往复压缩机轴承复合故障欠定盲源分离技术解析

1. 往复压缩机轴承复合故障欠定盲源分离技术解析

在工业设备状态监测领域，往复压缩机作为关键动力设备，其轴承故障的早期诊断一直是技术难点。传统振动分析方法面临多振源耦合干扰的挑战，而欠定盲源分离技术为解决这一问题提供了新思路。本文将详细介绍基于集合经验模态分解和自适应聚类的复合故障分离方法，并提供可直接运行的MATLAB实现代码。

提示：本文所有代码均已在MATLAB R2021b环境下测试通过，建议使用相同或更高版本运行。

1.1 技术背景与核心挑战

往复压缩机运行时会产生多种振动源信号：

• 活塞往复运动（基频成分）
• 气阀启闭冲击（瞬态脉冲）
• 轴承磨损（调制边频）
• 齿轮啮合（高频谐波）

这些信号在传感器端表现为混合观测，传统频谱分析方法难以有效分离。欠定盲源分离指在传感器数量少于振源数量的条件下（如仅安装2个加速度传感器），从混合信号中恢复原始振源信息。其核心挑战在于：

1. 振源数目估计：在噪声干扰下准确判断实际振源数量
2. 混合矩阵估计：确定各振源到传感器的传递关系
3. 信号重构：在欠定条件下恢复源信号波形

1.2 整体解决方案架构

本文提出的方法采用三阶段处理流程：

mermaid复制graph TD
    A[原始振动信号] --> B[振源数目估计]
    B --> C[混合矩阵估计]
    C --> D[信号重构]
    D --> E[故障诊断]

具体实现包含以下关键技术：

1. 集合经验模态分解(EEMD)与改进BIC准则融合的振源数目估计
2. 自适应密度聚类与遗传退火优化的混合矩阵估计
3. 基于l0范数压缩感知的信赖域信号重构算法

2. 振源数目估计与EEMD融合实现

2.1 集合经验模态分解原理

传统EMD方法存在模态混叠问题，EEMD通过添加高斯白噪声进行多次分解取平均来解决：

matlab复制function [imf] = eemd(signal, noise_std, ensemble_num)
    imf_sum = zeros(length(signal), 10); % 假设最多10个IMF
    for i = 1:ensemble_num
        noisy_signal