CN116735198A - 基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统 - Google Patents
基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116735198A CN116735198A CN202310706180.4A CN202310706180A CN116735198A CN 116735198 A CN116735198 A CN 116735198A CN 202310706180 A CN202310706180 A CN 202310706180A CN 116735198 A CN116735198 A CN 116735198A
- Authority
- CN
- China
- Prior art keywords
- component
- imf
- components
- model
- gear box
- 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 124
- 238000003745 diagnosis Methods 0.000 title claims abstract description 65
- 238000012216 screening Methods 0.000 title claims abstract description 61
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method 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
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统,包括以下步骤:获取风机齿轮箱健康或故障的振动信号;利用单参数策略对EEMD方法进行改进,得到一系列本征模态分量;通过双指标筛选策略筛选本征模函数分量,得到目标分量;以目标分量为输入数据,建立卷积神经网络模型,最终得到结合融合层的风机齿轮箱故障的智能诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。该方法利用单参数策略改进EEMD方法,提升EEMD方法自适应性、分解精度,依据双指标筛选策略得到目标分量,实现准确的故障智能诊断。
Description
技术领域
本发明属于风力发电机齿轮箱故障诊断领域,尤其涉及一种基于spEEMD方法和双指标筛选策略的风机齿轮箱故障诊断方法及系统。
背景技术
风力发电机长期在随机风速、高负载、强冲击等极端环境下工作,其齿轮、轴承等部位容易产生故障,齿轮箱故障引发的停机时间在所有其他部件的停机时间中份额最大,因此对风力发电机齿轮箱进行振动检测意义重大。通过振动传感器采集的齿轮箱振动信号通常为非线性非平稳的时间序列数据,且往往会受到噪声等因素的干扰,传统的信号处理方法难以得到理想的特征提取效果,从而降低了故障诊断的准确性。
集成经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD)是针对经验模态分解方法(Empirical Mode Decomposition,EMD)在噪声场景下表现不佳的问题所提出的一类自适应信号处理方法。EEMD通过向信号中加入白噪声来改善信号在时频空间中的均匀分布特性,并通过集成平均的方法来消去最终的噪声,最终分解得到一系列包含不同频段信号的本征模态分量(Intrinsic Mode Function,IMF),目前EEMD已被广泛的应用于多种齿轮箱多种部位的故障诊断中。
EEMD方法引入了两个十分重要的需要用户确定的参数:噪声幅值和集成次数。发明人发现,EEMD方法对噪声幅值变化十分敏感,当加入的白噪声幅值过小,噪声很难改善初始信号的极值分布。当加入的白噪声幅值过大,噪声会破坏低频分量的极值分布,导致产生模态混叠现象。目前改进方法都有其局限性,其在分解信号的准确性、应对不同工况信号的自适应性等方面有所欠缺。
在专利CN113657244A中公开了一种基于改进EEMD和语谱分析的风机齿轮箱故障诊断方法,包括以下步骤:获取风机齿轮箱健康或故障的振动信号;利用tsPSO方法对EEMD方法进行优化,得到最终的一系列本征模函数分量;筛选本征模函数分量,并对所选择的分量进行语谱分析,得到故障特征语谱图;以故障特征语谱图为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断;但是该专利易受噪声幅值参数的影响,自适应性较差,分解后的IMF分量没有有效的筛选策略,所有分解后的IMF分量全部用来分析,计算时间长,计算效率低。
信号经分解完成后,由于分解分量数量不稳定、不确定、噪声的随机性以及模态混叠等原因,目标分量如何选择、选择几个目标分量的问题尚无统一的标准和解决方法,对于复杂工况下风机齿轮箱的在线故障诊断和状态监测,在目标分量选择过程中若少选、漏选了含有健康状态特征的子信号或误选了噪声或干扰信号,系统的诊断结果便会受到强烈的影响,无法实现故障的准确和及时识别。
综上所述,发明人发现,传统的EEMD方法处理振动传感器采集的风力发电机齿轮箱振动信号,若没有设定合适的高斯噪声幅值会影响EEMD分解精度,进而影响目标分量选择准确性、全面性,同时在如何选择目标分量的问题上,还较大程度的依赖于使用者的经验选择,若少选、漏选了含有健康状态特征的子信号或误选了噪声或干扰信号,会大大影响故障诊断结果。
发明内容
为了解决上述问题,本发明的第一个方面提供一个基于spEEMD和双指标筛选策略的风机齿轮箱故障诊断方法,其基于一种改进的EEMD方法,将原始EEMD方法中有着特定幅值的高斯噪声替换为能够改善信号极值分布但没有特定噪声幅值的高斯噪声,从而减少噪声的随机性对于分解结果的影响,在一定程度上减少模态混叠现象的发生,并提高方法的鲁棒性、自适应性,提高故障诊断准确性。
为了实现上述目的,本发明第一方面采用以下技术方案:
一种基于spEEMD和双指标筛选策略的风机齿轮箱故障诊断方法,包括:
采集工业实际运行场景下发生风机齿轮箱故障的振动信号;
利用spEEMD方法将风机齿轮箱振动信号分解为多组IMF分量,不同组之间通过拥有相同数量IMF分量的组直接合并,拥有不同数量IMF分量的组选择合并策略进行IMF分量合并;
通过双指标筛选策略选取包含故障特征信息充足的IMF分量作为目标IMF分量;
以目标IMF分量为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。
作为进一步的技术方案,所述的spEEMD方法(即单参数策略改进EEMD方法)的步骤如下:
向原始信号加入随机高斯噪声序列,得到噪声信号;
通过极值改善程度衡量指标F值评估噪声信号的极值分布特性,噪声信号若满足条件,则使该噪声信号通过筛选进入分解计算;
分解噪声信号,得到一系列IMFs分量。
作为进一步的技术方案,所述通过双指标筛选策略选取包含故障特征信息充足的IMF分量作为目标IMF分量,具体步骤如下:
计算每个IMF分量与原始信号之间的相关系数,对相关系数进行排序并选择相关系数最高的IMF分量作为初始分量;
计算初始分量的包络信号,根据功率谱密度,将剩余IMF分量与初始分量相关程度比较大的IMF分量合并;
重新选择初始分量,再根据相应功率谱密度进行合并最后合并为一系列新的分量,并根据原始分量排序选择1-2个合并后的分量作为目标IMF分量。
作为进一步的技术方案,智能故障诊断模型建立的过程如下:
建立卷积神经网络模型,以筛选得到的振动信号为输入,经过融合、卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;最后初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到96%以上时,模型建立完成。
第二方面,本发明还提供了一种风机齿轮箱故障诊断系统,如下:
振动信号采集模块,其用于获取工业实际运行场景下发生风机齿轮箱故障的振动信号;
振动信号分解模块,其用于利用单参数策略对EEMD方法进行改进,得到最终的一系列IMF分量;
目标分量筛选模块:其利用spEEMD方法将风机齿轮箱振动信号分解为多组IMF分量,并通过相同数量IMF分量直接合并、不同数量IMF分量选择合并策略进行IMF分量合并;
故障分类模块:其用于以目标分量为输入,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能故障诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。
作为进一步的技术方案,所述目标分量筛选模块包括:
初始分量选择模块,其用于计算每个IMF分量与原始信号之间的相关系数,对相关系数进行排序并选择相关系数最高的IMF分量作为初始分量;
分量合并模块,其用于计算初始分量的包络信号,根据功率谱密度,将剩余IMF分量与初始分量相关程度比较大的IMF分量合并;
目标分量确定模块:其重新选择初始分量,再根据相应功率谱密度进行合并最后合并为一系列新的分量,并根据原始分量排序选择1-2个合并后的分量作为目标IMF分量。
作为进一步的技术方案,所述智能故障诊断模型包括:
第一子模块:其用于建立卷积神经网络模型,以筛选得到的振动信号为输入,经过融合、卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;
第二子模块:其用于初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到96%以上时,模型建立完成。
第三方面,本发明还提供了一种计算机,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成前面所述的风机齿轮箱故障诊断方法中的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成前面所述的风机行星齿轮箱故障诊断方法中的步骤。
本发明的优点在于:
(1)针对EEMD方法不易选取合适的高斯噪声幅值且选取不合适易产生分解效果差等问题,本实施例提出spEEMD方法,该方法将原始EEMD方法中有着特定幅值的高斯噪声替换为能够改善信号极值分布但没有特定噪声幅值的高斯噪声,改进后只需选择集成次数这一个参数,从而提升了EEMD方法的自适应性以及分解精度;
(2)通过spEEMD方法可以得到更准确的振动信号分解结果,且采用spEEMD和双指标筛选策略结合的方法,可以充分的提取拥有故障特征信息丰富的信号。
(3)使用卷积神经网络对筛选得到的振动信号进行特征提取和分类,建立了具有足够准确率和诊断效率的风机齿轮箱智能故障诊断模型。
附图说明
图1是本发明实施例的一种基于spEEMD和双指标筛选策略的风机齿轮箱故障诊断方法流程图。
图2是本发明实施例的spEEMD方法工作流程图。
图3是本发明实施例的仿真信号时域图。
图4是本发明实施例的基于spEEMD方法的仿真信号分解结果。
图5是本发明实施例的基于EWT方法的仿真信号分解结果。
图6是本发明实施例的基于SGMD方法的仿真信号分解结果。
图7是本发明实施例的故障智能诊断模型示例图。
图8(a)、图8(b)是本发明实施例的故障智能诊断模型训练过程曲线图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
正如背景技术所提到的,若EEMD方法加入的高斯噪声幅值不合适,会影响EEMD分解精度,进而影响目标IMF分量准确性、全面性,无法得到理想的振动信号筛选结果,本实施例提出了一种利用单参数策略改进EEMD的方法及系统来解决以上问题;本实施例提出的基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法,包括:采集工业实际运行场景下发生风机齿轮箱故障的振动信号;利用spEEMD方法将风机齿轮箱振动信号分解为多个IMF分量,并通过相同数量IMF分量直接合并、不同数量IMF分量选择合并策略进行IMF分量合并;通过双指标筛选策略选取包含故障特征信息充足的IMF分量作为目标IMF分量;需要说明的是:此处的信息充足是指故障特征明显,干扰噪声少,拥有可以明确判断出故障类型的故障信息;不充足:故障特征不明显,干扰频率多,噪声多,没有办法明确判断故障类型,多种干扰量融合在一起。以目标IMF分量为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断,下面结合具体附图对本发明进行详细说明:
实施例1
本实施例公开的一种基于spEEMD和双指标筛选策略的风机齿轮箱故障诊断方法,进行详细说明:
首先,经验模态分解(Empirical mode decomposition,EMD)方法是通过拟合信号上下包络线并从信号中去除其局部均值的方式,将一个信号根据其本身特征自适应的分解为一系列包含不同频段的稳态和线性的信号,称为IMF分量。集成经验模态分解方法(Ensemble empirical mode decomposition,EEMD),是一种在EMD方法基础上向输入的原始信号加入高斯噪声改善模态混叠问题的方法。
EEMD方法的流程如下:
1.首先向原始信号x(t)中加入幅值为AN的白噪声序列ni(t),得到加入噪声后的信号xi′(t)可表示为:
x′i(t)=ni(t)+x(t) (1)
为了便于讨论,这里将噪声幅值AN进一步表示为AN=LN×σ0,其中LN是无量纲的噪声水平系数,σ0为原始信号的标准差。
2.接着使用EMD将噪声信号x′i(t)分解为系列IMF分量Cij(t)和残余分量ri(t),其中Cij(t)是第i次分解生成的第j个IMF分量。这一步可以表示为:
3.以不同的噪声序列重复第1、2步N次,其中N为人为设定的集成次数;
4.计算相应IMF分量的平均值作为最终的分解结果,其中Cij(t)为经过EEMD分解后得到的j个IMF分量。
5.最终,EEMD的分解结果可以表示如下:
其中x(t)是原始信号,Cj(t)是最终的IMF分量,r(t)为最终的残余分量。
EEMD虽然抑制了EMD方法中的模态混合问题,但却带来了一个新的参数选择问题:噪声幅值和集成次数这两个关键参数会影响EEMD方法的分解性能。现有经验选择方法、原理拓展方法和参数优化方法三类增强EEMD的方法,但其在分解信号的准确性、应对不同工况信号的自适应性、计算的高效性等方面有所欠缺,无法应用于复杂工况下实时在线的状态监测。为了降低参数选择不合适对EEMD方法的影响,且提高方法的自适应性及分解能力,本发明利用单参数策略对EEMD方法进行改进。
EEMD的分解效果受噪声幅值AN和集成次数N这两个关键参数影响较大,单参数策略考虑将向原始信号添加的特定幅值高斯噪声替换为没有特定幅值的高斯噪声,因此使用EEMD时便不再需要设置关键噪声幅值参数AN,只需考虑集成次数一个参数,利用单参数策略改进EEMD方法称作spEEMD(single parameter EEMD,spEEMD)。
单参数策略考虑添加没有特定幅值的高斯噪声,通过噪声随机生成和筛选机制在不设置噪声幅值的条件下保证信号的分解结果。噪声随机生成即在EEMD的集成计算过程中,分别加入噪声幅值随机的高斯噪声。与此同时,spEEMD方法通过筛选机制来保证所加入的噪声能够改善信号的极值分布状况,如果spEEMD生成的随机幅值噪声不能改善信号的极值分布,则重新生成新的噪声序列直到能够通过该筛选判定。
为了筛选能够改善信号极值分布的噪声,spEEMD使用公式(4)来对加入噪声后的信号进行评价,通过与初始信号的评价值进行比较,从而判断噪声能否改善信号的极值分布。
其中x′(t)为加入噪声后的信号,x′max(t)和x′min(t)分别为x′(t)的极大值和极小值,σ2为方差运算符;t(x)和p(x)分别为x′(t)在x轴上的实际极值和理想极值序列,tmax(x)为在x轴上的实际极大值序列,tmin(x)为在x轴上的实际极小值序列,pmax(x)、pmin(x)同理,L1和L2分别为x轴极大值序列和极小值序列的长度。
公式(4)中,F1能够衡量信号极值点的分布和波动特性,可以评估噪声对于信号在y轴方向上极值点的均匀程度。F2能够表示极值点序列在x轴方向的均匀分布特性,可以衡量噪声对于信号在x轴方向上极值点的改善水平。考虑到x轴方向的均匀分布特性更加契合EEMD加入噪声的目的,因此两者加权合并作为最终的极值改善程度衡量指标F。
筛选过程中所有F值将会被记录下来,仅当所加入的噪声使信号的F值超过之前噪声信号F的均值时,才使该噪声信号通过筛选进入分解计算,这一判定条件表示为公式(5)。
其中Fi为第i次加入噪声时的极值改善程度衡量指标,f表示所记录的满足筛选结果的噪声信号F值序列,其初始值为原始无噪声信号x(t)的F值。
基于上述单参数策略改进EEMD方法,使其能够自适应地应对多种不同的复杂工况应用场景。
其次,经spEEMD方法分解后,由于分解分量数量不稳定、不确定,噪声的随机性以及模态混叠等原因,对于其分量如何选择、选择几个分量的问题尚无统一的标准和解决方法,更多依靠使用者的经验来进行分量的选取。但对于复杂工况下风机齿轮箱的在线故障诊断和状态监测,若少选、漏选了含有健康状态特征的子信号或误选了噪声或干扰信号,系统的诊断结果便会受到强烈的影响,无法实现故障的准确和及时识别。本发明利用双指标筛选策略提高选择分解后目标分量的准确率,避免传统选择方式中存在的漏选、误选问题。
双指标筛选策略中第一个指标为相关系数cc,用于评估IMFs分量和原始信号两个分量之间的相关程度,计算公式见(6).
其中,x(t)和y(t)为待处理的时域信号,x和y分别为其均值。如果相关系数cc的值和1越相近,则可以认为经过EEMD分解得到的IMF分量越接近于信号的原始分量。
双指标筛选策略中第二个指标为功率谱密度(Power Spectral Density,PSD),PSD是在是在频率角度对随机过程或信号x(t)的统计规律进行描述的主要手段和特征之一,PSD能够表示随机过程或信号x(t)在不同频率下功率的分布或能量情况,通过评估不同IMF分量间功率谱密度相关性,可以将具有相近健康状态特征的IMF分量有效地合并起来。
基于相关系数和功率谱密度的双指标筛选策略步骤如下:
1.对于多个IMFs分量,分别计算每个IMF分量与原始信号S之间的相关系数cci,对相关系数进行排序并选择相关系数最高的IMF分量作为初始分量,记作
2.计算的包络信号/>其计算公式见(7),计算/>的功率谱密度/>同时对其进行最大最小值归一化,计算公式见(8);
Ea=|IMFa+jH(IMFa)| (7)
3.评估与其他分量包络信号归一化功率谱密度之间的相关程度,将所有与相关的分量与/>合并,得到初步筛选后的IMF分量,记作sIMFi;
4.选择余下IMF分量中和原始信号相关系数最高的分量作为重复2-3直到所有的IMF分量都完成评估和筛选,最终得到多个sIMFi(selected IMF),根据原始分量相关系数大小排序从高到低默认选择1-2个sIMF分量,完成目标分量选择;
图1是本发明实施例的一种基于spEEMD和双指标筛选策略的风机齿轮箱故障诊断方法流程。如图1所示,基于spEEMD和双指标筛选策略的风机齿轮箱故障诊断方法如下:
S101:采集风力发电机齿轮箱健康或故障振动信号。
S102:采用上文利用单参数策略改进的EEMD方法分解振动信号得到一系列IMF分量。其具体实施过程如图2所示:
S1021:设定spEEMD方法参数:集成次数N。
S1022:向原始信号x(t)中加入随机高斯噪声序列得到噪声信号x′(t),使用公式(4)评估噪声信号x′(t)的极值分布特性,得到极值改善程度衡量指标F,当噪声信号x′(t)满足公式(5)筛选条件时筛选结束。
S1023:使用EMD对满足筛选条件的噪声信号x′(t)进行分解,得到一系列IMF分量。分解N个噪声信号,得到N组IMFs分量。
S1024:对N组IMFs分量进行合并,若存在不同数量的IMFs分量,则对其分别合并后使用PSD对其进行选择合并。
为了验证本方法的有效性,选择如式(9)所示的仿真信号来进行spEEMD、经验小波变换(EmpiricalWavelet Transform,EWT)、辛几何模态分解(Symplectic Geometry ModeDecomposition,SGMD)三类方法的对比和比较。采样频率为2560Hz,采样时间为1.5秒,其时域波形图见图3。其中(a)为周期性冲击分量,(b)为调制的信号分量,(c)为正常运转的振动信号分量,(d)和(e)分别为加入噪声之前以及加入噪声后的复合信号。
其中y(t)为混合的仿真信号,y1(t)表示由装置故障引起的周期性冲击分量,y2(t)为正常齿轮啮合所产生的振动信号分量,y3(t)为由转子、轴等部件正常运转时的振动信号分量,n(t)则代表噪声分量。
使用spEEMD方法对仿真信号进行处理分解得到5个IMF分量,如图4所示。其中相关系数较大(分别为0.958和0.993)的2个IMF分量IMF4和IMF5完整的分离出了y2(t)和y3(t)分量,从分解结果中可以较清晰看到原始信号分量的时域特征。
使用EWT方法对仿真信号进行处理,参数参考资料通过经验设定,分解得到5个EMF分量,如图5所示。其中相关系数较大(分别为0.982和0.932)的2个EMF分量EMF2和EMF4较完整的分离出了y3(t)和y2(t)分量。
使用SGMD方法对仿真信号进行处理,参数参考资料通过经验设定,分解得到3个SGC分量,如图6所示。其中相关系数较大(分别为1.000和0.942)的2个分量SGC1和SGC2有效地提取出了原始信号y3(t)和y2(t)分量。
对比spEEMD方法、EWT方法、SGMD方法对仿真信号的分解结果可以发现,所提出的spEEMD方法在噪声背景下具备更好的鲁棒性,能够更加有效地处理噪声场景下的故障特征提取任务。同时spEEMD仅需人工对集成次数这一较不重要的参数进行设置,同样具备更强的自适应性。
S103:采用上文基于相关系数和功率谱密度的双指标筛选策略从分解结果中准确选择目标分量。
S104:以目标分量为输入数据,建立卷积神经网络,最终得到结合融合层的的故障智能诊断模型。
本实施例将加速度传感器安装在输出轴附近的齿轮箱箱体上,转速传感器则直接采集齿轮箱输出轴的转速,其采样频率分别为25600Hz和30Hz。加速度传感器、转速传感器采集了断齿故障中速级齿轮运转时时所产生的振动信号和相应的转速信号。
首先使用spEEMD方法对采集到的信号进行处理,分解得到一系列IMF分量,通过双指标筛选策略得到目标分量,建立智能诊断模型数据集。建立卷积神经网络,其结构如图7所示,以目标分量为输入,输入数据通过融合层进行融合,经过卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类。初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,其曲线如图8(a)、图8(b)所示。从图中可以看出,模型趋于收敛时,模型准确率可以达到96%,可以认为模型能够在非平稳的工况下实现风力发电机齿轮箱振动信号的故障识别和诊断。
实施例2
本实施例公开了一种风机齿轮箱故障诊断系统,包括:
振动信号采集模块,其用于获取风机齿轮箱健康或故障的振动信号;
振动信号分解模块,其用于利用单参数策略对EEMD方法进行改进,得到一系列IMF分量;
目标分量筛选模块,其用于利用基于相关系数和功率谱密度的双指标筛选策略筛选目标分量;
故障分类模块,其用于以目标分量为输入,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能故障诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。
本实施中的四个模块实现的功能与实施例1中的步骤完全对应,在此不进行赘述。
作为进一步的技术方案,所述智能故障诊断系统包括:
第一子模块:其用于建立卷积神经网络模型,以目标分量为输入,经过融合、卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;
第二子模块:其用于初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到96%时,可认为模型达到故障识别、诊断的目的。
实施例3
本发明还提供了一种计算机,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的风机行星齿轮箱故障诊断方法中的步骤。
实施例4
本发明还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中的所述的风机齿轮箱故障诊断方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法,其特征在于,包括:
采集工业实际运行场景下发生风机齿轮箱故障的振动信号;
利用spEEMD方法将风机齿轮箱振动信号分解为多个IMF分量,并通过相同数量IMF分量直接合并、不同数量IMF分量选择合并策略进行IMF分量合并;
通过双指标筛选策略选取包含故障特征信息充足的IMF分量作为目标IMF分量;
以目标IMF分量为输入数据,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能诊断诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。
2.如权利要求1所述的基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法,其特征在于,所述的spEEMD方法如下:
向原始信号加入随机高斯噪声序列,得到噪声信号;
通过极值改善程度衡量指标F值评估噪声信号的极值分布特性,噪声信号若满足条件,则使该噪声信号通过筛选进入分解计算;
分解噪声信号,得到一系列IMFs分量。
3.如权利要求1所述的基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法,其特征在于,所述通过双指标筛选策略选取包含故障特征信息充足的IMF分量作为目标IMF分量,具体步骤如下:
计算每个IMF分量与原始信号之间的相关系数,对相关系数进行排序并选择相关系数最高的IMF分量作为初始分量;
计算初始分量的包络信号,根据功率谱密度,将剩余IMF分量与初始分量相关程度比较大的IMF分量合并;
重新选择初始分量,再根据相应功率谱密度进行合并最后合并为一系列新的分量,并根据原始分量排序选择1-2个合并后的分量作为目标IMF分量。
4.如权利要求1所述的基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法,其特征在于,智能故障诊断模型建立的过程如下:
建立卷积神经网络模型,以筛选得到的振动信号为输入,经过融合、卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;最后初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到96%以上时,模型建立完成。
5.基于spEEMD和双指标筛选的风机齿轮箱故障诊断系统,其特征在于,如下:
振动信号采集模块,其用于获取工业实际运行场景下发生风机齿轮箱故障的振动信号;
振动信号分解模块,其用于利用单参数策略对EEMD方法进行改进,得到最终的一系列IMF分量;
目标分量筛选模块:其利用spEEMD方法将风机齿轮箱振动信号分解为多个IMF分量,并通过相同数量IMF分量直接合并、不同数量IMF分量选择合并策略进行IMF分量合并;
故障分类模块:其用于以目标分量为输入,建立卷积神经网络模型,最终得到风机齿轮箱故障的智能故障诊断模型,利用得到的模型对风力发电机齿轮箱振动信号进行故障识别和诊断。
6.如权利要求5所述的基于spEEMD和双指标筛选的风机齿轮箱故障诊断系统,其特征在于,所述的spEEMD方法如下:
向原始信号加入随机高斯噪声序列,得到噪声信号;
通过极值改善程度衡量指标F值评估噪声信号的极值分布特性,噪声信号若满足条件,则使该噪声信号通过筛选进入分解计算;
分解噪声信号,得到一系列IMFs分量。
7.如权利要求5所述的基于spEEMD和双指标筛选的风机齿轮箱故障诊断系统,其特征在于,所述IMF分量筛选模块包括:
初始分量选择模块,其用于计算每个IMF分量与原始信号之间的相关系数,对相关系数进行排序并选择相关系数最高的IMF分量作为初始分量;
分量合并模块,其用于计算初始分量的包络信号,根据功率谱密度,将剩余IMF分量与初始分量相关程度比较大的IMF分量合并;
目标分量确定模块:其重新选择初始分量,再根据相应功率谱密度进行合并最后合并为一系列新的分量,并根据原始分量排序选择1-2个合并后的分量作为目标IMF分量。
8.如权利要求1所述的基于spEEMD和双指标筛选的风机齿轮箱故障诊断系统,其特征在于,所述智能故障诊断模型包括:
第一子模块:其用于建立卷积神经网络模型,以筛选得到的振动信号为输入,经过融合、卷积和池化操作自适应提取特征后,使用全连接层对特征进行分类;
第二子模块:其用于初始化模型参数,将建立的数据集送入模型中进行训练,使用训练的准确率和交叉熵损失函数来衡量模型的情况,在模型趋于收敛时,模型的准确率达到96%以上时,模型建立完成。
9.一种计算机,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,其特征在于,所述计算机指令被处理器运行时,完成权利要求1-4任一所述的基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法中的步骤。
10.一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,其特征在于,完成权利要求1-4任一所述的基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706180.4A CN116735198A (zh) | 2023-06-14 | 2023-06-14 | 基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706180.4A CN116735198A (zh) | 2023-06-14 | 2023-06-14 | 基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116735198A true CN116735198A (zh) | 2023-09-12 |
Family
ID=87912928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310706180.4A Pending CN116735198A (zh) | 2023-06-14 | 2023-06-14 | 基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116735198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349661A (zh) * | 2023-12-04 | 2024-01-05 | 浙江大学高端装备研究院 | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 |
-
2023
- 2023-06-14 CN CN202310706180.4A patent/CN116735198A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349661A (zh) * | 2023-12-04 | 2024-01-05 | 浙江大学高端装备研究院 | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 |
CN117349661B (zh) * | 2023-12-04 | 2024-02-20 | 浙江大学高端装备研究院 | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Application of deep neural network and generative adversarial network to industrial maintenance: A case study of induction motor fault detection | |
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN111037365A (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
CN108447503B (zh) | 基于Hilbert-Huang变换的电机异音检测方法 | |
CN116735198A (zh) | 基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统 | |
CN109813542A (zh) | 基于生成式对抗网络的空气处理机组的故障诊断方法 | |
CN114964777B (zh) | 一种滚动轴承故障检测方法 | |
Chen et al. | Integrated early fault diagnosis method based on direct fast iterative filtering decomposition and effective weighted sparseness kurtosis to rolling bearings | |
CN113657244B (zh) | 基于改进eemd和语谱分析的风机齿轮箱故障诊断方法及系统 | |
CN114611551A (zh) | 一种基于小波包能量谱熵的机电故障分类方法 | |
CN113569990A (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN115409052A (zh) | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 | |
CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
Matania et al. | Transfer across different machines by transfer function estimation | |
CN109635428A (zh) | 一种基于机械状态信号分析的gis机械故障诊断方法 | |
Babu et al. | Fault diagnosis in bevel gearbox using coiflet wavelet and fault classification based on ANN including DNN | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN111192257A (zh) | 一种确定设备状态的方法、系统及设备 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
Pawlak et al. | Signal sampling and recovery under dependent errors | |
CN113657268A (zh) | 一种应用于风电机组齿轮箱故障诊断的信号自动分解方法 |
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 |