CN105628358A - 基于参数自适应随机共振的离心机转子故障诊断方法 - Google Patents
基于参数自适应随机共振的离心机转子故障诊断方法 Download PDFInfo
- Publication number
- CN105628358A CN105628358A CN201510999497.7A CN201510999497A CN105628358A CN 105628358 A CN105628358 A CN 105628358A CN 201510999497 A CN201510999497 A CN 201510999497A CN 105628358 A CN105628358 A CN 105628358A
- Authority
- CN
- China
- Prior art keywords
- centrifuge rotor
- parameter
- fault diagnosis
- signal
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Centrifugal Separators (AREA)
Abstract
本发明涉及离心机转子故障诊断领域,具体涉及一种基于参数自适应随机共振的离心机转子故障诊断方法,包括如下步骤:采用粒子群算法实现双稳态系统模型参数a和b的自适应取值寻优;采样多组具有故障的离心机转子故障信号并且在上述双稳态系统下分别进行随机共振处理以及快速傅里叶变换;对每组故障特征频率数据进行归一化处理;将5种SVM类型和4种核函数采用交叉组合建立20种不同的支持向量机类型,对于惩罚因子c和g的取值采用粒子群算法进行参数寻优,找出最佳的SVM模型和惩罚因子c、g取值;对测试集样本进行故障诊断。本发明能够以低误差率分辨出含噪信号中的特征信号值,提高故障诊断的准确率。
Description
技术领域
本发明涉及离心机转子故障诊断领域,具体涉及一种基于参数自适应随机共振的离心机转子故障诊断方法。
背景技术
离心机是一种结构复杂的高速旋转机械,广泛应用于化工、石油、食品、制药、选矿、煤炭、水处理和船舶等部门,离心机在使用过程中会因为使用不当或者运行时间累计过长造成零件老化、磨损等故障。转子的主要故障类型包括转子不平衡、转子不对中、转子碰磨、油膜振荡、转轴裂纹五种。
由于离心机转子振动信号属于低信噪比、重度污染的微弱信号,从传感器直接获取的振动信号如果直接进行快速傅里叶变换(FFT)则很难从中获取明显的特征频率和伴生频率值,LIQiang,WANGTaiyong,LENGYonggang,etal.在文献《MechanicalSystemsandSignalProcessing》中提出了一种自适应变步长随机共振并应用于滚动轴承的故障诊断,该方法能有效地提取淹没在噪声中的微弱特征信号;TANJiyong,CHENXuefeng,WANGJunying,etal.在文献《MechanicalSystemsandSignalProcessing》中提出了移频变尺度随机共振算法,克服了高频信号检测中随机共振的采样频率过高和数据点过多的限制等。
PSO(粒子群优化算法)最早是由Kennedy和Eberhart在1995年提出来的一种群体智能优化算法。PSO算法在可解空间初始化一群粒子,每个粒子用位置、速度、适应度值三项指标来表示,并且每个粒子代表极值优化问题的一个潜在的最优解。
支持向量机(SVM)作为一种新型的人工智能方法,它的主要思想是建立一个分类超平面作为决策面,使得正例和反例之间的隔离边缘被最大化,它是结构风险最小化的近似实现,在模式分类问题中其泛化能力更强、全局寻优能力更佳,更符合离心机故障诊断的复杂情况。
目前常用的转子轴类故障诊断方法有:张文斌,周晓军,杨先勇,等在文献《振动与冲击》中提出的基于谐波窗转子轴心轨迹提纯方法;陈保家,何正嘉,陈雪峰,等在文献《西安交通大学学报》中提出的局部均值分解信号提取法;杨文志,马文生,任学平在文献《噪声与振动控制》中提出的利用小波或小波包对故障信号进行分解和重构方法;王建国,吴林峰,秦绪华在文献《中国机械工程》中提出的采用自相关分析和局域均值分解(LMD)方法提取故障特征等。这些检测方法各有优点,在一定程度上能反映出转子轴的故障特征,但它们均是从消除噪声的角度出发来检测故障,但是离心机故障信号属于对于低信噪比、重度污染的微弱信号,这些方法在降低噪声的同时也削弱了特征信号。
实际工程应用中离心机振动信号噪声来源复杂多变,由于a=b=1的双稳态系统随机共振对含噪输入信号的处理效果受噪声强度影响较大,噪声强度的变化直接影响提取特征频率的准确度。
发明内容
本发明提供一种基于参数自适应随机共振的离心机转子故障诊断方法,解决现有技术中采用固定参数a=b=1的随机共振系统造成的提取特征频率不够准确的问题,具体技术方案如下:
一种基于参数自适应随机共振的离心机转子故障诊断方法,包括如下步骤:
S1:采用粒子群算法实现双稳态系统模型参数a和b的自适应取值寻优。
S2:采样多组具有故障的离心机转子故障信号并且在上述双稳态系统下分别进行随机共振处理以及快速傅里叶变换,根据每组信号频率谱波形提取出在0.4~0.5f,1f,2f,3f,>4f五个频率范围数据,建立离心机故障特征频率样本集,作为支持向量机的输入样本,其中f为工频频率;
S3:用mapminmax函数对每组故障特征频率数据进行[0,1]归一化处理;
S4:将5种SVM类型C-SVC,nu-SVC,one-classSVM、spsilion-SVR、nu-SVR和4种核函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型,对于惩罚因子c和g的取值采用粒子群算法进行参数寻优,找出最佳的SVM模型和惩罚因子c、g取值;
S5:对测试集样本进行故障诊断。
具体的,所述步骤S2中的随机共振处理采用双稳态系统模型进行随机共振处理。
具体的,所述步骤S3中的故障特征频率样本集分为训练集和测试集。
有益效果:
本发明相对于传统的离心机转子诊断方法采用随机共振对低信噪比的离心机输入信号进行信号处理,能够以低误差率分辨出含噪信号中的特征信号值,具有优秀的信号处理能力,提高故障诊断的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为含噪输入信号D=0.01时的时域波形;
图2为含噪输入信号D=0.01时经FFT处理后频域波形;
图3为含噪输入信号D=0.01时经参数自适应随机共振处理后时域波形;
图4为含噪输入信号D=0.01时经参数自适应随机共振处理后频域波形;
图5为含噪输入信号D=0.41时经传统随机共振处理后频域波形;
图6为含噪输入信号D=0.41时经参数自适应随机共振处理后频域波形;
图7为归一化的90组样本数据;
图8为粒子群算法适应度曲线;
图9为测试集故障诊断结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于参数自适应随机共振的离心机转子故障诊断方法,包括如下步骤:
S1:采用粒子群算法实现双稳态系统模型参数a和b的自适应取值寻优
S2:采样具有故障的离心机转子故障信号并且分别进行随机共振处理以及快速傅里叶变换,根据每组信号频率谱波形提取出在0.4~0.5f,1f,2f,3f,>4f五个频率范围数据,作为支持向量机样本,其中f为工频频率;
S3:用mapminmax函数对每组故障特征频率数据进行[0,1]归一化处理;
S4:将5种SVM类型C-SVC,nu-SVC,one-classSVM、spsilion-SVR、nu-SVR和4种核函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型,对于惩罚因子c和g的取值采用粒子群算法进行参数寻优,找出最佳的SVM模型和惩罚因子c、g取值;
S5:对测试集样本进行故障诊断。
所述步骤S2中的随机共振处理采用双稳态系统模型进行随机共振处理,所述步骤S3中故障特征频率数据分为训练集和测试集。
实施例1:
为了验证提出的随机共振方法对低信噪比的离心机转子故障信号去除噪声的有效性,仿真一个满足小参数要求的正弦信号(随机共振理论要求输入信号必须满足小参数的要求,即信号幅值A<<1,噪声强度D<<1,信号频率f<<1),此正弦信号为s(t)=Asin(2πf0t),其中A=0.3,f0=0.05,这个正弦信号模拟离心机输出的理想无噪声旋转信号。在此正弦信号中加入零均值的高斯白噪声ε(t),噪声强度D=0.02,数据长度L取4096个点,采样频率fs=5Hz。模拟后的离心机转子含噪输出信号为该信号的时域波形如图1所示,对ss(t)信号进行快速傅里叶变换(FFT)后得到的频域波形图如图2所示,从图2可以看出,含噪信号直接进行FFT后频谱图在特征信号f=0.01周围存在很多与其等高以及超高的谱峰,特征频率不够突出,难以通过此频谱图找出特征信号,因此也难以按照特征频率和伴生频率进行离心机转子故障诊断。
由朗之万方程描述的双稳态系统模型为,采用双稳态系统随机共振处理前述模拟输入信号ss(t)得到的时域波形如图3所示,再对经随机共振处理后的时域信号进行FFT得到频域波形如图4所示,在图4中可以看出明显的最高波峰,且其对应频率f=0.0127,十分接近实际特征信号频率f=0.01,绝对误差为0.0027,相对误差为0.27,由此可以证明随机共振对低信噪比的离心机输入信号具有优越的信号处理能力,能够以低误差率分辨出含噪信号中的特征信号值。
改变噪声强度为D=0.41,重复前述仿真实验,图5为含噪输入信号经参数自适应随机共振处理后频域波形,在特征频率f0=0.01Hz处有明显谱峰;仿真实验各参数不变,改用传统随机共振进行处理,此时双稳态系统参数值为a=b=1,图6为含噪输入信号经传统随机共振处理后频域波形,在特征频率f0=0.01Hz处无谱峰,通过多次实验得出结论:a=b=1的传统随机共振系统对含噪输入信号s(t)的处理效果受噪声强度影响较大,噪声强度的变化直接影响提取特征频率的准确度。实际工程应用中离心机振动信号噪声来源复杂多变,传统的随机共振系统不能满足要求。
采样90组已确定故障类型的离心机转子故障信号并且分别进行随机共振处理以及FFT变换,根据每组信号频率谱波形提取出在0.4~0.5f,1f,2f,3f,>4f五个频率范围数据(其中f为工频频率),作为支持向量机样本,将每组频率数据和对应的故障类型标签值保存到90×6矩阵,矩阵的第1列到第5列对应五个频率范围数值,第6列是故障类别标签值;
用mapminmax函数对每组故障特征频率数据进行[0,1]归一化处理,每一种故障类型提取15组样本作为训练集,其余3组样本作为测试集,即训练集有75组数据,测试集有15组数据,数据如图7所示。
将5种SVM类型C-SVC,nu-SVC,one-classSVM、spsilion-SVR、nu-SVR和4种核函数,线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型,对于惩罚因子c和g的取值采用粒子群算法进行参数寻优,通过对比各实验结果,找出最佳的SVM模型和惩罚因子c、g取值,粒子群算法适应度曲线、c、g取值如图8所示。
对测试集样本进行故障诊断,对比实际故障类型和诊断故障类型,测试集故障诊断结果如图9所示,15组测试样本有一组诊断错误,准确率为93.3333%,通过提高训练样本集数量可以提高故障诊断的准确率。
需要说明的是,本发明将粒子群算法应用到双稳态系统参数a,b取值寻优问题中,以双稳态系统信噪比作为粒子群适应度函数,实现双稳态系统自适应随机共振。
本发明相对于传统的离心机转子诊断方法采用随机共振对低信噪比的离心机输入信号进行信号处理,能够以低误差率分辨出含噪信号中的特征信号值,具有优秀的信号处理能力,提高故障诊断的准确率。
本发明建立的参数自适应随机共振信号处理方法在离心机振动信号中的噪声强度较低时对故障特征频率的捕捉效果优于传统随机共振,例如在噪声强度D为0.01时特征频率谱峰值是传统随机共振谱峰值的3.9377倍。本发明对含噪输入信号处理效果受噪声强度影响小,在不同噪声强度下对特征频率提取准确率均高于传统的固定参数a=b=1的随机共振系统,更适合处理实际工程应用中复杂多变的离心机振动信号,本发明具有优秀的信号处理能力,提高了离心机故障诊断的准确率,经仿真实验验证离心机故障诊断准确率高达100%
本以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种基于参数自适应随机共振的离心机转子故障诊断方法,包括如下步骤:
S1:采用粒子群算法实现双稳态系统模型参数a和b的自适应取值寻优。
S2:采样多组具有故障的离心机转子故障信号并且在上述双稳态系统下分别进行随机共振处理以及快速傅里叶变换,根据每组信号频率谱波形提取出在0.4~0.5f,1f,2f,3f,>4f五个频率范围数据,建立离心机故障特征频率样本集,作为支持向量机的输入样本,其中f为工频频率;
S3:用mapminmax函数对每组故障特征频率数据进行[0,1]归一化处理;
S4:将5种SVM类型C-SVC,nu-SVC,one-classSVM、spsilion-SVR、nu-SVR和4种核函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型,对于惩罚因子c和g的取值采用粒子群算法进行参数寻优,找出最佳的SVM模型和惩罚因子c、g取值;
S5:对测试集样本进行故障诊断。
2.如权利要求1所述的基于参数自适应随机共振的离心机转子故障诊断方法,其特征在于,所述步骤S2中的随机共振处理采用双稳态系统模型进行随机共振处理。
3.如权利要求1所述的基于参数自适应随机共振的离心机转子故障诊断方法,其特征在于,所述步骤S3中故障特征频率数据分为训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510999497.7A CN105628358A (zh) | 2015-12-28 | 2015-12-28 | 基于参数自适应随机共振的离心机转子故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510999497.7A CN105628358A (zh) | 2015-12-28 | 2015-12-28 | 基于参数自适应随机共振的离心机转子故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105628358A true CN105628358A (zh) | 2016-06-01 |
Family
ID=56043497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510999497.7A Pending CN105628358A (zh) | 2015-12-28 | 2015-12-28 | 基于参数自适应随机共振的离心机转子故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105628358A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441889A (zh) * | 2016-09-14 | 2017-02-22 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN108664936A (zh) * | 2018-05-14 | 2018-10-16 | 浙江师范大学 | 一种基于机器故障的诊断方法及系统 |
CN114001962A (zh) * | 2021-11-08 | 2022-02-01 | 重庆大学 | 一种基于mspso优化的杜芬随机共振检测轴承早期故障方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013180723A1 (en) * | 2012-05-31 | 2013-12-05 | University Of Connecticut | Methods apparatuses for defect diagnosis in a mechanical system |
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
CN104714925A (zh) * | 2015-02-02 | 2015-06-17 | 北京工业大学 | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 |
CN105004498A (zh) * | 2015-07-09 | 2015-10-28 | 西安理工大学 | 一种水电机组的振动故障诊断方法 |
-
2015
- 2015-12-28 CN CN201510999497.7A patent/CN105628358A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013180723A1 (en) * | 2012-05-31 | 2013-12-05 | University Of Connecticut | Methods apparatuses for defect diagnosis in a mechanical system |
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
CN104714925A (zh) * | 2015-02-02 | 2015-06-17 | 北京工业大学 | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 |
CN105004498A (zh) * | 2015-07-09 | 2015-10-28 | 西安理工大学 | 一种水电机组的振动故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
焦尚彬: "采用知识的粒子群算法的多频微弱信号自适应随机共振检测方法", 《机械工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441889A (zh) * | 2016-09-14 | 2017-02-22 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN106441889B (zh) * | 2016-09-14 | 2018-09-21 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN108664936A (zh) * | 2018-05-14 | 2018-10-16 | 浙江师范大学 | 一种基于机器故障的诊断方法及系统 |
CN108664936B (zh) * | 2018-05-14 | 2020-09-01 | 浙江师范大学 | 一种基于机器故障的诊断方法及系统 |
CN114001962A (zh) * | 2021-11-08 | 2022-02-01 | 重庆大学 | 一种基于mspso优化的杜芬随机共振检测轴承早期故障方法 |
CN114001962B (zh) * | 2021-11-08 | 2023-12-08 | 重庆大学 | 一种基于mspso优化的杜芬随机共振检测轴承早期故障方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651937B (zh) | 变工况下类内自适应轴承故障诊断方法 | |
CN105628358A (zh) | 基于参数自适应随机共振的离心机转子故障诊断方法 | |
CN106446809B (zh) | 基于雨流计数法的航空发动机载荷谱的滤波方法 | |
Yu et al. | Planetary gear fault diagnosis using stacked denoising autoencoder and gated recurrent unit neural network under noisy environment and time-varying rotational speed conditions | |
CN104849050A (zh) | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 | |
CN101916241B (zh) | 一种基于时频分布图的时变结构模态频率辨识方法 | |
CN105588717A (zh) | 一种齿轮箱故障诊断方法 | |
Zheng | Rolling bearing fault diagnosis based on partially ensemble empirical mode decomposition and variable predictive model-based class discrimination | |
Zhao et al. | Rolling bearing composite fault diagnosis method based on EEMD fusion feature | |
Xu et al. | An adaptive spectrum segmentation method to optimize empirical wavelet transform for rolling bearings fault diagnosis | |
Lu et al. | Bearing fault diagnosis based on clustering and sparse representation in frequency domain | |
CN113358356B (zh) | 一种高速列车轮对轴承微弱故障诊断方法及系统 | |
CN108956783A (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
Cao et al. | An improved chaotic recognition method for weak signal frequency and its application to fault diagnosis of planetary gearboxes | |
Liu et al. | An interpretable multiplication-convolution network for equipment intelligent edge diagnosis | |
Tang et al. | Cyclostationary analysis towards fault diagnosis of rotating machinery | |
Pang et al. | The evolved kurtogram: a novel repetitive transients extraction method for bearing fault diagnosis | |
CN109359699A (zh) | 一种基于Alpha稳定分布的工业机组故障诊断方法 | |
Ma et al. | A new rotating machinery fault diagnosis method for different speeds based on improved multivariate multiscale fuzzy distribution entropy | |
Wu et al. | A fault diagnosis method of rotating machinery based on multi-scale fuzzy entropy | |
CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 | |
Zhou et al. | Marine propulsion shaft system fault diagnosis method based on partly ensemble empirical mode decomposition and SVM | |
He et al. | Fault identification of rotating machinery based on dynamic feature reconstruction signal graph | |
Yin et al. | An adaptive multiple time domain synchronous averaging method and its application in vibration signal feature enhancement | |
CN113095381A (zh) | 一种基于改进型dbn的水声目标辨识方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160601 |
|
WD01 | Invention patent application deemed withdrawn after publication |