CN110174269B - 变分模态分解和共振解调分析核电用泵冲击特征的方法 - Google Patents
变分模态分解和共振解调分析核电用泵冲击特征的方法 Download PDFInfo
- Publication number
- CN110174269B CN110174269B CN201910374081.4A CN201910374081A CN110174269B CN 110174269 B CN110174269 B CN 110174269B CN 201910374081 A CN201910374081 A CN 201910374081A CN 110174269 B CN110174269 B CN 110174269B
- Authority
- CN
- China
- Prior art keywords
- layer
- function component
- original signal
- intrinsic mode
- mode function
- 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
Images
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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开一种变分模态分解和共振解调分析核电用泵冲击特征的方法,通过本征模态函数分量的均方差值确定分解的层数,利用相关性对信号进行重构,对重构信号进行包络分析,提取信号的特征,进行轴承故障的分析。本发明利用变分模态分解和共振解调对核电用泵冲击特征进行分析,提高了信号的分辨率,减弱噪声和其他振动信号的干扰、提高高频分辨率,避免故障信号的丢失和避免模态重叠。
Description
技术领域
本发明属于核电用泵故障诊断技术领域,具体涉及一种变分模态分解和共振解调分析核电用泵冲击特征的方法。
背景技术
核电用泵作为现代核电工业重要的机械设备,广泛应用于核电厂中。一旦核电用泵出现故障会造成巨大的经济损失。核电用泵故障时,机械构件之间会发生碰撞,产生冲击信号。故障产生的初期,低频段的故障特征常常被大量的随机噪声所淹没,故障特征频率提取困难。
针对核电用泵的故障,大量的专家学者对此进行了研究。传统的时频分析方法分辨率较低,由于核电用泵多振源且噪声干扰严重,故传统时频分析方法具有局限性。小波变换(WT)分辨率比较好,能分辨出信号的时频特性,继承和提升了时频多分辨率的特点,但是小波变换只对低频信号进行分解,对于高频信号则效果不明显。经验模态分解(EMD)是一种自适应信号分析方法,能提取信号的局部特征,对非线性、非平稳信号的处理具有很高的效率,但模态之间会产生重叠的现象。在经验模态分解基础上提出了变分模态分解(VMD),它能够根据中心频率确定本征模态分量,从而避免了模态重叠。对于变分模态分解,常常利用中心频率确定本征模态个数,但是根据中心频率确定分量个数较为繁琐。
发明内容
发明目的:针对现有技术存在的不足,为了提高分辨率,减弱噪声和其他振动信号的干扰、提高高频分辨率,避免故障信号的丢失和避免模态重叠,本发明提供一种变分模态分解和共振解调分析核电用泵冲击特征的方法。
技术方案:为了实现上述发明目的,本发明采用的技术方案如下:
一种变分模态分解和共振解调分析核电用泵冲击特征的方法,包括以下步骤:
(1)获取核电用泵轴承故障振动原始信号;
(2)设定初始本征模态函数分量层数K,对原始信号进行变分模态分解,并计算出每层本征模态函数分量的均方差值;以初始本征模态函数分量层数K为基准,本征模态函数分量层数以K+1等额递增,对于每个层数值,对原始信号进行变分模态分解,并计算出每层本征模态函数分量的均方差值。
(3)比较各层本征模态函数分量下的均方差值,并筛选出最小均方差值,确定最小均方差值所在本征模态函数分量层数值为最优模态层数,由此确定最优模态层数为原始信号的分解层数;
(4)进行与原始信号相关的本征模态函数分量的选取,并将选取的相关的本征模态函数分量进行信号重构;
(5)对重构信号进行包络分析,提取信号特征频率,将信号特征频率与专家数据库进行类比,从而确定核电用泵故障位置。
作为优选,设定初始本征模态函数分量层数当K=2,对原始信号进行变分模态分解,计算出每层本征模态分量的均方差值;当K=3时,对原始信号进行变分模态分解,计算出每层本征模态分量的均方差值;以此类推,若K=n(n=2,3,…),出现最小均方差值,确定原始信号的分解层数为n。
作为优选,K的取值范围为[2,16]。
作为优选,通过计算原始信号和每层本征模态函数分量的相关系数ρ进行相关本征模态函数分量的选取,选取相关系数ρ>0.3的本征模态函数分量进行信号重构,
原始信号和每层本征模态函数分量的相关系数ρ的计算方式如下:
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}
其中:X是原始信号,Y是重构信号,
Cov(X,Y)是X与Y之间的协方差,
E(X)是X的期望值,
E(Y)是Y的期望值。作为优选,相关系数ρ<0.3时,原始信号和每层本征模态函数分量不相关;相关系数ρ>0.3时,原始信号和每层本征模态函数分量相关。
作为优选,当0.3≤ρ<0.5时,原始信号和每层本征模态函数分量低度相关;当0.5≤ρ<0.8时,原始信号和每层本征模态函数分量中度相关;当0.8≤ρ<0.95时,原始信号和每层本征模态函数分量高度相关;当ρ≥0.95时,原始信号和每层本征模态函数分量显著相关。
作为优选,振动传感器设置在核电用泵轴承的外圈上,获取原始振动信号。
作为优选,所述核电用泵轴承为6314号轴承,滚动体直径d=25.4mm,节径d=110mm,压力角α=0°,转频f=30Hz。
有益效果:与现有技术相比,本发明具有以下优点:
(1)对信号进行重构,去除干扰信号,减弱噪声和其他振动信号的影响;
(2)冲击信号是高频信号,传统的时频分析方法分辨率较差,并不能分析出信号的特征,共振解调法能将高频信号解调成低频信号,从而获得信号的特征;
(3)冲击信号是非线性、非平稳的,变分模态分解能够自适应分解信号,避免关键信号的丢失。
本发明利用变分模态分解和共振解调分析核电用泵冲击特征的方法通过本征模态函数分量的均方差值确定分解的层数。利用相关性对信号进行重构,对重构信号进行包络分析,提取信号的特征;提高了信号的分辨率,减弱噪声和其他振动信号的干扰、提高高频分辨率,避免故障信号的丢失和避免模态重叠。
附图说明
图1是本发明的分析方法流程图;
图2是本发明的振动传感器安装位置图;
图3是本发明的原始信号图;
图4是本发明的重构信号图;
图5是本发明的包络信号图;
图6是本发明的轴承滚动体磨损实际图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,实施例在以本发明技术方案为前提下进行实施,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
一种变分模态分解和共振解调分析核电用泵冲击特征的方法,主要包括以下步骤:
(1)获取核电用泵轴承故障振动原始信号;
(2)设定初始本征模态函数分量层数K,对原始信号进行变分模态分解,并计算出每层本征模态函数分量的均方差值;以初始本征模态函数分量层数K为基准,本征模态函数分量层数以K+1等额递增,对于每个层数值,对原始信号进行变分模态分解,并计算出每层本征模态函数分量的均方差值。
(3)比较各层本征模态函数分量下的均方差值,并筛选出最小均方差值,确定最小均方差值所在本征模态函数分量层数值为最优模态层数,由此确定最优模态层数为原始信号的分解层数;
(4)进行与原始信号相关的本征模态函数分量的选取,并将选取的相关的本征模态函数分量进行信号重构;
(5)对重构信号进行包络分析,提取信号特征频率,将信号特征频率与专家数据库进行类比,从而确定核电用泵故障位置。
设定初始本征模态函数分量层数当K=2,对原始信号进行变分模态分解,计算出每层本征模态分量的均方差值;当K=3时,对原始信号进行变分模态分解,计算出每层本征模态分量的均方差值;以此类推,若K=n(n=2,3,…),出现最小均方差值,确定原始信号的分解层数为n。如果K过大,造成计算效率低,计算负担重;若果K过小,易引入噪声,本发明将K的取值范围设为[2,16]。
根据公式(1)和(2)计算原始信号和每层本征模态函数分量的相关系数ρ,
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]} (1)
其中:X是原始信号,Y是重构信号,
Cov(X,Y)是X与Y之间的协方差,
E(X)是X的期望值,
E(Y)是Y的期望值。
通过相关系数ρ进行相关本征模态函数分量的选取,选取相关系数ρ>0.3的本征模态函数分量进行信号重构。相关系数ρ<0.3时,原始信号和每层本征模态函数分量不相关;相关系数ρ>0.3时,原始信号和每层本征模态函数分量相关。当0.3≤ρ<0.5时,原始信号和每层本征模态函数分量低度相关;当0.5≤ρ<0.8时,原始信号和每层本征模态函数分量中度相关;当0.8≤ρ<0.95时,原始信号和每层本征模态函数分量高度相关;当ρ≥0.95时,原始信号和每层本征模态函数分量显著相关。
利用上述变分模态分解和共振解调分析核电用泵冲击特征的方法对实际使用的核电用泵轴承进行故障特征分析,该核电用泵轴承为6314号轴承,滚动体直径d=25.4mm,节径d=110mm,压力角α=0°,转频f=30Hz。
,具步骤和相关数据如下:
一、信号分解的层数
如图2所示,振动传感器1和2径向设置在核电用泵上导轴承3的外圈上,用于获取原始振动信号,如图3所示。对原始信号进行变分模态分解(VMD分解),并计算出每层本征模态函数分量(IMF)的均方差值,均方差值数据如表1所示:
表1 VMD分解均方差值
K | IMF1 | IMF2 | IMF3 | IMF4 | IMF5 | IMF6 |
2 | 1.8301 | 4.7995 | ||||
3 | 1.1911 | 0.9049 | 2.8148 | |||
4 | 1.1421 | 1.007 | 0.6703 | 0.4426 | ||
5 | 0.7540 | 0.8552 | 0.9282 | 0.5186 | 0.5974 | |
6 | 0.7538 | 0.8477 | 0.8794 | 0.5202 | 0.4802 | 1.0510 |
由表1可知,当K=4时,IMF4的均方差值最小,由此确定最优模态层数为4,因此,得出原始信号的分解层数为4。
二、信号重构
进行与原始信号相关的本征模态函数分量的选取,并将选取的相关的本征模态函数分量进行信号重构;具体的,通过计算原始信号和每层本征模态函数分量的相关系数ρ进行相关本征模态函数分量的选取,选取相关系数ρ>0.3的本征模态函数分量进行信号重构。如表2所示,给出原始信号和每层本征模态函数分量的相关系数ρ的阈值,当相关系数ρ<0.3时,原始信号和每层本征模态函数分量不相关;当相关系数ρ>0.3时,原始信号和每层本征模态函数分量相关。当0.3≤ρ<0.5时,原始信号和每层本征模态函数分量低度相关;当0.5≤ρ<0.8时,原始信号和每层本征模态函数分量中度相关;当0.8≤ρ<0.95时,原始信号和每层本征模态函数分量高度相关;当ρ≥0.95时,原始信号和每层本征模态函数分量显著相关。
表2相关性阈值
ρ≥0.95 | 显著相关 |
0.8≤ρ<0.95 | 高度相关 |
0.5≤ρ<0.8 | 中度相关 |
0.3≤ρ<0.5 | 低度相关 |
ρ<0.3 | 不相关 |
由表2可知,相关系数大于0.3时相关。
表3 IMF相关系数
ρ | |
IMF1 | 0.5950 |
IMF2 | 0.3643 |
IMF3 | 0.1380 |
IMF4 | 0.2720 |
由表3可知,计算出的IMF1和IMF2的相关系数ρ大于0.3,所以根据IMF1和IMF2对信号进行重构,如图4所示。
由图3和图4可知,重构信号去除了部分干扰信号的影响。
三、包络分析和故障判断
该核电用泵轴承是6314号轴承,滚动体直径d=25.4mm,节径d=110mm,压力角α=0°,转频f=30Hz。
滚动体特征频率为:
如图5所示,对重构信号进行包络解调,并获得解调谱,提取到的特征频率为147Hz,将信号特征频率与专家数据库进行类比,因此可以初步判断轴承内圈出现故障。
四、实际验证
将核电用泵轴承拆卸查看,发现轴承滚动体出现了轻微磨损,如图6所示,由此证明基于冲击脉冲与共振解调相结合的分析方法能够对核电用泵轴承早期故障进行诊断。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种变分模态分解和共振解调分析核电用泵冲击特征的方法,其特征在于,包括以下步骤:
(1)获取核电用泵轴承故障振动原始信号;
(2)设定初始本征模态函数分量层数K,对原始信号进行变分模态分解,并计算出每层本征模态函数分量的均方差值;以初始本征模态函数分量层数K为基准,本征模态函数分量层数以K+1等额递增,对于每个层数值,对原始信号进行变分模态分解,并计算出每层本征模态函数分量的均方差值;
(3)比较各层本征模态函数分量下的均方差值,并筛选出最小均方差值,确定最小均方差值所在本征模态函数分量层数值为最优模态层数,由此确定最优模态层数为原始信号的分解层数;
(4)进行与原始信号相关的本征模态函数分量的选取,并将选取的相关的本征模态函数分量进行信号重构;
(5)对重构信号进行包络分析,提取信号特征频率,将信号特征频率与专家数据库进行类比,从而确定核电用泵故障位置。
2.根据权利要求1所述的变分模态分解和共振解调分析核电用泵冲击特征的方法,其特征在于:设定初始本征模态函数分量层数当K=2,对原始信号进行变分模态分解,计算出每层本征模态分量的均方差值;当K=3时,对原始信号进行变分模态分解,计算出每层本征模态分量的均方差值;以此类推,若K=n(n=2,3,…),出现最小均方差值,确定原始信号的分解层数为n。
3.根据权利要求2所述的变分模态分解和共振解调分析核电用泵冲击特征的方法,其特征在于:K的取值范围为[2,16]。
5.根据权利要求4所述的变分模态分解和共振解调分析核电用泵冲击特征的方法,其特征在于:相关系数ρ<0.3时,原始信号和每层本征模态函数分量不相关;相关系数ρ>0.3时,原始信号和每层本征模态函数分量相关。
6.根据权利要求5所述的变分模态分解和共振解调分析核电用泵冲击特征的方法,其特征在于:当0.3≤ρ<0.5时,原始信号和每层本征模态函数分量低度相关;当0.5≤ρ<0.8时,原始信号和每层本征模态函数分量中度相关;当0.8≤ρ<0.95时,原始信号和每层本征模态函数分量高度相关;当ρ≥0.95时,原始信号和每层本征模态函数分量显著相关。
7.根据权利要求1所述的变分模态分解和共振解调分析核电用泵冲击特征的方法,其特征在于:振动传感器设置在核电用泵轴承的外圈上,获取原始振动信号。
8.根据权利要求1所述的变分模态分解和共振解调分析核电用泵冲击特征的方法,其特征在于:所述核电用泵轴承为6314号轴承,滚动体直径d=25.4mm,节径d=110mm,压力角α= 0°,转频f=30Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374081.4A CN110174269B (zh) | 2019-05-06 | 2019-05-06 | 变分模态分解和共振解调分析核电用泵冲击特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374081.4A CN110174269B (zh) | 2019-05-06 | 2019-05-06 | 变分模态分解和共振解调分析核电用泵冲击特征的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110174269A CN110174269A (zh) | 2019-08-27 |
CN110174269B true CN110174269B (zh) | 2021-02-26 |
Family
ID=67691397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910374081.4A Active CN110174269B (zh) | 2019-05-06 | 2019-05-06 | 变分模态分解和共振解调分析核电用泵冲击特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110174269B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308272B (zh) * | 2020-03-09 | 2021-03-16 | 西南交通大学 | 一种小电流接地故障区段定位方法 |
CN111664365B (zh) * | 2020-06-07 | 2022-01-28 | 东北石油大学 | 基于改进vmd和1dcnn的油气管道泄漏检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN107560851A (zh) * | 2017-08-28 | 2018-01-09 | 合肥工业大学 | 滚动轴承微弱故障特征早期提取方法 |
CN108387373A (zh) * | 2017-12-06 | 2018-08-10 | 上海电力学院 | 基于相关系数改进变分模态分解的滚动轴承故障诊断方法 |
CN108444704A (zh) * | 2018-03-30 | 2018-08-24 | 华中科技大学 | 一种滚动轴承早期故障诊断方法 |
CN109682600A (zh) * | 2018-09-14 | 2019-04-26 | 温州大学 | 一种用于发动机主轴轴承故障诊断的改进变分模态分解诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2336842T3 (es) * | 2007-10-24 | 2010-04-16 | Abb Research Ltd. | Procedimiento para la deteccion e identificacion automatica de daños en rodamientos. |
-
2019
- 2019-05-06 CN CN201910374081.4A patent/CN110174269B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN107560851A (zh) * | 2017-08-28 | 2018-01-09 | 合肥工业大学 | 滚动轴承微弱故障特征早期提取方法 |
CN108387373A (zh) * | 2017-12-06 | 2018-08-10 | 上海电力学院 | 基于相关系数改进变分模态分解的滚动轴承故障诊断方法 |
CN108444704A (zh) * | 2018-03-30 | 2018-08-24 | 华中科技大学 | 一种滚动轴承早期故障诊断方法 |
CN109682600A (zh) * | 2018-09-14 | 2019-04-26 | 温州大学 | 一种用于发动机主轴轴承故障诊断的改进变分模态分解诊断方法 |
Non-Patent Citations (1)
Title |
---|
"基于变分模态分解法和共振解调技术的滚动轴承早期故障检测研究";何凯等;《机械制造》;20180930;第56卷(第649期);第95页第3小节及图2 * |
Also Published As
Publication number | Publication date |
---|---|
CN110174269A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN102539150B (zh) | 基于连续小波变换的旋转机械部件的自适应故障诊断方法 | |
CN109813547B (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
CN110174269B (zh) | 变分模态分解和共振解调分析核电用泵冲击特征的方法 | |
CN114636556A (zh) | 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN109101936A (zh) | 一种基于自适应的med滚动轴承早期故障诊断方法 | |
CN112183259B (zh) | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN115730199B (zh) | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
CN116881636B (zh) | 基于人工智能的频域信号分析检测方法 | |
CN110807349A (zh) | 基于emd分解和小波阈值的自适应降噪方法 | |
CN116839911A (zh) | 基于阈值参数判决筛选的航空发动机主轴承故障提取方法 | |
CN115962941A (zh) | 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 | |
CN116522074A (zh) | 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
Albezzawy et al. | Early rolling bearing fault detection using a gini index guided adaptive morlet wavelet filter | |
CN117828447A (zh) | 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法 | |
CN113281047A (zh) | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 | |
CN109271841A (zh) | 基于局部投影与小波包分解的机电系统信号组合降噪方法 | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN115859054B (zh) | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 |
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 |