CN109708875B - 一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法 - Google Patents
一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法 Download PDFInfo
- Publication number
- CN109708875B CN109708875B CN201910070010.5A CN201910070010A CN109708875B CN 109708875 B CN109708875 B CN 109708875B CN 201910070010 A CN201910070010 A CN 201910070010A CN 109708875 B CN109708875 B CN 109708875B
- Authority
- CN
- China
- Prior art keywords
- rotor
- singular value
- data
- model
- entropy
- 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.)
- Expired - Fee Related
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000006467 substitution reaction Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 7
- 239000000306 component Substances 0.000 description 67
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，包括数据采集、信号分解、选取分量、模型建立、建立向量矩阵、奇异值计算、数据选取、代入检测和故障诊断，本发明结构科学合理，使用安全方便，本发明在对转子故障进行检测时，通过变分模态分解将转子振动信号分解为一系列固有模态函数分量，建立出二阶Volterra自适应预测模型，并获取模型参数向量，通过获取的模型参数向量，建立初始特征向量矩阵，随后对奇异值进行归一化处理，得出奇异值熵，构建奇异值特征向量公式，随后通过模糊C均值聚类算法将取出的部分样本数据进行计算，得出数据并进行记录，最后根据计算出的数据，得出转子故障原因。
Description
技术领域
本发明涉及转子故障检测技术领域，具体为一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法。
背景技术
转子作为旋转机械的核心部件被广泛应用于铁路交通、航空航天和石油化工等众多行业。受工作环境复杂性的影响，转子是旋转机械设备中的易损零件。据统计，导致旋转机械失效的因素中，转子故障占比50％以上。当转子出现故障时，其振动信号表现出非平稳特性，传统时频分析方法无法实现对转子故障的精确诊断，因此，如何找到可有效表征转子状态的敏感故障特征已成为该领域研究的热点与难点。
变分模态分解(VMD)是一种非递归式自适应信号处理方法，相较于EMD，VMD拥有坚实的理论基础，它通过变分模态最优解的计算实现模态分解，且抗噪性能更佳，分解过程中可有效避免模态混叠问题的产生，保证信号故障特征提取的可靠性。
Volterra模型可有效解决信号的非平稳问题，并降低计算难度。奇异值是矩阵的固有特征，具有良好的稳定性，奇异值熵在信号信息量评估方面具有独特优势且不受采样时间的影响，若将奇异值熵引入Volterra模型预测参数中，可充分利用奇异值熵在信息量分析与评估的优势，同时有效降低模型预测参数对于采样时间的敏感度，增加故障特征提取的准确性。
对于转子的故障诊断，常以其振动信号的频谱或包络谱为分析对象，可采用模糊聚类方法对转子信号的工作状态和故障类型进行识别。目前基于目标函数的模糊聚类方法最为常用，其中模糊C均值聚类算法(FCM)的理论具有最好的完备性。
基于上述分析，在此提出一种基于变分模态分解Volterra奇异值熵的转子故障识别方法。该方法首先对转子振动信号进行VMD分解，并根据能量熵增量-频域互相关系数准则选取可有效表征转子特性的IMF分量。然后对各IMF分量进行相空间重构，建立Volterra自适应预测模型，获取模型参数形成初始特征向量矩阵，并对其进行奇异值分解和归一化处理，以求得奇异值熵，构建奇异值特征向量。最后采用FCM算法对转子进行故障类型识别。通过对转子实测信号的分析，验证了所提方法的可行性。
发明内容
本发明提供一种技术方案，可以有效解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，包括如下步骤：
S1、数据采集：对转子出现故障时的振动信号进行采集，并记录；
S2、信号分解：将采集到的转子振动信号通过变分模态分解，得到一系列固有模态函数分量；
S3、选取分量：根据相应选取准则，从步骤S2中的固有模态函数分量中，选取一系列的敏感固有模态函数分量；
S4、模型建立：根据所得数据建立二阶Volterra自适应预测模型，并获取相应参数；
S5、建立向量矩阵：根据步骤S4所得参数，并根据所得参数建立初始特征向量矩阵；
S6、奇异值计算：计算初始特征向量矩阵的奇异值，并根据计算出的数据构建奇异值特征向量；
S7、数据选取：选取步骤S6中奇异值特征向量的一部分作为标准样本；
S8、代入检测：根据步骤S7中选取的样本数据，通过模糊C均值聚类算法进行计算；
S9、故障诊断：根据步骤S8中模糊C均值聚类算法计算出的结果，分析出转子故障原因。
根据上述技术特征，所述步骤S1中，转子出现故障时，转子的振动信号出现非平稳性，对振动信号进行采集，同时会对转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行数据化采集，并与振动信号一同进行记录。
根据上述技术特征，根据上述技术特征，所述步骤S2中，转子出现故障时，采集到的振动信号数据会通过变分模态进行分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录。
根据上述技术特征，所述步骤S3中，根据能量熵增量-频域互相关系数准则，从步骤S2中的得到的固有模态函数分量中，选出多个可有效表征转子工作状态的敏感固有模态函数分量。
根据上述技术特征，所述步骤S4中，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录。
根据上述技术特征，所述步骤S5中，根据步骤S4中获取的模型参数向量，建立初始特征向量矩阵A＝[W1,W2,…,Wk]T，式中，W1,W2,…,Wk为模型参数向量。
根据上述技术特征，所述步骤S6中，根据步骤S5得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值p＝{p1,p2,…,pk}，并根据计算出的数据，构建奇异值特征向量
式中，
为归一化奇异值，Pi＝pi，H为奇异值熵。
根据上述技术特征，所述步骤S7中，根据步骤S6中得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录。
根据上述技术特征，所述步骤S8中，选取步骤S7中计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录。
根据上述技术特征，所述步骤S9中，根据步骤S8中模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，并对数据进行记录。
与现有技术相比，本发明的有益效果：本发明结构科学合理，使用安全方便：
本发明在对转子故障进行检测时，首先会对转子产生故障时的振动信号、转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行采集记录，随后，将采集到的转子振动信号通过变分模态分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录，随后从计算得出的固有模态函数分量中选出多个可有效表征转子工作状态的敏感固有模态函数分量，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录，通过获取的模型参数向量，建立初始特征向量矩阵，根据得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值，并根据计算出的数据，构建奇异值特征向量公式，随后根据得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录，从得出的奇异值向量数据中，选取其中一部分作为标准样本，计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录，最后根据模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，得出转子故障诊断报告，并进行记录。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明的结构示意图；
图2是本发明实施例1的转子幅值示意图；
图3是本发明实施例2的转子幅值示意图；
图4是本发明实施例3的转子幅值示意图；
图5是本发明实施例4的转子幅值示意图；
图6是本发明实施例5的转子幅值示意图；
图7是本发明VMD对各实施例分解的结果示意图；
图8是本发明VMD对各实施例分解的IMF频谱图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：如图1、2所示，本发明提供一种技术方案，一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，包括如下步骤：
S1、数据采集：对转子出现故障时的振动信号进行采集，并记录；
S2、信号分解：将采集到的转子振动信号通过变分模态分解，得到一系列固有模态函数分量；
S3、选取分量：根据相应选取准则，从步骤S2中的固有模态函数分量中，选取一系列的敏感固有模态函数分量；
S4、模型建立：根据所得数据建立二阶Volterra自适应预测模型，并获取相应参数；
S5、建立向量矩阵：根据步骤S4所得参数，并根据所得参数建立初始特征向量矩阵；
S6、奇异值计算：计算初始特征向量矩阵的奇异值，并根据计算出的数据构建奇异值特征向量；
S7、数据选取：选取步骤S6中奇异值特征向量的一部分作为标准样本；
S8、代入检测：根据步骤S7中选取的样本数据，通过模糊C均值聚类算法进行计算；
S9、故障诊断：根据步骤S8中模糊C均值聚类算法计算出的结果，分析出转子故障原因。
根据上述技术特征，步骤S1中，转子出现故障时，转子的振动信号出现非平稳性，对振动信号进行采集，同时会对转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行数据化采集，转子偏心角度为0度，转子两端重量差值为0，轴承座底端两侧均通过螺栓固定，转子与转轴动摩擦，并与振动信号一同进行记录。
根据上述技术特征，步骤S2中，转子出现故障时，采集到的振动信号数据会通过变分模态进行分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录。
根据上述技术特征，步骤S3中，根据能量熵增量-频域互相关系数准则，从步骤S2中的得到的固有模态函数分量中，选出多个可有效表征转子工作状态的敏感固有模态函数分量。
根据上述技术特征，步骤S4中，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录。
根据上述技术特征，步骤S5中，根据步骤S4中获取的模型参数向量，建立初始特征向量矩阵A＝[W1,W2,…,Wk]T，式中，W1,W2,…,Wk为模型参数向量。
根据上述技术特征，步骤S6中，根据步骤S5得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值p＝{p1,p2,…,pk}，并根据计算出的数据，构建奇异值特征向量
式中，
为归一化奇异值，Pi＝pi，H为奇异值熵。
根据上述技术特征，步骤S7中，根据步骤S6中得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录。
根据上述技术特征，步骤S8中，选取步骤S7中计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录。
根据上述技术特征，步骤S9中，根据步骤S8中模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，并对数据进行记录。
实施例2：如图1、3所示，本发明提供一种技术方案，一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，包括如下步骤：
S1、数据采集：对转子出现故障时的振动信号进行采集，并记录；
S2、信号分解：将采集到的转子振动信号通过变分模态分解，得到一系列固有模态函数分量；
S3、选取分量：根据相应选取准则，从步骤S2中的固有模态函数分量中，选取一系列的敏感固有模态函数分量；
S4、模型建立：根据所得数据建立二阶Volterra自适应预测模型，并获取相应参数；
S5、建立向量矩阵：根据步骤S4所得参数，并根据所得参数建立初始特征向量矩阵；
S6、奇异值计算：计算初始特征向量矩阵的奇异值，并根据计算出的数据构建奇异值特征向量；
S7、数据选取：选取步骤S6中奇异值特征向量的一部分作为标准样本；
S8、代入检测：根据步骤S7中选取的样本数据，通过模糊C均值聚类算法进行计算；
S9、故障诊断：根据步骤S8中模糊C均值聚类算法计算出的结果，分析出转子故障原因。
根据上述技术特征，步骤S1中，转子出现故障时，转子的振动信号出现非平稳性，对振动信号进行采集，同时会对转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行数据化采集，转子偏心角度为1度，转子两端重量差值为0，轴承座底端两侧均通过螺栓固定，转子与转轴动摩擦，并与振动信号一同进行记录。
根据上述技术特征，步骤S2中，转子出现故障时，采集到的振动信号数据会通过变分模态进行分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录。
根据上述技术特征，步骤S3中，根据能量熵增量-频域互相关系数准则，从步骤S2中的得到的固有模态函数分量中，选出多个可有效表征转子工作状态的敏感固有模态函数分量。
根据上述技术特征，步骤S4中，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录。
根据上述技术特征，步骤S5中，根据步骤S4中获取的模型参数向量，建立初始特征向量矩阵A＝[W1,W2,…,Wk]T，式中，W1,W2,…,Wk为模型参数向量。
根据上述技术特征，步骤S6中，根据步骤S5得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值p＝{p1,p2,…,pk}，并根据计算出的数据，构建奇异值特征向量
式中，
为归一化奇异值，Pi＝pi，H为奇异值熵。
根据上述技术特征，步骤S7中，根据步骤S6中得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录。
根据上述技术特征，步骤S8中，选取步骤S7中计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录。
根据上述技术特征，步骤S9中，根据步骤S8中模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，并对数据进行记录。
实施例3：如图1、4所示，本发明提供一种技术方案，一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，包括如下步骤：
S1、数据采集：对转子出现故障时的振动信号进行采集，并记录；
S2、信号分解：将采集到的转子振动信号通过变分模态分解，得到一系列固有模态函数分量；
S3、选取分量：根据相应选取准则，从步骤S2中的固有模态函数分量中，选取一系列的敏感固有模态函数分量；
S4、模型建立：根据所得数据建立二阶Volterra自适应预测模型，并获取相应参数；
S5、建立向量矩阵：根据步骤S4所得参数，并根据所得参数建立初始特征向量矩阵；
S6、奇异值计算：计算初始特征向量矩阵的奇异值，并根据计算出的数据构建奇异值特征向量；
S7、数据选取：选取步骤S6中奇异值特征向量的一部分作为标准样本；
S8、代入检测：根据步骤S7中选取的样本数据，通过模糊C均值聚类算法进行计算；
S9、故障诊断：根据步骤S8中模糊C均值聚类算法计算出的结果，分析出转子故障原因。
根据上述技术特征，步骤S1中，转子出现故障时，转子的振动信号出现非平稳性，对振动信号进行采集，同时会对转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行数据化采集，转子偏心角度为0度，转子两端重量差值为2g，轴承座底端两侧均通过螺栓固定，转子与转轴动摩擦，并与振动信号一同进行记录。
根据上述技术特征，步骤S2中，转子出现故障时，采集到的振动信号数据会通过变分模态进行分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录。
根据上述技术特征，步骤S3中，根据能量熵增量-频域互相关系数准则，从步骤S2中的得到的固有模态函数分量中，选出多个可有效表征转子工作状态的敏感固有模态函数分量。
根据上述技术特征，步骤S4中，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录。
根据上述技术特征，步骤S5中，根据步骤S4中获取的模型参数向量，建立初始特征向量矩阵A＝[W1,W2,…,Wk]T，式中，W1,W2,…,Wk为模型参数向量。
根据上述技术特征，步骤S6中，根据步骤S5得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值p＝{p1,p2,…,pk}，并根据计算出的数据，构建奇异值特征向量
式中，
为归一化奇异值，Pi＝pi，H为奇异值熵。
根据上述技术特征，步骤S7中，根据步骤S6中得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录。
根据上述技术特征，步骤S8中，选取步骤S7中计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录。
根据上述技术特征，步骤S9中，根据步骤S8中模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，并对数据进行记录。
实施例4：如图1、5所示，本发明提供一种技术方案，一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，包括如下步骤：
S1、数据采集：对转子出现故障时的振动信号进行采集，并记录；
S2、信号分解：将采集到的转子振动信号通过变分模态分解，得到一系列固有模态函数分量；
S3、选取分量：根据相应选取准则，从步骤S2中的固有模态函数分量中，选取一系列的敏感固有模态函数分量；
S4、模型建立：根据所得数据建立二阶Volterra自适应预测模型，并获取相应参数；
S5、建立向量矩阵：根据步骤S4所得参数，并根据所得参数建立初始特征向量矩阵；
S6、奇异值计算：计算初始特征向量矩阵的奇异值，并根据计算出的数据构建奇异值特征向量；
S7、数据选取：选取步骤S6中奇异值特征向量的一部分作为标准样本；
S8、代入检测：根据步骤S7中选取的样本数据，通过模糊C均值聚类算法进行计算；
S9、故障诊断：根据步骤S8中模糊C均值聚类算法计算出的结果，分析出转子故障原因。
根据上述技术特征，步骤S1中，转子出现故障时，转子的振动信号出现非平稳性，对振动信号进行采集，同时会对转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行数据化采集，转子偏心角度为0度，转子两端重量差值为0，轴承座底端一侧未通过螺栓固定，转子与转轴动摩擦，并与振动信号一同进行记录。
根据上述技术特征，步骤S2中，转子出现故障时，采集到的振动信号数据会通过变分模态进行分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录。
根据上述技术特征，步骤S3中，根据能量熵增量-频域互相关系数准则，从步骤S2中的得到的固有模态函数分量中，选出多个可有效表征转子工作状态的敏感固有模态函数分量。
根据上述技术特征，步骤S4中，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录。
根据上述技术特征，步骤S5中，根据步骤S4中获取的模型参数向量，建立初始特征向量矩阵A＝[W1,W2,…,Wk]T，式中，W1,W2,…,Wk为模型参数向量。
根据上述技术特征，步骤S6中，根据步骤S5得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值p＝{p1,p2,…,pk}，并根据计算出的数据，构建奇异值特征向量
式中，
为归一化奇异值，Pi＝pi，H为奇异值熵。
根据上述技术特征，步骤S7中，根据步骤S6中得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录。
根据上述技术特征，步骤S8中，选取步骤S7中计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录。
根据上述技术特征，步骤S9中，根据步骤S8中模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，并对数据进行记录。
实施例5：如图1、6所示，本发明提供一种技术方案，一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，包括如下步骤：
S1、数据采集：对转子出现故障时的振动信号进行采集，并记录；
S2、信号分解：将采集到的转子振动信号通过变分模态分解，得到一系列固有模态函数分量；
S3、选取分量：根据相应选取准则，从步骤S2中的固有模态函数分量中，选取一系列的敏感固有模态函数分量；
S4、模型建立：根据所得数据建立二阶Volterra自适应预测模型，并获取相应参数；
S5、建立向量矩阵：根据步骤S4所得参数，并根据所得参数建立初始特征向量矩阵；
S6、奇异值计算：计算初始特征向量矩阵的奇异值，并根据计算出的数据构建奇异值特征向量；
S7、数据选取：选取步骤S6中奇异值特征向量的一部分作为标准样本；
S8、代入检测：根据步骤S7中选取的样本数据，通过模糊C均值聚类算法进行计算；
S9、故障诊断：根据步骤S8中模糊C均值聚类算法计算出的结果，分析出转子故障原因。
根据上述技术特征，步骤S1中，转子出现故障时，转子的振动信号出现非平稳性，对振动信号进行采集，同时会对转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行数据化采集，转子偏心角度为0度，转子两端重量差值为0，轴承座底端两侧均通过螺栓固定，转子与转轴静摩擦，并与振动信号一同进行记录。
根据上述技术特征，步骤S2中，转子出现故障时，采集到的振动信号数据会通过变分模态进行分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录。
根据上述技术特征，步骤S3中，根据能量熵增量-频域互相关系数准则，从步骤S2中的得到的固有模态函数分量中，选出多个可有效表征转子工作状态的敏感固有模态函数分量。
根据上述技术特征，步骤S4中，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录。
根据上述技术特征，步骤S5中，根据步骤S4中获取的模型参数向量，建立初始特征向量矩阵A＝[W1,W2,…,Wk]T，式中，W1,W2,…,Wk为模型参数向量。
根据上述技术特征，步骤S6中，根据步骤S5得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值p＝{p1,p2,…,pk}，并根据计算出的数据，构建奇异值特征向量
式中，
为归一化奇异值，Pi＝pi，H为奇异值熵。
根据上述技术特征，步骤S7中，根据步骤S6中得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录。
根据上述技术特征，步骤S8中，选取步骤S7中计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录。
根据上述技术特征，步骤S9中，根据步骤S8中模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，并对数据进行记录。
本发明按照实施例1-5所得数据进行记录，结果如表1，
表1数据结果如下：
| 检验项目 | 实施例1 | 实施例2 | 实施例3 | 实施例4 | 实施例5 |
| Volterra模型奇异值熵 | 1.0842 | 0.9430 | 0.9024 | 0.9706 | 0.8729 |
| 奇异值特征向量 | 0.5279 | 0.2556 | 0.2414 | 0.3264 | 0.2934 |
通过结果可见，通过对表1的分析可知，根据敏感固有模态函数分量所求得的Volterra模型奇异值熵对转子故障非常敏感，故障类型不同，其Volterra模型奇异值熵的数值间差距较大，Volterra模型奇异值特征向量得到的同类样本间波动性较小，即同类样本之间的聚类效果较好，且异类样本之间具有较大的区分度，由此表明，以本方法求解出的上述参数作为特征向量对转子工作状态和故障类型的诊断具有较好的可分性和诊断可靠性。
本发明的工作原理及使用流程：本发明在对转子故障进行检测时，首先会对转子产生故障时的振动信号、转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行采集记录，随后，将采集到的转子振动信号通过变分模态分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录，随后从计算得出的固有模态函数分量中选出多个可有效表征转子工作状态的敏感固有模态函数分量，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录，通过获取的模型参数向量，建立初始特征向量矩阵，根据得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值，并根据计算出的数据，构建奇异值特征向量公式，随后根据得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录，从得出的奇异值向量数据中，选取其中一部分作为标准样本，计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录，最后根据模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，得出转子故障诊断报告，并进行记录。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，包括如下步骤：
S1、数据采集：对转子出现故障时的振动信号进行采集，并记录；
S2、信号分解：将采集到的转子振动信号通过变分模态分解，得到一系列固有模态函数分量；
S3、选取分量：根据相应选取准则，从步骤S2中的固有模态函数分量中，选取一系列的敏感固有模态函数分量；
S4、模型建立：根据所得数据建立二阶Volterra自适应预测模型，并获取相应参数；
S5、建立向量矩阵：根据步骤S4所得参数，建立初始特征向量矩阵；
S6、奇异值计算：计算初始特征向量矩阵的奇异值，并根据计算出的数据构建奇异值特征向量；
S7、数据选取：选取步骤S6中奇异值特征向量的一部分作为标准样本；
S8、代入检测：根据步骤S7中选取的样本数据，通过模糊C均值聚类算法进行计算；
S9、故障诊断：根据步骤S8中模糊C均值聚类算法计算出的结果，分析出转子故障原因。
2.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S1中，转子出现故障时，转子的振动信号出现非平稳性，对振动信号进行采集，同时会对转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行数据化采集，并与振动信号一同进行记录。
3.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S2中，转子出现故障时，采集到的振动信号数据会通过变分模态进行分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录。
4.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S3中，根据能量熵增量-频域互相关系数准则，从步骤S2中的得到的固有模态函数分量中，选出多个可有效表征转子工作状态的敏感固有模态函数分量。
5.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S4中，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录。
6.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S5中，根据步骤S4中获取的模型参数向量，建立初始特征向量矩阵A＝[W1,W2,…,Wk]T，式中，W1,W2,…,Wk为模型参数向量。
7.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S6中，根据步骤S5得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值p＝{p1,p2,…,pk}，并根据计算出的数据，构建奇异值特征向量
式中，
为归一化奇异值，Pi＝pi，H为奇异值熵。
8.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S7中，根据步骤S6中得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录。
9.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S8中，选取步骤S7中计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录。
10.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S9中，根据步骤S8中模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，并对数据进行记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910070010.5A CN109708875B (zh) | 2019-01-24 | 2019-01-24 | 一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910070010.5A CN109708875B (zh) | 2019-01-24 | 2019-01-24 | 一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109708875A CN109708875A (zh) | 2019-05-03 |
| CN109708875B true CN109708875B (zh) | 2020-11-10 |
Family
ID=66261902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910070010.5A Expired - Fee Related CN109708875B (zh) | 2019-01-24 | 2019-01-24 | 一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109708875B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110687393B (zh) * | 2019-09-03 | 2022-03-25 | 南京理工大学 | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 |
| CN110533115B (zh) * | 2019-09-04 | 2021-09-14 | 西南交通大学 | 基于变分模态分解的轨道电路传输特性定量评价方法 |
| CN110826014B (zh) * | 2019-11-12 | 2023-11-24 | 南京理工大学 | 一种基于vmd的阀短路保护动作电流信号分解方法 |
| CN111612074B (zh) * | 2020-05-22 | 2024-02-02 | 王彬 | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 |
| CN112966770B (zh) * | 2021-03-22 | 2023-06-27 | 润联智能科技股份有限公司 | 基于集成混合模型的故障预测方法、装置及相关设备 |
| CN113466330A (zh) * | 2021-07-15 | 2021-10-01 | 上海应用技术大学 | 一种用于涡流探伤过程的缺陷类型识别方法 |
| CN114021607A (zh) * | 2021-11-05 | 2022-02-08 | 国网江苏省电力有限公司电力科学研究院 | 一种基于奇异值熵的有载分接开关故障的检测方法 |
| CN115165081B (zh) * | 2022-07-29 | 2024-10-11 | 东北大学 | 一种矿山机械振动信号采集及工况识别的系统和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102361588A (zh) * | 2009-02-17 | 2012-02-22 | 神经芯片公司 | 用于产生认知节律的系统和方法 |
| CN105414616A (zh) * | 2015-12-02 | 2016-03-23 | 上海交通大学 | 螺旋铣孔过程中切削力预报和稳定性判别方法 |
| CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
| CN108956143A (zh) * | 2018-06-25 | 2018-12-07 | 西安理工大学 | 一种转子-轴承系统的横向裂纹故障特征量提取方法 |
-
2019
- 2019-01-24 CN CN201910070010.5A patent/CN109708875B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102361588A (zh) * | 2009-02-17 | 2012-02-22 | 神经芯片公司 | 用于产生认知节律的系统和方法 |
| CN105414616A (zh) * | 2015-12-02 | 2016-03-23 | 上海交通大学 | 螺旋铣孔过程中切削力预报和稳定性判别方法 |
| CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
| CN108956143A (zh) * | 2018-06-25 | 2018-12-07 | 西安理工大学 | 一种转子-轴承系统的横向裂纹故障特征量提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109708875A (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109708875B (zh) | 一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法 | |
| Fu et al. | Rolling bearing diagnosing method based on time domain analysis and adaptive fuzzy C‐means clustering | |
| Sabir et al. | LSTM based bearing fault diagnosis of electrical machines using motor current signal | |
| CA2401685C (en) | Complex signal decomposition and modeling | |
| CN111307438B (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 | |
| CN107247968A (zh) | 基于核熵成分分析失衡数据下物流设备异常检测方法 | |
| KR102480899B1 (ko) | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 | |
| CN109029999A (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
| JP7188143B2 (ja) | 異常予兆検出システム、異常予兆検出方法 | |
| CN116720130A (zh) | 一种基于知识与数据融合的轴承故障诊断方法 | |
| Thanagasundram et al. | A fault detection tool using analysis from an autoregressive model pole trajectory | |
| Pandarakone et al. | Development of a methodology for bearing fault scrutiny and diagnosis using SVM | |
| CN118243382A (zh) | 一种用于轴承故障诊断和劣化追踪的特征指标 | |
| Jankowska et al. | Effectiveness analysis of rolling bearing fault detectors based on self-organising kohonen neural network–A case study of PMSM drive | |
| Harmouche et al. | Linear discriminant analysis for the discrimination of faults in bearing balls by using spectral features | |
| CN115143193B (zh) | 基于灵敏度检测结果的磁悬浮电机失稳预诊断方法、系统 | |
| Ferracuti et al. | MSPCA with KDE thresholding to support QC in electrical motors production line | |
| CN116296395A (zh) | 轴承振动信号的处理方法和轴承振动信号的处理系统 | |
| Gülmezoğlu et al. | An approach for bearing fault detection in electrical motors | |
| Istiaque et al. | Classification of Bearing Fault Using Radial Basis Neural Network and Genetic Algorithm | |
| CN112595515A (zh) | 一种动力轴系轴承故障检测方法及系统 | |
| Agrawal et al. | Induction motor bearing fault classification using WPT, PCA and DSVM | |
| Lim et al. | Motor fault detection method for vibration signal using FFT residuals | |
| Taibi et al. | Bearing fault diagnosis of induction machines using VMD-DWT and composite multiscale weighted permutation entropy | |
| Capasso et al. | Railway transportation efficiency improvement: loco health assessment by time domain data analysis to support condition based maintenance implementation |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201110 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |