一种用于采集和提取低速重载设备故障特征信息的方法

摘要

本发明公开了一种采集和提取低速重载设备故障特征信息的方法，可用于提取设备微弱故障信号。通过安装在设备轴承座上的声发射传感器采集设备工作状态下的声发射信号，应用非线性冗余提升小波对采集到的声发射信号预处理，对预处理后的声发射信号进行经验模态分解得到若干个本征模态分量，把冲击性和周期性明显的本征模态分量与原始信号组成混合信号，再应用独立分量分析技术分离出独立信号并作傅立叶变换，从而提取出设备的微弱故障特征。该方法能有效提取出低速重载设备的微弱故障特征信息，对设备的故障诊断提供了有效的依据。

主权项

一种采集和提取低速重载设备故障特征信息的方法，其特征在于：该方法包括以下步骤，（1）将声发射传感器安装在设备需要检测的位置，通过与传感器相连接的声发射数据采集仪采集设备在工作状态下的声发射信号；（2）应用非线性冗余提升小波对步骤（1）采集到的声发射信号预处理；非线性冗余提升小波的步骤1）根据插值细分方法获得各层的初始预测系数和更新系数，再引入'atrous算法对初始系数进行插值补零运算，即对于第j层分解，在初始预测系数和更新系数之间插入2^j‑1个零值，以得到该层的预测系数和更新系数；结合尺度函数和小波函数的频率特性，选取多组具有不同长度的预测算子和更新算子并且令以此得到小波函数；应用小波函数对信号进行小波包分解并对分解得到的系数归一化处理并求取lp范数，其计算公式如下${\left|\right|x_{j,n}\left|\right|}_p={\left(\underset{k}{\Sigma }{|x_{j,n,k}/\underset{k}{\Sigma }{x}_{j,n,k}|}^p\right)}^{1/p},$  p≤1;n＝1,2,…2^j式中，x_j,n,k第j层的第n个小波包系数中的第k个元素；分别比较小波包系数的归一化l^p范数，取范数最小时对应的预测算子和更新算子为节点的最优算子；2)对步骤1）分解得到的各个节点求取归一化能量，其计算公式如下$E\left(x_{j,n,k}\right)=\underset{k=1}{\overset{l}{\Sigma }}{x}_{j,n,k}^2/\underset{n=1}{\overset{2^j}{\Sigma }}\underset{k=1}{\overset{l}{\Sigma }}{x}_{j,n,k}^2$式中，x_j,n,k第j层的第n个小波包系数中的第k个元素；3）取步骤2）中小波包能量分析中能量最大的节点进行非线性单支重构，得到单支重构信号x(t)；具体步骤：保留待重构的节点信息并将其他节点信息全部置零；再根据小波包分解时记录各个节点的分解路径进行逆向重构；最后根据非线性算法，在进行每次分解时记录各个节点所选用的最优预测算子和更新算子，根据记录结果进行逆向非线性重构得到重构信号；（3）采用经验模态分解方法对步骤（2）得到的重构信号x(t)进行分解，得到n个本征模态分量；选取冲击性和周期性明显的本征模态分量，与步骤（1）中的原始信号组成混合信号y(t)；经验模态分解的步骤：确定信号x(t)的所有极值点，并用三次样条函数拟合所有的极大值和极小值点，获得x(t)上、下包络线并计算出它们的平均曲线m(t)；用x(t)减去m(t)得到新的信号序列h(t)，重复上次多次直到满足条件得到第一个本征模态函数c₁(t)；原信号减去c₁(t)得到第一阶剩余信号r₁(t)作为新的原信号重复上述过程得到n个本征模态分量，此时得到$x\left(t\right)=\underset{i=1}{\overset{n}{\Sigma }}{c}_i+r_n$式中，c_i为本征模态函数，r_n为残余函数；（4）将步骤（3）得到的混合信号y(t)作为快速独立分量分析的输入数据，该算法是采用牛顿迭代算法对混合信号的大量采样点进行批处理，每次分离出一个独立分量，从而得出计算后的分量即独立信号；（5）对步骤（4）的独立信号作快速傅立叶变换，得到频谱图，通过观察频谱图提取出有用的信息。