基于在線振動(dòng)數(shù)據(jù)的設(shè)備固有振動(dòng)模式自學(xué)習(xí)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于在線監(jiān)測(cè)技術(shù)領(lǐng)域，涉及基于在線振動(dòng)數(shù)據(jù)的設(shè)備固有振動(dòng)模式自學(xué) 習(xí)識(shí)別方法。
【背景技術(shù)】
[0002] 在線監(jiān)測(cè)技術(shù)是對(duì)設(shè)備健康狀況進(jìn)行預(yù)估的最基本措施，尤其對(duì)于機(jī)械設(shè)備（或 系統(tǒng)），振動(dòng)監(jiān)測(cè)分析是最實(shí)用和有效的方法。設(shè)備的振動(dòng)信號(hào)與其機(jī)械結(jié)構(gòu)密切相關(guān)，設(shè) 備運(yùn)行過程中其內(nèi)部機(jī)械結(jié)構(gòu)的狀況可以直接有效地從振動(dòng)信號(hào)中反映出來。通過對(duì)設(shè)備 振動(dòng)信號(hào)進(jìn)行處理分析，抽取正常運(yùn)行狀況下的設(shè)備固有的振動(dòng)模式，用于區(qū)分在設(shè)備出 現(xiàn)異常或故障時(shí)的振動(dòng)模式，以便在異常振動(dòng)模型出現(xiàn)時(shí)及時(shí)做出決策，并制定相應(yīng)的維 修計(jì)劃。本發(fā)明提出一種基于振動(dòng)數(shù)據(jù)的設(shè)備振動(dòng)固有模式自動(dòng)學(xué)習(xí)識(shí)別與抽取方法，經(jīng) 過對(duì)振動(dòng)數(shù)據(jù)的分析處理及一段合理時(shí)間的訓(xùn)練，計(jì)算得到設(shè)備的固有振動(dòng)參數(shù)，將其作 為設(shè)備正常運(yùn)行的健康特征，從而為設(shè)備的運(yùn)行健康狀況提供一個(gè)可行的評(píng)價(jià)指標(biāo)，確保 設(shè)備的健康運(yùn)行與維修。
[0003] 設(shè)備的固有振動(dòng)模式（模態(tài)）是指機(jī)械結(jié)構(gòu)的固有振動(dòng)特性，包括設(shè)備具有的固 有頻率、阻尼比和模態(tài)振型。如果了解了設(shè)備機(jī)械結(jié)構(gòu)主要模態(tài)的特性，則可以預(yù)言該結(jié)構(gòu) 在各種振源作用下實(shí)際振動(dòng)響應(yīng)。因而，模態(tài)分析即對(duì)這些模態(tài)進(jìn)行分析從而獲取相應(yīng)的 模態(tài)參數(shù)是結(jié)構(gòu)動(dòng)態(tài)設(shè)計(jì)及設(shè)備的故障診斷的重要方法。盡管實(shí)際中的設(shè)備（如風(fēng)力發(fā)電 機(jī)、變壓器、船舶、飛行器等）的振動(dòng)行為變化各異和復(fù)雜，但模態(tài)分析提供了研宄各種設(shè) 備實(shí)際結(jié)構(gòu)特性的一條有效途徑。
[0004] 現(xiàn)有的設(shè)備固有振動(dòng)模式識(shí)別方法主要是計(jì)算模態(tài)分析法，首先利用三維建模軟 件，構(gòu)建設(shè)備的高精度三維實(shí)體模型；然后，將設(shè)備的三維模型導(dǎo)入到有限元分析軟件中， 根據(jù)設(shè)備的實(shí)際情況，設(shè)定設(shè)備的材料屬性參數(shù)，并對(duì)三維模型劃分為有限元網(wǎng)絡(luò)，添加位 移約束，得到設(shè)備的有限元模型；最后，對(duì)有限元模型進(jìn)行模態(tài)分析，獲得模型固有頻率及 模態(tài)。
[0005] 現(xiàn)有技術(shù)在有限元模態(tài)分析中，特別是在研宄對(duì)象是較為復(fù)雜的系統(tǒng)時(shí)，計(jì)算得 出的振動(dòng)模態(tài)往往過于凌亂，難以辨識(shí)出真正關(guān)心的零部件特征頻率；或者當(dāng)由許多局部 振型組成某階振動(dòng)時(shí)，會(huì)非常難以判斷特征頻率的數(shù)值。
[0006] 本發(fā)明無需建立復(fù)雜的模型，通過直接采集設(shè)備不同部位的振動(dòng)數(shù)據(jù)，經(jīng)過分析 處理獲得模態(tài)參數(shù)，識(shí)別設(shè)備的固有振動(dòng)模式。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提供基于在線振動(dòng)數(shù)據(jù)的設(shè)備固有振動(dòng)模式自學(xué)習(xí)識(shí)別方法， 解決了現(xiàn)有技術(shù)在有限元模態(tài)分析中，特別是在研宄對(duì)象是較為復(fù)雜的系統(tǒng)時(shí)，計(jì)算得出 的振動(dòng)模態(tài)往往過于凌亂，難以辨識(shí)出真正關(guān)心的零部件特征頻率、難以判斷特征頻率的 數(shù)值的問題。
[0008] 本發(fā)明所采用的技術(shù)方案是按照以下步驟進(jìn)行：
[0009] 步驟1 :設(shè)由傳感器直接采集到的設(shè)備振動(dòng)信號(hào)是X (η)，其數(shù)學(xué)模型表示為
[0010] X (n) = f (n)+noise (η)
[0011] 其中，f(n)為原始信號(hào)，noise(n)為噪聲信號(hào)；
[0012] 步驟2 :利用小波包變換算法對(duì)設(shè)備振動(dòng)信號(hào)x(n)進(jìn)行一次去噪，得到去噪后的 信號(hào);;(《);
[0013] 步驟3 :利用奇異值分解對(duì)信號(hào)/;(4進(jìn)行二次去噪，得到二次去噪后的振動(dòng)信號(hào)
[0014] 步驟4 :使用加窗離散傅里葉算法對(duì)去噪后的振動(dòng)信號(hào)進(jìn)行頻譜分析，計(jì)算 得到設(shè)備振動(dòng)頻譜；
[0015] 步驟5 :利用自學(xué)習(xí)算法訓(xùn)練得到設(shè)備振動(dòng)頻譜，最后得到設(shè)備的固有特征頻率 及幅值。
[0016] 進(jìn)一步，所述步驟2中小波包變換算法對(duì)設(shè)備振動(dòng)信號(hào)X (η)進(jìn)行一次去噪的過程 為：
[0017] ①信號(hào)的小波包分解；選擇一個(gè)小波基，并確定一個(gè)小波包分解的層數(shù)Ν，然后對(duì) 信號(hào)進(jìn)行N層小波包分解，分解公式為：
【主權(quán)項(xiàng)】
1. 基于在線振動(dòng)數(shù)據(jù)的設(shè)備固有振動(dòng)模式自學(xué)習(xí)識(shí)別方法，其特征在于，按照以下步 驟進(jìn)行： 步驟1 :設(shè)由傳感器直接采集到的設(shè)備振動(dòng)信號(hào)是x(n)，其數(shù)學(xué)模型表示為x(n) =f(n)+noise(n) 其中，f(n)為原始信號(hào)，noise(n)為噪聲信號(hào)； 步驟2 :利用小波包變換算法對(duì)設(shè)備振動(dòng)信號(hào)x(n)進(jìn)行一次去噪，得到去噪后的信號(hào) 步驟3:利用奇異值分解對(duì)信號(hào)進(jìn)行二次去噪，得到二次去噪后的振動(dòng)信號(hào) 步驟4 :使用加窗離散傅里葉算法對(duì)去噪后的振動(dòng)信號(hào)進(jìn)行頻譜分析，計(jì)算得到 設(shè)備振動(dòng)頻譜； 步驟5 :利用自學(xué)習(xí)算法訓(xùn)練得到設(shè)備振動(dòng)頻譜，最后得到設(shè)備的固有特征頻率及幅 值。
2. 按照權(quán)利要求1所述基于在線振動(dòng)數(shù)據(jù)的設(shè)備固有振動(dòng)模式自學(xué)習(xí)識(shí)別方法，其特 征在于：所述步驟2中小波包變換算法對(duì)設(shè)備振動(dòng)信號(hào)x(n)進(jìn)行一次去噪的過程為： ① 信號(hào)的小波包分解；選擇一個(gè)小波基，并確定一個(gè)小波包分解的層數(shù)N，然后對(duì)信號(hào) 進(jìn)行N層小波包分解，分解公式為：
式中：j〈N，qi(n)為分解樹中第j層第1個(gè)結(jié)點(diǎn)的第n個(gè)小波包分解系數(shù)，k和n均是 指某結(jié)點(diǎn)具體第幾個(gè)小波包分解系數(shù)； 取振動(dòng)信號(hào)x(n)為待分析信號(hào)，進(jìn)行信號(hào)的小波包分解，把信號(hào)分解到不同的時(shí)頻空 間； ② 確定最佳小波包基：根據(jù)最小代價(jià)原理，對(duì)一個(gè)給定熵標(biāo)準(zhǔn)計(jì)算最佳小波包基； 熵定義為： 其中：
，且當(dāng)PjfO時(shí)，PjilgPjfO; ③ 對(duì)各個(gè)分解尺度下的小波包分解系數(shù)Cu選擇一個(gè)閥值進(jìn)行處理，采用軟閥值法； 軟閥值消噪方法定義為：
式中，X為閥值為小波包系數(shù)，為處理后的小波包系數(shù)； ④小波包重構(gòu)，根據(jù)第N層的小波包分解低頻系數(shù)和量化處理系數(shù)進(jìn)行小波重構(gòu)，重 構(gòu)公式如下：
式中，Cj+1，21(n)為分解樹中第j+1層第21個(gè)結(jié)點(diǎn)的小波包分解系，Cj+1，21(n)為分解樹 中第j+1層第21+1個(gè)結(jié)點(diǎn)的小波包分解系，h(n-2k)和g(n-2k)為多分辨率分析中定義的 濾波器系數(shù)，使用小波包算法對(duì)設(shè)備振動(dòng)信號(hào)x(n)進(jìn)行去噪，得到一次去噪后的振動(dòng)信號(hào)
3. 按照權(quán)利要求1所述基于在線振動(dòng)數(shù)據(jù)的設(shè)備固有振動(dòng)模式自學(xué)習(xí)識(shí)別方法，其特 征在于： 所述步驟3中利用奇異值分解對(duì)信號(hào)進(jìn)行二次去噪具體步驟如下： (1) 從/;(?) = [A|,.r2,|. ,.r.、]時(shí)間序列中抽取子序列{Xl，x2,L，xn}作為n維相空間的第一 個(gè)向量yy (2) 向右移動(dòng)一個(gè)步長(zhǎng)，抽取{x2，x3，L，xn+1}作為n維相空間的第一個(gè)向量y2; (3) 以此類推，得到一組列向量{yphUyJ; (4) 每一個(gè)向量對(duì)應(yīng)重構(gòu)相空間中的一個(gè)點(diǎn)，所有向量構(gòu)成mXn維的矩陣Dm:
Dm為嵌入維數(shù)m、時(shí)延為1的吸引子軌道矩陣，如果測(cè)取的振動(dòng)信號(hào)含有一定的噪聲， 則Dm=D+W，其中D、W分別表示光滑信號(hào)和噪聲信號(hào)對(duì)應(yīng)的Dm中的軌跡矩陣，對(duì)矩陣D， 奇異值分解，Dm=USV'，U和V分別為mXn和nXn階矩陣，且UU' =E，VV' =E，E為單位 矩陣，S是mXn對(duì)角矩陣，對(duì)角元素Sps2，L,sp，p=min(m，n),s2>L彡sp彡0，其中 Sl，s2,L，sp為矩陣奇異值，將得到的奇異值sus2,L，sp的前k(k<p)項(xiàng)，其他項(xiàng)置零， 得到新的對(duì)角矩陣S'，再利用SVD分解的逆過程Dm' =US'V'得到新的矩陣Dm'，矩陣D_:為 Dm的最佳逼近矩陣，根據(jù)相空間重構(gòu)的過程，由Dm'得到二次去噪后的振動(dòng)信號(hào)
4. 按照權(quán)利要求1所述基于在線振動(dòng)數(shù)據(jù)的設(shè)備固有振動(dòng)模式自學(xué)習(xí)識(shí)別方法，其特 征在于：所述步驟4中，采用三角自卷積窗進(jìn)行加窗離散傅里葉算法計(jì)算振動(dòng)頻譜。
5. 按照權(quán)利要求1所述基于在線振動(dòng)數(shù)據(jù)的設(shè)備固有振動(dòng)模式自學(xué)習(xí)識(shí)別方法，其特 征在于：所述步驟5中自學(xué)習(xí)算法步驟為： 步驟一：取計(jì)算周期的時(shí)間為1秒，確定訓(xùn)練總時(shí)間為T個(gè)計(jì)算周期，取t= 1，t表示 計(jì)算序號(hào)； 步驟二：輸入第t個(gè)計(jì)算周期內(nèi)設(shè)備的振動(dòng)數(shù)據(jù)xt(n); 步驟三：對(duì)xt(n)進(jìn)行去噪、加窗、離散傅里葉變換（FFT)，計(jì)算得到頻譜Ft(k)，F(xiàn)t(k)表 示設(shè)備第t個(gè)計(jì)算周期內(nèi)的頻譜； 步驟四：對(duì)Ft(k)按幅值從大到小排序，得到Bt(k); 步驟五：對(duì)Bt(k)，設(shè)定門檻值P，若幅值大于門檻值P時(shí)，認(rèn)為該幅值對(duì)應(yīng)的頻率成 分是特征頻率，將其存入特征矩陣Ct中；若小于門檻值P則舍去； 步驟六：t=t+1，進(jìn)入下一個(gè)計(jì)算周期，判斷t<T，如果是，則跳至步驟二；否則跳至 步驟七； 步驟七：上述算法的六個(gè)步驟獲得訓(xùn)練時(shí)段內(nèi)各個(gè)監(jiān)測(cè)點(diǎn)的振動(dòng)特征參數(shù)集合C，計(jì) 算設(shè)備振動(dòng)固有頻率及其對(duì)應(yīng)的幅值；并繪制各個(gè)特征頻率成分的曲線，得到了設(shè)備振號(hào) 的固有頻率及其相應(yīng)幅值，從而識(shí)別了設(shè)備的固有振動(dòng)模式。
【專利摘要】本發(fā)明公開了基于在線振動(dòng)數(shù)據(jù)的設(shè)備固有振動(dòng)模式自學(xué)習(xí)識(shí)別方法，利用小波包變換算法對(duì)設(shè)備振動(dòng)信號(hào)x(n)進(jìn)行一次去噪，得到去噪后的信號(hào)利用奇異值分解對(duì)信號(hào)進(jìn)行二次去噪，得到二次去噪后的振動(dòng)信號(hào)使用加窗離散傅里葉算法對(duì)去噪后的振動(dòng)信號(hào)進(jìn)行頻譜分析，計(jì)算得到設(shè)備振動(dòng)頻譜；利用自學(xué)習(xí)算法訓(xùn)練得到設(shè)備振動(dòng)頻譜，最后得到設(shè)備的固有特征頻率及幅值。本發(fā)明的有益效果是在研究對(duì)象是較為復(fù)雜的系統(tǒng)時(shí)，能夠準(zhǔn)確辨識(shí)出零部件特征頻率。
【IPC分類】G01H1-00
【公開號(hào)】CN104807534
【申請(qǐng)?zhí)枴緾N201510024313
【發(fā)明人】趙洪山, 李浪, 鄧嵩, 徐樊浩
【申請(qǐng)人】華北電力大學(xué)（保定）
【公開日】2015年7月29日
【申請(qǐng)日】2015年5月21日