CN115717993A - 多通道信号自适应分解方法 - Google Patents
多通道信号自适应分解方法 Download PDFInfo
- Publication number
- CN115717993A CN115717993A CN202211534413.9A CN202211534413A CN115717993A CN 115717993 A CN115717993 A CN 115717993A CN 202211534413 A CN202211534413 A CN 202211534413A CN 115717993 A CN115717993 A CN 115717993A
- Authority
- CN
- China
- Prior art keywords
- tensor
- channel
- order
- max
- signal
- 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
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及故障诊断技术领域,尤其涉及一种多通道信号自适应分解方法,包括以下步骤:步骤S1:获取多通道的振动加速度信号;步骤S2:根据多通道的振动加速度信号构建为循环三阶张量;步骤S3:对三阶张量进行第二类张量奇异值分解,并进行重构,计算多通道的分量信号;步骤S4:重复步骤S2和步骤S3,获取多次迭代的多通道分量信号;步骤S5,根据分量信号判断设备是否发生故障。本发明提供一种多通道信号自适应分解方法,故障诊断精度高,为旋转机械设备状态监测和剩余寿命预测提供基础支撑,避免对设备诊断时漏诊和误诊,提高了设备运转的安全性。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种多通道信号自适应分解方法。
背景技术
随着科技的高速发展,机械设备已经被广泛应用到了各行各业中。旋转机械设备作为机械设备的典型代表大大提高了工业的生产效率,给人类带来极大的生活便利。但是,由于长时间运行及运行环境恶劣,旋转零件及其关键部件很容易发生故障,轻则导致整个旋转机械设备的停机,重则导致严重的经济损失和灾难性的人员伤亡事故。通过故障诊断方法尽早识别机械早期故障,避免因故障导致灾难性事故的发生,为设备的安全运行提供技术保障,但现有技术中故障诊断时容易受故障诊断方法的影响而给诊断带来误差甚至漏诊使得故障诊断精度低。因此,故障诊断方法的研究一直以来都是科学研究和工业界的技术重点,也是影响设备故障健康管理的主要因素之一。
发明内容
本发明要解决的技术问题是:为了解决现有技术中故障诊断时容易受诊断方法的影响而给诊断带来误差使得故障诊断精度低的技术问题,本发明提供一种多通道信号自适应分解方法,故障诊断精度高,为旋转机械设备状态监测和剩余寿命预测提供基础支撑,避免对设备诊断时漏诊和误诊,提高了设备运转的安全性。
本发明解决其技术问题所采用的技术方案是:一种多通道信号自适应分解方法,包括以下步骤:
步骤S1:获取多通道的振动加速度信号;
在待诊断设备上设置多个振动加速度传感器,获取采集时长为tn、数据点数为N的待诊断设备的多通道振动加速度信号a1(t),…,as(t),采样频率为Fs;
步骤S4:重复所述步骤S2和所述步骤S3,获取多次迭代的多通道分量信号;
步骤S5,根据所述分量信号判断所述设备是否发生故障;
其中,在所述步骤S2中包括:
S21:计算所述多通道的振动加速度信号a1(t),…,as(t)的功率谱密度,得到每个通道的最大谱峰对应的频率fmax,1,…,fmax,s,获取每个通道中的最大谱峰频率fmax:
S22:根据所述最大谱峰频率fmax确定当前所述多通道的振动加速度信号a1(t),…,as(t)中的最大频带范围为[fmax-Δf,fmax+Δf],其中,Δf为带宽;
其中,A(:,:,1)表示三阶张量A的第1个正面切片以及A(:,:,s)表示三阶张量A的第s个正面切片;I1=N,I3=多通道总数s。
进一步,具体地,在步骤S3中包括:
A=U1S2VT (4);
步骤S32:对所述左奇异张量U的特征向量进行傅里叶变换,获取在所述最大频带范围的特征组ii=[k,l,…p],其中k,l,p表示的是U中第几列特征向量;
步骤S33:在所述核心张量S中获取所述特征组对应的奇异值,对所述特征组以及所述三阶张量进行重构:
进一步,具体地,在步骤S31中,获取所述左奇异张量U、所述核心张量S和所述右奇异张量V步骤包括:
步骤S32:对所述矩阵U、所述矩阵S和所述矩阵V重建,获取左奇异张量U、核心张量S和右奇异张量V。
进一步,具体地,在所述步骤S5中,获取所述待诊断设备的故障特征频率,对所有所述分量信号进行包络分析,找出与所述待诊断设备的故障特征频率接近的频率值及所述频率值的倍频,判断所述待诊断设备是否存在故障。
进一步,具体地,多通道总数s等于所述振动加速度传感器的数量。
本发明的有益效果是,本发明的一种多通道信号自适应分解方法,融合了待测设备的多通道的振动加速度信号,结合功率谱密度方法确定多通道信号的最大谱峰频率和频带范围,基于最大谱峰频率将多通道的振动加速度信号构建为循环三阶张量通过第二类张量奇异值分解对三阶张量进行分解,基于傅里叶变换挑选出在当前频带贡献最大的特征组,基于特征组重构当前迭代的三阶张量,通过对角平均法将迭代的三阶张量重构为多通道分量信号,完成待诊断系统的故障诊断分析,能自适应的将通道信号的故障特征增强,从而易辨识,且能够对通道信号降噪,实现设备的早期故障诊断,为机电装备滚动轴承状态监测和剩余寿命预测提供基础支撑,避免对设备诊断时漏诊和误诊,提高了设备运转的安全性,防止因轴承等易发故障引起的重大事故发生,具有重要的实用性和工程价值。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明最优实施例的工作流程图。
图2是本发明一实施例待诊断设备的振动加速度信号时域波形图。
图3是本发明一实施例第一个通道信号的第6个分量信号的包络谱图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,是本发明最优实施例,一种多通道信号自适应分解方法,包括以下步骤:
步骤S1:获取多通道的振动加速度信号;
在待诊断设备上设置多个振动加速度传感器,获取采集时长为tn、数据点数为N的待诊断设备的多通道振动加速度信号a1(t),…,as(t),采样频率为Fs。
在一具体实施例中,采用三个振动加速度传感器,分别安装在待诊断的离心机上,三个振动加速度传感器分别布置在离心机的轴向和水平方向上,采集时长为tn=0.6s,采样频率设置为Fs=25600Hz,数据点数为N=40000,采集三个通道的加速度信号a1(t),a2(t),a3(t)。
在步骤S2中包括:
S21:计算多通道的振动加速度信号a1(t),…,as(t)的功率谱密度,得到每个通道的最大谱峰对应的频率fmax,1,…,fmax,s,获取每个通道中的最大谱峰频率fmax:
S22:根据最大谱峰频率fmax确定当前多通道的振动加速度信号a1(t),…,as(t)中的最大频带范围为[fmax-Δf,fmax+Δf],其中,Δf为带宽;
其中,A(:,:,1)表示三阶张量A的第1个正面切片以及A(:,:,s)表示三阶张量A的第s个正面切片;Ai1,i2,i3表示多通道三阶张量信号A的任意一个元素;I1=N,I3=多通道总数s,多通道总数s等于所述振动加速度传感器的数量。
在一具体实施例中,采集的三个通道的加速度信号a1(t),a2(t),a3(t)按照上述步骤计算最大谱峰频率fmax和最大频带范围,并构建为多通道三阶张量其中I1=40,000,I2=(0.8~1.2)25600/fmax,I3=3。
通过功率谱密度方法计算最大谱峰频率,构建三阶张量信号,相对于现有技术信号周期性截断构建的张量,本发明不需要经过经验值就能简单构建成三阶张量信号,构建三阶张量信号速度快且构建的三阶张量信号没有干扰频率,提高了故障诊断的时效性和准确性。
在步骤S3中包括:
A=U1S2VT (4);
在步骤S31中,获取左奇异张量U、核心张量S和右奇异张量V步骤包括:
步骤S312:对矩阵U、矩阵S和矩阵V重建,获取左奇异张量U、核心张量S和右奇异张量V;
步骤S313:根据高阶张量第二类乘法计算公式、转置计算公式以及左奇异张量U、核心张量S和右奇异张量V,获取三阶张量A=U1S2VT:
其中,张量A的维数和张量B的维数相等,即Im+1-r=Jr,r=1,2,…,s,且K阶张量s为m阶张量A的后s阶的所有维数与n阶张量B的前s阶的所有维数对应相等的个数,如:当m阶张量中只有最后阶维数与张量的第一阶维数相等,此时s=1;k表示张量C的第几阶维数、I表示张量A的第几阶维数和J表示张量B的第几阶维数;k是通过张量A的维数以及张量B的维数确定,假设张量A的维数为3阶,张量B的维数为3阶,此时s=2,k的维数包括k1和k2,k1为张量C的第一阶维数,由张量A的第一阶维数I1确定,k2为张量C的第二阶维数,由张量B的第三阶维数J3确定。另外,当k=k1表示张量C第一阶维数,此时,当张量A的阶数是1时对应向量乘法,张量A的阶数是2时对应矩阵乘法,高阶张量第二类乘法可以退化为标准的矢量和矩阵乘法;
即,三阶张量A=U1S2VT通过上述公式(5)和公式(6)计算。通过第二类张量奇异值分解,获取分量信号,实现对信号的有效分解和特征提取,保证对待诊断设备的状态信息检测的完备性,利于信号的分析和诊断,进一步提高了故障诊断精度。
步骤S32:对左奇异张量U的特征向量进行傅里叶变换,获取在最大频带范围的特征组ii=[k,l,…p],其中k,l,p等这些参数表示的是U中第几列特征向量,若第1,3,4列特征向量都属于最大频带范围,则k=1,l=3,p=4;
步骤S33:在核心张量S中获取特征组ii=[k,l,…p]对应的奇异值,对特征组以及三阶张量A=U1S2VT进行重构:
步骤S4:重复步骤S2和步骤S3,获取多次迭代的多通道分量信号和最终的残余信号;在一实施例中,迭代终止条件可以根据残余信号的标准均方差阈值th来进行设定,若残余信号的标准均方差大于阈值th,则继续迭代,即继续运行步骤S2和步骤S3;若残余信号的标准均方差小于阈值th,则迭代终止,输出所有的多通道分量信号。
步骤S5,根据分量信号判断设备是否发生故障;具体的,获取待诊断设备的故障特征频率,对所有分量信号进行包络分析,找出与待诊断设备的故障特征频率接近的频率值及频率值的倍频,判断所述待诊断设备是否存在故障。如图3所示为一具体实施例中第一个通道信号的第6个分量信号的包络谱图,从图中可以找与待诊断设备的故障特征频率接近的频率值及其倍频,与待诊断设备的故障特征频率接近的频率值为fo,其倍频为2fo、3fo等,当待诊断设备的故障特征的频率值fo近似等于待诊断设备的故障特征频率时,可以判断此离心机出现了故障,反之离心机未出现故障。
本发明的一种多通道信号自适应分解方法,融合了待测设备的多通道的振动加速度信号,结合功率谱密度方法确定多通道信号的最大谱峰频率和频带范围,基于最大谱峰频率将多通道的振动加速度信号构建为循环三阶张量通过第二类张量奇异值分解对三阶张量进行分解,基于傅里叶变换挑选出在当前频带贡献最大的特征组,基于特征组重构当前迭代的三阶张量,通过对角平均法将迭代的三阶张量重构为多通道分量信号,完成待诊断系统的故障诊断分析,能自适应的将通道信号的故障特征增强,从而易辨识,且能够对通道信号降噪,实现设备的早期故障诊断,为机电装备滚动轴承状态监测和剩余寿命预测提供基础支撑,避免对设备诊断时漏诊和误诊,提高了设备运转的安全性,防止因轴承等易发故障引起的重大事故发生,具有重要的实用性和工程价值。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种多通道信号自适应分解方法,其特征在于,包括以下步骤:
步骤S1:获取多通道的振动加速度信号;
在待诊断设备上设置多个振动加速度传感器,获取采集时长为tn、数据点数为N的待诊断设备的多通道振动加速度信号a1(t),…,as(t),采样频率为Fs;
步骤S4:重复所述步骤S2和所述步骤S3,获取多次迭代的多通道分量信号;
步骤S5,根据所述分量信号判断所述设备是否发生故障;
其中,在所述步骤S2中包括:
S21:计算所述多通道的振动加速度信号a1(t),…,as(t)的功率谱密度,得到每个通道的最大谱峰对应的频率fmax,1,…,fmax,s,获取每个通道中的最大谱峰频率fmax:
fmax=max(fmax,1,…,fmax,s) (1);
S22:根据所述最大谱峰频率fmax确定当前所述多通道的振动加速度信号a1(t),…,as(t)中的最大频带范围为[fmax-Δf,fmax+Δf],其中,Δf为带宽;
I2=(0.8~1.2)Fs/fmax (2);
其中,A(:,:,1)表示三阶张量A的第1个正面切片以及A(:,:,s)表示三阶张量A的第s个正面切片;I1=N,I3=多通道总数s。
4.如权利要求1所述的多通道信号自适应分解方法,其特征在于,在所述步骤S5中,获取所述待诊断设备的故障特征频率,对所有所述分量信号进行包络分析,找出与所述待诊断设备的故障特征频率接近的频率值及所述频率值的倍频,判断所述待诊断设备是否存在故障。
5.如权利要求1所述的多通道信号自适应分解方法,其特征在于,所述多通道总数s等于所述振动加速度传感器的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534413.9A CN115717993A (zh) | 2022-12-02 | 2022-12-02 | 多通道信号自适应分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534413.9A CN115717993A (zh) | 2022-12-02 | 2022-12-02 | 多通道信号自适应分解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115717993A true CN115717993A (zh) | 2023-02-28 |
Family
ID=85257206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534413.9A Pending CN115717993A (zh) | 2022-12-02 | 2022-12-02 | 多通道信号自适应分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115717993A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116202760A (zh) * | 2023-05-05 | 2023-06-02 | 赛腾机电科技(常州)有限公司 | 用于机械故障诊断的三阶张量的奇异值分解方法及系统 |
-
2022
- 2022-12-02 CN CN202211534413.9A patent/CN115717993A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116202760A (zh) * | 2023-05-05 | 2023-06-02 | 赛腾机电科技(常州)有限公司 | 用于机械故障诊断的三阶张量的奇异值分解方法及系统 |
CN116202760B (zh) * | 2023-05-05 | 2023-08-18 | 赛腾机电科技(常州)有限公司 | 用于机械故障诊断的三阶张量的奇异值分解方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259730B (zh) | 一种基于多变量状态估计的状态监测方法及系统 | |
CN101915234B (zh) | 一种基于贝叶斯网络的压缩机关联故障诊断方法 | |
CN104655425A (zh) | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 | |
KR101607047B1 (ko) | 결함 검출을 위한 신호 분석 방법 및 장치 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN115717993A (zh) | 多通道信号自适应分解方法 | |
CN111044902A (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN111562248A (zh) | 一种基于sf6内标的gis故障诊断方法 | |
CN112487882A (zh) | 一种基于谱相干生成非稀疏指标指导的增强包络谱的方法 | |
Seo et al. | Missing data imputation using an iterative denoising autoencoder (IDAE) for dissolved gas analysis | |
CN115481657A (zh) | 一种基于电信号的风力发电机组通信滑环故障诊断方法 | |
CN104499001A (zh) | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 | |
CN104331362B (zh) | 一种软件故障预测方法 | |
Tse et al. | Enhanced eigenvector algorithm for recovering multiple sources of vibration signals in machine fault diagnosis | |
Ferracuti et al. | MSPCA with KDE thresholding to support QC in electrical motors production line | |
CN112685912B (zh) | 一种多元广义Wiener过程性能退化可靠性分析方法 | |
CN115032502A (zh) | 一种最大特征向量电网异常定位方法 | |
Shu et al. | Low-complexity dual-stage soft failure detection by exploiting digital spectrum information | |
Huo et al. | A comparative study of WPD and EMD for shaft fault diagnosis | |
CN113591241A (zh) | 一种基于vmd与自适应momeda的回转支承故障诊断方法 | |
CN113418632A (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
Xiaozhi et al. | Fault diagnosis of rolling bearing based on wavelet packet transform and GA-Elman neural network | |
CN104532299B (zh) | 基于相对核主元分析的铝电解槽况诊断方法 | |
CN113702038B (zh) | 防爆电机轴承故障诊断方法及系统 |
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 |