CN114354188A - 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 - Google Patents
一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 Download PDFInfo
- Publication number
- CN114354188A CN114354188A CN202210021746.5A CN202210021746A CN114354188A CN 114354188 A CN114354188 A CN 114354188A CN 202210021746 A CN202210021746 A CN 202210021746A CN 114354188 A CN114354188 A CN 114354188A
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- parameters
- algorithm
- features
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 230000003044 adaptive effect Effects 0.000 claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 21
- 239000002245 particle Substances 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000011089 mechanical engineering Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及机械工程故障诊断领域,具体是一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,包括:步骤1:对旋转部件进行传感器监测,采集旋转测量信号作为原始信号x(t);步骤2:利用小波阈值降噪方法对原始信号x(t)进行初步降噪处理,对初步消噪信号进行分解,得到若干个固有模态分量;步骤3:计算每个固有模态分量的无量纲参数;步骤4:计算原始故障特征数据集中每个特征的综合最大距离参数,并选择参数从大到小的前20个故障特征进行特征融合。步骤5:将特征融合后的故障特征输入到粒子群算法优化的支持向量机中进行故障识别;该方法能有效避免无关冗余特征干扰,实现有效特征的筛选,同时能够显著提高旋转机械故障诊断的精确度。
Description
技术领域
本发明涉及机械工程故障诊断领域,具体说是一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法。
背景技术
旋转机械作为化工、石油、航天等领域中不可或缺的一部分,随着科学技术的发展以及生产需要日益严格,旋转机械越来越朝着大型化、智能化、自动化方向发展,其运行工况越来越复杂,运行时间更集中,这同时也就意味着一旦发生故障,所造成的代价也是空前的,轻则损害生产稳定性以及经济效益,重则造成惨痛的人员伤亡以及恶劣的社会影响,所以开展对与旋转机械的状态监测以及故障诊断,实现有效、可靠地设备故障诊治,对于社会生产力的提升以及生命财产安全保障具有重要意义。由于实际工程中旋转机械振动信号表现为非平稳特性,其受到部件间多传递路径耦合作用的影响,振动信号中掺杂着强烈背景噪声和多干扰源信号,致使旋转机械的故障特征提取极其复杂和困难。因此,如何从振动信号中有效地提取有用故障特征信息,避免无关冗余特征对于故障识别效果的影响,是判断旋转机械设备是否发生故障需要解决的关键难题。
现有的非平稳信号故障诊断方法主要包含小波分解,经验模态分解等,小波分解需要预先设定小波基函数以及分解层数,不具有自适应性,在实际应用中存在局限性。而经验模态分解虽然具有自适应性,但其采用插值拟合包络原理进行分解具备较大拟合误差,同时存在过包络、欠包络、端点效应和模态混叠等缺陷。另外现存的故障诊断方法大多不具有自适应性,参数选择对于诊断结果影响很大,如何获得最佳参数也对于故障诊断具有重要意义。因此,如何克服上述存在的技术问题和缺陷成为重点需要解决的问题。
发明内容
本发明的发明目的在于克服背景技术中所描述的缺陷,从而实现一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,该故障诊断方法能够有效避免无关冗余特征干扰,实现有效特征的筛选提取,同时能够显著提高旋转机械故障诊断的精确度,并尽可能地对故障进行早发现早诊断,降低旋转机械故障对工程生产的影响。
为实现上述发明目的,本发明的技术方案是:一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,包括以下步骤:
步骤1:在旋转机械的旋转部件附近安装传感器进行测量,采集旋转测量信号作为原始信号,所述原始信号表示为x(t);
步骤2:利用小波阈值降噪方法对原始信号x(t)进行初步降噪处理,采用完全自适应噪声集合经验模态分解对初步消噪信号进行分解,得到若干个瞬时频率具有物理意义的固有模态分量;
步骤3:计算每个固有模态分量的无量纲参数,作为原始故障特征数据集;
步骤4:计算原始故障特征数据集中每个特征的综合最大距离参数,选择综合最大距离参数从大到小排列的前15~25个故障特征输入到遗传算法优化的局部保留投影算法中进行特征融合。
步骤5:将特征融合后的故障特征输入到粒子群算法优化的支持向量机中进行故障识别。
在上述基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法中,在所述步骤1中,所述旋转机械的旋转部件为轴承、齿轮和转子的一种。
在上述基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法中,所述步骤2中利用完全自适应噪声集合经验模态分解对源信号进行分解的步骤为:
步骤2.1将原始信号x(t)中加入不同幅值的高斯白噪声ωi(t),并进行i次分解;根据EEMD算法对信号x(t)+ε0ωi(t)分解得到第一个IMF,即为CEEMDAN的第一个模态分量,如下式所示:其中所述EEMD算法指集合经验模态分解算法,所述IMF指固有模态分量,
步骤2.2计算第一个残余信号
步骤2.3对信号r1(t)+ε1E1(ωi(t))(i=1,2,...,I)进行i次分解,直到得到第一个模态分量为止,并且计算第二个模态分量;其中EK(·)表示经EMD得到的第K个模态分量,所述EMD指经验模态分解,
步骤2.4对其余每个阶段(k=2,...,K)(i=1,2,...,I)计算第k个残余信号
步骤2.5分解x(t)+εkEk(ωi(t))(i=1,2,...,I),并定义第k+1个模态分量为
步骤2.6执行步骤2.4,k=k+1,当残余信号的极值点个数不超过两个时分解结束,假设所有模态分量的数量为K,最终的残差信号为
因此,原信号经过CEEMDAN分解后可表示为
在上述基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法中,所述步骤3中为每个固有模态分量计算的无量纲参数的数量为16个,且16个无量纲参数及表达式如下表所示:
其中,xi为振动信号的采样值;xp,xL分别为输入信号的峰值与谷值;σ,σP,σL分别为xi,xp,xL的标准差;N为样本点数,NL,NP为输入信号xi对应的波谷以及波峰个数;为输入信号前5个极大峰值的平均值,若信号极值小于5则为最大峰值;为了对齐特征参数个数,所有类型故障信号分解得到的固有模态函数最小个数M被选择为固有模态函数分析个数,由此16*M个故障特征被获得。
在上述基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法中,所述步骤4中对16*M个故障特征计算综合最大距离指数,然后选择综合最大距离参数从大到小排列的前20个故障特征进行特征融合,其中计算步骤以及表达式为:
步骤4.2:根据步骤4.1,得到综合最大距离指数(SMI)的计算公式为:
其中,n为故障类型个数,DIi,j表示故障状态i与故障状态j中同一无量纲参数的DI值。将SMI值作为筛选标准,能有效去除无关故障特征对于故障识别效果的影响;
局部保留投影算法,即LPP算法,作为流行算法的一种,能够有效保持数据的非线性结构,但其主要参数:时延因子k、嵌入维数m,对降维效果影响较大,所以采用遗传算法对两个所述主要参数进行优化,其优化步骤为:
步骤4.3:将通过步骤4.2选择完的故障特征集合作为以后步骤的输入,输入特征个数取20,能达到较好效果,能有效降低无关特征干扰;
步骤4.4:对遗传算法的种群参数进行赋值;
步骤4.5:为时延因子k与嵌入维数m赋值,并计算适应度值,适应度函数为所有故障状态DI值之和;
步骤4.6:判断是否满足终止条件,若满足则用获得的最佳参数对特征集合降维获得低维敏感故障特征,若不满足则通过选择、交叉、变异回到步骤4.5直至满足终止条件为止。
在上述基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法中,所述步骤5中粒子群算法对支持向量机的核函数和惩罚因子进行优化的方法步骤为:
步骤5.1:对基于支持向量机网络的多分类模型的核函数和惩罚因子进行实数编码;
步骤5.2:将核函数和惩罚因子的实数编码作为粒子群算法种群中的个体,初始化种群,种群大小记为Q;
步骤5.3:对于种群中的每个个体,采用其对应的核函数和惩罚因子对基于支持向量机网络的多分类模型进行设置,采用训练样本对该多分类模型进行交叉验证,将得到的分类精度作为个体适应度;
步骤5.4:判断是否满足终止迭代条件,如果满足,则结束,输出支持向量机最优参数;否则对种群个体进行更新并计算种群速度与位置返回步骤5.3,直至满足终止迭代条件。
本发明的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法的有益效果:
1.本发明的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,通过综合最大距离指数筛选出的故障特征,除能有效提高故障诊断效率外,还可以能有效避免工程实际中因人为主观因素选取无关特征引起的错误诊断或无法诊断故障的现象,从而能够显著提高旋转机械故障诊断的精确度,保证了旋转机械工作监控的及时性和可靠性。
2.本发明的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,运用完全自适应噪声集合经验模态分解对旋转机械的测量信号进行分解,能避开了经验模式分解采用插值拟合包络带来的拟合误差,对测量信号中的背景噪声及干扰信号具有较好的分离能力,可初步提取测量信号的冲击波形,有效避免无关冗余特征干扰,实现有效特征的筛选提取。
3.本发明的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,对于去除过无关冗余故障特征的故障特征集,利用遗传算法优化的局部保留投影进一步提高故障诊断的精度以及效率,对于实际应用中的故障实现早发现早诊断具有重要意义,同时能够降低旋转机械故障对工程生产的影响。
附图说明
图1为本发明的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法的流程原理图;
图2为轴承不对中故障的振动加速度信号初步降噪后的时域波形图;
图3为经自适应噪声集合经验模态分解获得的若干个奇异谱分量的时域波形图;
图4为遗传算法优化局部保留投影算法的流程原理图;
图5为粒子群算法优化支持向量机算法的流程原理图;
图6为经过综合最大距离指数选择后的故障特征降维后输入到粒子群算法优化的支持向量机中的识别结果图(样本标签1为旋转机械正常状态,2为不平衡故障状态,3为不对中故障状态,4为碰摩故障状态,每类故障状态240个样本,共960个样本,其中训练样本与测试样本比例为1:1)。
具体实施方式
下面结合附图并通过具体的实施方式对本发明的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法做更加详细的描述。
参见图,本实施例的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,包括以下步骤:
步骤1:在旋转机械的旋转部件附近安装传感器进行测量,所述旋转机械的旋转部件为轴承、齿轮和转子的一种,采集旋转测量信号作为原始信号,所述原始信号表示为x(t)。
步骤2:利用小波阈值降噪方法对原始信号x(t)进行初步降噪处理,采用完全自适应噪声集合经验模态分解对初步消噪信号进行分解,得到若干个瞬时频率具有物理意义的固有模态分量。目的是对采集到的原始信号,采用小波阈值降噪的简单方法,能初步减少周围的机电耦合作用下对于故障诊断的干扰,但这对于实现故障诊断来说是远远不够的,所以将降噪后的信号,图2所示,利用完全自适应噪声集合经验模态分解来提取故障特征,得到若干个瞬时频率具有物理意义的固有模态分量,如图3所示。
步骤3:计算每个固有模态分量的无量纲参数,作为原始故障特征数据集;无量纲参数对于旋转机械的异常冲击较为敏感,能够对于异常状态得到有效反应,因此,本发明目的是利用了16个无量纲参数来反映故障特征。
步骤4:计算原始故障特征数据集中每个特征的综合最大距离参数,选择综合最大距离参数从大到小排列的前20个故障特征输入到遗传算法优化的局部保留投影算法中进行特征融合,在减少无关冗余特征对于故障识别结果影响的同时提高了故障诊断的效率。按照经验选取为20个故障特征时效果很好,但是20维度的故障特征对于支持向量机来说识别时间也是很长的,因此,本发明利用遗传算法优化的局部保留投影算法进行故障特征融合,如图4所示,同时避免了随意选取参数对于诊断结果的影响,经过融合后的故障特征识别效率以及精度会更高。
步骤5:将特征融合后的故障特征输入到粒子群算法优化的支持向量机中进行故障识别。目的是智能选取最优的支持向量机参数,提高故障识别精度。将融合后的故障特征输入到粒子群算法优化的支持向量机中,得到的故障识别结果,如图6所示。
在本实施例中,所述步骤2中利用完全自适应噪声集合经验模态分解对源信号进行分解的步骤为:
步骤2.1将原始信号x(t)中加入不同幅值的高斯白噪声ωi(t),并进行i次分解;根据EEMD算法对信号x(t)+ε0ωi(t)分解得到第一个IMF,即为CEEMDAN的第一个模态分量,如下式所示:其中所述EEMD算法指集合经验模态分解算法,所述IMF指固有模态分量,
步骤2.2计算第一个残余信号
步骤2.3对信号r1(t)+ε1E1(ωi(t))(i=1,2,...,I)进行i次分解,直到得到第一个模态分量为止,并且计算第二个模态分量;其中EK(·)表示经EMD得到的第K个模态分量,所述EMD指经验模态分解,
步骤2.4对其余每个阶段(k=2,...,K)(i=1,2,...,I)计算第k个残余信号
步骤2.5分解x(t)+εkEk(ωi(t))(i=1,2,...,I),并定义第k+1个模态分量为
步骤2.6执行步骤2.4,k=k+1,当残余信号的极值点个数不超过两个时分解结束,假设所有模态分量的数量为K,最终的残差信号为
因此,原信号经过CEEMDAN分解后可表示为
在本实施例中,所述步骤3中为每个固有模态分量计算的无量纲参数的数量为16个,且16个无量纲参数及表达式如下表所示:
其中,xi为振动信号的采样值;xp,xL分别为输入信号的峰值与谷值;σ,σP,σL分别为xi,xp,xL的标准差;N为样本点数,NL,NP为输入信号xi对应的波谷以及波峰个数;为输入信号前5个极大峰值的平均值,若信号极值小于5则为最大峰值;为了对齐特征参数个数,所有类型故障信号分解得到的固有模态函数最小个数M被选择为固有模态函数分析个数,由此16*M个故障特征被获得,其中包含能够有效区分故障状态的敏感特征,以及不能有效区分各种故障状态的冗余特征。
在本实施例中,所述步骤4中对16*M个故障特征计算综合最大距离指数,然后选择综合最大距离参数从大到小排列的前20个故障特征进行特征融合,其中计算步骤以及表达式为:
步骤4.2:根据步骤4.1,得到综合最大距离指数(SMI)的计算公式为:
其中,n为故障类型个数,DIi,j表示故障状态i与故障状态j中同一无量纲参数的DI值。将SMI值作为筛选标准,能有效去除无关故障特征对于故障识别效果的影响;
局部保留投影算法,即LPP算法,作为流行算法的一种,能够有效保持数据的非线性结构,但其主要参数:时延因子k、嵌入维数m,对降维效果影响较大,所以采用遗传算法对两个所述主要参数进行优化,其优化步骤为:
步骤4.3:将通过步骤4.2选择完的故障特征集合作为以后步骤的输入,输入特征个数取20,能达到较好效果,能有效降低无关特征干扰;
步骤4.4:对遗传算法的种群参数进行赋值;
步骤4.5:为时延因子k与嵌入维数m赋值,并计算适应度值,适应度函数为所有故障状态DI值之和;
步骤4.6:判断是否满足终止条件,若满足则用获得的最佳参数对特征集合降维获得低维敏感故障特征,若不满足则通过选择、交叉、变异回到步骤4.5直至满足终止条件为止。
在本实施例中,所述步骤5中粒子群算法对支持向量机的核函数和惩罚因子进行优化的方法步骤为:
步骤5.1:对基于支持向量机网络的多分类模型的核函数和惩罚因子进行实数编码;
步骤5.2:将核函数和惩罚因子的实数编码作为粒子群算法种群中的个体,初始化种群,种群大小记为Q;
步骤5.3:对于种群中的每个个体,采用其对应的核函数和惩罚因子对基于支持向量机网络的多分类模型进行设置,采用训练样本对该多分类模型进行交叉验证,将得到的分类精度作为个体适应度;
步骤5.4:判断是否满足终止迭代条件,如果满足,则结束,输出支持向量机最优参数;否则对种群个体进行更新并计算种群速度与位置返回步骤5.3,直至满足终止迭代条件。实例列举:以某旋转机械平台为例,进行方案实施说明:
该实验平台由直流DC电机驱动,额定电流为1.95A,最大输出功率为148W,它由两个连接在一起的单轴组成,由4个轴承座支撑,直径为10mm,长度为850mm,两转轴经联轴器连接。转子上装有两个直径为75mm的转盘。两个质量盘固定在转子上,两个橡胶螺钉外壳安装在机架上。传感器测量的振动信号被送到前置器进行滤波与放大,然后传输到计算机进行储存与分析。
上述测试平台速度为1200转每秒,故障信号采样频率为2048Hz。从平台上收集到正常、不对中、不平衡、碰摩四种状态的信号用于故障诊断与识别。将碰摩螺钉拧入碰摩螺纹箱中,螺钉与旋转轴接触,实现转子碰摩故障;将每种故障状态采集到240个样本(共960个样本),每类样本包含2048个样本点,训练样本个数为480个(每种故障状态120个),测试样本个数为480个。应用本发明后得到的故障诊断结果如图6所示,对于每类的故障状态都得到了有效区分,故障诊断精度很高。由此说明本发明的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法在旋转机械故障诊断中的实用性和精确性。并且该方法能够有效避免无关冗余特征干扰,实现有效特征的筛选提取,同时能够显著提高旋转机械故障诊断的精确度,并尽可能地对故障进行早发现早诊断,降低旋转机械故障对工程生产的影响。
除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本申请说明书以及权利要求书中如使用“一个”或者“一”等类似词语也不必然表示数量限制。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
上文中参照优选的实施例详细描述了本发明的示范性实施方式,然而本领域技术人员可理解的是,在不背离本发明理念的前提下,可以对上述具体实施例做出多种变型和改型,且可以对本发明提出的各技术特征、结构进行多种组合,而不超出本发明的保护范围。
Claims (6)
1.一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,其特征在于:包括以下步骤:
步骤1:在旋转机械的旋转部件附近安装传感器进行测量,采集旋转测量信号作为原始信号,所述原始信号表示为x(t);
步骤2:利用小波阈值降噪方法对原始信号x(t)进行初步降噪处理,采用完全自适应噪声集合经验模态分解对初步消噪信号进行分解,得到若干个瞬时频率具有物理意义的固有模态分量;
步骤3:计算每个固有模态分量的无量纲参数,作为原始故障特征数据集;
步骤4:计算原始故障特征数据集中每个特征的综合最大距离参数,选择综合最大距离参数从大到小排列的前15~25个故障特征输入到遗传算法优化的局部保留投影算法中进行特征融合。
步骤5:将特征融合后的故障特征输入到粒子群算法优化的支持向量机中进行故障识别。
2.根据权利要求1所述的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,其特征在于:在所述步骤1中,所述旋转机械的旋转部件为轴承、齿轮和转子的一种。
3.根据权利要求1所述的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,其特征在于:所述步骤2中利用完全自适应噪声集合经验模态分解对源信号进行分解的步骤为:
步骤2.1将原始信号x(t)中加入不同幅值的高斯白噪声ωi(t),并进行i次分解;根据EEMD算法对信号x(t)+ε0ωi(t)分解得到第一个IMF,即为CEEMDAN的第一个模态分量,如下式所示:其中所述EEMD算法指集合经验模态分解算法,所述IMF指固有模态分量,
步骤2.2计算第一个残余信号
步骤2.3对信号r1(t)+ε1E1(ωi(t))(i=1,2,...,I)进行i次分解,直到得到第一个模态分量为止,并且计算第二个模态分量;其中EK(·)表示经EMD得到的第K个模态分量,所述EMD指经验模态分解,
步骤2.4对其余每个阶段(k=2,...,K)(i=1,2,...,I)计算第k个残余信号
步骤2.5分解x(t)+εkEk(ωi(t))(i=1,2,...,I),并定义第k+1个模态分量为
步骤2.6执行步骤2.4,k=k+1,当残余信号的极值点个数不超过两个时分解结束,假设所有模态分量的数量为K,最终的残差信号为
因此,原信号经过CEEMDAN分解后可表示为
5.根据权利要求4所述的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,其特征在于:所述步骤4中对16*M个故障特征计算综合最大距离指数,然后选择综合最大距离参数从大到小排列的前20个故障特征进行特征融合,其中计算步骤以及表达式为:
步骤4.2:根据步骤4.1,得到综合最大距离指数(SMI)的计算公式为:
其中,n为故障类型个数,DIi,j表示故障状态i与故障状态j中同一无量纲参数的DI值。将SMI值作为筛选标准,能有效去除无关故障特征对于故障识别效果的影响;
局部保留投影算法,即LPP算法,作为流行算法的一种,能够有效保持数据的非线性结构,但其主要参数:时延因子k、嵌入维数m,对降维效果影响较大,所以采用遗传算法对两个所述主要参数进行优化,其优化步骤为:
步骤4.3:将通过步骤4.2选择完的故障特征集合作为以后步骤的输入,输入特征个数取20,能达到较好效果,能有效降低无关特征干扰;
步骤4.4:对遗传算法的种群参数进行赋值;
步骤4.5:为时延因子k与嵌入维数m赋值,并计算适应度值,适应度函数为所有故障状态DI值之和;
步骤4.6:判断是否满足终止条件,若满足则用获得的最佳参数对特征集合降维获得低维敏感故障特征,若不满足则通过选择、交叉、变异回到步骤4.5直至满足终止条件为止。
6.根据权利要求1所述的基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法,其特征在于:所述步骤5中粒子群算法对支持向量机的核函数和惩罚因子进行优化的方法步骤为:
步骤5.1:对基于支持向量机网络的多分类模型的核函数和惩罚因子进行实数编码;
步骤5.2:将核函数和惩罚因子的实数编码作为粒子群算法种群中的个体,初始化种群,种群大小记为Q;
步骤5.3:对于种群中的每个个体,采用其对应的核函数和惩罚因子对基于支持向量机网络的多分类模型进行设置,采用训练样本对该多分类模型进行交叉验证,将得到的分类精度作为个体适应度;
步骤5.4:判断是否满足终止迭代条件,如果满足,则结束,输出支持向量机最优参数;否则对种群个体进行更新并计算种群速度与位置返回步骤5.3,直至满足终止迭代条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210021746.5A CN114354188A (zh) | 2022-01-10 | 2022-01-10 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210021746.5A CN114354188A (zh) | 2022-01-10 | 2022-01-10 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114354188A true CN114354188A (zh) | 2022-04-15 |
Family
ID=81108543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210021746.5A Pending CN114354188A (zh) | 2022-01-10 | 2022-01-10 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114354188A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510913A (zh) * | 2022-10-04 | 2022-12-23 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
CN117349735A (zh) * | 2023-12-05 | 2024-01-05 | 国家电投集团云南国际电力投资有限公司 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
CN117367570A (zh) * | 2023-11-02 | 2024-01-09 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013180723A1 (en) * | 2012-05-31 | 2013-12-05 | University Of Connecticut | Methods apparatuses for defect diagnosis in a mechanical system |
CN103941162A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 利用波形时域特征聚类的谐振接地系统故障选线方法 |
KR101797400B1 (ko) * | 2016-11-30 | 2017-11-15 | 울산대학교 산학협력단 | 확률밀도 기반의 고장 진단 방법 및 장치 |
WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
CN113092112A (zh) * | 2021-03-30 | 2021-07-09 | 北京工业大学 | 一种基于eemd多特征融合的轴承复合故障诊断方法 |
CN113420691A (zh) * | 2021-06-30 | 2021-09-21 | 昆明理工大学 | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 |
CN113508406A (zh) * | 2019-03-08 | 2021-10-15 | Hrl实验室有限责任公司 | 用于异步协作和基于机器的仲裁的结构化论证的系统 |
KR20210124811A (ko) * | 2020-04-07 | 2021-10-15 | 주식회사 케이티 | 네트워크 장애 진단을 위한 학습 데이터를 생성하는 학습 데이터 생성 장치 및 방법 |
KR20210124783A (ko) * | 2020-04-07 | 2021-10-15 | 주식회사 원프레딕트 | 딥 러닝 기반의 고장 진단 방법 및 이러한 방법을 수행하는 고장 진단 장치 |
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
-
2022
- 2022-01-10 CN CN202210021746.5A patent/CN114354188A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013180723A1 (en) * | 2012-05-31 | 2013-12-05 | University Of Connecticut | Methods apparatuses for defect diagnosis in a mechanical system |
CN103941162A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 利用波形时域特征聚类的谐振接地系统故障选线方法 |
KR101797400B1 (ko) * | 2016-11-30 | 2017-11-15 | 울산대학교 산학협력단 | 확률밀도 기반의 고장 진단 방법 및 장치 |
CN113508406A (zh) * | 2019-03-08 | 2021-10-15 | Hrl实验室有限责任公司 | 用于异步协作和基于机器的仲裁的结构化论证的系统 |
WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
KR20210124811A (ko) * | 2020-04-07 | 2021-10-15 | 주식회사 케이티 | 네트워크 장애 진단을 위한 학습 데이터를 생성하는 학습 데이터 생성 장치 및 방법 |
KR20210124783A (ko) * | 2020-04-07 | 2021-10-15 | 주식회사 원프레딕트 | 딥 러닝 기반의 고장 진단 방법 및 이러한 방법을 수행하는 고장 진단 장치 |
CN113092112A (zh) * | 2021-03-30 | 2021-07-09 | 北京工业大学 | 一种基于eemd多特征融合的轴承复合故障诊断方法 |
CN113420691A (zh) * | 2021-06-30 | 2021-09-21 | 昆明理工大学 | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 |
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
NA LU 等: "Fault feature extraction method for rotating machinery based on a CEEMDAN-LPP algorithm and synthetic maximum index", 《MEASUREMENT》, no. 189, 23 December 2021 (2021-12-23), pages 110636 - 2 * |
卢娜 等: "基于自适应多小波与综合距离评估指数的旋转机械故障特征提取", 《振动与冲击》, vol. 33, no. 12, pages 193 - 199 * |
谭鸿创;杨大炼;蒋玲莉;李学军;: "基于MPE局部保持投影与ELM的螺旋锥齿轮故障诊断", 电子测量与仪器学报, no. 02 * |
闵文君;李国平;韩同鹏;项四通;赖文锋;: "基于EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断", 宁波大学学报(理工版), no. 03 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510913A (zh) * | 2022-10-04 | 2022-12-23 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
CN115510913B (zh) * | 2022-10-04 | 2023-06-02 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
CN117367570A (zh) * | 2023-11-02 | 2024-01-09 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
CN117367570B (zh) * | 2023-11-02 | 2024-04-12 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
CN117349735A (zh) * | 2023-12-05 | 2024-01-05 | 国家电投集团云南国际电力投资有限公司 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
CN117349735B (zh) * | 2023-12-05 | 2024-03-26 | 国家电投集团云南国际电力投资有限公司 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114354188A (zh) | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN107220469B (zh) | 一种风机状态估计的方法及系统 | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN113158814B (zh) | 一种基于卷积自编码器的轴承健康状态监测方法 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
Wang et al. | Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks | |
CN105571638A (zh) | 一种机械设备故障组合预测系统及方法 | |
CN116124398B (zh) | 旋转机械故障检测方法及装置、设备、存储介质 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN111523659A (zh) | 一种基于三级神经网络建模的机器故障预测诊断方法 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
CN114358075A (zh) | 一种数据驱动的转子系统典型故障自动识别方法 | |
CN109784284A (zh) | 基于旋转机械的工作状态的自学习识别方法 | |
CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN111428685A (zh) | 基于神经网络统一建模的机器故障检测、分类和定级方法 | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN114048958A (zh) | 基于深度卷积残差收缩网络的刀具磨损预测方法和系统 | |
Song et al. | A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy | |
CN115730255A (zh) | 基于迁移学习和多源信息融合的电机故障诊断分析方法 |
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 |