CN109117784B - 一种改进经验模态分解的船舶电力推进系统故障诊断方法 - Google Patents
一种改进经验模态分解的船舶电力推进系统故障诊断方法 Download PDFInfo
- Publication number
- CN109117784B CN109117784B CN201810896226.2A CN201810896226A CN109117784B CN 109117784 B CN109117784 B CN 109117784B CN 201810896226 A CN201810896226 A CN 201810896226A CN 109117784 B CN109117784 B CN 109117784B
- Authority
- CN
- China
- Prior art keywords
- decomposition
- data
- empirical mode
- mode
- propulsion system
- 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.)
- Active
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003745 diagnosis Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000008030 elimination Effects 0.000 claims abstract description 7
- 238000003379 elimination reaction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012546 transfer Methods 0.000 claims description 18
- 238000004804 winding Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 60
- 230000008569 process Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种改进经验模态分解的船舶电力推进系统故障诊断方法,包括如下步骤:获取船舶电力推进系统故障数据;将故障数据通过改进经验模态分解获取固有模态函数数据;针对不同部位获取固有模态函数数据进行RBF神经网络分析得到故障原因;其中改进经验模态分解流程如下:信号输入;利用余弦窗定义确定初始化参数△T;对原始数据两端通过遗传算法延拓;对数据加窗处理改善端点效应;对数据消除模态混叠的经验模态分解处理;截取固有模态函数数据。本发明所述一种改进经验模态分解的船舶电力推进系统故障诊断方法,其适合船舶推进系统故障非平稳、非线性、和多分量信号特征,从而提高故障信号分析能力。
Description
技术领域
本发明涉及一种改进经验模态分解的船舶电力推进系统故障诊断方法。
背景技术
随着海运事业的蓬勃发展,电力推进系统在船舶上得到广泛应用。电力推进系统是现代船舶在孤立无援大海中航行的唯一动力来源,被誉为船舶生命线。由于电力推进系统的复杂性和其运行海工况环境的恶劣性,特别是在离靠码头、进出狭窄水道、遇到极端环境、电网波动等情况下船舶电力推进系统表现出非稳定性和超出正常动态范围造成不可预期的船舶故障,因此,为了提高船舶运行的安全性,减少不必要的经济损失,保障船员人生安全,船舶电力推进系统的故障诊断得到了广大学者的重视和快速发展。
经验模态分解(Empirical Mode Decomposition,EMD)是由美籍华裔科学家Huang在1998年首次提出,它是根据信号自身局部时间特性自适应地将信号分解成一组具有物理意义的固有模态函数(intrinsic mode function,IMF)的线性组合,因此在信号滤波、去噪、信号分析、故障诊断等方面得到了广泛的应用。
传统EMD方法是一种包络的“筛选”过程,其本质是一种滤波器。其算法流程如图1。
由此,原信号可以表示为:
其中的IMFi(t)即为获得的固有经验模态分量IMF,其可以是线性的,也可以是非线性的。通常可以用希尔伯特或能量算子变换获得各模态瞬时幅度和瞬时频率。
由于传统经验模态分解是一种经验算法,目前没有精确的数学推理,因此存在包络拟合、端点效应、模态混叠、分解准则等关键性缺陷。这些缺陷是导致传统经验模态分解效果不理想的突出问题,也是限制传统经验模态分解算法广泛应用的重要障碍。
模态混叠是指在同一个IMF分量中包含着尺度分布范围很宽而又各不同的信号,或是在不同的IMF分量中包含着尺度相近的信号,它们彼此交叠。模态混叠造成的后果是使IMF分量不再具有单一的特征时间尺度,而成为尺度混杂的振荡。在分解过程中,一旦出现模态混叠将累积影响后续分解的分量,导致固有模态函数分解效果逐次降低,从而失去应有的物理意义,甚至失去EMD分解的意义。
端点飞翼是指由于信号两端缺少极值点,采用样条插值拟合包络曲线的时候总是将端点误以为是极值点而进行计算,这样每次分解过程误差累计,最终导致整个信号序列受到污染,出现两端往上翘的“边界效应”。
发明内容
本发明的目的在于提供一种改进经验模态分解的船舶电力推进系统故障诊断方法,其适合船舶推进系统故障非平稳、非线性和多分量信号特征,从而提高故障信号分析能力。
为了达到上述目的,本发明的技术方案是:
一种改进经验模态分解的船舶电力推进系统故障诊断方法,其特征在于包括如下步骤:
1、获取船舶电力推进系统故障数据;
2、将故障数据通过改进经验模态分解获取固有模态函数数据;
3、针对不同部位获取固有模态函数数据进行RBF神经网络分析得到故障原因;
其中步骤2中改进经验模态分解流程如下:
(1)信号输入;
(2)利用余弦窗函数定义确定初始化参数△T;
(3)对原始数据的两端数据通过遗传算法延拓;
(4)对数据加窗处理改善端点效应;
(5)对数据消除模态混叠的经验模态分解处理,如图3;
(6)截取固有模态函数数据。
步骤(5)中算法流程如下:
A、待测信号x(t)输入;
B、x(t)通过FFT获取幅频Ai(w)和频点fi(w),并去除能量小于K的杂波;
C、确定最大频点fm=max(fi(w)),并将其确定为频率转移载波fc(即wc);
D、对x(t)信号构建希尔伯特解析信号X(t);
E、X(t)与载波信号exp(-jwct)相乘得Y(t);
F、构建Y(t)的实部X1(t)=Re[Y(t)]和虚部X2(t)=Image[Y(t)]函数;
G、利用传统EMD算法确定X1(t)的模态分解Yre(t)、X2(t)的模态分解Yim(t);
H、将Yre(t)和Yim(t)通过公式计算得到Y(t),
Y(t)=Yre(t)+Yim(t);
I、Y(t)的每个固有模态与载波信号exp(-jwct)相乘得X(t)的固有模态;
J、取X(t)每个固有模态的实部。
步骤G中确定X1(t)模态分量Yre(t)为传统模态分解过程,如图1,包括如下步骤:
a、构建上、下包络线;
b、计算包络线均值h(t),并计算包络线均值m(t);
c、计算插值h(t)=Yre(t)-m(t),若h(t)未满足固有模态函数条件,则X1(t)=h(t),且再从步骤a开始;若h(t)满足固有模态函数条件,则获得固有模态函数分量,IMFk-re(t)=h(t);d、将IMFk-re(t)=h(t)代入公式:X1(t)=X1(t)-IMFk-re(t),若未满足单调性,则再从步骤a开始;若满足单调性,则resrp(t)=X1(t),从而获得消除模态混叠的Yre(t)。
步骤G中确定X2(t)模态分解Yim(t)为传统模态分解过程,如图1,包括如下步骤:
a、构建上、下包络线;
b、计算包络线均值h(t),并计算包络线均值m(t);
c、计算插值h(t)=Yre(t)-m(t),若h(t)未满足固有模态函数条件,则X2(t)=h(t),且再从步骤a开始;若h(t)满足固有模态函数条件,则获得固有模态函数分量,IMFk-im(t)=h(t);d、将IMFk-im(t)=h(t)代入公式:X2(t)=X2(t)-IMFk-im(t),若未满足单调性,则再从步骤a开始;若满足单调性,则resim(t)=X2(t),从而获得消除模态混叠的Yim(t)。
根据船舶电力推进系统不同部位故障原因分析如下:I、利用改进经验模态分解获得逆变器谐波固有模态函数,由固有模态函数幅值、相位谱输入RBF神经网络来确定逆变器桥短路或断路;Ⅱ、利用改进经验模态分解获得电机电流固有模态函数,由固有模态函数维谱熵输入RBF神经网络来确定单相、双相或三相电机短路或接地;
Ⅲ、利用改进经验模态分解获得电网扰动固有模态函数,由固有模态函数能量熵输入RBF神经网络来确定电机突加负荷或突减负荷;
Ⅳ、利用改进经验模态分解获得电机电流固有模态函数,由固有模态函数附加频率或奇异值输入RBF神经网络来确定电机绕组短路或断路,或螺旋桨缠绕异物或螺旋桨桨裂。
本发明的有益效果是:
(1)不需要先验知识和基底(函数),是一种自适应算法;固有模态函数是根据信号的时间特性提取出来的,不同的时间序列会得到不同的本征模态函数;
(2)基于改进经验模态分解算法可与希尔伯特变化结合,可以得到每个模态的瞬时信息,具有清晰的物理意义;
(3)利用该方法可以将非平信号转化为平稳信号,在平稳信号领域研究,并用稳态方法进行IMF处理;
(4)消除了模态混叠问题,使得特征提取意义更明确、更准确,特征提取更精确;
(5)改善端点效应可以使得算法中的分解过程端点误差向中间扩散导致的错误降低。
附图说明
图1是传统经验模态分解流程图;
图2是改进经验模态分解流程图;
图3是消除模态混叠的EMD分解算法流程图;
图4是船舶推进系统故障诊断主要的故障和特征关系映射图;
图5是RBF神经网络图。
具体实施方式
实施例1
如图2所示,一种改进经验模态分解的船舶电力推进系统故障诊断方法,包括如下步骤:
1、获取船舶电力推进系统故障数据;
2、将故障数据通过改进经验模态分解获取固有模态函数数据;
3、针对不同部位获取固有模态函数数据进行RBF神经网络分析得到故障原因。
针对端点飞翼问题,目前常用的改进算法有神经网络法、延拓法,这些方法都还存在一定的问题。本申请提出一种结合遗传算法与余弦窗的端飞翼改善算法。
因为余弦窗函数用有比较光滑的窗函数代替截取信号样本的矩形函数,对截断后的时域信号进行特定的不等计权,使被截断后的时域波形两端突变变得平滑。其“梭形”特性可以保证中心点不影响的情况下很好地实现端点数据趋近于0,进而使得EMD分解过程中的上下包络线收敛于端点,抑制发散问题。但是直接进行信号的余弦窗函数处理,一方面会改变原始信号,另一方面并未真正完成原信号EMD过程中将端点值当做最值处理而导致误差向中间扩散而误差累计问题。由此结合遗传算法进行改善。
遗传算法(Genetic Algorithm,GA)是模拟生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,它适合将每一个数据作为遗传因子,最后模拟出一个最适合预测结果的子代,大数据的预测,因此可以将两者结合,利用遗传算法进行波形延拓,改善端点极值误判问题,同时利用余弦窗函数对延拓数据进行收敛。这种既保留内部原始数据,又外延变换趋势数据的自适应方式,极大改善端点飞翼问题。
余弦窗定义如下:
所以,结合消除模态混叠、改善端点飞翼的改进EMD算法流程如下:
(1)信号输入;
(2)利用余弦窗定义确定初始化参数△T;
(3)对原始数据的两端数据通过遗传算法延拓;
(4)对数据加窗处理;
(5)对数据消除模态混叠的经验模态分解处理;
(6)截取固有模态函数数据。
步骤(2)~(4)进行数据端点效应的改善。
针对模态混叠问题,传统的做法有:加噪法、小波法、滤波法等,但是这些方法都是基于经验的改进方法,没能从根本上消除模态混叠问题。据此,提出结合FFT、频移技术消除传统经验模态分解EMD的模态混叠问题的改进经验模态分解方法。具体原理如下:
因为快速傅里叶变换(Fast Fourier Transform,FFT)具有高效、快速、频率分辨率高的特点,因此首先可以利用FFT将待测信号的所有频点检测出来;然后利用频率转移技术实现可控定量的掩膜添加信。在移动通信技术中,低频语音信息可以通过载频调制到高频带发送出去,而接收方通过解调还原原低频语音信息,该技术称之为频率转移,简称移频。通过移频扩大相对频率间隔,可将频率间隔较小,可能差生频率混叠的频率分量转移到高频率的载频上,即可消除传统经验模态的频率混叠,最后通过反移频手段得到原始的固有模态。根据AFDE条件之一:一个单分量信号的瞬时频率小于另一个单分量瞬时频率的2倍,得如下公式:
其中的fc为频率转移载频,f1、f2为向任意两个频点。定量解决模态混叠问题的过程可由下推导:
因为载频需高于信号最高频点fm,即:
fc>fm (3)
因为经过FFT以后所有的频率点按大小规律排列,因此可以假设频率点fk、fk-1为相邻频率点,且fk>fk-1。所以根据以上分析,如要需要消除模态混叠,只需要满足如下公式:
由公式(4)可得需要满足:
fc<2fk (5)
为满足所有的频点fk,则只需要满足
fc<2fm (6)
综合公式(3)和公式(6)可得fc需满足:
fm<fc<2fm (7)
由于频率转移技术本质是以添加信号方式(即载频信号),根据频率转移原理,其原理过程如下:
对待分析信号的任何一个频点,假设其形态为:而载频信号为:/>因此由频率转移调制得:
其中由公式(8)经过高通滤波器获得:
在逆频率搬移的时候,同样经过载波sc(t)可得:
再将公式(10)经过低通滤波器可获得原始信号fk、函数,其中/>
以上分析为改进方法满足AFDE条件之二:两个单分量信号瞬时频率与幅度之间满足a1f1≥a2f2,其中a1为频点f1的幅值,a2为频点f2的幅值。
通过上面的分析可以可知该方法可以避免添加掩膜信号方法的盲目性和经验性,又满足AFDE条件,彻底解决模态混叠问题,是一种定量改进法。同时,因为FFT明确了信号所含频点,也就确定了模态数量。此外,该方法根据以上分析确定的载波信号,可以一次性解决频率转移问题,避免添加掩膜信号法在经验模态分解时每个模态分解都需要添加掩膜信号的麻烦,缩短了算法执行时间。
但按照这种改进方式进行的频率转移技术,在算法求解过程中多次用到高低通滤波器,而这个高低通滤波器的频带是随着fk变换的,降低了经验模态分解的自适应性。为解决该问题,引入Hilbert变换,实现该算法的复频域频率转移,其原理如下:
假设待分析信号为sk(t),对其进行Hilbert变换H[sk(t)]得解析信号:
对X(t)乘以载频exp(-jwct),则可以在频率域实现频率转移,得
然后对频率转移后的Y(t)分解得到频率转移后的实部与虚部,并对实部和虚部分别进行传统经验模态分解,得:
其中IMFk-re(t)、IMFk-im(t)分别表示频点为k的实部、虚部固有模态,resre、resim分别表示实部、虚部经经验模态分解后残余。
由公式(13)、(14)可得:
其中即为频率转移后信号的模态分解,res=resre+resim为频率转移后信号的经过经验模态分解后残余。
再通过对公式(15)进行逆频率转移,即乘以载频exp(jwct)即可获得原始信号(频率转移前信号)的固有模态,即:
上式表示对每个模态都进行逆频率转移即可获得原信号Hilbert信号的模态分量,即:
因为X(t)=sk(t)+jH[sk(t)],所以sk(t)=Re[X(t)]即为原始信号,从而获得sk(t)的固有模态,就是逆频率转移后得到Hilbert信号X(t)的固有模态再取实部就是原信号的固有模态。
根据以上分析,消除模态混叠经验模态分解算法流程如下:
A、待测信号x(t)输入;
B、x(t)通过FFT获取幅值Ai(w)和频点fi(w),并去除能量小于K的杂波;
C、确定最大频点fm=max(fi(w)),并将其确定为频率转移载波fc(即wc);
D、对x(t)信号构建希尔伯特解析信号X(t);
E、X(t)与载波信号exp(-jwct)相乘得Y(t);
F、构建Y(t)的实部X1(t)=Re[Y(t)]和虚部X2(t)=Image[Y(t)]函数;
G、利用传统EMD方法确定X1(t)的模态分解Yre(t)、X2(t)的模态分解Yim(t);
H、将Yre(t)和Yim(t)通过公式计算得到Y(t),
Y(t)=Yre(t)+Yim(t);
I、Y(t)的每个固有模态与载波信号exp(-jwct)相乘得X(t)的固有模态;
J、取X(t)每个固有模态的实部。
步骤G中确定X1(t)模态分量Yre(t)为传统模态分解过程,包括如下步骤:
a、构建上、下包络线;
b、计算包络线均值h(t),并计算包络线均值m(t);
c、计算插值h(t)=Yre(t)-m(t),若h(t)未满足固有模态函数条件,则X1(t)=h(t),且再从步骤a开始;若h(t)满足固有模态函数条件,则获得固有模态函数分量,IMFk-re(t)=h(t);
d、将IMFk-re(t)=h(t)代入公式:X1(t)=X1(t)-IMFk-re(t),若未满足单调性,则再从步骤a开始;若满足单调性,则resrp(t)=X1(t),从而获得消除模态混叠的Yre(t)。
步骤G中确定X2(t)模态分解Yim(t)为传统模态分解过程,包括如下步骤:
a、构建上、下包络线;
b、计算包络线均值h(t),并计算包络线均值m(t);
c、计算插值h(t)=Yre(t)-m(t),若h(t)未满足固有模态函数条件,则X2(t)=h(t),且再从步骤a开始;若h(t)满足固有模态函数条件,则获得固有模态函数分量,IMFk-im(t)=h(t);
d、将IMFk-im(t)=h(t)代入公式:X2(t)=X2(t)-IMFk-im(t),若未满足单调性,则再从步骤a开始;若满足单调性,则resim(t)=X2(t),从而获得消除模态混叠的Yim(t)。
通过改进经验模态算法进行特征提取是本方法针对船舶电力推进系统故障诊断的关键。如何找到切实反映电力推进系统故障对应的特征参量,并有效提取反映该特征参量的电力推进系统故障的特征直接关系到后续故障识别与分类的正确。根据电力推进系统故障分析,电力推进系统的故障主要体现在变频器开关元件的故障、推进电机的单相/双相/三相短断路、推进电机的绕组短断路、螺旋桨异物缠绕、螺旋桨断裂等常见故障。这些故障表现的故障特征主要如下表:
电力推进系统常见故障特征
此外,电压、电流、频率、扭矩、转速等些参数构成的特征向量本身也是一种故障特征的体现。这些故障特征提取通过改进模态分解获取。
一个完整的故障诊断通常包括故障信号获取、故障特征提取、故障模式识别与分类、故障评价与决策。对于不同工作状态和扰动类型的故障信号的固有模态函数的IMF特征具有明显的区别,通过选择的关键IMF代表了主要故障信息,因此可以将他们作为特征向量,输入神经网络进行故障识别与分类。
本实例采用径向基RBF(Radial basis function)神经网络,如图5所示。它是一种前馈型神经网络,可以任意精度逼近任意的非线性函数,具有全局逼近能力,从根本上解决了BP神经网络由于权值调节负梯度下降算法导致的局部最优问题,而且具有拓扑结构紧凑,结构参数可实现分离学习,收敛速度快等优点而得到广泛是使用。
如图5所示,RBF神经网络由三层网络构成,分别是输入层、隐层以及输出层。
输入层直接连到隐层,隐层节点由像高斯核函数那样的辐射状作用函数构成,输出层节点一般采用线性函数。因为隐层节点的作用函数(基函数)会对输入信号产生局部作用,即在输入信号落入基函数的范围,则隐层节点将产生较大的影响,由此达到局部逼近。其基函数可以选择以下几种:
f(x)=e-(x/σ)2 (18)
f(x)=(σ2+x2)β,α<β<1 (20)
输入层实现从输入层x到隐层Ri(x)的非线性映射,输出层实现从隐层Ri(x)到yk的线性映射,因此
其中p为输出节点个数。
根据以上分析,根据船舶推进系统不同部位,其故障诊断主要的故障和特征关系映射如下:
I、利用改进经验模态分解获得逆变器谐波固有模态函数,由固有模态函数幅值、相位谱输入RBF神经网络来确定逆变器桥短路或断路;
Ⅱ、利用改进经验模态分解获得电机电流固有模态函数,由固有模态函数维谱熵输入RBF神经网络来确定单相、双相或三相电机短路或接地;
Ⅲ、利用改进经验模态分解获得电网扰动固有模态函数,由固有模态函数能量熵输入RBF神经网络来确定电机突加负荷或突减负荷;
Ⅳ、利用改进经验模态分解获得电机电流固有模态函数,由固有模态函数附加频率或奇异值输入RBF神经网络来确定电机绕组短路或断路,或螺旋桨缠绕异物或螺旋桨桨裂。
本实例的一种改进经验模态分解的船舶电力推进系统故障诊断方法,其适合船舶推进系统故障非平稳、非线性、和多分量信号特征,从而提高故障信号分析能力。
Claims (2)
1.一种改进经验模态分解的船舶电力推进系统故障诊断方法,其特征在于包括如下步骤:
(1)获取船舶电力推进系统故障数据;
(2)将故障数据通过改进经验模态分解获取固有模态函数数据;
(3)针对不同部位获取固有模态函数数据进行RBF神经网络分析得到故障原因;
其中步骤2中改进经验模态分解流程如下:
信号输入;
(1)利用余弦窗定义确定初始化参数△T;
(2)对原始数据两端通过遗传算法延拓;
(3)对数据加窗处理改善端点效应;
(4)对数据消除模态混叠的经验模态分解处理;
(5)截取固有模态函数数据;
改进经验模态分解流程的步骤4中消除模态混叠的经验模态分解算法流程如下:
A、待测信号x(t)输入;
B、x(t)通过FFT获取Ai(w)和频点fi(w),并去除能量小于K的杂波;
C、确定最大频点fm=max(fi(w)),并将其确定为频率转移载波fc,即wc;
D、对x(t)信号构建希尔伯特解析信号X(t);
E、X(t)与载波信号exp(-jwct)相乘得Y(t);
F、构建Y(t)的实部X1(t)=Re[Y(t)]和虚部X2(t)=Image[Y(t)]函数;
G、利用传统EMD算法确定X1(t)的模态分解Yre(t)、X2(t)的模态分解Yim(t);
H、将Yre(t)和Yim(t)通过公式计算得到Y(t),
Y(t)=Yre(t)+Yim(t);
I、Y(t)的每个固有模态与载波信号exp(jwct)相乘得X(t)的固有模态;
J、取X(t)每个固有模态的实部。
2.根据权利要求1所述的一种改进经验模态分解的船舶电力推进系统故障诊断方法,其特征在于:根据船舶电力推进系统不同部位故障原因分析如下:
I、利用改进经验模态分解获得逆变器谐波固有模态函数,由固有模态函数幅值、相位谱输入RBF神经网络来确定逆变器桥短路或断路;
Ⅱ、利用改进经验模态分解获得电机电流固有模态函数,由固有模态函数维谱熵输入RBF神经网络来确定单相、双相或三相电机短路或接地;
Ⅲ、利用改进经验模态分解获得电网扰动固有模态函数,由固有模态函数能量熵输入RBF神经网络来确定电机突加负荷或突减负荷;
Ⅳ、利用改进经验模态分解获得电机电流固有模态函数,由固有模态函数附加频率或奇异值输入RBF神经网络来确定电机绕组短路或断路,或螺旋桨缠绕异物或螺旋桨桨裂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896226.2A CN109117784B (zh) | 2018-08-08 | 2018-08-08 | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896226.2A CN109117784B (zh) | 2018-08-08 | 2018-08-08 | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117784A CN109117784A (zh) | 2019-01-01 |
CN109117784B true CN109117784B (zh) | 2024-02-02 |
Family
ID=64853078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810896226.2A Active CN109117784B (zh) | 2018-08-08 | 2018-08-08 | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117784B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832353B (zh) * | 2019-04-19 | 2023-09-05 | 中国科学院沈阳自动化研究所 | 基于emd与ba优化svm的汽轮机转子故障诊断方法 |
CN110727908A (zh) * | 2019-09-27 | 2020-01-24 | 宁夏凯晨电气集团有限公司 | 解决复杂电气故障的模态解析方法 |
CN110836770A (zh) * | 2019-11-21 | 2020-02-25 | 荆州市巨鲸传动机械有限公司 | 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 |
CN111460750B (zh) * | 2019-12-24 | 2023-06-13 | 华能龙开口水电有限公司 | 一种发电机、变压器保护整定值自动生成系统和方法 |
CN111291452B (zh) * | 2020-03-06 | 2023-05-26 | 威海海洋职业学院 | 一种船舶电力推进系统故障模式风险确定方法及系统 |
CN111650453B (zh) * | 2020-05-25 | 2021-03-30 | 武汉大学 | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 |
CN111982488A (zh) * | 2020-08-26 | 2020-11-24 | 上海德意达电子电器设备有限公司 | 一种基于gemd包络谱分析的车轴故障的诊断方法 |
CN112580876A (zh) * | 2020-12-21 | 2021-03-30 | 国网甘肃省电力公司电力科学研究院 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
CN112923847B (zh) * | 2021-01-21 | 2022-03-18 | 广东工业大学 | 一种局部正弦辅助的光栅尺测量误差自适应补偿方法 |
CN117607804B (zh) * | 2024-01-23 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种基于f-k变换改进的探地雷达杂波抑制方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002065157A2 (en) * | 2001-02-14 | 2002-08-22 | The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) | Empirical mode decomposition for analyzing acoustical signals |
EP2081492A2 (en) * | 2006-09-26 | 2009-07-29 | Morpheus Medical | Methods for a movement and vibration analyzer (mva) |
CN101887407A (zh) * | 2010-07-16 | 2010-11-17 | 哈尔滨工业大学 | 一种基于希尔伯特-黄变换的设备或系统机内测试信号特征提取方法 |
CN104007315A (zh) * | 2014-04-29 | 2014-08-27 | 昆明理工大学 | 一种改进的经验模态分解处理方法 |
CN104483127A (zh) * | 2014-10-22 | 2015-04-01 | 徐州隆安光电科技有限公司 | 一种行星齿轮微弱故障特征信息提取方法 |
CN104614628A (zh) * | 2015-01-06 | 2015-05-13 | 南京工程学院 | 基于eemd和fft结合的电机转子断条故障分析方法 |
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
CN105699072A (zh) * | 2016-01-11 | 2016-06-22 | 石家庄铁道大学 | 一种基于级联经验模态分解齿轮故障诊断方法 |
CN105929331A (zh) * | 2016-04-28 | 2016-09-07 | 上海电机学院 | 一种双馈风力发电机定转子故障分析诊断装置及方法 |
CN106371002A (zh) * | 2015-07-24 | 2017-02-01 | 国网四川省电力公司眉山供电公司 | 一种基于希尔伯特黄变换算法对断路器故障诊断的方法 |
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
CN106664481A (zh) * | 2014-03-19 | 2017-05-10 | 思睿逻辑国际半导体有限公司 | 扬声器的非线性控制 |
CN107655693A (zh) * | 2017-11-02 | 2018-02-02 | 哈尔滨理工大学 | 一种船舶发动机故障诊断系统及方法 |
CN107748557A (zh) * | 2017-10-26 | 2018-03-02 | 哈尔滨工程大学 | 一种基于LabVIEW的船舶综合电力推进系统智能故障诊断系统 |
CN108288058A (zh) * | 2018-04-12 | 2018-07-17 | 大连理工大学 | 一种改进的小波阈值膝关节摆动信号去噪算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI542887B (zh) * | 2014-07-10 | 2016-07-21 | 國立成功大學 | 馬達故障檢測方法與馬達故障檢測系統 |
-
2018
- 2018-08-08 CN CN201810896226.2A patent/CN109117784B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002065157A2 (en) * | 2001-02-14 | 2002-08-22 | The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) | Empirical mode decomposition for analyzing acoustical signals |
EP2081492A2 (en) * | 2006-09-26 | 2009-07-29 | Morpheus Medical | Methods for a movement and vibration analyzer (mva) |
CN101887407A (zh) * | 2010-07-16 | 2010-11-17 | 哈尔滨工业大学 | 一种基于希尔伯特-黄变换的设备或系统机内测试信号特征提取方法 |
CN106664481A (zh) * | 2014-03-19 | 2017-05-10 | 思睿逻辑国际半导体有限公司 | 扬声器的非线性控制 |
CN104007315A (zh) * | 2014-04-29 | 2014-08-27 | 昆明理工大学 | 一种改进的经验模态分解处理方法 |
CN104483127A (zh) * | 2014-10-22 | 2015-04-01 | 徐州隆安光电科技有限公司 | 一种行星齿轮微弱故障特征信息提取方法 |
CN104614628A (zh) * | 2015-01-06 | 2015-05-13 | 南京工程学院 | 基于eemd和fft结合的电机转子断条故障分析方法 |
CN106371002A (zh) * | 2015-07-24 | 2017-02-01 | 国网四川省电力公司眉山供电公司 | 一种基于希尔伯特黄变换算法对断路器故障诊断的方法 |
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
CN105699072A (zh) * | 2016-01-11 | 2016-06-22 | 石家庄铁道大学 | 一种基于级联经验模态分解齿轮故障诊断方法 |
CN105929331A (zh) * | 2016-04-28 | 2016-09-07 | 上海电机学院 | 一种双馈风力发电机定转子故障分析诊断装置及方法 |
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
CN107748557A (zh) * | 2017-10-26 | 2018-03-02 | 哈尔滨工程大学 | 一种基于LabVIEW的船舶综合电力推进系统智能故障诊断系统 |
CN107655693A (zh) * | 2017-11-02 | 2018-02-02 | 哈尔滨理工大学 | 一种船舶发动机故障诊断系统及方法 |
CN108288058A (zh) * | 2018-04-12 | 2018-07-17 | 大连理工大学 | 一种改进的小波阈值膝关节摆动信号去噪算法 |
Non-Patent Citations (4)
Title |
---|
A lower sideband EMD and its application in power systems;Chengxin Li等;《2015 5th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies (DRPT)》;757-764页 * |
LNG船电力系统故障检测的仿真研究;包艳;施伟锋;;《计算机仿真》;第31卷(第12期);446-450页 * |
基于改进EEMD和HMM的采煤机摇臂轴承故障诊断;王行刚;《工况自动化》;第42卷(第9期);48-51页 * |
基于改进局域均值分解算法的模拟电路故障特征提取方法;邓森等;《计算机集成制造系统》;第19卷(第10期);2550-2556页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109117784A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117784B (zh) | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 | |
Bose et al. | Superresolution and noise filtering using moving least squares | |
Teoh et al. | Median filtering frameworks for reducing impulse noise from grayscale digital images: a literature survey | |
CN112566174B (zh) | 一种基于深度学习的异常i/q信号识别方法及系统 | |
CN112395992A (zh) | 一种基于改进小波阈值的电力谐波信号去噪方法 | |
Wu et al. | Elimination of cross‐terms in the Wigner–Ville distribution of multi‐component LFM signals | |
CN109359633B (zh) | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 | |
Qin et al. | Radar waveform recognition based on deep residual network | |
Zhao et al. | Probabilistic principal component analysis assisted new optimal scale morphological top-hat filter for the fault diagnosis of rolling bearing | |
CN106646074A (zh) | 一种传导电磁干扰接收机的建模方法 | |
CN112303504B (zh) | 一种基于改进的变分模式分解算法的供水管道泄漏位置检测方法 | |
Nithya et al. | Pilot based channel estimation of OFDM systems using deep learning techniques | |
Sheybani et al. | Removing spikes while preserving data and noise using wavelet filter banks | |
CN111985342B (zh) | 一种基于经验模态分解的海杂波时间相关性分析方法 | |
CN110112757B (zh) | 基于sure小波消噪和改进hht的低频振荡分析方法 | |
US11444643B2 (en) | Signal frequency and bandwidth estimation using a learned filter pair response | |
Shi-qiao et al. | A hybrid AR-DWT-EMD model for the short-term prediction of nonlinear and non-stationary ship motion | |
CN114576568B (zh) | 基于次声波的管道泄漏检测方法及装置 | |
Zheng et al. | Time-frequency feature-based underwater target detection with deep neural network in shallow sea | |
Devi et al. | A hybrid technique of Mamdani and Sugeno based fuzzy interference system approach | |
CN116010798A (zh) | 一种基于YOLOv5的复杂典型通信信号快速识别分类方法 | |
CN111308426B (zh) | 一种适用于单天线接收机的低信噪比周期调频信号检测与分离方法 | |
Li et al. | Spatio-temporal vessel trajectory smoothing based on trajectory similarity and two-dimensional wavelet transform | |
JP4843288B2 (ja) | Am/fm混合信号処理装置 | |
CN115409058B (zh) | 面向自动调制识别深度网络的对抗扰动生成方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |