CN114152454B - 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 - Google Patents
基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 Download PDFInfo
- Publication number
- CN114152454B CN114152454B CN202010936898.9A CN202010936898A CN114152454B CN 114152454 B CN114152454 B CN 114152454B CN 202010936898 A CN202010936898 A CN 202010936898A CN 114152454 B CN114152454 B CN 114152454B
- Authority
- CN
- China
- Prior art keywords
- cse
- ceemdan
- model
- calculating
- mechanical equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000036541 health Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供基于CEEMDAN‑CSE模型的机械设备故障诊断方法及该模型的建立方法。其中,机械设备故障诊断方法包括:获取所述机械设备的振动信号,并进行预处理;利用CEEMDAN‑CSE模型对预处理后的振动信号进行滤波和特征提取;将提取得到的各特征值分别与预设健康状态指标进行比对,并根据比对结果给出所述机械设备的故障诊断结果。本发明的CEEMDAN‑CSE模型,有效克服了CEEMDAN易于受到高斯白噪声影响而多变的缺点,同时增强了CSE对振幅的独立性,利用CEEMDAN‑CSE模型对机械设备的故障信号进行滤波和特征提取,实现了对机械设备进行多源信号滤波的智能故障检测。
Description
技术领域
本发明涉及机械故障诊断技术领域,特别是涉及基于CEEMDAN-CSE模型的机械设备故障诊断方法及该模型的建立方法。
背景技术
机械设备是生产的重要组成部分,发挥维护安全生产的重要作用,因此对机械设备的状态监测变得非常重要。目前常用传感器对机械工作状况进行时时数据采集,由于采集的为复杂多变的混合信号,且强噪音不仅不利于故障信号提取,同时也会容易产生噪音混叠现象,降低对真实故障信号诊断。因此对机械设备进行有效的故障诊断,需要对采集的振动信号进行滤波和特征提取,从而进行有效智能诊断。
目前常用的滤波方法有小波变换(WT),经验模态分解(EMD),集成经验模态分解(EEMD)。小波变换利用正交基对混合信号进行正交平移,实现对信号的分解。然而缺点是需要预先设置小波基,这可能会导致小波变换对非平稳振动信号产生不完全自适应的结果。为了克服小波滤波缺点,提出的EMD方法,利用局部特征时间尺度将混合信号分解为几个模态函数(IMF),从而实现自适应信号分解。然而EMD存在模态混合的缺点。因此为了解决EMD问题,提出了EEMD来克服模态混合问题,但是在分解IMF中依然有残余噪声。因此在EEMD的基础上添加高斯白噪声进行改进,形成自适应噪声的完备总体经验模态分解CEEMDAN,改进的CEEMDAN在解决EEMD中存在混叠现象取得很好效果,但是处理过程中因为需要提前加入的高斯白噪声来改进EEMD分解中存在问题,同时加入的高斯白噪声因为设置的不同会对信号分解效果影响较大,因此亟需解决CEEMDAN的这一不足。
同时,采集的振动信号滤波之后常用均方根、近似熵(ApEn)和样本熵(SampEn)实现对故障信号进行特征提取。在对振动信号处理过程中,近似熵会根据维数的变化,计算时间序列产生新模式的概率,通过产生概率的越大,得到的近似熵的值也就越大,则反映的振动变化度也就越大。而在对近似熵基础上优化提出的样本熵(SampEn),振动信号经过样本熵计算概率和的对数,可以降低近似熵的误差,反应旋转机械振动变化趋势。然而样本熵可能会因不确定概率因素而降低信号特征。在SampEn的基础上,可采用角距离代替SampEn中的切比雪夫距离,同时用香农熵代替条件熵,形成余弦相似熵(CSE),从而加强对复杂信号鲁棒性,但对于复杂信号振幅的独立性仍需要加强。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供基于CEEMDAN-CSE模型的机械设备故障诊断方法及该模型的建立方法,用于解决现有技术中的以上不足。
为实现上述目的及其他相关目的,本发明提供一种CEEMDAN-CSE模型的建立方法,所述CEEMDAN-CSE模型用于对机械设备的振动信号进行滤波和特征提取;所述方法包括:在原始的所述振动信号中加入白噪声信号,形成自适应噪声信号;利用经验模态分解算法将所述自适应噪声信号分解成多个模态分量信号;对不同阶的所述模态分量信号分别进行平均运算,得到各阶模态分量信号的平均值;根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合;基于所述极值点集合进行空间重构,以得到空间重构序列;基于所述空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率B(m)(rcse);根据所述全概率B(m)(rcse)计算得到所述CEEMDAN-CSE模型,公式为:CEEMDAN-CSE=-[B(m)(rcse)log2B(m)(rcse)+(1-B(m)(rcse))log2(1-B(m)(rcse))]。
于本发明一实施例中,根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合,具体包括:将各阶模态分量信号平均分成N份,每份计算零中值序列/>其中,/>计算每份中的极大值点gN,max=gN,q和极小值点gN,min=gN,p,1<p<N,1<q<N;根据N份的极大值点和极小值点得到所述极值点集合g=[gmin,gmax]。
于本发明一实施例中,所述空间重构序列为i表示g的序列数,m表示嵌入维数,τ表示延迟时间;基于所述空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率,具体包括:计算角距离/>当满足/>时,rcse表示相似容限,通过相似模式数量/>计算出局部概率/>计算全概率/>
为实现上述目的及其他相关目的,本发明提供一种基于CEEMDAN-CSE模型的机械设备故障诊断方法,所述方法用于实现任意所述CEEMDAN-CSE模型,包括:获取所述机械设备的振动信号,并进行预处理;利用CEEMDAN-CSE模型对预处理后的振动信号进行滤波和特征提取;将提取得到的各特征值分别与预设健康状态指标进行比对,并根据比对结果给出所述机械设备的故障诊断结果。
为实现上述目的及其他相关目的,本发明提供一种CEEMDAN-CSE模型的建立装置,所述CEEMDAN-CSE模型用于对机械设备的振动信号进行滤波和特征提取;所述装置包括:噪声添加模块,用于在原始的所述振动信号中加入白噪声信号,形成自适应噪声信号;信号分解模块,用于利用经验模态分解算法将所述自适应噪声信号分解成多个模态分量信号;信号运算模块,用于对不同阶的所述模态分量信号分别进行平均运算,得到各阶模态分量信号的平均值;根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合;基于空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率B(m)(rcse);模型生成模块,用于根据所述全概率B(m)(rcse)计算得到所述CEEMDAN-CSE模型,公式为:CEEMDAN-CSE=-[B(m)(rcse)log2B(m)(rcse)+(1-B(m)(rcse))log2(1-B(m)(rcse))];空间重构模块,用于基于所述极值点集合进行空间重构,以得到所述空间重构序列。
于本发明一实施例中,所述信号运算模块根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合,具体包括:将各阶模态分量信号平均分成N份,每份计算零中值序列/>其中,/>计算每份中的极大值点gN,max=gN,q和极小值点gN,min=gN,p,1<p<N,1<q<N;根据N份的极大值点和极小值点得到所述极值点集合g=[gmin,gmax]。
于本发明一实施例中,所述空间重构序列为i表示g的序列数,m表示嵌入维数,τ表示延迟时间;所述信号运算模块基于所述空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率,具体包括:计算角距离/>当满足/>时,rcse表示相似容限,通过相似模式数量/>计算出局部概率/>计算全概率/>
为实现上述目的及其他相关目的,本发明提供一种基于CEEMDAN-CSE模型的机械设备故障诊断装置,所述装置用于实现任意所述CEEMDAN-CSE模型,包括:预处理模块,用于获取所述机械设备的振动信号,并进行预处理;滤波和特征提取模块,利用CEEMDAN-CSE模型对预处理后的振动信号进行滤波和特征提取;故障分析模块,用于将提取得到的各特征值分别与预设健康状态指标进行比对,并根据比对结果给出所述机械设备的故障诊断结果。
为实现上述目的及其他相关目的,本发明提供一种计算机可读存储介质,其中存储有计算机程序,所述计算机程序被处理器加载执行时,实现所述的CEEMDAN-CSE模型的建立方法,或者,所述的基于CEEMDAN-CSE模型的机械设备故障诊断方法。
为实现上述目的及其他相关目的,本发明提供一种电子设备,包括:处理器及存储器;其中,所述存储器用于存储计算机程序;所述处理器用于加载执行所述计算机程序,以使所述电子设备执行所述的CEEMDAN-CSE模型的建立方法,或者,所述的基于CEEMDAN-CSE模型的机械设备故障诊断方法。
如上所述,本发明建立的CEEMDAN-CSE模型,有效克服了CEEMDAN易于受到高斯白噪声影响而多变的缺点,同时增强了CSE对振幅的独立性。本发明的基于CEEMDAN-CSE模型的机械设备故障诊断方法,先对监测的多源机械设备振动数据进行数据预处理,然后对多源振动数据经过CEEMDAN-CSE模型实现滤波后的特征提取,通过对特征值的判断给出机械设备的故障诊断结果,从而有效地实现机械设备工况状态的诊断和管理。
附图说明
图1显示为本发明一实施例中的CEEMDAN-CSE模型的建立方法的原理示意图。
图2显示为本发明另一实施例中的CEEMDAN-CSE模型的建立方法的原理示意图。
图3显示为本发明一实施例中的机械设备故障诊断方法的原理示意图。
图4显示为本发明另一实施例中的机械设备故障诊断方法的原理示意图。
图5显示为本发明一实施例中的CEEMDAN-CSE模型的建立装置的原理示意图。
图6显示为本发明一实施例中的机械设备故障诊断装置的原理示意图。
图7显示为本发明一实施例中的电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本申请提供一种CEEMDAN-CSE模型的建立方法,所述CEEMDAN-CSE模型用于对机械设备的振动信号进行滤波和特征提取;所述方法包括以下步骤:
S11:在原始的所述振动信号中加入白噪声信号,形成自适应噪声信号;
S12:利用经验模态分解算法将所述自适应噪声信号分解成多个模态分量信号;
S13:对不同阶的所述模态分量信号分别进行平均运算,得到各阶模态分量信号的平均值;
S14:根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合;
S15:基于所述极值点集合进行空间重构,以得到空间重构序列;
S16:基于所述空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率B(m)(rcse);
S17:根据所述全概率B(m)(rcse)计算得到所述CEEMDAN-CSE模型,公式为:
CEEMDAN-CSE=-[B(m)(rcse)log2B(m)(rcse)+(1-B(m)(rcse))log2(1-B(m)(rcse))]。
以下结合图2对本申请的CEEMDAN-CSE模型的建立方法做详细介绍。
1)首先对原始信号,也即采集得到的机械设备的振动信号加入白噪声Noi,形成x(t)信号,然后经过EMD信号分解方法处理,确定x(t)信号的所有极值点,串联所有极大值、极小值点,形成上包络线xmax(t)和下包络线xmin(t),然后计算均值线m1(t):
2)再用x(t)减去上述计算的m1(t),从而得到h1(t):
h1(t)=x(t)-m1(t) (2)
3)当h1(t)符合现有的IMF条件时候,则h1(t)为首阶IMF分量,若不满足则h1(t)继续上述步骤:
h11(t)=h1(t)-m11(t) (3)
4)公式中m11(t)为h1(t)上下包络线的均值,与上述判断相同,当h11(t)若不满足IMF条件,则返回第一步继续,直到完成判断前的K次,得出h1k(t):
h1k(t)=h1(k-1)(t)-m1k(t) (4)
5)当h1k(t)满足要求时候,即为第一阶的IMF1,首个IMF中包含数据x(t)的高频的部分。
r1(t)=x(t)-IMF1 (5)
6)其中r1(t)是残差,然后返回EMD分解过程的首步骤,经过若干迭代得出
ri(t)=ri-1(t)-IMFi(t),i=1,2,3…n (6)
当满足余量足够小,且ri(t)为单调函数,则整个分解停止。
7)对于上述分解获得多个模态分量IMF,之后对第一个IMF分量求平均,获得第一个
8)计算第一个余量信号r1(t);
9)然后对余量集合信号r1(t)+ε1E1(Noi(t))进行分解,得出
其中,ε1是第1个模态分量的信噪比系数,E1(Noi(t))是第一次试验添加的具有标准正太分布的白噪声。
10)如此循环,计算
分解停止条件是残余分量的极值点不大于两个。
11)每个模态分量平均分成N份,每份中然后计算零中值序列/>
12)计算每份中的极值点g1,min,g1,max:
gN,min=gN,p,gN,max=gN,q(1<p<N,1<q<N) (12)
集合N份中的极值点:
g=[gmin,gmax] (13)
之后进行空间重构序列如下:
其中,i表示上述g的序列数,m表示嵌入维数,τ表示延迟时间;
13)计算角距离:
14)当满足时候,通过相似模式数量/>计算出局部概率
其中,rcse表示相似容限。
15)然后计算全概率B(m)(rcse):
16)然后得出结果:
本发利用CEEMDAN算法将机械设备的振动信号的自适应分解成多个模态分量信号,采用CSE对CEEMDAN分解过程中的信号分量进行幅值强化改进,形成CEEMDAN-CSE模型,克服了传统CEEMDAN算法易于受到高斯白噪声影响多变的缺点,同时增强了CSE对振幅的独立性,所产生的CEEMDAN-CSE算法用于对机械故障信号的滤波后特征提取,从而实现对机械设备进行多源信号滤波的智能检测,进而实现对机械设备工况状态的诊断和管理。
如图3所示,本实施例提供一种基于CEEMDAN-CSE模型的机械设备故障诊断方法,所述方法用于实现任意所述CEEMDAN-CSE模型,包括如下步骤:
首先,获取所述机械设备的振动信号,并进行预处理,如去除异值等;一般而言,振动信号中包含的机械设备数据有:固有部件数据、噪声数据、异常部件数据。
其次,利用CEEMDAN-CSE模型(18)对预处理后的振动信号进行滤波和特征提取;需要说明的是,前述步骤1)~18)是CEEMDAN-CSE模型的生成过程,该模型生成的过程其实也是该模型对机械设备的振动信号进行滤波和特征提取的过程,但不是简单的滤波+特征提取两个分步骤过程。CEEMDAN-CSE模型首先通过CEEMDAN算法将机械设备的振动信号的自适应分解成多个模态分量信号(这一步骤是信号分解滤波),采用CSE对CEEMDAN分解过程中的信号分量进行幅值强化改进(特征提取)。
最后,将提取得到的各特征值分别与预设健康状态指标进行比对,并根据比对结果给出所述机械设备的故障诊断结果,包括运行状态、异常情况、是否为早期故障等。
参阅图4,进一步地,在得到故障诊断结果之后,可利用该故障诊断结果实现预测报警、设备维护、性能评估等智能化服务。
实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。基于这样的理解,本发明还提供一种计算机程序产品,包括一个或多个计算机指令。所述计算机指令可以存储在计算机可读存储介质中。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(如:软盘、硬盘、磁带)、光介质(如:DVD)、或者半导体介质(如:固态硬盘Solid State Disk(SSD))等。
参阅图5,本实施例提供一种CEEMDAN-CSE模型的建立装置,由于本实施例的技术原理与前述CEEMDAN-CSE模型的建立方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。本实施例的CEEMDAN-CSE模型的建立装置包括如下模块:
噪声添加模块,用于在原始的所述振动信号中加入白噪声信号,形成自适应噪声信号;
信号分解模块,用于利用经验模态分解算法将所述自适应噪声信号分解成多个模态分量信号;
信号运算模块,用于对不同阶的所述模态分量信号分别进行平均运算,得到各阶模态分量信号的平均值;根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合;基于空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率B(m)(rcse);
模型生成模块,用于根据所述全概率B(m)(rcse)计算得到所述CEEMDAN-CSE模型,公式为:CEEMDAN-CSE=-[B(m)(rcse)log2B(m)(rcse)+(1-B(m)(rcse))log2(1-B(m)(rcse))];
空间重构模块,用于基于所述极值点集合进行空间重构,以得到所述空间重构序列。
参阅图6,本实施例提供一种基于CEEMDAN-CSE模型的机械设备故障诊断装置,所述装置用于实现所述CEEMDAN-CSE模型,由于本实施例的技术原理与前述基于CEEMDAN-CSE模型的机械设备故障诊断方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。本实施例的基于CEEMDAN-CSE模型的机械设备故障诊断装置包括如下模块:
预处理模块,用于获取所述机械设备的振动信号,并进行预处理;
滤波和特征提取模块,利用CEEMDAN-CSE模型对预处理后的振动信号进行滤波和特征提取;
故障分析模块,用于将提取得到的各特征值分别与预设健康状态指标进行比对,并根据比对结果给出所述机械设备的故障诊断结果。
本领域技术人员应当理解,图5-6实施例中的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个或多个物理实体上。且这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。
参阅图7,本实施例提供一种电子设备,电子设备可以是台式机、便携式电脑、智能手机等设备。详细的,电子设备至少包括通过总线连接的:存储器、处理器,其中,存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以执行前述CEEMDAN-CSE模型的建立方法实施例中的全部或部分步骤,或者,执行前述基于CEEMDAN-CSE模型的机械设备故障诊断方法实施例中的全部或部分步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral PomponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上,通过本发明的CEEMDAN-CSE模型建立方法所建立的CEEMDAN-CSE模型,有效克服了CEEMDAN易于受到高斯白噪声影响而多变的缺点,同时增强了CSE对振幅的独立性;本发明的基于CEEMDAN-CSE模型的机械设备故障诊断方法,利用CEEMDAN-CSE模型对机械设备的故障信号进行滤波和特征提取,实现了对机械设备进行多源信号滤波的智能故障检测,有助于有效对机械设备的状态和故障进行分析处理,及时进行机械设备安全维护,具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种CEEMDAN-CSE模型的建立方法,其特征在于,所述CEEMDAN-CSE模型用于对机械设备的振动信号进行滤波和特征提取;所述方法包括:
在原始的所述振动信号中加入白噪声信号,形成自适应噪声信号;
利用经验模态分解算法将所述自适应噪声信号分解成多个模态分量信号;
对不同阶的所述模态分量信号分别进行平均运算,得到各阶模态分量信号的平均值;
根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合,其中,根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合,具体包括:将各阶模态分量信号平均分成N份,每份计算零中值序列/>其中,计算每份中的极大值点gN,max=gN,q和极小值点gN,min=gN,p,1<p<N,1<q<N;根据N份的极大值点和极小值点得到所述极值点集合g=[gmin,gmax];
基于所述极值点集合进行空间重构,以得到空间重构序列;
基于所述空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率B(m)(rcse);
根据所述全概率B(m)(rcse)计算得到所述CEEMDAN-CSE模型,公式为:
CEEMDAN-CSE=-[B(m)(rcse)log2B(m)(rcse)+(1-B(m)(rcse))log2(1-B(m)(rcse))]。
2.根据权利要求1所述的方法,其特征在于,所述空间重构序列为i表示g的序列数,m表示嵌入维数,τ表示延迟时间;基于所述空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率,具体包括:
计算角距离
当满足时,rcse表示相似容限,通过相似模式数量/>计算出局部概率/>
计算全概率B(m)(rcse):
3.一种基于CEEMDAN-CSE模型的机械设备故障诊断方法,其特征在于,所述方法用于实现权利要求1-2任意一项的所述CEEMDAN-CSE模型,包括:
获取所述机械设备的振动信号,并进行预处理;
利用CEEMDAN-CSE模型对预处理后的振动信号进行滤波和特征提取;
将提取得到的各特征值分别与预设健康状态指标进行比对,并根据比对结果给出所述机械设备的故障诊断结果。
4.一种CEEMDAN-CSE模型的建立装置,其特征在于,所述CEEMDAN-CSE模型用于对机械设备的振动信号进行滤波和特征提取;所述装置包括:
噪声添加模块,用于在原始的所述振动信号中加入白噪声信号,形成自适应噪声信号;
信号分解模块,用于利用经验模态分解算法将所述自适应噪声信号分解成多个模态分量信号;
信号运算模块,用于对不同阶的所述模态分量信号分别进行平均运算,得到各阶模态分量信号的平均值;根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合;基于空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率B(m)(rcse);所述信号运算模块根据所述各阶模态分量信号的平均值计算出零中值序列,进而计算得到极值点集合,具体包括:将各阶模态分量信号平均分成N份,每份计算零中值序列/>其中,/>
计算每份中的极大值点gN,max=gN,q和极小值点gN,min=gN,p,1<p<N,1<q<N;根据N份的极大值点和极小值点得到所述极值点集合g=[gmin,gmax];
模型生成模块,用于根据所述全概率B(m)(rcse)计算得到所述CEEMDAN-CSE模型,公式为:CEEMDAN-CSE=-[B(m)(rcse)log2B(m)(rcse)+(1-B(m)(rcse))log2(1-B(m)(rcse))];
空间重构模块,用于基于所述极值点集合进行空间重构,以得到所述空间重构序列。
5.根据权利要求4所述的装置,其特征在于,所述空间重构序列为i表示g的序列数,m表示嵌入维数,τ表示延迟时间;所述信号运算模块基于所述空间重构序列计算角距离,若计算结果小于阈值,则通过相似模式数量计算出局部概率,进而计算得到全概率,具体包括:
计算角距离
当满足时,rcse表示相似容限,通过相似模式数量/>计算出局部概率/>
计算全概率B(m)(rcse):
6.一种基于CEEMDAN-CSE模型的机械设备故障诊断装置,其特征在于,所述装置用于实现权利要求1-2任意一项的所述CEEMDAN-CSE模型,包括:
预处理模块,用于获取所述机械设备的振动信号,并进行预处理;
滤波和特征提取模块,利用CEEMDAN-CSE模型对预处理后的振动信号进行滤波和特征提取;
故障分析模块,用于将提取得到的各特征值分别与预设健康状态指标进行比对,并根据比对结果给出所述机械设备的故障诊断结果。
7.一种计算机可读存储介质,其中存储有计算机程序,其特征在于,所述计算机程序被处理器加载执行时,实现如权利要求1至2中任一所述的CEEMDAN-CSE模型的建立方法,或者,如权利要求3所述的基于CEEMDAN-CSE模型的机械设备故障诊断方法。
8.一种电子设备,其特征在于,包括:处理器及存储器;其中,
所述存储器用于存储计算机程序;
所述处理器用于加载执行所述计算机程序,以使所述电子设备执行如权利要求1至2中任一所述的CEEMDAN-CSE模型的建立方法,或者,如权利要求3所述的基于CEEMDAN-CSE模型的机械设备故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936898.9A CN114152454B (zh) | 2020-09-08 | 2020-09-08 | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936898.9A CN114152454B (zh) | 2020-09-08 | 2020-09-08 | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114152454A CN114152454A (zh) | 2022-03-08 |
CN114152454B true CN114152454B (zh) | 2024-03-22 |
Family
ID=80462126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010936898.9A Active CN114152454B (zh) | 2020-09-08 | 2020-09-08 | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114152454B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114812798B (zh) * | 2022-05-27 | 2024-03-01 | 沈阳工学院 | 基于信号分解与高斯过程的球磨机负荷参数软测量方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956614A (zh) * | 2016-04-25 | 2016-09-21 | 中国科学院上海高等研究院 | 一种时间序列语义化预测方法及系统 |
CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
CN108845250A (zh) * | 2018-06-01 | 2018-11-20 | 国网江苏省电力有限公司南京供电分公司 | 基于振动信号特征提取的有载分接开关故障识别方法 |
CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
CN109163919A (zh) * | 2018-09-05 | 2019-01-08 | 中国科学院上海高等研究院 | 一种机械运行故障监测系统、方法、可读存储介质及终端 |
CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN110503075A (zh) * | 2019-08-29 | 2019-11-26 | 山东大学 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8174710B2 (en) * | 2008-11-03 | 2012-05-08 | Xerox Corporation | System and method for diagnosing a failure condition in an image path of an image processing apparatus |
US10520397B2 (en) * | 2012-05-31 | 2019-12-31 | University Of Connecticut | Methods and apparatuses for defect diagnosis in a mechanical system |
US11188065B2 (en) * | 2017-09-23 | 2021-11-30 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
-
2020
- 2020-09-08 CN CN202010936898.9A patent/CN114152454B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956614A (zh) * | 2016-04-25 | 2016-09-21 | 中国科学院上海高等研究院 | 一种时间序列语义化预测方法及系统 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
CN108845250A (zh) * | 2018-06-01 | 2018-11-20 | 国网江苏省电力有限公司南京供电分公司 | 基于振动信号特征提取的有载分接开关故障识别方法 |
CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
CN109163919A (zh) * | 2018-09-05 | 2019-01-08 | 中国科学院上海高等研究院 | 一种机械运行故障监测系统、方法、可读存储介质及终端 |
CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
CN110503075A (zh) * | 2019-08-29 | 2019-11-26 | 山东大学 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 |
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 |
Non-Patent Citations (4)
Title |
---|
基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断;赵书涛;马莉;朱继鹏;李建鹏;赵慧;;电力自动化设备(第03期);187-192 * |
基于CEEMDAN样本熵与SVM的滚动轴承故障诊断;谢志谦;孙虎儿;刘乐;武超;;组合机床与自动化加工技术(第03期);100-104 * |
基于CEEMDAN的滚动轴承故障诊断研究;王婷婷;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第1期);C029-231 * |
基于余弦相似熵的滚动轴承状态监测与寿命预测;徐从云;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第2期);C029-155 * |
Also Published As
Publication number | Publication date |
---|---|
CN114152454A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110839016B (zh) | 异常流量监测方法、装置、设备及存储介质 | |
CN112307619B (zh) | 预警模型的构建方法、装备故障预警方法及装置 | |
CN114152454B (zh) | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 | |
CN116578843A (zh) | 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 | |
CN111275821A (zh) | 一种电力线拟合方法、系统及终端 | |
CN111198906A (zh) | 一种数据处理方法、装置、系统及存储介质 | |
CN114581261A (zh) | 基于快速图计算的故障诊断方法、系统、设备及存储介质 | |
CN117290788B (zh) | 一种基于改进小波变换算法的配电网故障辨识方法及系统 | |
CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
CN116668321A (zh) | 网络流量预测方法、装置、设备和存储介质 | |
CN115774199A (zh) | 新能源电池的故障诊断方法、系统、电子设备与存储介质 | |
CN115859054A (zh) | 基于mic和ceemdan的水电机组尾水管压力脉动数据滤波方法 | |
JP7454568B2 (ja) | 情報処理方法、情報処理装置及びプログラム | |
CN114398228A (zh) | 一种设备资源使用情况的预测方法、装置及电子设备 | |
Soares et al. | A configurable pruning Gaussian image filter for energy-efficient edge detection | |
CN112559956A (zh) | 小波阈值自适应收缩方法、系统、电子设备及存储介质 | |
CN113297195A (zh) | 一种时间序列异常检测方法、装置及设备 | |
CN115564702A (zh) | 模型训练方法、系统、设备、存储介质及缺陷检测方法 | |
CN113486595A (zh) | 一种井喷智能预警方法、系统、设备和存储介质 | |
CN116228786B (zh) | 前列腺mri图像增强分割方法、装置、电子设备与存储介质 | |
CN114037747B (zh) | 图像特征提取方法、装置、计算机设备及存储介质 | |
Raslain et al. | Using a generalised method of moment approach and 2D‐generalised autoregressive conditional heteroscedasticity modelling for denoising ultrasound images | |
CN113190788B (zh) | 一种自适应提取和降噪配电系统母线特征的方法和装置 | |
CN110717503A (zh) | 一种分类方法、装置、电子设备及计算机存储介质 | |
CN117949821B (zh) | 一种异步电机故障诊断方法及相关设备 |
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 |