CN109917287A - 基于经验模态分解和倍频程谱分析的减速电机品检方法 - Google Patents
基于经验模态分解和倍频程谱分析的减速电机品检方法 Download PDFInfo
- Publication number
- CN109917287A CN109917287A CN201910214209.0A CN201910214209A CN109917287A CN 109917287 A CN109917287 A CN 109917287A CN 201910214209 A CN201910214209 A CN 201910214209A CN 109917287 A CN109917287 A CN 109917287A
- Authority
- CN
- China
- Prior art keywords
- motor
- spectrum analysis
- decelerating motor
- vibration signal
- ocsvm
- 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.)
- Granted
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于经验模态分解和倍频程谱分析的减速电机品检方法,包括步骤:1)通过硬件设备提取待测减速电机振动信号,转为数字电压信号传入PC机中;2)PC机获取电机的振动信号,通过EMD分析和CPB谱分析转化为六维数据特征;3)输入所述六维数据特征,通过选择对应电机型号训练完毕的OCSVM分类模型,识别得到最终电机优劣的分类信息。本发明通过使用EMD和CPB获得的振动信号特征并用一类支持向量机来判断该信号的来源电机的品质是否合格,解决了目前在该领域广泛使用的人工检测法所带来的巨大劳动成本和疲惫检测等问题,在保证精确率的同时,提高对减速电机品质鉴定的效率。
Description
技术领域
本发明涉及机械故障诊断技术和振动信号分析的领域,具体涉及一种基于经验模态分解和倍频程谱分析的减速电机品检方法,通过使用EMD和CPB获得改进的电机振动信号特征和OCSVM模型来解决减速电机品质检测问题。
背景技术
随着人类科技的日益发展,自动化将成为21世纪生产发展的主旋律之一。而作为能将电能转化成机械能的电动机,一直都是各领域自动化***不可或缺的核心部件。其中,在低速,大转矩的场合中,齿轮减速电机一直是最经济、实用的首选方案。
所谓的齿轮减速电机,就是将齿轮减速箱安装于电动机的输出轴,通过齿轮的减速,将输出转速由高速降为低速,同时提高输出转矩。由于该特性,该类微型电机产品广泛用于自动化生产线,医疗设备等精密仪器中以及智能工业,智能农业,智能家居,智能机器人等相关设备智能动力输出中。在该类产品的如此激烈的市场竞争压力下,如何在大规模生产的同时保证产品的品质质量,将成为齿轮减速电机企业能否创造可观的经济收益的重要问题之一。
目前对减速电机品质检测,除了对几个硬性指标转速、转矩、温升等外,还要对噪声和齿轮品质进行鉴定。而在国内微型齿轮减速电机工厂中,该部分检测普遍是通过人工方式进行鉴定,即是通过双手感知电机空载的振动以及用耳聆听电机空载的噪声来进行综合判定产品的优劣。这种落后低效方法不仅大大增加生产中的劳动成本,而且由于这种重复性劳动会使工人出现疲惫判断失误,从而导致次品迈入市场,对企业的信誉和后续经济带来无法挽回的损失。
本发明针对减速电机品质检测效率和精度等问题,将振动信号分析方法融入其中。通过结合EMD和CPB分析方法获得电机的振动信号特征,然后通过获得的振动信号特征的数据来训练OCSVM模型(一类支持向量机模型),实现了减速电机品质检测任务。在保证精确率的同时,提高对减速电机品质鉴定的效率。
发明内容
本发明是将改进过的电机振动信号特征应用到减速电机品质检测中,使用改进的特征训练的OCSVM模型能够显著提高电机品检的精度以及效率,减少企业的人力成本以及精度效率等问题。
本发明采用如下技术方案实现:
一种基于经验模态分解和倍频程谱分析的减速电机品检方法,包括步骤:
1)通过硬件设备提取待测减速电机振动信号,转为数字电压信号传入PC机中;
2)PC机获取电机的振动信号,通过EMD分析和CPB谱分析转化为六维数据特征;
3)输入所述六维数据特征,通过选择对应电机型号训练完毕的OCSVM分类模型,识别得到最终电机优劣的分类信息。
进一步地,步骤1)中,所述提取待测减速电机振动信号具体包括:通过硬件设备获得连续五组一秒待测减速电机的时域振动信号。
进一步地,步骤2)中,所述EMD分析具体包括:获得振动信号一秒时间内的IMF分量,并以其前三阶IMF能量作为所述六维数据特征的前三维。
进一步地,步骤2)中,所述CPB谱分析具体包括:根据实际测量电机和1/3倍频程规则,通过FFT划分出时域振动信号的26个谱区域,通过PCA降维方法将26个区域的能量特征降至三维,作为所述六维数据特征的后三维。
进一步地,所述26个谱区域的频率范围为20Hz~3150Hz。
进一步地,步骤3)中,所述OCSVM模型基于如下二次规划问题:
s.t.ΦT(xi)·ω≥ρ-ξi,ξi≥0
其中ω和ρ是OCSVM模型中超平面的高维参数;n是训练样品的数量;v∈(0,1)用来控制支持向量在训练样本中所占比重;ξi是非零松弛变量,用于补偿目标函数;ΦT()是特征映射函数,可以将第i个训练样品xi转化到超平面空间。
进一步地,步骤3)中,所述OCSVM分类模型的训练过程包括:
根据工厂技工的人工判断法,收集对应型号品质优良电机若干台台;
通过所述硬件设备,对每台样品电机采集若干组5s电机振动信号;
按照6:2:2比例将各电机振动信号划分为训练集、测试集、验证集,并将5s电机振动信号按顺序分割成5份1s电机振动信号;
PC机获取电机的振动信号,通过EMD分析和CPB谱分析转化为六维数据特征;
将所述六维数据特征输入建立的OCSVM分类模型进行训练得到训练后的OCSVM分类模型。
进一步地,步骤3)中,所述识别得到最终电机优劣的分类信息具体包括:通过对五秒电机信号分割并通过所述OCSVM模型的决策函数进行分别判断,若出现优的结果多则判断为优电机,否则判定为劣电机。
相比现有技术,本发明将改进过的电机振动信号特征应用到减速电机品质检测中,旨在解决目前在该领域广泛使用的人工检测法所带来的巨大劳动成本和疲惫检测等问题,使用改进的特征训练的OCSVM模型能够显著提高电机品检的精度以及效率,减少企业的人力成本以及精度效率等问题。
附图说明
图1为基于经验模态分解和倍频程谱分析的减速电机品检***结构示意图。
图2为基于EMD分析的振动信号IMF分量提取流程图。
图3为基于经验模态分解和倍频程谱分析的的齿轮减速电机品检***的识别流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的说明。
附图1为基于经验模态分解和倍频程谱分析的减速电机品检***结构示意图,通过MOTECH数控式线性直流稳压电源LPS-305给待检测微型直流齿轮减速电机稳压供电,并通过金属钢片将其与CT1050LC加速度传感器表面刚性接触。此时通过CT5201单通道恒流适配器给加速度传感器供电,并传输放大电压信号到MCC1608G usb多功能数据采集卡DAQ的模拟输入端口,数据采集器会将模拟信号转化成数字信号传入到PC机中,从而进行模型训练和品检判断。
如图3所示,一种基于经验模态分解和倍频程谱分析的减速电机品检方法,包括步骤:
1)通过硬件设备提取待测减速电机振动信号,转为数字电压信号传入PC机中;
2)PC机获取电机的振动信号,通过EMD分析和CPB谱分析转化为六维数据特征;
3)输入所述六维数据特征,通过选择对应电机型号训练完毕的OCSVM分类模型,识别得到最终电机优劣的分类信息。
具体而言,步骤1)中,所述提取待测减速电机振动信号具体包括:通过硬件设备获得连续五组一秒待测减速电机的时域振动信号。
具体而言,步骤2)中,所述EMD分析具体包括:获得振动信号一秒时间内的IMF(Intrinsic Mode Function,固有模态分量)分量并以其前三阶IMF能量作为所述六维数据特征的前三维。电机振动信号属于非平稳信号,通过EMD方法可以分解样品电机振动信号,从而获得该信号的数组固有模态分量,具体公式如下:
其中,imfi(t)是信号x(t)通过EMD分解得到的第i个IMF;rn(t)为每次分解出IMF分量后的信号残余分量,提取过程如图2所示,具体包括步骤:
①初始化r0(t)=x(t),i=1。
②提取信号x(t)第i个IMF分量,ri(t)为剩余分量,hj(t)为分解模态分量,mj(t)为上下包络线均值组成的序列,其中j代表剩余分量ri(t)在该循环中的循环次数。具体步骤是:将剩余分量ri(t)函数重命名为分解模态分量hj(t),并对分量hj(t)计算极大极小值,对每个极值分别使用立方样条插值法(分别使用三条),得到上下包络线且取均值获得序列mj(t),并在满足停止条件前,通过不停删除序列mj(t)进行迭代获得的最终分解模态hJ(t),此时得到信号x(t)第i个IMF分量imfi(t)=hj(t)。其中停止条件由标准差Sd决定:
其中,Sd为两个连续的处理结果之间的标准差且Sd范围取0.1至0.3,当得到Sd不在设定范围内,则退出循环,获得信号x(t)第i个IMF分量。
③计算当前剩余分量ri(t)=ri-1(t)-imfi(t),如果剩余分量ri(t)仍含有2个以上的极值,则获取第i+1的IMF分量,返回执行步骤②,否则结束,获得振动信号的最终一系列IMF分量。
④计算振动信号的所有IMF分量的能量IMFi(t):
IMFi(t)=imfi 2(t)。
⑤取前三阶IMF分量组成三维特征A=[IMF1IMF2IMF3]。
具体而言,步骤2)中,所述CPB谱分析具体包括:根据实际测量电机和1/3倍频程规则,通过FFT(Fast Fourier Transformation)划分出时域振动信号的26个谱区域,通过PCA降维方法将26个区域的能量特征降至三维,作为所述六维数据特征的后三维,具体包括步骤:
步骤一:对待测电机的振动信号进行快速傅里叶变换(Fast FourierTransformation,FFT),获得振动信号的功率谱。
步骤二:使用倍频程分析,这里使用1/3倍频程分析,即在1/3倍频程的频率范围对功率谱图进行划分,在20Hz到3150Hz形成26个频率段,并计算各中心频率f0附近1/3倍频程能量Ex(f0):
其中X(k)为离散形式的振动信号,N为序列长度,T为采样频率fs的倒数,fl,nl分为中心频率f0附近1/3倍频程的下限频率和起始点,fh,nh分为中心频率f0附近1/3倍频程的上限频率和结束点。
步骤三:对待测待测电机采样的1/3倍频程能量数据矩阵进行
PCA降维,即计算矩阵的协方差矩阵,然后对矩阵进行奇异值分解获得从大到小降序特征值谱,然后经线性变换获得降维的特征数据,其特征维度取三。
具体而言,步骤3)中,所述OCSVM模型基于如下二次规划问题:
s.t.ΦT(xi)·ω≥ρ-ξi,ξi≥0
其中ω和ρ是OCSVM模型中超平面的高维参数;n是训练样品的数量;v∈(0,1)用来控制支持向量在训练样本中所占比重;ξi是非零松弛变量,用于补偿目标函数;ΦT()是特征映射函数,可以将第i个训练样品xi转化到超平面空间。
具体而言,步骤3)中,所述OCSVM分类模型的训练过程包括:
根据工厂技工的人工判断法,收集对应型号品质优良电机100台台;
通过所述硬件设备,对每台样品电机采集20组5s电机振动信号;
按照6:2:2比例将各电机振动信号划分为训练集、测试集、验证集,并将5s电机振动信号按顺序分割成5份1s电机振动信号;
PC机获取电机的振动信号,通过EMD分析和CPB谱分析转化为六维数据特征,即将EMD分析和CPB谱分析获得的特征结合使每个样品数据得到唯一一个六维特征数据。
将所述六维数据特征输入建立的OCSVM分类模型进行监督学习训练,得到训练后的OCSVM分类模型,用支持向量展开的决策函数可表示为:
其中k(xi,x)为高斯核函数,xi为支持向量,ρ为决策函数输出阈值,可由任意边缘向量x计算得到,其中系数ai通过SMO算法求得。
在获得特定齿轮减速电机训练完成的OCSVM模型后,便可以对未知齿轮减速电机进行识别,因此,步骤3)中,所述识别得到最终电机优劣的分类信息具体包括:通过对五秒电机信号分割并通过所述OCSVM模型的决策函数进行分别判断,若出现优的结果多则判断为优电机,否则判定为劣电机。具体如图3所示,即当电机振动信号通过图1所述硬件设备导入至PC机,接着通过所述EMD分析和CPB谱分析将5秒的振动信号变成连续5组1s的六维度数据特征并通过选择对应电机型号训练完毕的OCSVM分类模型,通过OCSVM的决策函数判断各组识别结果,若判定电机为优的数量num大于2.5台,则以少数服从多数原则判断出电机品质为优,若判定电机为优的数量num小于2.5台,则判断出电机品质是劣。
本发明能够准确提取减速电机振动信号,结合建立的基于卷积网络的深度模型库,判断减速电机优劣情况,进而减少人工品鉴的工作量和提高电机检测精度,从而提高电机生产效率。
以上所述,仅为本发明专利较佳的实施例子,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (8)
1.一种基于经验模态分解和倍频程谱分析的减速电机品检方法,其特征在于,包括步骤:
1)通过硬件设备提取待测减速电机振动信号,转为数字电压信号传入PC机中;
2)PC机获取电机的振动信号,通过EMD分析和CPB谱分析转化为六维数据特征;
3)输入所述六维数据特征,通过选择对应电机型号训练完毕的OCSVM分类模型,识别得到最终电机优劣的分类信息。
2.根据权利要求1所述的基于经验模态分解和倍频程谱分析的减速电机品检方法,其特点在于:步骤1)中,所述提取待测减速电机振动信号具体包括:通过硬件设备获得连续五组一秒待测减速电机的时域振动信号。
3.根据权利要求2所述的基于经验模态分解和倍频程谱分析的减速电机品检方法,其特点在于:步骤2)中,所述EMD分析具体包括:获得振动信号一秒时间内的IMF分量,并以其前三阶IMF能量作为所述六维数据特征的前三维。
4.根据权利要求1所述的基于经验模态分解和倍频程谱分析的减速电机品检方法,其特点在于:步骤2)中,所述CPB谱分析具体包括:根据实际测量电机和1/3倍频程规则,通过FFT划分出时域振动信号的26个谱区域,通过PCA降维方法将26个区域的能量特征降至三维,作为所述六维数据特征的后三维。
5.根据权利要求4所述的基于经验模态分解和倍频程谱分析的减速电机品检方法,其特点在于:所述26个谱区域的频率范围为20Hz~3150Hz。
6.根据权利要求1所述的基于经验模态分解和倍频程谱分析的减速电机品检方法,其特点在于:步骤3)中,所述OCSVM模型基于如下二次规划问题:
s.t.ΦT(xi)·ω≥ρ-ξi,ξi≥0
其中ω和ρ是OCSVM模型中超平面的高维参数;n是训练样品的数量;v∈(0,1)用来控制支持向量在训练样本中所占比重;ξi是非零松弛变量,用于补偿目标函数;ΦT()是特征映射函数,可以将第i个训练样品xi转化到超平面空间。
7.根据权利要求1所述的基于经验模态分解和倍频程谱分析的减速电机品检方法,其特点在于:步骤3)中,所述OCSVM分类模型的训练过程包括:
根据工厂技工的人工判断法,收集对应型号品质优良电机若干台台;
通过所述硬件设备,对每台样品电机采集若干组5s电机振动信号;
按照6∶2∶2比例将各电机振动信号划分为训练集、测试集、验证集,并将5s电机振动信号按顺序分割成5份1s电机振动信号;
PC机获取电机的振动信号,通过EMD分析和CPB谱分析转化为六维数据特征;
将所述六维数据特征输入建立的OCSVM分类模型进行训练得到训练后的OCSVM分类模型。
8.根据权利要求1所述的基于经验模态分解和倍频程谱分析的减速电机品检方法,其特点在于:步骤3)中,所述识别得到最终电机优劣的分类信息具体包括:通过对五秒电机信号分割并通过所述OCSVM模型的决策函数进行分别判断,若出现优的结果多则判断为优电机,否则判定为劣电机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910214209.0A CN109917287B (zh) | 2019-03-20 | 2019-03-20 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910214209.0A CN109917287B (zh) | 2019-03-20 | 2019-03-20 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109917287A true CN109917287A (zh) | 2019-06-21 |
CN109917287B CN109917287B (zh) | 2021-06-08 |
Family
ID=66965907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910214209.0A Active CN109917287B (zh) | 2019-03-20 | 2019-03-20 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109917287B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100978913B1 (ko) * | 2009-12-30 | 2010-08-31 | 전자부품연구원 | Svm기반 복 수의 매칭 알고리즘을 결합한 음원 검색 시스템 및 방법 |
CN103235260A (zh) * | 2013-04-15 | 2013-08-07 | 哈尔滨工业大学 | 基于hht的潜油电机转子断条故障识别方法 |
CN103558547A (zh) * | 2013-11-01 | 2014-02-05 | 东南大学 | 一种永磁同步电机的智能故障诊断方法 |
CN103809115A (zh) * | 2014-02-27 | 2014-05-21 | 北京航空航天大学 | 基于振动信号检测的断路器在线监测与故障诊断*** |
CN106682303A (zh) * | 2016-12-26 | 2017-05-17 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
CN108507787A (zh) * | 2018-06-28 | 2018-09-07 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
CN108520134A (zh) * | 2018-03-30 | 2018-09-11 | 天津大学 | 一种发动机噪声源权重分析方法 |
CN108535648A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 电机故障诊断方法和*** |
CN108593308A (zh) * | 2018-04-24 | 2018-09-28 | 桂林电子科技大学 | 一种基于卡车转向振动路径的多源振点等效和故障结构区域的故障区定位方法 |
CN108761332A (zh) * | 2018-05-08 | 2018-11-06 | 郑州轻工业学院 | 一种电机断条故障的集合经验模态分解电流诊断方法 |
-
2019
- 2019-03-20 CN CN201910214209.0A patent/CN109917287B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100978913B1 (ko) * | 2009-12-30 | 2010-08-31 | 전자부품연구원 | Svm기반 복 수의 매칭 알고리즘을 결합한 음원 검색 시스템 및 방법 |
CN103235260A (zh) * | 2013-04-15 | 2013-08-07 | 哈尔滨工业大学 | 基于hht的潜油电机转子断条故障识别方法 |
CN103558547A (zh) * | 2013-11-01 | 2014-02-05 | 东南大学 | 一种永磁同步电机的智能故障诊断方法 |
CN103809115A (zh) * | 2014-02-27 | 2014-05-21 | 北京航空航天大学 | 基于振动信号检测的断路器在线监测与故障诊断*** |
CN106682303A (zh) * | 2016-12-26 | 2017-05-17 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
CN108535648A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 电机故障诊断方法和*** |
CN108520134A (zh) * | 2018-03-30 | 2018-09-11 | 天津大学 | 一种发动机噪声源权重分析方法 |
CN108593308A (zh) * | 2018-04-24 | 2018-09-28 | 桂林电子科技大学 | 一种基于卡车转向振动路径的多源振点等效和故障结构区域的故障区定位方法 |
CN108761332A (zh) * | 2018-05-08 | 2018-11-06 | 郑州轻工业学院 | 一种电机断条故障的集合经验模态分解电流诊断方法 |
CN108507787A (zh) * | 2018-06-28 | 2018-09-07 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
Non-Patent Citations (3)
Title |
---|
吴定海: "基于支持向量的单类分类方法综述", 《计算机工程》 * |
罗炳聪: "小型电机生产过程在线品质检测方法研究", 《测控技术》 * |
黄建: "基于经验模态分解的高压断路器机械故障诊断方法", 《中国电机工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109917287B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102284888B (zh) | 一种数控机床车削稳定性在线监测方法 | |
Xiao et al. | Fault diagnosis of asynchronous motors based on LSTM neural network | |
CN109297713B (zh) | 基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法 | |
CN104808587A (zh) | 一种基于机加工设备运行状态的稼动率统计方法 | |
CN104794492B (zh) | 基于功率特征模型的机床设备加工运行状态在线识别方法 | |
CN111879508B (zh) | 基于时频变换的旋转机械瞬时转速估计方法、装置和存储介质 | |
CN114595858A (zh) | 基于滚动时间序列和支持向量机的短期风速预测方法和*** | |
CN109861250B (zh) | 一种基于电力***多维特征的功率振荡类型判别方法 | |
CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
CN111898443A (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
CN112200346A (zh) | 一种天气波动过程划分与匹配的短期风电功率预测方法 | |
CN111639583A (zh) | 一种电网电能质量扰动的识别方法及*** | |
CN116861313A (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、*** | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其*** | |
Zamudio-Ramirez et al. | Detection of uniform gearbox wear in induction motors based on the analysis of stray flux signals through statistical time-domain features and dimensionality reduction techniques | |
CN109917287A (zh) | 基于经验模态分解和倍频程谱分析的减速电机品检方法 | |
CN109782167A (zh) | 基于卷积网络深度模型的齿轮减速电机品检装置及方法 | |
CN110838725B (zh) | 一种风电场闭环pi控制器参数整定方法及装置 | |
Zheng et al. | Fault diagnosis of variable speed bearing based on EMDOS-DCCNN model | |
CN115795341A (zh) | 基于变转速的二维活塞泵健康状态评估方法 | |
CN109975702B (zh) | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 | |
CN107065524B (zh) | 一种伺服***频域辨识***及辨识方法 | |
CN114593917A (zh) | 一种基于三元组模型的小样本轴承故障诊断方法 | |
CN114723252A (zh) | 一种风电场样板机选择方法 | |
CN107341503A (zh) | 一种切削过程中针对多源能效状态的识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |