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 PDF

Info

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
Application number
CN201811083048.8A
Other languages
English (en)
Inventor
葛春雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaxi Energy Engineering Co Ltd
Original Assignee
Huaxi Energy Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaxi Energy Engineering Co Ltd filed Critical Huaxi Energy Engineering Co Ltd
Priority to CN201811083048.8A priority Critical patent/CN109253872A/zh
Publication of CN109253872A publication Critical patent/CN109253872A/zh
Pending legal-status Critical Current

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

一种基于CEEMDAN的转子运行状态监测方法
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。
CN201811083048.8A 2018-09-17 2018-09-17 一种基于ceemdan的转子运行状态监测方法 Pending CN109253872A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (11)

* Cited by examiner, † Cited by third party
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