰值聚类的稀疏分量分析算法的机械故障

诊断方法；该方法可以充分削弱其他干扰信号对分离的源信号进行故障识别的影响，可在未知源数目个数的情况下，实现轴承复合故障盲分离，利用机械振动信号进行故障特征提取及诊断。

本发明基于密度峰值聚类的稀疏分量分析算法是这样实现的：首先把加速度传感器安装在机械设备的壳体表面，通过加速度传感器拾取机械振动的观测信号；其次使用sinC函数构建结构元素，并基于sinC型元素构造结合形态开-闭滤波器与形态闭-开滤波器的组合滤波器；采用组合滤波器对所拾取的机械振动观测信号进行滤波处理，得到滤波信号c_h×t，将滤波信号c_h×t进行归一化处理，得到归一化信号并取绝对值；通过密度峰值聚类算法对归一化信号进行聚类处理并得到聚类中心；最后基于聚类中心，运用正交匹配追踪算法从包含复合故障的信号中重构并分离出k个包含单一故障的源信号，k为聚类中心的维数，对分离的源信号进行FFT，然后对变换后的信号在频域进行分析，确定故障类型，最终实现故障诊断；

上述方法的具体步骤如下：

A、首先把加速度传感器安装在机械设备的壳体表面，通过加速度传感器拾取机械振动的观测信号x_h×t，其中，h为传感器个数，t为采样时刻；

B、使用sinC函数构建结构元素，并基于sinC型元素构造组合滤波器，步骤如下：

B1、基于函数构建sinC型元素，则结构元素g(x)＝sinC(x)；