CN109253872A - 一种基于ceemdan的转子运行状态监测方法 - Google Patents
一种基于ceemdan的转子运行状态监测方法 Download PDFInfo
- Publication number
- CN109253872A CN109253872A CN201811083048.8A CN201811083048A CN109253872A CN 109253872 A CN109253872 A CN 109253872A CN 201811083048 A CN201811083048 A CN 201811083048A CN 109253872 A CN109253872 A CN 109253872A
- Authority
- CN
- China
- Prior art keywords
- rotor
- ceemdan
- operation state
- svm classifier
- classifier model
- 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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及自适应噪声完备集合经验模态分解技术领域,公开了一种基于CEEMDAN的转子运行状态监测方法。具体包括以下过程:利用ZT‑3转子振动模拟试验台模拟转子的振动过程,通过传感器采集到的振动状态参数作为数据样本;针对数据样本,利用CEEMDAN方法对采集到的振动状态参数进行分解,并提取特征向量;利用CS‑BBO算法优化SVM分类模型,将特征向量输入SVM分类模型中进行分类识别,实现对转子运行状态识别的优化。通过本发明的技术方案,使故障特征提取效果明显,识别过程中搜索速度高,计算速度快,识别准确率明显提高。
Description
技术领域
本发明涉及自适应噪声完备集合经验模态分解技术领域,特别是一种基于CEEMDAN的转子运行状态监测方法。
背景技术
在大型的高速旋转机械中,转子的受力情况较为复杂,在动叶通道中不仅要实现能量转换、主轴扭矩传递外,还需承受动叶和主轴部件在运转中产生的离心力、各部分温差引起的热应力和振动产生的动应力。同时,为了使通流部分效率尽可能高,转子和静止部件之间所留的间隔非常小,因此只要在转子运行过程中稍微出现偏差就会引发故障,影响机械运行的安全性。国内外曾发生过多起因为转子故障而导致的重大事故,对社会经济造成严重影响。因此,对转子进行准确快速的在线监测研究具有十分重要的现实意义。
运行状态下的转子所采集到的信号是非线性、非平稳的振动信号,如何利用有限的特征参数来表征更多的故障信息,一直是专家学者们所关注的重点。随着信号处理技术的快速发展,特征提取的方法也在不断地完善。目前,常用方法有经验模态分解、傅立叶变换、小波分析等,但这些方法都存在各自的不足。如经验模态分解会产生模态混叠现象及端点效应;用傅里叶变换的方法提取信号频谱时,需要利用信号的全部时域信息,缺少时域定位功能。通过这些智能算法获取的准确的故障特征均存在着一定的局限性,使得分类效果并不理想。
支持向量机一种以统计学习理论的基础的智能分类器,在解决小样本决策问题时有较强的推广能力,结构简单,能够最大限度地发觉样本数据中隐含的分类知识。但SVM在具体应用过程中学习能力和泛化能力是由其参数决定的,因此,对其参数的优化问题显得尤为重要。
自适应噪声完备集合经验模态分解是在集合经验模态分解(Ensemble EmpiricalEode Decomposition,EEMD)的基础上所提出的一种自适应数据预处理方法。它可在分解的每个阶段附加有限次的白噪声,降低求取平均值的次数,使得重构误差基本为零。CEEMDAN与经验模态分解(Empirical Eode Decomposition,EMD)相比,能够有效地抑制模态混叠现象;与EEMD相比,其分解过程更具有完整性,且克服了EEMD分解效率低的问题。
至此,对于一个优质、高效的转子运行状态监测系统,必须满足以下几点基本要求:
(1)故障特征提取效果明显;(2)搜索精度高;(3)计算速度快;(4)方法简单、易实现。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,提供了一种基于CEEMDAN的转子运行状态监测方法。
本发明采用的技术方案如下:一种基于CEEMDAN的转子运行状态监测方法,具体包括以下过程:
步骤1,利用ZT-3转子振动模拟试验台模拟转子的振动过程,通过传感器采集到的振动状态参数作为数据样本;
步骤2,针对数据样本,利用CEEMDAN方法对采集到的振动状态参数进行分解,并提取提取特征向量;
步骤3,利用CS-BBO算法优化SVM分类模型,将特征向量输入SVM分类模型中进行分类识别,实现转子运行状态优化。
进一步的,所述步骤1的具体过程为:利用ZT-3转子振动模拟试验台模拟转子的振动过程,试验台选用直流并励电动机驱动方案,电动机通过联轴器对转子进行直接驱动;试验时,依据转子的故障机理预置故障,启动试验装置,将转速缓慢提升至所要求的范围内,通过电涡流传感器和前置放大器采集转子的振动信号,将采集到的振动状态参数作为数据样本。
进一步的,所述步骤2的具体过程为:利用CEEMDAN方法对采集到的振动状态参数进行分解;选用不同的特征值对分解后的振动状态参数进行计算,并提取排列熵,构造特征向量。
进一步的,所述步骤3的具体过程为:设CS-BBO算法的适宜度函数为分类准确率,即其中F为SVM分类模型的分类准确率,m为数据样本测试集的个数,ltn为为第n个测试集中的正确分类个数,ln为第n个测试集中样本的个数;设置适宜度函数初始参数,将SVM分类模型的核函数参数σ和惩罚因子C映射至CS-BBO算法适宜度函数中的适宜度向量,通过CS-BBO算法的迁移操作和变异操作,获取最优适宜度函数,即获得最优的SVM分类模型;输入特征向量即可实现对转子运行状态识别的优化。
与现有技术相比,采用上述技术方案的有益效果为:通过本发明的技术方案,使故障特征提取效果明显,识别过程中搜索速度高,计算速度快,识别准确率明显提高。
附图说明
图1是基于CEEMDAN的转子运行状态监测方法的流程示意图。
图2是实施例中转子动静碰磨运行状态下的原始振动信号图。
图3是实施例中转子4种运行状态下IMF1分量排列熵值箱线图。
图4是实施例中转子运行状态监测系统的诊断结果。
具体实施方式
下面结合附图对本发明做进一步描述。
如图1所示,一种基于CEEMDAN的转子运行状态监测方法,具体包括以下过程:
(1)数据提取:利用ZT-3转子振动模拟试验台模拟转子的振动过程,通过传感器采集到的振动状态参数作为数据样本;
具体地,利用ZT-3转子振动模拟试验台模拟转子的振动过程,模拟转子正常运行状态和三种典型的故障状态:转子不平衡,转子不对中,转子动静碰磨;试验时,设置采样频率为5000Hz,转子转速3000RMP,采集四种运行状态下的振动数据作为研究对象;试验台选用直流并励电动机驱动方案,电动机通过联轴器对转子进行直接驱动;试验时,依据转子的故障机理预置故障,启动试验装置,将转速缓慢提升至所要求的范围内,通过电涡流传感器和前置放大器采集转子的振动信号,将采集到的振动状态参数作为数据样本。
步骤2、特征提取:针对数据样本,利用CEEMDAN方法对采集到的振动状态参数进行分解,并提取特征向量;
具体地,故障模拟实验采集到的信号都是非线性、非平稳的振动信号,不能很好的表示故障的特征,为此,对振动状态参数进行了特征提取。特征向量就是转子运行状态的“标签”,因此,特征向量对于转子运行状态能否准确识别起到关键作用。
特征提取的具体过程为:用CEEMDAN方法对采集到的振动状态参数进行分解;选用不同的特征值对分解后的振动状态参数进行计算,并提取排列熵,构造特征向量。
其中,选用不同的特征值对分解后的振动信号进行计算,能够准确地反映信号的波动情况,依据特征值数值的不同,就可以对不同类型的振动信号进行区分,以此来判定转子是否存在故障以及存在哪种故障。
在本实施例中,采用的是CEEMDAN方法,它可在分解的每个阶段附加有限次的白噪声,降低求取平均值的次数,使得重构误差基本为零。并且能够有效地抑制模态混叠现,提高分解效率。
以转子动静碰磨运行转态为例,如图2所示,转子转速为3000RMP时,动静碰磨运行状态下的原始振动信号图,转子动静碰磨原始振动信号经CEEMDAN分解后产生11个IMF分量,根据转子故障机理以及对各个IMF分量与振动信号间进行相关性分析,选取前6个IMF分量作为特征提取研究对象,分别计算排列熵值。为对比转子4种状态下特征值的区分程度,以第一个分量IMF1为例,如图3所示得到转子4种运行状态下排列熵值的箱线图,从图3中可明显看到排列熵作为特征值构造特征向量区分效果明显,可作为分类识别特征。
(3)识别过程:利用CS-BBO算法优化SVM分类模型,将特征向量输入SVM分类模型中进行分类识别,实现转子运行状态优化。
具体地,所述步骤3的具体过程为:
设CS-BBO算法的适宜度函数为分类准确率,即其中F为SVM分类模型的分类准确率,m为数据样本测试集的个数,ltn为为第n个测试集中的正确分类个数,ln为第n个测试集中样本的个数;;将转子的4种运行状态数据作为试验数据,每类故障选取40组样本,共160组整样本,从中随机选取112组样本进行训练,剩余48组样本进行测试。
设置适宜度函数初始参数,将SVM分类模型的核函数参数σ和惩罚因子C(SVM的核函数参数σ和惩罚因子C对其学习能力和泛化能力有着十分重要的影响。因此,若想提高SVM的分类性能,需对其参数进行优化)映射至CS-BBO算法适宜度函数中的适宜度向量,通过CS-BBO算法的迁移操作和变异操作,优化算法会不断变换SVM核函数参数σ和惩罚因子C取值,获取最优适宜度函数,即获得最优的SVM分类模型。
分类模型经过训练后,如图4所示的运行状态监测诊断结果,在48组测试样本中,仅有第24号样本出现识别错误识别准确率高达97.9167%,诊断时间仅为5.31s。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员,在不脱离本发明的精神所做的非实质性改变或改进,都应该属于本发明权利要求保护的范围。
Claims (4)
1.一种基于CEEMDAN的转子运行状态监测方法,其特征在于,具体包括以下过程:
步骤1,利用ZT-3转子振动模拟试验台模拟转子的振动过程,通过传感器采集到的振动状态参数作为数据样本;
步骤2,针对数据样本,利用CEEMDAN方法对采集到的振动状态参数进行分解,并提取特征向量;
步骤3,利用CS-BBO算法优化SVM分类模型,将特征向量输入SVM分类模型中进行分类识别,实现对转子运行状态识别的优化。
2.如权利要求1所述的基于CEEMDAN的转子运行状态监测方法,其特征在于,所述步骤1的具体过程为:利用ZT-3转子振动模拟试验台模拟转子的振动过程,试验台选用直流并励电动机驱动方案,电动机通过联轴器对转子进行直接驱动;试验时,依据转子的故障机理预置故障,启动试验装置,将转速缓慢提升至所要求的范围内,通过电涡流传感器和前置放大器采集转子的振动信号,将采集到的振动状态参数作为数据样本。
3.如权利要求2所述的基于CEEMDAN的转子运行状态监测方法,其特征在于,所述步骤2的具体过程为:利用CEEMDAN方法对采集到的振动状态参数进行分解;选用不同的特征值对分解后的振动状态参数进行计算,并提取排列熵,构造特征向量。
4.如权利要求3所述的基于CEEMDAN的转子运行状态监测方法,其特征在于,所述步骤3的具体过程为:设CS-BBO算法的适宜度函数为分类准确率,即其中F为SVM分类模型的分类准确率,m为数据样本测试集的个数,ltn为第n个测试集中的正确分类个数,ln为第n个测试集中样本的个数;设置适宜度函数初始参数,将SVM分类模型的核函数参数σ和惩罚因子C映射至CS-BBO算法适宜度函数中的适宜度向量,通过CS-BBO算法的迁移操作和变异操作,获取最优适宜度函数,即获得最优的SVM分类模型;输入特征向量即可实现对转子运行状态识别的优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811083048.8A CN109253872A (zh) | 2018-09-17 | 2018-09-17 | 一种基于ceemdan的转子运行状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811083048.8A CN109253872A (zh) | 2018-09-17 | 2018-09-17 | 一种基于ceemdan的转子运行状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109253872A true CN109253872A (zh) | 2019-01-22 |
Family
ID=65047659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811083048.8A Pending CN109253872A (zh) | 2018-09-17 | 2018-09-17 | 一种基于ceemdan的转子运行状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109253872A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110371825A (zh) * | 2019-07-31 | 2019-10-25 | 中南大学 | 一种矿井提升机张力故障诊断方法、系统及控制系统 |
CN110501172A (zh) * | 2019-08-27 | 2019-11-26 | 广州运达智能科技有限公司 | 一种基于轴箱振动的轨道车辆车轮状态识别方法 |
CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
CN110987494A (zh) * | 2019-12-02 | 2020-04-10 | 吉林松江河水力发电有限责任公司 | 一种基于声发射对水轮机空化状态监测的方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
WO2020232609A1 (zh) * | 2019-05-20 | 2020-11-26 | 西门子股份公司 | 用于训练或测试状态监测模块的系统和方法 |
CN113654750A (zh) * | 2021-08-13 | 2021-11-16 | 华北电力大学(保定) | 一种断路器操动机构振动特征提取方法 |
-
2018
- 2018-09-17 CN CN201811083048.8A patent/CN109253872A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020232609A1 (zh) * | 2019-05-20 | 2020-11-26 | 西门子股份公司 | 用于训练或测试状态监测模块的系统和方法 |
CN110371825A (zh) * | 2019-07-31 | 2019-10-25 | 中南大学 | 一种矿井提升机张力故障诊断方法、系统及控制系统 |
CN110371825B (zh) * | 2019-07-31 | 2020-12-22 | 中南大学 | 一种矿井提升机张力故障诊断方法、系统及控制系统 |
CN110501172A (zh) * | 2019-08-27 | 2019-11-26 | 广州运达智能科技有限公司 | 一种基于轴箱振动的轨道车辆车轮状态识别方法 |
CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
CN110543860B (zh) * | 2019-09-05 | 2022-06-07 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
CN110987494A (zh) * | 2019-12-02 | 2020-04-10 | 吉林松江河水力发电有限责任公司 | 一种基于声发射对水轮机空化状态监测的方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN111272429B (zh) * | 2020-03-04 | 2021-08-17 | 贵州大学 | 一种轴承故障诊断方法 |
CN113654750A (zh) * | 2021-08-13 | 2021-11-16 | 华北电力大学(保定) | 一种断路器操动机构振动特征提取方法 |
CN113654750B (zh) * | 2021-08-13 | 2022-05-03 | 华北电力大学(保定) | 一种断路器操动机构振动特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109253872A (zh) | 一种基于ceemdan的转子运行状态监测方法 | |
Huo et al. | Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures | |
Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
Cao et al. | Research on fault diagnosis technology of centrifugal pump blade crack based on PCA and GMM | |
CN107631867B (zh) | 一种基于深度学习的旋转机械故障智能分类方法 | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
CN109115491A (zh) | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 | |
He et al. | Weak characteristic determination for blade crack of centrifugal compressors based on underdetermined blind source separation | |
Deng et al. | Fault feature extraction of a rotor system based on local mean decomposition and Teager energy kurtosis | |
CN106441843B (zh) | 一种旋转机械故障波形识别方法 | |
CN109374293A (zh) | 一种齿轮故障诊断方法 | |
Silva et al. | Fault detection in induction motors based on artificial intelligence | |
Gu et al. | Fault diagnosis of spindle device in hoist using variational mode decomposition and statistical features | |
Zhang et al. | Feature extraction under bounded noise background and its application in low speed bearing fault diagnosis | |
Liang et al. | Generalized composite multiscale diversity entropy and its application for fault diagnosis of rolling bearing in automotive production line | |
Zegrari et al. | Data-driven Diagnostics for Electric Traction Systems: A Study of Induction Motor | |
Jeon et al. | Statistical approach to diagnostic rules for various malfunctions of journal bearing system using fisher discriminant analysis | |
Li et al. | The Application of AE Signal in Early Cracked Rotor Fault Diagnosis with PWVD and SVM. | |
Al Tobi et al. | Experimental set-up for investigation of fault diagnosis of a centrifugal pump | |
Ali et al. | Machine learning based fault diagnosis for single-and multi-faults for induction motors fed by variable frequency drives | |
Wang et al. | Multiscale sparsity measure fusion for bearing performance degradation assessment | |
CN109781442A (zh) | 一种磁浮列车转向架裂缝故障的检测方法 | |
CN106017956B (zh) | 基于进动能量差密度谱分析的旋转机械故障诊断新方法 | |
CN110320033A (zh) | 一种滚动轴承健康退化状态辨识方法 | |
Bachar et al. | A novel hybrid physical AI-based strategy for fault severity estimation in spur gears with zero-shot learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190122 |
|
RJ01 | Rejection of invention patent application after publication |