混合信号振声源分离与多机组故障诊断.pdfVIP

振动、测试与诊断 No．4 第32卷第4期 V01．32 2012年8月 of Aug．2012 Journal Vibration，MeasurementDiagnosis 混合信号振声源分离与多机组故障诊断+ 周 勃1’2， 陈长征2， 赵新光2， 谷艳玲2 (1．沈阳工业大学建筑工程学院沈阳，110870)(2．辽宁省振动噪声控制工程技术研究中心沈阳，110870) 摘要针对机房设备混合信号难以提取有用信息，提出了多参数的振声诊断方法。应用最小互信息梯度下降的盲 分离算法，通过展开边缘熵和修正四阶累积量估计值的方法改善算法性能，在故障源数量未知且可能大于传感器 数量的情况下，根据信息源之间的独立性测度关系依次提取最显著的特征值。仿真结果证明，改进算法估计误差减 小且算法可靠。在诊断实例中，首先，分离机房内的混合噪声信号以确定主要故障来源；然后，采集故障源的振动信 号进行非线性盲分离。提取热泵机组压缩机不对中、齿轮啮合不良和碰磨的故障特征；最后，根据分离的振源信号 特征识别故障类型，建立基于盲源分离算法的大空间设备群的振声诊断方法。 关键词信号处理；故障诊断；振动源i声源；盲源分离；设备机房 中图分类号THll3．1 盲源分离的目标就是通过观测信号z(￡)来寻 己I 吉 求一个合适的非线性函数g(·)，使得通过它恢复 -，I 口 源信号s(f)‘5-6。，即 大多数情况下，不同类型的机组经常集中安装 (2) 在同一空间内，设备群振动噪声信号互相干扰混合， 其中：y(f)为s(f)的估计矢量。 仅对单机组进行故障识别和诊断难以得到准确的诊 例如，两层感知器的盲信号分离模型混和的情 断结果。在设备复杂化、规模化的趋势下，故障诊断 况要求，(·)为可逆的，即厂(·)_1一g(·)，且 朝着多机组、实时化方向发展[1]。由于状态监测过程 w。=A。时，分离系统的模型输出为 中采集的信号都是多振动源发出的，在故障源数量 未知情况下，提纯有用故障源特征信号已成为故障 诊断技术的关键[24]。 数作用于矢量Ⅱ的每个分量，即g(“)一{g(“。)， 笔者提出了一种将混合信号分离、根据恢复的源 g(“。)，…，g(“。))T；w，，w：和A都为非奇异矩阵，都 信号识别多机组故障的诊断方法。基于高阶累积量的 是可逆的。 盲分离模型，改进多源盲提取算法，采集设备机房的 在含噪条件下，盲分离可直接利用接收到的未 声信号和振动信号，通过寻找故障的振动源和噪声源 知混合信号在无先验知识情况下从观测数据中恢复 达到对多机组进行状态监测和故障识别的目的。 源信号，常作为一种信噪分离方法‘引。如图1所示， x(忌)为含噪的传感器观测信号矢量，ls(五)为源信号 矢量，，’(点)为噪声矢量，A为未知混合矩阵，输出 1盲源分离模型 噪声信号 佣 在无噪声的条件下，多源信号非线性混合过程 可以归结为 工(f)=厂(s0))