CN105890738A - 一种汇流旋涡冲击振动识别方法 - Google Patents

Abstract

一种汇流旋涡冲击振动识别方法，包括以下步骤：1)将单路或多路振动传感器安装于测点位置，根据识别过程的数据量与处理精度需求，设定相应的采样参数，采集旋涡冲击振动实时物理信号；2)提取振动信号静态参数，得到时域特征参数与频域特征参数；3)提取冲击振动瞬态特征向量；4)规格化处理：将时域特征参数。频域特征参数和冲击振动瞬态特征向量纳入统一的正交基向量空间，采用LBG方法建立面向上述3类特征向量的最优量化器，结合最邻近搜索方法，逐步消除量化过程中的冗余胞腔，得到规格化向量序列；5)通过多维度信息融合的方法实现对汇流旋涡冲击振动状态的识别。本发明有效识别汇流旋涡冲击振动信号、准确性较高。

Description

一种汇流旋涡冲击振动识别方法

技术领域

本发明涉及工程流体检测与控制领域，尤其是涉及面向汇流旋涡冲击振动识别方法。

背景技术

在汇流旋涡形成及抽吸过程中，有一系列冲击振动现象产生。旋涡冲击振动与旋涡形成过程中的临界状态跃迁密切相关，是内部能量积聚、释放的结果。因此，研究汇流旋涡形成及抽吸过程演化机理，揭示旋涡临界状态与其所产生冲击振动的本质联系，可对流体涡团、流固耦合噪声等相关动力学问题提供广泛参考，具有重要的科学研究价值与工程应用前景。

旋涡冲击振动信号能量较低，易于被环境干扰信号所淹没；含有系列高频畸变成分，具有非线性突变特征，这与旋涡各临界状态跃迁相关，且在数值分析过程中易于产生端点飞翼效应。希尔伯特变换是一种有效的非平稳信号处理新方法，已经在地震工程、电气监控、结构侦测、卫星资料分析、健康医疗等领域获得成功应用。

R.Q.Yan提出了一种基于希尔伯特变换的振动信号处理方法，且在滚动轴承状态监控方面获得了较好效果。2007年，D.Guo针对旋转机械主轴的裂纹扩展问题，结合有限元方法与Dimarogonas方法，利用希尔伯特变换分析主轴振动响应，获得主轴的横向裂纹扩展规律。Y.F.Dong利用卡尔曼(Kalman)滤波方法估计动态模型参数，进而提出了一种改进的希尔伯特变换信号处理方法，并在地震波结构损伤探测方面获得成功应用。L.S.Law提出了一种小波包分解与希尔伯特变换相结合的环形轴承状态监控方法，利用希尔伯特变换对轴承振动信号瞬态特性进行分析，从而弥补小波包分解在时频两域的精度不足问题。

通过对上述关键问题的研究概况综述发现，当前国内外尚未有关于旋涡冲击振动特性及其识别方法方面的研究报道。因此，提出一种汇流旋涡冲击振动识别方法是非常有必要的。

发明内容

为了克服已有技术无法识别汇流旋涡冲击振动信号的不足，本发明提供一种有效识别汇流旋涡冲击振动信号、准确性较高的汇流旋涡冲击振动识别方法。

本发明解决其技术问题所采用的技术方案是：

一种汇流旋涡冲击振动识别方法，所述识别方法包括以下步骤：

1)将单路或多路振动传感器安装于测点位置，根据识别过程的数据量与处理精度需求，设定相应的采样参数，采集旋涡冲击振动实时物理信号；

2)提取振动信号静态参数，得到时域特征参数与频域特征参数；

3)提取冲击振动瞬态特征向量，过程如下：

3.1)对采集到的汇流旋涡冲击振动信号进行数字滤波处理，剔除异常冲击干扰，去除基础振动分量；

3.2)将经过预处理的旋涡冲击振动信号数据进行经验模态分解处理，得出一定数量的本征模态函数序列；

3.3)采用二进制指数退避算法确定本征模态函数序列的长度，保证所分解出来的本征模态函数序列包含了旋涡冲击振动信号在不同时间尺度的局部特征；

3.4)采用一阶导数零点法与极值点连续性延拓法来消除因经验模式分解处理过程中易于出现的拟合过冲与端点飞翼效应；

3.5)对本征模态函数进行希尔伯特变换，从而得该信号的希尔伯特谱、时频能量谱特性，进而提取上述旋涡冲击振动序列的各频率成份的模态函数，组建不同目标状态所对应的冲击振动瞬态特征向量；

4)规格化处理

将时域特征参数。频域特征参数和冲击振动瞬态特征向量纳入统一的正交基向量空间，采用LBG方法建立面向上述3类特征向量的最优量化器，结合最邻近搜索方法，逐步消除量化过程中的冗余胞腔，得到规格化向量序列；

5)通过多维度信息融合的方法实现对汇流旋涡冲击振动状态的识别。

进一步，所述步骤5)中，对经过矢量量化处理的特征向量进行全局特征级融合与多尺度信息融合，所述的全局特征级融合，采用并联方式，通过自适应卡尔曼滤波方法建立时域特征向量、频域特征向量、瞬态特征向量之间的过程协方差矩阵与噪声协方差矩阵，得到各个汇流旋涡冲击状态的最优估计；所述的多尺度信息融合，采用卷积神经网络与自相关函数相融合方法，在保证各个向量独立性的基础上，对振动信号数据流进行多尺度分级采样，得到目标状态实时观察值序列。

更进一步，所述步骤2)中，所述的时域特征参数号包含时域最大值、时域最小值、时域峰峰值、时域方差、时域均方根、速度、加速度、时域冲击峭度和时域冲击偏度，该10个特征参数组成旋涡冲击振动时域特征向量；

所述的频域特征参数包含频域最大值、频域最小值、频域峰峰值、频域方差、频域重心、频域谐波总量、特征频率偏度、特征频率峰度和功率谱密度，该10个特征参数组成旋涡冲击振动频域特征向量。

本发明的技术构思为：通过振动传感器采集旋涡冲击振动实时物理信号，提取振动信号静态参数与瞬态冲击振动特性作为特征参数，组成面向汇流旋涡冲击振动状态识别的特征向量，然后对向量进行规格化处理，最后通过多维度信息融合的方法实现对汇流旋涡冲击振动状态的准确识别。

所述的汇流旋涡冲击振动状态，为面向旋涡形成、演变、生存、消亡过程所涉及的物理形态及振动特性的识别目标定义，主要包含液面水平、液面轻度凹陷、液面深度凹陷、旋涡贯穿、旋涡抽吸、液面回退、旋涡消亡7个目标状态。

所述的液面水平状态为容器排流过程的初始状态，旋涡尚未生成，液面保持水平，旋转速度分量逐渐集聚，旋涡冲击振动尚未形成。

所述的液面轻度凹陷状态为汇流旋涡形成的初级形态，液面在离心力与张力的作用下形成凹陷，旋涡开始转动，旋涡冲击能量集聚并逐步释放。

所述的液面深度凹陷状态为汇流旋涡形成的发展形态，旋涡转速持续增加，旋涡前端不断下沉，液面张力不足以限制离心力的作用而产生破裂，旋涡冲击振动逐渐增强，并出现第一级峰值。

所述的旋涡贯穿状态为汇流旋涡完全形成状态，旋涡前锋到达排流口，旋涡转速达到峰值，形成贯穿的空气芯，出现强烈的气液两相耦合现象，旋涡冲击振动出现第二级峰值(最大值)。

所述的旋涡抽吸状态汇流形成后的稳定生存状态，转速保持稳定，容器顶层流体伴随空气被旋涡中心吸入，出现系列气液两相耦合现象，旋涡冲击振动幅度增大，且在该状态期间保持稳定。

所述的液面回退目标状态为汇流旋涡能量的耗散状态，旋涡深度不断减小，旋转速度不断降低，旋涡冲击振动幅度持续减小。

所述的旋涡消亡目标状态为汇流旋涡能量耗尽，凹液面消失，容器液位处于最低水平，旋涡冲击振动消失。

本发明的有益效果主要表现在：采用时域特征向量、频域特征向量、冲击瞬态特性向量作为输入，可有效的覆盖旋涡冲击各维度的冲击细节特征；专用的冲击振动瞬态特征处理算法，确保在检测对象物理条件改变条件下的模态识别精度；对经过矢量量化处理的特征向量进行全局特征级融合与多尺度信息融合，提高旋涡冲击振动目标状态识别环节的精度与实时性。

附图说明

图1是汇流旋涡冲击振动识别方法的流程图；

图2是旋涡冲击瞬态特征向量提取算法流程图；

图3是向量规格化算法处理流程图；

图4是多维度信息融合识别算法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图4，一种汇流旋涡冲击振动识别方法，所述识别方法包括以下步骤：

1)将单路或多路振动传感器安装于测点位置，根据识别过程的数据量与处理精度需求，设定相应的采样参数，采集旋涡冲击振动实时物理信号；

2)提取振动信号静态参数，得到时域特征参数与频域特征参数；

3)提取冲击振动瞬态特征向量，

4)规格化处理：将时域特征参数。频域特征参数和冲击振动瞬态特征向量纳入统一的正交基向量空间，采用LBG方法建立面向上述3类特征向量的最优量化器，结合最邻近搜索方法，逐步消除量化过程中的冗余胞腔，得到规格化向量序列；

5)通过多维度信息融合的方法实现对汇流旋涡冲击振动状态的识别。

参照图1所示，识别过程为：将单路或多路振动传感器(位移传感器、速度传感器、加速度传感器)，安装于特定测点位置，根据识别过程的数据量与处理精度需求，设定相应的采样参数(并行通道数、采样频率、采样点数、频率分辨率)，采集旋涡冲击振动实时物理信号；在此基础上，利用相关算法，提取振动信号静态参数与冲击振动瞬态特征向量作为特征参数，组成面向汇流旋涡冲击振动状态识别的特征向量；进一步，对所构建的特征向量进行规格化处理，最后通过多维度信息融合的方法实现对汇流旋涡冲击振动状态的准确识别。

如前所述，本发明所识别的目标为汇流旋涡冲击振动状态，即面向旋涡形成、演变、生存、消亡过程所涉及的物理形态及振动特性的识别目标定义，主要包含液面水平、液面轻度凹陷、液面深度凹陷、旋涡贯穿、旋涡抽吸、液面回退、旋涡消亡7个目标状态，如附图1所示，具体情况可描述如下：

①液面水平状态为容器排流过程的初始状态，旋涡尚未生成，液面保持水平，旋转速度分量逐渐集聚，旋涡冲击振动尚未形成。

②液面轻度凹陷状态为汇流旋涡形成的初级形态，液面在离心力与张力的作用下形成凹陷，旋涡开始转动，旋涡冲击能量集聚并逐步释放。

③液面深度凹陷状态为汇流旋涡形成的发展形态，旋涡转速持续增加，旋涡前端不断下沉，液面张力不足以限制离心力的作用而产生破裂，旋涡冲击振动逐渐增强，并出现第一级峰值。

④旋涡贯穿状态为汇流旋涡完全形成状态，旋涡前锋到达排流口，旋涡转速达到峰值，形成贯穿的空气芯，出现强烈的气液两相耦合现象，旋涡冲击振动出现第二级峰值(最大值)。

⑤旋涡抽吸状态汇流形成后的稳定生存状态，转速保持稳定，容器顶层流体伴随空气被旋涡中心吸入，出现系列气液两相耦合现象，旋涡冲击振动幅度增大，且在该状态期间保持稳定。

⑥液面回退目标状态为汇流旋涡能量的耗散状态，旋涡深度不断减小，旋转速度不断降低，旋涡冲击振动幅度持续减小。

⑦旋涡消亡目标状态为汇流旋涡能量耗尽，凹液面消失，容器液位处于最低水平，旋涡冲击振动消失。

本发明所涉及的汇流旋涡冲击振动信号静态参数，是通过相应的信号特征提取算法，对经过预处理的实时振动信号进行针对性分析，得到的时域特征参数与频域特征参数，具体内容如下：

①时域特征静态参数号主要包含时域最大值、时域最小值、时域峰峰值、时域方差、时域均方根、速度、加速度、时域冲击峭度、时域冲击偏度等10个特征参数；上述10个静态特征参数组成汇流旋涡冲击振动时域特征向量，如附图1所示。

②频域特征静态参数主要包含频域最大值、频域最小值、频域峰峰值、频域方差、频域重心、频域谐波总量、特征频率偏度、特征频率峰度、功率谱密度等10个特征参数；上述10个特征参数组成汇流旋涡冲击振动频域特征向量，如附图1所示。

本发明所涉及的汇流旋涡瞬态冲击振动特性，是通过特定的冲击振动瞬态特征处理算法，得到不同目标状态所对应的冲击振动瞬态特征向量。

所述冲击振动瞬态特征处理算法，如附图2所示，其执行流程如下：

①对采集到的汇流旋涡冲击振动信号进行数字滤波(Digitalfiltering)处理，剔除异常冲击干扰，去除基础振动分量；

②将经过预处理的旋涡冲击振动信号数据进行经验模态分解(Empirical mode decomposition)处理，得出一定数量的本征模态函数(Intrinsic mode function)序列；

③采用二进制指数(Binary exponential back off)退避算法确定本征模态函数序列的长度，保证所分解出来的本征模态函数序列包含了旋涡冲击振动信号在不同时间尺度的局部特征；

④采用一阶导数零点法与极值点连续性延拓法来消除因经验模式分解处理过程中易于出现的拟合过冲与端点飞翼(EMD wing)效应，提高信号模态识别精度；

⑤对本征模态函数进行希尔伯特(Hibert)变换，从而得该信号的希尔伯特谱、时频能量谱等特性，进而提取上述旋涡冲击振动序列的各频率成份的模态函数，组建不同目标状态所对应的冲击振动瞬态特征向量。

本发明所涉及的规格化处理，是通过特定的向量优化算法，消除各向量之间的冗余信息，压缩数据空间，提高后续识别处理的精度与实时性。

上述方案所述及的向量优化算法为特定的矢量量化(Vectorquantization)处理方法，如附图3所示，其处理流程如下；

①对组建的时域特征向量、频域特征向量、瞬态特征向量纳入统一的正交基向量空间；

②采用LBG方法建立面向上述3类特征向量的最优量化器；

③结合最邻近搜索方法，逐步消除量化过程中的冗余胞腔，即各特征向量之间的相关性。

本发明所涉及的多维度信息融合方法，是对经过矢量量化处理的特征向量进行全局特征级融合与多尺度信息融合，提高旋涡冲击振动目标状态识别环节的精度与实时性，如附图4所示。

上述方案中所述及的全局特征级融合，采用并联方式，如附图4所示，通过自适应卡尔曼滤波(Self-adapting Kalman filtering)方法建立时域特征向量、频域特征向量、瞬态特征向量之间的过程协方差矩阵与噪声协方差矩阵，消除三个特征向量之间的耦合干扰，得到各个汇流旋涡冲击状态的最优估计，提高旋涡冲击振动目标状态识别环节的精度。

上述方案中所述及的多尺度信息融合，采用卷积神经网络(Convolutional neural networks)与自相关函数相融合方法，如附图4所示，在保证各个向量独立性的基础上，对振动信号数据流进行多尺度分级采样，在满足识别精度的条件下，减小整个识别过程的数据操作量，提高旋涡冲击振动目标状态识别环节的实时性。

最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (3)

1.一种汇流旋涡冲击振动识别方法，其特征在于：所述识别方法包括以下步骤：

1)将单路或多路振动传感器安装于测点位置，根据识别过程的数据量与处理精度需求，设定相应的采样参数，采集旋涡冲击振动实时物理信号；

2)提取振动信号静态参数，得到时域特征参数与频域特征参数；

3)提取冲击振动瞬态特征向量，过程如下：

3.1)对采集到的汇流旋涡冲击振动信号进行数字滤波处理，剔除异常冲击干扰，去除基础振动分量；

3.2)将经过预处理的旋涡冲击振动信号数据进行经验模态分解处理，得出一定数量的本征模态函数序列；

3.3)采用二进制指数退避算法确定本征模态函数序列的长度，保证所分解出来的本征模态函数序列包含了旋涡冲击振动信号在不同时间尺度的局部特征；

3.4)采用一阶导数零点法与极值点连续性延拓法来消除因经验模式分解处理过程中易于出现的拟合过冲与端点飞翼效应；

3.5)对本征模态函数进行希尔伯特变换，从而得该信号的希尔伯特谱、时频能量谱特性，进而提取上述旋涡冲击振动序列的各频率成份的模态函数，组建不同目标状态所对应的冲击振动瞬态特征向量；

4)规格化处理

将时域特征参数。频域特征参数和冲击振动瞬态特征向量纳入统一的正交基向量空间，采用LBG方法建立面向上述3类特征向量的最优量化器，结合最邻近搜索方法，逐步消除量化过程中的冗余胞腔，得到规格化向量序列；

5)通过多维度信息融合的方法实现对汇流旋涡冲击振动状态的识别。

2.如权利要求1所述的一种汇流旋涡冲击振动识别方法，其特征在于：所述步骤5)中，对经过矢量量化处理的特征向量进行全局特征级融合与多尺度信息融合，所述的全局特征级融合，采用并联方式，通过自适应卡尔曼滤波方法建立时域特征向量、频域特征向量、瞬态特征向量之间的过程协方差矩阵与噪声协方差矩阵，得到各个汇流旋涡冲击状态的最优估计；所述的多尺度信息融合，采用卷积神经网络与自相关函数相融合方法，在保证各个向量独立性的基础上，对振动信号数据流进行多尺度分级采样，得到目标状态实时观察值序列。

3.如权利要求1或2所述的一种汇流旋涡冲击振动识别方法，其特征在于：所述步骤2)中，所述的时域特征参数号包含时域最大值、时域最小值、时域峰峰值、时域方差、时域均方根、速度、加速度、时域冲击峭度和时域冲击偏度，该10个特征参数组成旋涡冲击振动时域特征向量；

所述的频域特征参数包含频域最大值、频域最小值、频域峰峰值、频域方差、频域重心、频域谐波总量、特征频率偏度、特征频率峰度和功率谱密度，该10个特征参数组成旋涡冲击振动频域特征向量。