CN115016440A - 一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法 - Google Patents

一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法 Download PDF

Info

Publication number
CN115016440A
CN115016440A CN202210770290.2A CN202210770290A CN115016440A CN 115016440 A CN115016440 A CN 115016440A CN 202210770290 A CN202210770290 A CN 202210770290A CN 115016440 A CN115016440 A CN 115016440A
Authority
CN
China
Prior art keywords
decomposition
oscillation
mode
modes
mvmd
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.)
Withdrawn
Application number
CN202210770290.2A
Other languages
English (en)
Inventor
张宁
吴夏来
林灵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huzhou University
Original Assignee
Huzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huzhou University filed Critical Huzhou University
Priority to CN202210770290.2A priority Critical patent/CN115016440A/zh
Publication of CN115016440A publication Critical patent/CN115016440A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，包括：(1)采集待检测工业过程的回路多变量输出信号；(2)使用MVMD方法分解信号，得到多个初始分解模态；(3)计算每个分解模态的适应度值，通过麻雀搜索得到MVMD方法的最优参数对，包括模态数和惩罚因子；(4)用优化后的MVMD方法重新分解回路多变量输出信号，得到多个优化后的分解模态；(5)计算每个优化后分解模态的归一化相关系数和稀疏指数，保留满足振荡检测指标的分解模态作为最终模态，从而检测出振荡；(6)计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率；(7)研究不同最终模态之间的频率关系，以表征振荡类型。利用本发明，具有较好的分解性能和适应性。

Description

一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检 测方法
技术领域
本发明属于工业控制系统中的性能评估与故障诊断领域，尤其是涉及一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法。
背景技术
在过程控制系统中，非线性引起的全机组振荡是一种常见的故障，它降低了系统的控制性能，威胁系统的稳定性。因此，检测和诊断单元范围内的非线性振动对提高过程控制性能具有重要意义。近年来，过程振荡检测与诊断的研究主要采用信号分解方法。然而，单变量信号分解方法不适合处理多变量信号，因为多变量信号分解有两个要求1、每一种模式下的多通道频率信息校准，称为模态校准；2、合并多个数据通道之间的任何相关性。因此，有必要采用多元分析技术来检测和诊断全机组振荡。
Lang等人率先使用多元经验模态分解(MEMD)来检测单位范围的振荡。然后，Aftab等人进一步利用MEMD及其噪声辅助(NA)，组成NA-MEMD来检测和诊断单位范围的振荡。以上基于多元信号分解的方法考虑了全机组振荡的多元关系，但是信号分解方法本身是经验的，缺乏理论基础。
最近，Rehman和Aftab提出了多元变分模态分解(MVMD)算法，该算法基于数学优化理论，在噪声环境中优于MEMD算法。目前，MVMD已被应用于生物医学信号处理、时间序列预测等。基于MVMD的全机组振动检测和诊断尚未见报道。虽然MVMD具有很好的特性，但其性能取决于模态数K和惩罚因子α的选择。如何选择这两个参数是一个重要的问题，但尚未得到研究。
发明内容
本发明提供了一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，相比现有的方法，在适应性、分解性能等方面均具有更好的表现。同时，本发明提出的方法是无模型和数据驱动的，因此不需过程机理知识。
一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，包括以下步骤：
(1)采集待检测工业过程的回路多变量输出信号；
(2)使用多元变分模态分解(MVMD)方法分解采集的回路多变量输出信号，得到多个初始分解模态；
(3)计算每个初始分解模态的适应度值，通过麻雀搜索得到MVMD方法的最优参数，所述的最优参数包括模态数和惩罚因子；所述麻雀搜索的具体过程如下：
(3-1)定义一个适应度函数，用于量化MVMD的分解性能，具体描述为：
Figure BDA0003723799250000011
其中，k为模态索引；q为信道索引；ρk,q为皮尔逊相关系数；AEk,q为近似熵；α为惩罚因子；K为模态数；
(3-2)根据警报值，先更新生产者的位置，后更新捕食者的位置；
(3-3)更新发现捕食者的麻雀位置；
(3-4)更新适应度值、最佳位置、最差位置；
(4)用优化后的MVMD方法重新分解回路多变量输出信号，得到多个优化后的分解模态；
(5)计算每个优化后分解模态的归一化相关系数和稀疏指数，保留满足振荡检测指标的分解模态作为最终模态，从而检测出振荡；
(6)计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率；
(7)研究不同最终模态之间的频率关系，以表征振荡类型。
作为优选，步骤(2)的具体过程为：
(2-1)假定待检测工业过程的回路多变量输出信号由几个模态组成，每个模态有由几个变量构成，表示如下：
Figure BDA0003723799250000021
其中，K为模态数；uk(t)为模态分量；Q为信道数；
(2-2)将得到的模态变成向量形式，具体如下：
Figure BDA0003723799250000022
(2-3)利用希尔伯特(Hilbert)变换算子得到相应的解析形式：
Figure BDA0003723799250000023
其中，
Figure BDA0003723799250000024
为希尔伯特变换算子；
(2-4)当这些模态的带宽之和最小时，建立多元变分模态分解MVMD的成本函数，作为优化问题：
Figure BDA0003723799250000025
Figure BDA0003723799250000026
(2-5)将上述优化问题转换为相应的增广拉格朗日函数形式：
Figure BDA0003723799250000027
其中，α为惩罚因子；λq为拉格朗日算子；<.,.>为内积；
(2-6)通过交替方向乘子法ADMM来求解出所述的优化问题。
作为优选，步骤(5)中，所述的振荡检测指标如下：
Figure BDA0003723799250000031
其中，γk，q为归一化相关系数；ζk，q为稀疏指数。
所述归一化相关系数用于剔除杂散模态，公式如下；
Figure BDA0003723799250000032
其中，ρk，q为皮尔逊相关系数，K为模态数；
所述稀疏指数用于量化振荡程度，公式如下：
Figure BDA0003723799250000033
其中，
Figure BDA0003723799250000034
表示相应模态的频率响应，N为向量长度。
作为优选，步骤(6)中，计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率，计算公式为：
Figure BDA0003723799250000035
其中，Std(·)为标准差、Δt是两个连续过零点之间的时间间隔，
Figure BDA0003723799250000036
为平均周期，Mf为平均频率，Maxf为最大频率，Minf为最大频率。
进一步优选，最终模态的振荡频率若满足以下条件时，即认为检测到高次谐波，表明存在非线性振荡：
Figure BDA0003723799250000037
其中，Dq为振荡模态数。
与现有技术相比，本发明具有以下有益效果：
本发明利用麻雀搜索算法对模态数K和惩罚因子α这两个参数进行搜索，从而成功改进了原MVMD算法的性能，与现有的基于MEMD或MITD的检测方法相比，该方法在分解性能和适应性方面都有更好的表现。
附图说明
图1为本发明基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法的框架图；
图2为本发明实施例的流程示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
本发明将麻雀搜索算法与多元变分模态分解(MVMD)相结合，提出一种新的振荡检测器。由于MVMD的性能依赖于模态数K和惩罚因子α的选取，所以麻雀算法被用来搜索最优参数对。然后，利用优化后的MVMD算法提取过程变量中包含的多个模态。采用归一化相关系数和稀疏指数分别剔除杂散模态和量化振荡程度。检测后，利用振荡模态提供的时频信息，可以准确的表征多振荡类型。通过比较，验证了本发明的优越性，并有效提高了原MVMD的分解性能，提出了一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，该方法的具体框架如图1所示。
如图2所示，本实施例的基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法包括以下步骤：
(1)采集待检测工业过程的回路多变量输出信号；
本实施例中，采集待检测工业过程的回路多变量输出信号形式如下：
Figure BDA0003723799250000041
其中，η(t)∈N(0,0.1)为噪声。
(2)用MVMD算法分解信号；
本实施例中，MVMD算法有如下步骤组成：
步骤(2-1)假定待检测工业过程的回路多变量输出信号由几个模态组成，每个模态有由几个变量构成，表示如下：
Figure BDA0003723799250000042
其中，K为模态数；uk(t)为模态分量；Q为信道数；
步骤(2-2)将得到的模态变成向量形式，具体如下：
Figure BDA0003723799250000043
步骤(2-3)利用希尔伯特(Hilbert)变换算子得到相应的解析形式：
Figure BDA0003723799250000044
其中，
Figure BDA0003723799250000045
为希尔伯特变换算子；
步骤(2-4)当这些模态的带宽之和最小时，建立多元变分模态分解MVMD的成本函数，作为优化问题：
Figure BDA0003723799250000051
Figure BDA0003723799250000052
步骤(2-5)将上述优化问题转换为相应的增广拉格朗日函数形式：
Figure BDA0003723799250000053
其中，α为惩罚因子；λq为拉格朗日算子；<.,.>为内积；
步骤(2-6)通过交替方向乘子法ADMM来求解出所述的优化问题。
(3)计算每个分解模态的适应度值，通过麻雀搜索算法得到最优参数对：模态数和惩罚因子。
本实施例中，麻雀搜索算法有如下步骤组成：
步骤(3-1)定义一个适应度函数，用于量化MVMD的分解性能，具体描述为：
Figure BDA0003723799250000054
其中，k为模态索引；q为信道索引；ρk,q为皮尔逊相关系数；AEk,q为近似熵；α为惩罚因子；K为模态数；
步骤(3-2)根据警报值，先更新生产者的位置，后更新捕食者的位置；
步骤(3-3)更新发现捕食者的麻雀位置；
步骤(3-4)更新适应度值、最佳位置、最差位置；
(4)用优化后的MVMD重新分解信号；
(5)计算每个分解模态的归一化相关系数和稀疏指数，保留满足振荡检测指标的模态，从而检测出振荡；
本实施例中，归一化相关指数，用于识别和剔除杂散模态，公式如下：
Figure BDA0003723799250000055
其中，ρk,q为皮尔逊相关系数，K为模态数；
进一步优选，皮尔逊相关系数(PCC)，用于反映模态与原始信号的关系，公式如下：
Figure BDA0003723799250000061
其中，Cov(·,·)表示协方差；Var(·)表示方差。
本实施例中，稀疏指数，用于量化振荡程度，公式如下：
Figure BDA0003723799250000062
其中，
Figure BDA0003723799250000063
表示相应模态的频率响应，N为向量长度。
作为优选，步骤(5)中，振荡检测指标如下：
Figure BDA0003723799250000064
其中，
Figure BDA0003723799250000065
为归一化相关系数；ζk,q为稀疏指数。
(6)计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率，计算公式如下：
Figure BDA0003723799250000066
其中，Std(·)为标准差、Δt是两个连续过零点之间的时间间隔，
Figure BDA0003723799250000067
为平均周期，Mf为平均频率，Maxf为最大频率，Minf为最大频率。
(7)研究不同模态之间的频率关系，以表征振荡类型。
本实施例中，最终模态的振荡频率若满足以下条件时，即认为检测到高次谐波，表明存在非线性振荡：
Figure BDA0003723799250000068
其中，Dq为有效的振荡模态数。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，其特征在于，包括以下步骤：
(1)采集待检测工业过程的回路多变量输出信号；
(2)使用多元变分模态分解(MVMD)方法分解采集的回路多变量输出信号，得到多个初始分解模态；
(3)计算每个初始分解模态的适应度值，通过麻雀搜索得到MVMD方法的最优参数，所述的最优参数包括模态数和惩罚因子；所述麻雀搜索的具体过程如下：
(3-1)定义一个适应度函数，用于量化MVMD的分解性能，具体描述为：
Figure FDA0003723799240000011
其中，k为模态索引；q为信道索引；ρk,q为皮尔逊相关系数；AEk,q为近似熵；α为惩罚因子；K为模态数；
(3-2)根据警报值，先更新生产者的位置，后更新捕食者的位置；
(3-3)更新发现捕食者的麻雀位置；
(3-4)更新适应度值、最佳位置、最差位置；
(4)用优化后的MVMD方法重新分解回路多变量输出信号，得到多个优化后的分解模态；
(5)计算每个优化后分解模态的归一化相关系数和稀疏指数，保留满足振荡检测指标的分解模态作为最终模态，从而检测出振荡；
(6)计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率；
(7)研究不同最终模态之间的频率关系，以表征振荡类型。
2.根据权利要求1所述的基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，其特征在于，步骤(2)的具体过程为：
(2-1)假定待检测工业过程的回路多变量输出信号由几个模态组成，每个模态有由几个变量构成，表示如下：
Figure FDA0003723799240000012
其中，K为模态数；uk(t)为模态分量；Q为信道数；
(2-2)将得到的模态变成向量形式，具体如下：
Figure FDA0003723799240000013
(2-3)利用希尔伯特(Hilbert)变换算子得到相应的解析形式：
Figure FDA0003723799240000014
其中，
Figure FDA0003723799240000015
为希尔伯特变换算子；
(2-4)当这些模态的带宽之和最小时，建立多元变分模态分解MVMD的成本函数，作为优化问题：
Figure FDA0003723799240000021
Figure FDA0003723799240000022
(2-5)将上述优化问题转换为相应的增广拉格朗日函数形式：
Figure FDA0003723799240000023
其中，α为惩罚因子；λq为拉格朗日算子；<.,.>为内积；
(2-6)通过交替方向乘子法ADMM来求解出所述的优化问题。
3.根据权利要求1所述的基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，其特征在于，步骤(5)中，所述的振荡检测指标如下：
Figure FDA0003723799240000024
其中，γk,q为归一化相关系数；ζk,q为稀疏指数。
4.根据权利要求1所述的基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，其特征在于，步骤(6)中，计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率，计算公式为：
Figure FDA0003723799240000025
其中，Std(·)为标准差、Δt是两个连续过零点之间的时间间隔，
Figure FDA0003723799240000026
为平均周期，Mf为平均频率，Maxf为最大频率，Minf为最大频率。
5.根据权利要求4所述的基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，其特征在于，最终模态的振荡频率若满足以下条件时，即认为检测到高次谐波，表明存在非线性振荡：
Figure FDA0003723799240000027
其中，Dq为振荡模态数。
CN202210770290.2A 2022-06-30 2022-06-30 一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法 Withdrawn CN115016440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210770290.2A CN115016440A (zh) 2022-06-30 2022-06-30 一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210770290.2A CN115016440A (zh) 2022-06-30 2022-06-30 一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法

Publications (1)

Publication Number Publication Date
CN115016440A true CN115016440A (zh) 2022-09-06

Family

ID=83078751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210770290.2A Withdrawn CN115016440A (zh) 2022-06-30 2022-06-30 一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法

Country Status (1)

Country Link
CN (1) CN115016440A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116701822A (zh) * 2023-08-07 2023-09-05 云南电网有限责任公司 基于麻雀搜索算法与变分模态分解的负荷电能计量方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116701822A (zh) * 2023-08-07 2023-09-05 云南电网有限责任公司 基于麻雀搜索算法与变分模态分解的负荷电能计量方法
CN116701822B (zh) * 2023-08-07 2023-11-28 云南电网有限责任公司 基于麻雀搜索算法与变分模态分解的负荷电能计量方法

Similar Documents

Publication Publication Date Title
US10876869B2 (en) Kalman filter based anti-transient-impact-vibration-interference signal processing method and system for vortex flowmeter
CA2401685C (en) Complex signal decomposition and modeling
CN109542089B (zh) 一种基于改进变分模态分解的工业过程非线性振荡检测方法
CN116933044B (zh) 一种供电数据智能处理方法及系统
CN113518011A (zh) 异常检测方法和装置、电子设备及计算机可读存储介质
CN115016440A (zh) 一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法
CN116150592B (zh) 基于人工智能的轮椅智能监测预警方法及系统
CN112732748A (zh) 一种基于自适应特征选择的非侵入式家电负荷识别方法
CN111538309B (zh) 一种基于多变量非线性调频模态分解的工业过程厂级振荡检测方法
CN110687791B (zh) 一种基于改进自适应调频模态分解的非线性振荡检测方法
CN115314412B (zh) 一种面向运维的类型自适应的指标预测预警方法及装置
CN117493921A (zh) 基于大数据的人工智能节能管理方法及系统
CN117807531B (zh) 一种基于智能戒指的血氧数据精确采集系统
Yao et al. Regularizing autoencoders with wavelet transform for sequence anomaly detection
US8494036B2 (en) Resource adaptive spectrum estimation of streaming data
CN116842410B (zh) 一种基于动态感知的智能头盔防盗管理方法以及系统
US20110196615A1 (en) Processing of biological signals
Tang et al. An automatic segmentation framework of quasi-periodic time series through graph structure
CN109214318A (zh) 一种寻找非稳态时间序列微弱尖峰的方法
KR20220123845A (ko) 시계열 데이터 간의 유사도 측정 방법 및 장치
CN114742103A (zh) 基于物联网的城市监测数据处理方法、装置及存储介质
CN112925290A (zh) 一种基于多变量本征chirp模态分解的厂级振荡检测方法
Balasubramanian et al. Enhancing the computational intelligence of smart fog gateway with boundary-constrained dynamic time warping based imputation and data reduction
Marseguerra Early detection of gradual concept drifts by text categorization and Support Vector Machine techniques: The TRIO algorithm
Peng et al. ILFDA Model: An Online Soft Measurement Method Using Improved Local Fisher Discriminant Analysis

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220906