CN111753260A - 升降机固定装置松动状态检测方法、计算机设备及升降机 - Google Patents
升降机固定装置松动状态检测方法、计算机设备及升降机 Download PDFInfo
- Publication number
- CN111753260A CN111753260A CN202010604478.0A CN202010604478A CN111753260A CN 111753260 A CN111753260 A CN 111753260A CN 202010604478 A CN202010604478 A CN 202010604478A CN 111753260 A CN111753260 A CN 111753260A
- Authority
- CN
- China
- Prior art keywords
- fixing device
- elevator
- loosening
- order
- decomposition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 74
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 3
- 239000007787 solid Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000489 vacuum metal deposition Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B29/00—Safety devices of escalators or moving walkways
- B66B29/005—Applications of security monitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0025—Devices monitoring the operating condition of the elevator system for maintenance or repair
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0037—Performance analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于升降机松动状态检测技术领域,公开了一种升降机固定装置松动状态检测方法、计算机设备及升降机,通过在升降机固定装置的地方安装振动传感器,对从传感器搜集过来的不同松动状态的信号进行变分模态分解(VMD),得到K个固有模态分量(IMF);对K个固有模态分量IMF分别计算信息熵、高阶累积量以及高阶谱;利用组合特征来识别固定装置松动状态检测。本发明将VMD方法引入到升降机固定装置故障诊断,用于处理机脚螺栓的故障信号。VMD不仅具有坚实的理论基础,而且对于噪声也表现出较好的鲁棒性,能够从信噪比较低的原始振动信号中分离出包含特征信息的信号分量,进而实现升降机固定装置松动状态检测。
Description
技术领域
本发明属于升降机松动状态检测技术领域,尤其涉及一种升降机固定装置松动状态检测方法、计算机设备及升降机。
背景技术
目前,升降机是一种人们比较广泛接触的特种装备,比如:电梯、自动扶梯等。自动扶梯已成为了人们生活中广泛使用的特种设备之一。自动扶梯设备常年处于工作状态,当维保人员进行日常巡查时,只能知道当前自动扶梯的状态,对于此前的情况却无法得知,这对于自动扶梯梯的安全性有很大隐患。由于自动扶梯的使用寿命有限,所以对它的日常维护保养、受损零部件的及时更换就成为了决定自动扶梯寿命的关键因素。这里所说的自动扶梯维修及保养,即为在自动扶梯的使用过程中,对其实施的定期性与日常性的检测、调整以及润滑等操作,针对其可能会产生的故障给予提前检修以及维护。由于自动扶梯的每次维护保养十分重要,如果出现过期或维保人员不认真的情况,自动扶梯发生事故的概率以及后期的维修成本就会逐年增加,且将大大缩短电梯的使用寿命。从目前的情况看来,由于监管体制尚不健全,漏检、未定期保养、超期使用等等疏忽情况导致的安全部件失灵情况时有发生,为人们的生命带来一定威胁。故此,如何确保自动扶梯梯的安全运行、减少人员伤亡以及财产损失就成了广大城市管理者工作的重点。随着数据挖掘以及传感器技术的快速发展,可以在特定位置通过传感器实时采集海量的数据,基于海量的数据提取故障类型特征,实现故障诊断以及分类。
近年来,多尺度分解在诊断故障中应用很广泛,Huang等提出的经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应分解的方法,但是该方法存在端点效应以及模态混叠等问题。针对EMD的模态混叠现象,Wu等提出的集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)可在一定程度上改善模态混叠现象,但是由于本身算法递归迭代的局限性,仍然存在一定的分解误差。局部均值分解(Local MeanDecomposition,LMD)是由Jonathan S.Smith等学者提出的一种新的自适应非平稳信号处理方法,但是该方法存在由解调而引起的信号突变问题。变分模态分解(Variational ModeDecomposition,VMD)是Dragomiretskiy等人于2014年提出的一种自适应信号分解新方法,该方法在分解过程中通过循环迭代求取约束变分问题的最优解来确定分解得到的IMF分量的频率中心及带宽,实现信号各频率成分的有效分离。与上述几种方法相比,VMD不仅具有坚实的理论基础,而且对于噪声也表现出较好的鲁棒性。
在故障诊断领域,白堂博等人基于VMD和SVD提取旋转机械故障的早期微弱信号,该方法可以有效的提取故障信号的周期成分,去除噪声干扰,具有很好的微弱特征提取能力,可大幅度提高故障诊断的准确性。张建财等人提出基于VMD和多尺度排列熵的滚动轴承故障特征提取方法,并采经粒子群算法优化的概率神经网络故障诊断模型进行故障类型识别。唐贵基等人通过分析VMD分解中的惩罚因子及分量个数的设置对VMD方法滤波特性的影响,能够有效特区轴承早期故障信号中的微弱特征信息,实现故障类型的准确判别。
但是多尺度分解方法在升降机固定装置的松动状态检测应用的比较少,鉴于VMD方法在诸多领域所呈现出的优异特性,所以将其引入到升降机固定装置故障诊断,用于处理机脚螺栓的故障信号,能够从信噪比较低的原始振动信号中分离出包含特征信息的信号分量,进而实现升降机固定装置松动状态检测。
通过上述分析,现有技术存在的问题及缺陷为:(1)现有的基于自适应分解的诊断故障方法在升降机固定装置的松动状态检测数据中存在端点效应以及模态混叠等问题。
(2)现有集合经验模态分解的方法由于本身算法递归迭代的局限性,在升降机固定装置的松动状态检测数据中仍然存在一定的分解误差。
(3)现有基于局部均值分解的自适应非平稳信号处理方法在升降机固定装置的松动状态检测数据中存在由解调而引起的信号突变问题。
解决以上问题及缺陷的难度为:对于给定的振动信号,需要有效准确的提取特征,而升降机固定装置松动状态的信号信噪比低,不容易直接提取特征。本发明提出一种多尺度的组合特征方法,可以有效的提取特征。
解决以上问题及缺陷的意义为:提出一种多尺度的组合特征方法,可以有效的提取信号故障特征,实现故障检测与分类。
发明内容
针对现有技术存在的问题,本发明提供了一种升降机固定装置松动状态检测方法、计算机设备及升降机。
本发明是这样实现的,一种升降机固定装置松动状态检测方法,所述升降机固定装置松动状态检测方法为:通过在升降机固定装置的地方安装振动传感器,对从传感器搜集过来的不同松动状态的信号进行变分模态分解,得到K个固有模态分量IMF;对K个固有模态分量IMF分别计算信息熵、高阶累积量以及高阶谱;通过提取区分性最明显的区间来组合特征,利用组合特征来识别固定装置松动状态检测。
进一步,所述升降机固定装置松动状态检测方法包括以下步骤:
步骤一,信号分解:通过在升降机固定装置的地方安装振动传感器,获取升降机固定装置不同松动状态的振动信号,对振动信号进行VMD分解,得到K个IMF分量。
步骤二,提取组合特征:对每个IMF分量分别计算信息熵、高阶累积量以及高阶谱,通过对比特征的明显性,选取合适的区间,得到一组组合的特征向量。
步骤三,松动状态检测:构造训练样本和测试样本,利用随机森林分类器对松动状态进行检测,查看识别的精确率,得到固定装置松动状态的检测结果。
进一步,步骤一中,所述对振动信号进行VMD分解的方法,包括:
将信号f分解成K个固有模态函数μk(t),每个模态函数可以看作是存在不同中心频率的调幅-调频信号:
其中,Ak(t)为瞬时幅值,的一阶导数为瞬时频率。每个模态分量紧密的集中在中心频率附近,通过迭代搜索构造的变分模型极值确定每个模态函数的频率中心和带宽,实现信号的频率解析以及各个分量的有效分离。构造受约束的变分模型为:
其中,{μk}={μ1,μ2,...,μK}表示分解得到的K个IMF分量,{ωk}={ω1,ω2,...,ωK}各分量的频率中心,K表示IMF的数量,f为输入信号。
为了求解该约束变分问题,引入惩罚因子α和Lagrange算子λ(t)以消除其约束条件,进一步求出受约束的变分模型的最优解。构造的Lagrange方程为:
进一步,步骤二中,所述信息熵的计算公式如下:
H(x)=H(P1,P2,...,Pn)=P(xi)log(P(xi));
其中,P(xi),i=1,2,...,n为信息源取第i个符号的概率,H(x)为信息源的信息熵。
对于一个一维信号,首先对归一化之后信号的范围进行分块,然后统计每一块的数据个数,计算出相应的概率,最后利用信息熵公式进行求解。
进一步,步骤二中,所述高阶累积量和高阶谱的计算方法为:
给定一组n维随机变量(x1,x2,...,xn),其概率密度函数为f(x1,x2,...,xn),则其第一联合特征函数为:
第二联合特征函数为第一联合特征函数的对数:
Ψ(ω1,ω2,...,ωn)=ln(Φ(ω1,ω2,...,ωn));
如果随机变量相互独立,则第一联合特征函数为各变量第一特征函数之积,第二联合特征函数为各变量第二特征函数之和。
设{x(n)}为零均值的k阶平稳随机过程,则该过程的k阶矩mkx(τ1,τ2,...,τk-1)定义为:
mkx(τ1,...,τk-1)=Mon(x(n),...,x(n+τk-1));
K阶累积量ckx(τ1,τ2,...,τk-1)定义为:
ckx(τ1,...,τk-1)=Cum(x(n),...,x(n+τk-1));
其中,Mon(),Cum()为k元变量的矩和累积量。
对于绝对可和的高阶累积量ckx(τ1,τ2,...,τk-1),即满足:
则k阶累积谱为k阶累积量的(k-1)维傅里叶变换:
高阶谱不仅包含原始信号的幅度信息,还包含其相位信息,能解决非高斯、非线性问题。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
通过在升降机固定装置的地方安装振动传感器,获取升降机固定装置不同松动状态的振动信号,对振动信号进行VMD分解,得到K个IMF分量;
对每个IMF分量分别计算信息熵、高阶累积量以及高阶谱,通过对比特征的明显性,选取合适的区间,得到一组组合的特征向量;
构造训练样本和测试样本,利用随机森林分类器对松动状态进行检测,查看识别的精确率,得到固定装置松动状态的检测结果。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
通过在升降机固定装置的地方安装振动传感器,获取升降机固定装置不同松动状态的振动信号,对振动信号进行VMD分解,得到K个IMF分量;
对每个IMF分量分别计算信息熵、高阶累积量以及高阶谱,通过对比特征的明显性,选取合适的区间,得到一组组合的特征向量;
构造训练样本和测试样本,利用随机森林分类器对松动状态进行检测,查看识别的精确率,得到固定装置松动状态的检测结果。
本发明的另一目的在于提供一种实施所述升降机固定装置松动状态检测方法的升降机。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的升降机固定装置松动状态检测方法,基于变分模态分解和组合特征,首先对从传感器搜集过来的不同松动状态的信号进行变分模态分解,得到K个固有模态分量(IMF);然后对这些IMF分别计算信息熵、高阶累积量以及高阶谱,通过提取区分性最明显的区间来组合特征,利用组合特征来识别固定装置松动状态检测;通过构造592条训练样本,123条测试样本来进行仿真实验。实验结果表明:基于变分模态分解和组合特征的升降机固定装置松动状态检测方法可以有效的识别松动故障,实现故障诊断与分类。
传统的EMD由于自身算法的局限性,分解过程中存在端点效应以及模态混叠等问题,而VMD在分解过程中通过循环迭代求取约束变分问题的最优解来确定分解得到的IMF分量的频率中心及带宽,实现信号各频率成分的有效分离。本发明将VMD方法引入到升降机固定装置故障诊断,用于处理机脚螺栓的故障信号,能够从信噪比较低的原始振动信号中分离出包含特征信息的信号分量,进而实现升降机固定装置松动状态检测。VMD不仅具有坚实的理论基础,而且对于噪声也表现出较好的鲁棒性。
本发明提出一种基于组合特征的模式识别,对模式识别进行改进,利用多尺度熵、高阶累积量以及高阶谱的组合特征对升降机固定装置的振动信号进行特征提取。
对比实验表明:本发明(图6(c))通过与现有技术小波分解方法(图6(a))和互补集合经验模态分解(CEEMD图6(b))来做对比。其中:小波分解选择的小波基为‘db8’,分解层数为3层;CEEMD的分解层数为5层。
可以很明显的看出本发明提出的基于VMD的组合特征的效果更好,三种不同的振动信号层次很分明。
附图说明
图1是本发明实施例提供的升降机固定装置松动状态检测方法流程图。
图2是本发明实施例提供的升降机固定装置松动状态检测方法原理图。
图3是本发明实施例提供的三类振动信号时域波形图;
图中:图(a)是无故障信号时域波形图;图(b)是松动一圈信号时域波形图;图(c)是松动三圈信号时域波形图。
图4是本发明实施例提供的三类振动信号VMD分解结果示意图;
图中:图(a)是无故障信号VMD分解图;图(b)是松动一圈信号VMD分解图;图(c)是松动三圈信号VMD分解图。
图5是本发明实施例提供的组合特征向量示意图。
图6是本发明实施例提供的本发明(图6(c))与现有技术小波分解方法(图6(a))和互补集合经验模态分解(CEEMD图6(b))对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种升降机固定装置松动状态检测方法、计算机设备及升降机,下面结合附图对本发明作详细的描述。
本发明实施例提供的升降机固定装置松动状态检测方法为:通过在升降机固定装置的地方安装振动传感器,对从传感器搜集过来的不同松动状态的信号进行变分模态分解,得到K个固有模态分量IMF;对K个固有模态分量IMF分别计算信息熵、高阶累积量以及高阶谱;通过提取区分性最明显的区间来组合特征,利用组合特征来识别固定装置松动状态检测。
如图1所示,本发明实施例提供的升降机固定装置松动状态检测方法包括以下步骤:
S101,通过在升降机固定装置的地方安装振动传感器,获取升降机固定装置不同松动状态的振动信号。
S102,对振动信号进行VMD分解,得到K个IMF分量。
S103,对每个IMF分量分别计算信息熵、高阶累积量以及高阶谱,通过对比特征的明显性,选取合适的区间,得到一组组合的特征向量。
S104,构造训练样本和测试样本,利用随机森林分类器对松动状态进行检测,查看识别的精确率,最后得到固定装置松动状态的检测结果。
本发明提供一种升降机固定装置松动状态检测系统包括:
信号分解模块,用于通过在升降机固定装置的地方安装振动传感器,获取升降机固定装置不同松动状态的振动信号,对振动信号进行VMD分解,得到K个IMF分量。
提取组合特征模块,用于对每个IMF分量分别计算信息熵、高阶累积量以及高阶谱,通过对比特征的明显性,选取合适的区间,得到一组组合的特征向量。
松动状态检测模块,用于构造训练样本和测试样本,利用随机森林分类器对松动状态进行检测,查看识别的精确率,得到固定装置松动状态的检测结果。
下面结合术语解释对本发明作进一步描述。
变分模态分解:通过循环迭代求取约束变分方程的最优解来确定分解的一种多尺度的分解方法。
下面结合具体实施例对本发明作进一步描述。
1、算法介绍
(1)变分模态分解(VMD)
VMD算法是Dragomiretskiy等人在2014年提出的一种新的自适应信号分解方法,主要目的是将信号f分解成K个固有模态函数μk(t),每个模态函数可以看作是存在不同中心频率的调幅-调频信号:
上式中,Ak(t)为瞬时幅值,的一阶导数为瞬时频率。每个模态分量紧密的集中在中心频率附近,通过迭代搜索构造的变分模型极值确定每个模态函数的频率中心和带宽,实现信号的频率解析以及各个分量的有效分离。构造受约束的变分模型为:
式(2)、(3)中,{μk}={μ1,μ2,...,μK}表示分解得到的K个IMF分量,{ωk}={ω1,ω2,...,ωK}各分量的频率中心,K表示IMF的数量,f为输入信号。
为了求解该约束变分问题,引入惩罚因子α和Lagrange算子λ(t)以消除其约束条件,进一步求出受约束的变分模型的最优解。构造的Lagrange方程为:
VMD算法中采用乘子交替方向算法(Alternate Direction Method ofMultipliers,ADMM)解决上式非约束变分问题,再通过迭代循环求解和λn来寻求扩展Lagrange表达式的“鞍点”,由此来实现VMD分解。
(2)信息熵
信息熵是系统有序化程度的一个度量。一个系统越是有序,信息熵就越低;反之,一个系统越是混乱,信息熵就越高。
信息论中信息源输出是随机向量,因而其不定度可以用概率分布来度量。计算公式如下:
H(x)=H(P1,P2,...,Pn)=P(xi)log(P(xi))
其中,P(xi),i=1,2,...,n为信息源取第i个符号的概率,H(x)为信息源的信息熵。
对于一个一维信号,首先对归一化之后信号的范围进行分块,然后统计每一块的数据个数,计算出相应的概率,最后利用信息熵公式进行求解。
(3)高阶累积量和高阶谱
高阶统计量是指阶数大于二阶的统计量,如高阶矩、高阶累积量、高阶矩谱及高阶累积量谱。高阶累积量的多维傅里叶变换定义为高阶谱(多谱),最常用的高阶谱是3阶谱(双谱)和4阶谱(三谱)。高阶谱不仅包含原始信号的幅度信息,还包含其相位信息,能解决非高斯、非线性问题。
给定一组n维随机变量(x1,x2,...,xn),其概率密度函数为f(x1,x2,...,xn),则其第一联合特征函数为:
第二联合特征函数为第一联合特征函数的对数:
Ψ(ω1,ω2,...,ωn)=ln(Φ(ω1,ω2,...,ωn))
如果随机变量相互独立,则第一联合特征函数为各变量第一特征函数之积,第二联合特征函数为各变量第二特征函数之和。
设{x(n)}为零均值的k阶平稳随机过程,则该过程的k阶矩mkx(τ1,τ2,...,τk-1)定义为:
mkx(τ1,...,τk-1)=Mon(x(n),...,x(n+τk-1))
K阶累积量ckx(τ1,τ2,...,τk-1)定义为:
ckx(τ1,...,τk-1)=Cum(x(n),...,x(n+τk-1))
上式(8)、(9)中,Mon(),Cum()为k元变量的矩和累积量。
对于绝对可和的高阶累积量ckx(τ1,τ2,...,τk-1),即满足:
则k阶累积谱为k阶累积量的(k-1)维傅里叶变换:
高阶谱不仅包含原始信号的幅度信息,还包含其相位信息,能解决非高斯、非线性问题。
2、算法流程(见图2)
(1)获取升降机固定装置不同松动状态的振动信号,这里通过在升降机固定装置的地方安装振动传感器,可以采集不同频率的信号,然后对对振动信号进行VMD分解得到K个IMF分量;
(2)对每一个IMF分量分别计算信息熵、高阶累积量以及高阶谱,通过对比特征的明显性,选取合适的区间,得到一组组合的特征向量;
(3)构造训练样本和测试样本,利用随机森林分类器对松动状态进行检测,查看识别的精确率,最后得到固定装置松动状态的检测结果。
下面结合具体实验本发明作进一步描述。
为了验证所提出方法的有效性,采用某公司振动传感器采集的固定装置振动信号,采样频率2000Hz,包括升降机固定装置三种松动状态的振动数据,分别是无松动(正常)、松动一圈以及松动三圈的数据。
对原始振动信号进行归一化处理后的时域波形图如图3所示。
对三类振动信号进行VMD分解,分解层数为5层,二次惩罚因子α=2000,并将得到的IMF分量按中心频率降序依次排序如图4所示。
对经过VMD分解得到的每一个IMF分量分别计算信息熵、高阶累积量以及高阶谱,得到组合的特征向量如图5所示。
图5是三类振动信号的组合特征向量,从图中可以很明显看出无故障信号、松动一圈以及松动三圈的信号区分的很明显。
为了验证提取特征的有效性以及稳健性,构造训练样本和测试样本以验证准确率,其中训练样本的个数为592,包括无故障信号136条,松动一圈信号164条,松动三圈信号292条;测试样本的个数为123,其中无故障信号、松动一圈信号松动三圈信号的个数各为41条。利用随机森林分类器进行分类识别,具体结果如表1所示。
表1分类结果
从上表中可以看出升降机固定装置松动状态检测效果很好,可以实现固定装置松动状态故障的检测。
3、本发明提出一种基于变分模态分解和组合特征的升降机固定装置松动状态检测方法。该方法首先对从传感器搜集过来的不同松动状态的信号进行变分模态分解,得到K个固有模态分量(IMF);然后对这些IMF分别计算信息熵、高阶累积量以及高阶谱,通过提取区分性最明显的区间来组合特征,利用组合特征来识别固定装置松动状态检测;通过构造592条训练样本,123条测试样本来进行仿真实验,实验结果表明:基于变分模态分解和组合特征的升降机固定装置松动状态检测方法可以有效的识别松动故障,实现故障诊断与分类。
本发明(图6(c))通过与现有技术小波分解方法(图6(a))和互补集合经验模态分解(CEEMD图6(b))来做对比。其中:小波分解选择的小波基为‘db8’,分解层数为3层;CEEMD的分解层数为5层。
其中,图6(a)小波分解效果图;图6(b)CEEMD分解效果图;图6(c)本发明分解效果图。
可以很明显的看出本发明提出的基于VMD的组合特征的效果更好,三种不同的振动信号层次很分明。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种升降机固定装置松动状态检测方法,其特征在于,所述升降机固定装置松动状态检测方法包括:
通过在升降机固定装置的地方安装振动传感器,对从传感器搜集过来的不同松动状态的信号进行变分模态分解,得到K个固有模态分量IMF;
对K个固有模态分量IMF分别计算信息熵、高阶累积量以及高阶谱;
通过提取区分性最明显的区间来组合特征,利用组合特征识别固定装置松动状态检测。
2.如权利要求1所述的升降机固定装置松动状态检测方法,其特征在于,所述升降机固定装置松动状态检测方法包括以下步骤:
步骤一,信号分解:通过在升降机固定装置的地方安装振动传感器,获取升降机固定装置不同松动状态的振动信号,对振动信号进行VMD分解,得到K个IMF分量;
步骤二,提取组合特征:对每个IMF分量分别计算信息熵、高阶累积量以及高阶谱,通过对比特征的明显性,选取合适的区间,得到一组组合的特征向量;
步骤三,松动状态检测:构造训练样本和测试样本,利用随机森林分类器对松动状态进行检测,查看识别的精确率,得到固定装置松动状态的检测结果。
3.如权利要求1所述的升降机固定装置松动状态检测方法,其特征在于,步骤一中,所述对振动信号进行VMD分解的方法,包括:
将信号f分解成K个固有模态函数μk(t),每个模态函数可以看作是存在不同中心频率的调幅-调频信号:
其中,Ak(t)为瞬时幅值,的一阶导数为瞬时频率;每个模态分量紧密的集中在中心频率附近,通过迭代搜索构造的变分模型极值确定每个模态函数的频率中心和带宽,实现信号的频率解析以及各个分量的有效分离;构造受约束的变分模型为:
其中,{μk}={μ1,μ2,...,μK}表示分解得到的K个IMF分量,{ωk}={ω1,ω2,...,ωK}各分量的频率中心,K表示IMF的数量,f为输入信号。
5.如权利要求1所述的升降机固定装置松动状态检测方法,其特征在于,步骤二中,所述信息熵的计算公式如下:
H(x)=H(P1,P2,...,Pn)=P(xi)log(P(xi));
其中,P(xi),i=1,2,...,n为信息源取第i个符号的概率,H(x)为信息源的信息熵;
对于一个一维信号,首先对归一化之后信号的范围进行分块,然后统计每一块的数据个数,计算出相应的概率,最后利用信息熵公式进行求解。
6.如权利要求1所述的升降机固定装置松动状态检测方法,其特征在于,步骤二中,所述高阶累积量和高阶谱的计算方法为:
给定一组n维随机变量(x1,x2,...,xn),其概率密度函数为f(x1,x2,...,xn),则其第一联合特征函数为:
第二联合特征函数为第一联合特征函数的对数:
Ψ(ω1,ω2,...,ωn)=ln(Φ(ω1,ω2,...,ωn));
如果随机变量相互独立,则第一联合特征函数为各变量第一特征函数之积,第二联合特征函数为各变量第二特征函数之和;
设{x(n)}为零均值的k阶平稳随机过程,则该过程的k阶矩mkx(τ1,τ2,...,τk-1)定义为:
mkx(τ1,...,τk-1)=Mon(x(n),...,x(n+τk-1));
K阶累积量ckx(τ1,τ2,...,τk-1)定义为:
ckx(τ1,...,τk-1)=Cum(x(n),...,x(n+τk-1));
其中,Mon(),Cum()为k元变量的矩和累积量;
对于绝对可和的高阶累积量ckx(τ1,τ2,...,τk-1),即满足:
则k阶累积谱为k阶累积量的(k-1)维傅里叶变换:
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
通过在升降机固定装置的地方安装振动传感器,获取升降机固定装置不同松动状态的振动信号,对振动信号进行VMD分解,得到K个IMF分量;
对每个IMF分量分别计算信息熵、高阶累积量以及高阶谱,通过对比特征的明显性,选取合适的区间,得到一组组合的特征向量;
构造训练样本和测试样本,利用随机森林分类器对松动状态进行检测,查看识别的精确率,得到固定装置松动状态的检测结果。
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
通过在升降机固定装置的地方安装振动传感器,获取升降机固定装置不同松动状态的振动信号,对振动信号进行VMD分解,得到K个IMF分量;
对每个IMF分量分别计算信息熵、高阶累积量以及高阶谱,通过对比特征的明显性,选取合适的区间,得到一组组合的特征向量;
构造训练样本和测试样本,利用随机森林分类器对松动状态进行检测,查看识别的精确率,得到固定装置松动状态的检测结果。
9.一种实施权利要求1~6任意一项所述升降机固定装置松动状态检测方法的升降机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604478.0A CN111753260A (zh) | 2020-06-29 | 2020-06-29 | 升降机固定装置松动状态检测方法、计算机设备及升降机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604478.0A CN111753260A (zh) | 2020-06-29 | 2020-06-29 | 升降机固定装置松动状态检测方法、计算机设备及升降机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753260A true CN111753260A (zh) | 2020-10-09 |
Family
ID=72678272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010604478.0A Pending CN111753260A (zh) | 2020-06-29 | 2020-06-29 | 升降机固定装置松动状态检测方法、计算机设备及升降机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753260A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112693988A (zh) * | 2020-12-25 | 2021-04-23 | 滁州博杰科技有限公司 | 一种电梯故障诊断保护系统 |
CN112723082A (zh) * | 2020-12-25 | 2021-04-30 | 滁州博杰科技有限公司 | 一种兼具防坠效果的电梯保护装置 |
CN112723092A (zh) * | 2020-12-25 | 2021-04-30 | 滁州博杰科技有限公司 | 一种具有自诊断功能的电梯安全保护装置 |
CN113553898A (zh) * | 2021-06-07 | 2021-10-26 | 武汉思恒达科技有限公司 | 一种自动扶梯基脚松动故障诊断方法 |
CN114215733A (zh) * | 2021-11-02 | 2022-03-22 | 西安交通大学 | 嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统 |
CN117105038A (zh) * | 2023-10-17 | 2023-11-24 | 山西戴德测控技术股份有限公司 | 一种提升机运行监测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
WO2017205382A1 (en) * | 2016-05-23 | 2017-11-30 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs) |
CN110084208A (zh) * | 2019-04-30 | 2019-08-02 | 上海电力学院 | 一种自适应降噪并避免阶次混叠的计算阶次跟踪方法 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN111323227A (zh) * | 2020-01-03 | 2020-06-23 | 南昌航空大学 | 一种航空发动机转子故障特征的提取方法 |
-
2020
- 2020-06-29 CN CN202010604478.0A patent/CN111753260A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017205382A1 (en) * | 2016-05-23 | 2017-11-30 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs) |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN110084208A (zh) * | 2019-04-30 | 2019-08-02 | 上海电力学院 | 一种自适应降噪并避免阶次混叠的计算阶次跟踪方法 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN111323227A (zh) * | 2020-01-03 | 2020-06-23 | 南昌航空大学 | 一种航空发动机转子故障特征的提取方法 |
Non-Patent Citations (1)
Title |
---|
郭庆丰: "高阶统计量在滚动轴承故障诊断中的应用", 中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑), 15 January 2014 (2014-01-15), pages 14 - 17 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112693988A (zh) * | 2020-12-25 | 2021-04-23 | 滁州博杰科技有限公司 | 一种电梯故障诊断保护系统 |
CN112723082A (zh) * | 2020-12-25 | 2021-04-30 | 滁州博杰科技有限公司 | 一种兼具防坠效果的电梯保护装置 |
CN112723092A (zh) * | 2020-12-25 | 2021-04-30 | 滁州博杰科技有限公司 | 一种具有自诊断功能的电梯安全保护装置 |
CN112723092B (zh) * | 2020-12-25 | 2022-05-13 | 滁州博杰科技有限公司 | 一种具有自诊断功能的电梯安全保护装置 |
CN112723082B (zh) * | 2020-12-25 | 2022-05-17 | 滁州博杰科技有限公司 | 一种兼具防坠效果的电梯保护装置 |
CN113553898A (zh) * | 2021-06-07 | 2021-10-26 | 武汉思恒达科技有限公司 | 一种自动扶梯基脚松动故障诊断方法 |
CN114215733A (zh) * | 2021-11-02 | 2022-03-22 | 西安交通大学 | 嵌入式压缩机活塞杆螺纹松动故障自监测诊断方法及系统 |
CN117105038A (zh) * | 2023-10-17 | 2023-11-24 | 山西戴德测控技术股份有限公司 | 一种提升机运行监测方法、装置、设备及存储介质 |
CN117105038B (zh) * | 2023-10-17 | 2024-01-05 | 山西戴德测控技术股份有限公司 | 一种提升机运行监测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753260A (zh) | 升降机固定装置松动状态检测方法、计算机设备及升降机 | |
US7826943B2 (en) | Method and system for diagnosing faults in a particular device within a fleet of devices | |
EP2015186B1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
US20170161963A1 (en) | Method of identifying anomalies | |
KR20010024640A (ko) | 스펙트럼 신호의 감시 시스템 | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
Chegini et al. | New fault diagnosis approaches for detecting the bearing slight degradation | |
Meng et al. | Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum | |
US8621305B2 (en) | Methods systems and apparatus for determining whether built-in-test fault codes are indicative of an actual fault condition or a false alarm | |
CN105930963A (zh) | 一种机电系统装备健康评估方法 | |
CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
Li et al. | Health indicator construction based on MD-CUMSUM with multi-domain features selection for rolling element bearing fault diagnosis | |
CN113109051B (zh) | 基于振动数据极差序列的故障预警方法和系统 | |
Baek et al. | Fault prediction via symptom pattern extraction using the discretized state vectors of multisensor signals | |
Gao et al. | A wavelet packet and residual analysis based method for hydraulic pump health diagnosis | |
Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
McCormick et al. | Application of periodic time-varying autoregressive models to the detection of bearing faults | |
CN111339986A (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
AU2021104319A4 (en) | A system for traction inverter fault detection and a method thereof | |
CN112925806B (zh) | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 | |
KR102017162B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
Liu et al. | Low-variance version of the RCC index and form factor index for machine condition monitoring | |
Yadav et al. | Multiclass Fault Classification of an Induction Motor Bearing Vibration Data Using Wavelet Packet Transform Features and Artificial Intelligence | |
Flint | A prognostic maintenance system based on the Hough transformation |
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 |