CN111289275A

CN111289275A - 旋转机械稳定性辨识方法、装置、计算机设备及存储介质

Info

Publication number: CN111289275A
Application number: CN201911413540.1A
Authority: CN
Inventors: 李启行; 王维民
Original assignee: Beijing University of Chemical Technology
Current assignee: Beijing University of Chemical Technology
Priority date: 2019-12-31
Filing date: 2019-12-31
Publication date: 2020-06-16
Anticipated expiration: 2039-12-31
Also published as: CN111289275B

Abstract

本发明实施例公开了一种旋转机械稳定性辨识方法、装置、计算机设备及存储介质，包括：获取测振平面的复数信号，其中，复数信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振动响应信号的集合；根据复数信号进行功率谱分解以获得功率谱的最大奇异值函数；基于最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号；对时域脉冲衰减信号进行处理以得到稳定性辨识结果。本申请的技术方案可以省去传统方式因安装激振器而改造设备的繁琐，避免改变轴系结构而引入理论测试误差，同时提高辨识精度和辨识效率，实现转子系统工作模态参数的在线辨识和实时监测，可达到失稳故障超前预警的目的。

Description

旋转机械稳定性辨识方法、装置、计算机设备及存储介质

技术领域

本申请涉及旋转机械技术领域，具体而言，本申请涉及一种旋转机械稳定性辨识方法、装置、计算机设备及存储介质。

背景技术

旋转动力机械是石化、电力和冶金等行业的关键设备，随着对装置的功率、压力、流量需求的增加，转子系统的转子稳定性面临极大的挑战，准确、稳定、便捷地测试旋转动力机械的工作模态参数对验证装置设计能力、提升装置稳定性运转水平意义重大。通过实时监测旋转动力机械的工作模态参数，可以提早获取稳定性参数(一阶正进动阻尼比)的变化趋势，达到失稳故障预警的目的。

目前，主要采用在旋转动力机械转子的非驱动端安装激振器进行人工激振的方式获取系统的模态参数。但是，这种方式需要改造转子系统结构，测试十分不方便，并且众多在役机组并不具备安装激振器的条件。也有利用基于随机子空间法的环境激励工作模态辨识方法来辨识机组的模态参数，但是正反进动模态混叠严重，且单次辨识所需时间较长，并不能实现在线实时辨识进行失稳故障的预警。

发明内容

基于以上问题，本申请公开一种转机械稳定性辨识方法、装置、计算机设备及存储介质，以方便对旋转动力机械的工作模态参数进行在线辨识，提高辨识精度，可实现失稳故障在线预警。

为实现上述目的，本申请公开一种旋转机械稳定性辨识方法，包括：

获取测振平面的复数信号，其中，所述复数信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振动响应信号的集合；

根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数；

基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号；

对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果。

可选的，所述根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数的方法包括：

计算每个测振平面的复数信号间的自功率谱和互功率谱以组成功率谱矩阵，实现正、反进动模态分解；

采用奇异值分解法对所述功率谱矩阵进行分解以获得所述功率谱矩阵在各个频率点下的最大奇异值，形成功率谱的最大奇异值函数。

可选的，所述基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号的方法包括：

从所述最大奇异值函数中选取正频率函数，利用傅里叶逆变换方式获得以正进动模态为主的时域脉冲衰减信号；

从所述最大奇异值函数中选取负频率函数，利用傅里叶逆变换方式获得以反进动模态为主的时域脉冲衰减信号。

可选的，所述对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果的方法包括：

采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图，其中，所述稳态图为根据各个拟合阶次下的固有频率和阻尼比组合而成的参数分布图；

通过统计聚类算法分别对所述稳态图上的点进行自动聚类；

统计自动聚类后的模态参数的均值作为稳定性辨识结果。

可选的，所述采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图的方法包括：

基于正进动模态为主的时域脉冲衰减信号，获取转子系统的正进动模态参数；以及基于反进动模态为主的时域脉冲衰减信号，获取转子系统的反进动模态参数；

通过反向自回归模型对所述正进动模态参数和反进动模态参数进行拟合计算以确定各个拟合阶次下的系统特征系数向量，并计算得到各个阶次的离散模型的特征根；

根据各个阶次的所述离散模型的特征根，计算各个阶次中对应的固有频率和阻尼比。

可选的，所述通过统计聚类算法分别对所述稳态图上的点进行自动聚类之前还包括：

剔除不在预设阈值范围内的所述离散模型的特征根。

可选的，基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号之前，还包括：

对所述最大奇异值函数上形成的尖峰进行滤波处理。

第二方面，本申请公开一种旋转机械稳定性辨识装置，包括：

获取模块：被配置为执行获取测振平面的复数信号，其中，所述复数信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振动响应信号的集合；

分解模块：被配置为执行根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数；

构造模块：被配置为执行基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号；

处理模块：被配置为执行对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果。

可选的，所述分解模块包括：

计算模块：被配置为执行计算每个测振平面的复数信号间的自功率谱和互功率谱以组成功率谱矩阵，实现正、反进动模态分解；

最大奇异值获取模块：被配置为执行采用奇异值分解法对所述功率谱矩阵进行分解以获得所述功率谱矩阵在各个频率点下的最大奇异值，形成功率谱的最大奇异值函数。

可选的，所述构造模块包括：

第一信号构造模块：从所述最大奇异值函数中选取正频率函数，利用傅里叶逆变换方式获得以正进动模态为主的时域脉冲衰减信号；

第二信号构造模块：从所述最大奇异值函数中选取负频率函数，利用傅里叶逆变换方式获得以反进动模态为主的时域脉冲衰减信号。

可选的，所述处理模块包括：

图形生成模块：被配置为执行采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图，其中，所述稳态图为根据各个拟合阶次下的固有频率和阻尼比组合而成的参数分布图；

自动聚类模块：被配置为执行通过统计聚类算法分别对所述稳态图上的点进行自动聚类；

结果计算模块：被配置为执行统计自动聚类后的模态参数的均值作为稳定性辨识结果。

可选的，所述图形生成模块包括：

参数获取模块：被配置为执行基于正进动模态为主的时域脉冲衰减信号，获取转子系统的正进动模态参数；以及基于反进动模态为主的时域脉冲衰减信号，获取转子系统的反进动模态参数；

拟合模块：被配置为执行通过反向自回归模型对所述正进动模态参数和反进动模态参数进行拟合计算以确定各个拟合阶次下的系统特征系数向量，并计算得到各个阶次的离散模型的特征根；

子参数计算模块：被配置为执行根据各个阶次的所述离散模型的特征根，计算各个阶次中对应的固有频率和阻尼比。

可选的，还包括：

剔除模块：被配置为执行剔除不在预设阈值范围内的所述离散模型的特征根。

可选的，还包括：

滤波模块：被配置为执行对所述最大奇异值函数上形成的尖峰进行滤波处理。

本申请的实施例根据第三个方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述转机械稳定性辨识方法的步骤。

本申请的实施例根据第四个方面，还提供了一种计算机可读介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述转机械稳定性辨识方法的步骤。

本申请实施例的有益效果是：本申请一种旋转机械工作模态参数辨识方法、装置、计算机设备及存储介质，通过构造测振平面的复数信号的方式，削弱了转子正反进动模态的混叠，提高了正、反进动模态分别在正、反进动对应的时域脉冲衰减信号的占比，采用功率谱矩阵奇异值分解的方式综合了各个通道的信号数据，均有利于提升参数识别的精度；本发明不需要人为施加激振力，即不需要改造原始机组结构，只需要测量旋转机械工作状态下的振动信号，降低了测试成本；本发明通过利用成熟的功率谱和快速傅里叶变换计算算法，只需辨识基于最大奇异值函数的单一的时域脉冲衰减信号，在保证辨识精度的基础上极大地减少了计算量，可实现模态参数的在线辨识，进而实现失稳故障的早期预警，整个方式可以省去传统方式因安装激振器而改造设备的繁琐，避免改变轴系结构而引入理论测试误差，同时提高辨识精度和辨识效率，只需要采集旋转机械在高速运转状态下横向测振平面的振动信号，即可方便地辨识出工作状态下的模态参数，实现转子系统工作模态参数的在线辨识和实时监测，可达到失稳故障超前预警的目的。

附图说明

结合附图并参考以下具体实施方式，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。其中：

图1为本申请一个实施例的旋转机械稳定性辨识方法示意图；

图2为本申请获得功率谱的最大奇异值函数的方法流程示意图；

图3为本申请一实施例中复数信号功率谱矩阵的奇异值函数的幅频曲线图；

图4为本申请构造正、反进动模态为主的两个时域脉冲衰减信号的方法示意图；

图5为本申请一实施例正反进动时域脉冲衰减信号曲线图；

图6为本申请一实施例得到稳定性辨识结果的方法流程示意图；

图7为本申请一实施例得到稳定性辨识结果的方法流程示意图；

图8为本申请一实施例三维稳态图示意图；

图9为本申请一实施例正进动衰减信号对应的稳态图数据自动聚类结果图；

图10为本申请一个实施例的旋转机械稳定性辨识装置模块示意图；

图11为本申请一个实施例的终端设备基本结构框图。

具体实施方式

下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。

应当理解，本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/ 或省略执行示出的步骤。本申请的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本申请中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

本申请可以应用于国防和工业系统中，对旋转机械的转子系统工作状态下的模态参数进行测试和监测，以便定量评估机组转子动力学稳定性的设计水平，以及跟踪转子系统一阶正反进动模态参数的变化，以达到失稳故障预警的目的。

下面详细描述本申请的实施例，请参阅图1，本发明公开一种旋转机械稳定性辨识方法，包括：

S1000、获取测振平面的复数信号，其中，所述复数信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振动响应信号的集合；

在旋转机械结构中具有多个测振平面，复数信号为旋转机械结构中在工作状态下对应的振动平面在预设方向上的振动响应信号的集合，在以实施例中，预设方向为两个正交振动探头的运动方向，复数信号则为每个振动平面上的正交振动探头所探测到的振动位移复数信号，具体的，该复数信号的表达式为：

r(t)＝x(t)+jy(t)

其中，x(t)是x方向的振动位移信号，y(t)是y方向的振动位移信号，并且x(t)信号探头要比y(t)信号探头超前90度位置进行安装。

在特殊情况下，如果探头非90夹角安装，可在测振面构建任意直角坐标进行正交分解，获得正交状态下的x(t)和y(t)信号，再进行复数信号的构造，这样通过构造复数信号，复数信号的功率谱的正负频率轴的所含的正反进动模态成分尽可能地分解，也即是正频率轴的幅频特性主要是由正进动模态贡献的；类似地，负频率轴的幅频特性主要是由反进动模态贡献的。这样就可以降低正反进动模态混叠，提高待辨识信号的信噪比。

S2000、根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数；

构造了各测振平面的复数信号之后，还需要通过该复数信号获得最大奇异值函数，最大奇异值函数为通过功率谱矩阵分解得到的最大奇异值集合的表达函数，具体的，请参阅图2，所述根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数的方法包括：

S2100、计算每个测振平面的复数信号间的自功率谱和互功率谱以组成功率谱矩阵，实现正、反进动模态分解；

当获取了各个测振平面的复数信号之后，根据这些复数信号构造功率谱矩阵。具体地，当有有n个测振面时(n≥1)，获得复数信号r1(t),r2(t),…, rn(t)，所构造的功率谱矩阵为：

其中，psd表示自功率谱函数，cpsd表示互功率谱函数，并有如下定义：

式中，r(t)的自功率谱为r(t)的自相关函数的傅里叶变换，r1(t)和r2(t) 的互功率谱为r1(t)和r2(t)的互相关函数的傅里叶变换。针对计算机采集的离散信号可以用以下表达式进行估计：

这样，通过构造所有测振平面的复数信号组成的功率矩阵，就综合了所有测点的振动信息，且在正负频率半轴实现了正反进动模态成分的分解。

S2200、采用奇异值分解法对所述功率谱矩阵进行分解以获得所述功率谱矩阵在各个频率点下的最大奇异值，形成功率谱的最大奇异值函数。

采用功率矩阵的奇异值分解(Singular value decomposition,SVD)方法则可获取功率谱矩阵G(jω)在各个频率点下的最大奇异值，形成功率谱的最大奇异值函数S(jω)。

通过奇异值分解，功率谱矩阵G(jω)可以分解为：

G(jω)＝USV^T

式中，S为对角矩阵S＝diag{S₁(ω)S₂(ω)…S_n(ω)}，且对角矩阵元素的幅值满足|S₁(ω)|≥|S₂(ω)|≥…≥|S_n(ω)|，U和V为酉矩阵。

该步骤中，当获取到所述的功率谱的最大奇异值函数后，就可以构造脉冲时域衰减信号，供分析装置后续进行模态参数辨识。构造最大奇异值函数的主要目的是利用奇异值分解的特性提取所有测振点信号中的主要模态信息，达到增加信噪比的目的。

在一实施例中，以一般旋转机械为例，横向振动的测振平面布置在两个轴承的支承点附近，即存在两个测振截面，所述分析装置在此给定的测量工况下，如以所述矩阵的奇异值分解方法获取功率谱矩阵在各个频率点下的奇异值，形成功率谱的奇异值函数，如图3所示。在图3中，±133.3Hz 处的谐振频率(图3中标记为+1x和-1x)反映的是工作转速8000转/分对应的频率。由于测振平面个数为2，所以功率谱矩阵在每个频率点的维度为2×2，进而奇异值分解后的获得的奇异值函数有两个S₁(jω)和S₂(jω)，其中 S₁(jω)的幅值要大于S₂(jω)，这里选取的是最大奇异值函数S₁(jω)来构造后续所需的时域脉冲衰减响应信号。从图3中的最大奇异值函数S₁(jω)曲线可以看出正负频率的幅频特性曲线反映了一阶正反进动模态信息，其中正频率 88Hz附近的峰比-88Hz附近的峰要陡峭，主要原因就是一阶正进动的阻尼比比一阶反进动的阻尼比要小，所以幅频特性更加陡峭一些。

特殊地，针对只有单一测振平面的旋转机械的情况，该测振平面的复数信号的自功率谱函数即视为最大奇异值函数。

S3000、基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号；

在一实施例中，请参阅图4，所述基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号的方法包括：

S3100、从所述最大奇异值函数中选取正频率函数，利用傅里叶逆变换方式获得以正进动模态为主的时域脉冲衰减信号；

S3200、从所述最大奇异值函数中选取负频率函数，利用傅里叶逆变换方式获得以反进动模态为主的时域脉冲衰减信号。

构造功率谱的最大奇异值函数S(jω)之后，可以进一步计算，从而获得时域脉冲衰减信号以实现模态参数辨识。

具体地，基于所述的最大奇异值函数的正频率函数S(jω),ω>0，构造以正进动为主的时域脉冲衰减信号s_F(t)。基于所述的最大奇异值函数的负频率函数S(jω),ω<0，构造以反进动为主的时域脉冲衰减信号s_B(t)。

其中，构造正进动为主时域信号的方法是将S(jω)的负频率部分用正频率的共轭替换，再利用傅里叶逆变换获得时域脉冲衰减信号。构造反进动为主时域信号的方法是将S(jω)的正频率部分用负频率的共轭表示，再利用傅里叶逆变换获得时域脉冲衰减信号。具体表达式如下：

式中，S^*(jω)表示S(jω)的共轭复数。

举例来讲，针对图3所示的最大奇异值函数S₁(jω)，将其中转速频率± 133.3Hz的尖峰予以剔除，然后将正频率函数S₁(jω),ω>0和负频率函数 S₁(jω),ω<0进行傅里叶逆变换，然后进行最大幅值归一化处理，即可获得图 5所示的正、反进动功率谱奇异值函数对应的时域脉冲衰减信号。可以看出，反进动对应的时域脉冲衰减信号的衰减速度要明显大于正进动的。这也充分体现了采用构造复数信号处理的优点，即在正负频率轴上削弱了正反进动模态的叠加，使得正频率部分以正进动模态为主，负频率以反进动模态为主，最终获得的正反进动时域衰脉冲减信号的模态混叠不明显，可单独用来辨识正进动或反进动的参数，并提高辨识的精度。

S4000、对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果。

在获得分别以正、反进动模态为主的两个时域脉冲衰减信号s_F(t)和 s_B(t)之后，对两个时域信号进行反向自回归拟合方法进行分别辨识，分别获得正进动和反进动衰减信号在各个拟合阶次p下的模态参数并形成稳态图。请参阅图6，在一实施例中，所述对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果的方法包括：

S4100、采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图，其中，所述稳态图为根据各个拟合阶次下的固有频率和阻尼比组合而成的参数分布图；

采用反向自回归拟合的主要优点在于，该方法获得物理极点分布在z 域(离散域)的单位圆之外，可以剔除噪声引入的绝大多数虚假模态，使得稳态图很清晰。因此，在一实施例中，所述通过统计聚类算法分别对所述稳态图上的点进行自动聚类之前还包括：剔除不在预设阈值范围内的所述离散模型的特征根。

请参阅图7，所述采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图的方法包括：

S4110、基于正进动模态为主的时域脉冲衰减信号，获取转子系统的正进动模态参数；以及基于反进动模态为主的时域脉冲衰减信号，获取转子系统的反进动模态参数；

S4120、通过反向自回归模型对所述正进动模态参数和反进动模态参数进行拟合计算以确定各个拟合阶次下的系统特征系数向量，并计算得到各个阶次的离散模型的特征根；

S4130、根据各个阶次的所述离散模型的特征根，计算各个阶次中对应的固有频率和阻尼比。

具体地，采用单输入输出的反向自回归模型:

其中，s为待辨识的衰减信号，n为信号序列，p为系统阶次，bi为系统特征参数，w为白噪声信号，采样间隔为Δt。

信号s的序列为0，1，2，…，N-1，反向自回归模型构建线性方程组

Ab＝-s+w

式中，

b＝(b₁,b₂,…,b_p)^T,s＝(s_[0],s_[1],…,s_[N-p-1])^T

基于所述线性方程组，确定指定拟合阶次p下的系统特征系数向量 b＝(b1,b2,…,bn)，即可获得模型的参数向量b参数估计：

基于所述特征系数向量b＝(b1,b2,…,bn)，构造以下公式求解离散模型的特征值根：

其中，B为系统的特征方程，z为离散变换因子。

基于所述特征方程，求得离散系统各阶特征根，对应连续系统的各阶特征根则满足：

λ_i＝ln(z_i)/△t

进而，可以计算获得系统的固有频率f与阻尼比ξ：

f_i＝|λ_i|

ξ_i＝-Re(λ_i)/|λ_i|

通过计算不同阶次p下的模态参数，绘制稳态图。值得注意的是，拟合阶次满足p≤[N/2]，[·]表示向下取整，并且p为偶数。因为物理模态具有一对共轭的复数特征根，所以拟合阶次选为偶数。

具体地，该步骤所述的稳态图是指在各个拟合阶次p下获得模态参数的分布情况，是以固有频率f为x轴，阻尼比ξ为y轴，拟合阶次为z轴的三维稳态图。

举例来讲，以图3中的正进动时域衰减信号为信号源，采用以上步骤所获得的三维稳态图如图8所示。

S4200、通过统计聚类算法分别对所述稳态图上的点进行自动聚类；

在获得基于所述正反进动时域脉冲衰减信号s_F(t)和s_B(t)处理得到的稳态图之后，进一步剔除异常点，即不稳定极点。采用自动统计聚类算法可以剔除异常值和规避人为处理导致结果差异的问题，也便于自动监测显示。

具体的，利用以下统计聚类公式分别对正反模态参数的稳态图上的点进行自动聚类：

式中，f为固有频率，ξ为阻尼比，σ为方差，上标“-”表示均值。

S4300、统计自动聚类后的模态参数的均值作为稳定性辨识结果。

通过反复迭代，可以剔除异常值，确保所有辨识结果均满足上述聚类公式，即剔除不在标准差椭圆内的模态参数。最终，统计均值

作为模态参数的估计值。其中，使用正进动稳态图数据获的参数估计值是

采用反进动稳态图数据获的参数估计值是

举例来讲，对图8中正进动衰减信号的三维稳态图数据点进行异常值剔除，采用标准差椭圆边界迭代聚类的方式获得的最终结果，如图9所示，其中椭圆中心即代表了最终的参数估计值

该值则为稳定性辨识结果。

在一实施例中，基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号之前，还包括：对所述最大奇异值函数上形成的尖峰进行滤波处理。对最大奇异值函数曲线上转速频率及其倍频成分形成的尖峰，进行滤波处理；对最大奇异值函数曲线上其他谐振频率(如电流干扰频率等)形成的尖峰，进行滤波处理，以提高计算的精确度。

本发明实施例公开的旋转机械工作模态参数辨识方法，构造测振平面的复数信号；利用奇异值分解处理复数信号功率谱矩阵，构造最大奇异值函数；利用奇异值函数的正负频率数据分别构造以正进动和反进动为主的时域脉冲信号；采用反向自回归方式辨识模态参数，形成模态参数三维稳态图；采用自动统计聚类算法，获取正反进动模态参数的统计估计值。

与现有技术中的旋转机械工作模态参数辨识方法相比，本发明不需要人为施加激振力，即不需要改造原始机组结构，只需要测量旋转机械工作状态下的振动信号，降低了测试成本。本发明通过构造测振平面的复数信号的方式，削弱了转子正反进动模态的混叠，提高了正、反进动模态分别在正、反进动对应的时域脉冲衰减信号的占比，采用功率谱矩阵奇异值分解的方式综合了各个通道的信号数据，均有利于提升参数识别的精度。传统基于随机子空间法的工作模态参数方法，所需构造矩阵规模较大，所需计算时间较长，不能满足在线监测的需求，相比于此，本发明通过利用成熟的功率谱和快速傅里叶变换计算算法，只需辨识基于最大奇异值函数的单一的时域脉冲衰减信号，在保证辨识精度的基础上极大地减少了计算量，可实现模态参数的在线辨识，进而实现失稳故障的早期预警。

本申请还公开一种旋转机械稳定性辨识装置，请参阅图10，包括：

获取模块1000：被配置为执行获取测振平面的复数信号，其中，所述复数信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振动响应信号的集合；

分解模块2000：被配置为执行根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数；

构造模块3000：被配置为执行基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号；

处理模块4000：被配置为执行对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果。

可选的，所述分解模块包括：

可选的，所述构造模块包括：

可选的，所述处理模块包括：

可选的，所述图形生成模块包括：

可选的，还包括：

上述公开的旋转机械稳定性辨识装置是实现选择机械稳定性辨识方法一一对应的装置结构，其工作原理一致，本说明书中不再赘述。

本发明实施例提供计算机设备基本结构框图请参阅图11。

该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种旋转机械稳定性辨识方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种旋转机械稳定性辨识方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

计算机设备通过接收关联的客户端发送的提示行为的状态信息，即关联终端是否开启提示以及贷款人是否关闭该提示任务。通过验证上述任务条件是否达成，进而向关联终端发送对应的预设指令，以使关联终端能够根据该预设指令执行相应的操作，从而实现了对关联终端的有效监管。同时，在提示信息状态与预设的状态指令不相同时，服务器端控制关联终端持续进行响铃，以防止关联终端的提示任务在执行一段时间后自动终止的问题。

本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述旋转机械稳定性辨识方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体 (Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本发明的部分实施方式，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

1.一种旋转机械稳定性辨识方法，其特征在于，包括：

对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果。

2.根据权利要求1所述的旋转机械稳定性辨识方法，其特征在于，所述根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数的方法包括：

3.根据权利要求2所述的旋转机械稳定性辨识方法，其特征在于，所述基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号的方法包括：

4.根据权利要求3所述的旋转机械稳定性辨识方法，其特征在于，所述对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果的方法包括：

通过统计聚类算法分别对所述稳态图上的点进行自动聚类；

统计自动聚类后的模态参数的均值作为稳定性辨识结果。

5.根据权利要求4所述的旋转机械稳定性辨识方法，其特征在于，所述采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图的方法包括：

6.根据权利要求5所述的旋转机械稳定性辨识方法，其特征在于，所述通过统计聚类算法分别对所述稳态图上的点进行自动聚类之前还包括：

剔除不在预设阈值范围内的所述离散模型的特征根。

7.根据权利要求1所述的旋转机械稳定性辨识方法，其特征在于，基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号之前，还包括：

对所述最大奇异值函数上形成的尖峰进行滤波处理。

8.一种旋转机械稳定性辨识装置，其特征在于，包括：

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述的旋转机械稳定性辨识方法的步骤。

10.一种计算机可读介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述的旋转机械稳定性辨识方法的步骤。