CN111077386A - 一种电气设备早期故障信号降噪方法 - Google Patents
一种电气设备早期故障信号降噪方法 Download PDFInfo
- Publication number
- CN111077386A CN111077386A CN201911153783.6A CN201911153783A CN111077386A CN 111077386 A CN111077386 A CN 111077386A CN 201911153783 A CN201911153783 A CN 201911153783A CN 111077386 A CN111077386 A CN 111077386A
- Authority
- CN
- China
- Prior art keywords
- component
- reconstruction
- electrical equipment
- components
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种电气设备早期故障信号降噪方法,该方法基于经验模态分解理论,通过分析剔除分故障分量后的不同固有模态分量重构后信号几何分布相似性变化趋势,实现最优固有模态分量重构降噪,解决了传统方法难以实现电气设备早期微弱故障信号中强背景噪声干扰抑制,降低检修成本,避免严重事故的发生。
Description
技术领域
本发明属于电气设备故障诊断技术领域,涉及一种电气设备早期故障信号降噪方法。
背景技术
随着国民经济的快速发展,现代化电气设备得到了广泛应用,包括发电端的风电机组、水电机组到用电端的水泵、电机等,其可靠工作直接关系到整个***的安全稳定运行。因此开展电气设备早期故障诊断意义重大。但考虑到许多电气设备通常运行在恶劣的工作环境下,早期微弱的故障特征信号会淹没在强背景噪声环境中,非常有必要对测量信号进行降噪处理。目前针对设备故障信号降噪方法包括噪声统计特性分析、小波降噪、连续均方误差、相关系数等,上述方法对于电气设备振动信号的非故障分量的影响都没有考虑,由于对于电气设备振动信号降噪过程中不只是传统意义上的噪声信号对诊断结果有影响,非故障分量如转频信号及其倍频分量的存在对电气设备的降噪及故障辨识都存在着影响,因此上述方法对电气设备早期微弱故障信号降噪效果欠佳。
发明内容
本发明的目的是提供一种电气设备早期故障信号降噪方法,解决了传统方法存在实现电气设备早期微弱故障信号中强背景噪声干扰抑制的问题。
本发明所采用的技术方案是,一种电气设备早期故障信号降噪方法,具体按照以下步骤实施:
步骤1、利用振动传感器采集电气设备振动信号波形作为原始信号x(t);
步骤2、通过陷波器对电气设备的已知非故障特征频率进行剔除,得到含故障特征频率;
步骤3、基于经验模态分解对含故障特征频率进行筛分,得到多个固有模态分量;
步骤4、通过原始信号按照固有模态分量的顺序依次构造重构分量;
步骤5、计算重构分量的概率密度函数,并利用Hausdorff距离为评价指标衡量各个分量的贡献和能量分布;
步骤6、将豪斯多夫距离第一个明显突变的固有模态分量作为最优重构起始分量,实现电气设备早期故障信号降噪。
本发明的特点还在于:
步骤3多个固有模态分量表示如下:
式(1)中,L表示固有模态分量的数量,h(i)(t)为第i阶固有模态分量,R(t)为剩余分量。
步骤4中具体过程为:
通过原始信号去除第1阶到第i阶固有模态分量获得第j阶重构分量,则第j阶重构分量表达式为:
式(2)中,1≤j≤L;
将得到的重构分量按阶数大小排序,获得多个重构分量。
步骤5中各个分量的贡献和能量分布表达式为:
hd(i)=HD[pdf(xi(t)),pdf(xi+1(t))] (3)
式(3)中,hd(i)为各重构分量之间的豪斯多夫距离值,HD为豪斯多夫距离,pdf(xi(t))为前一阶重构分量的数据集,pdf(xi+1(t))为本阶重构分量的数据集。
步骤6中最优重构起始分量对应的阶数表达式为:
式(4)中khd为选择的重构起始阶数,khd满足应选择为最大的hd(i)处为重构的起始分量;
最优重构起始分量表达式为:
本发明的有益效果是:
本发明一种电气设备早期故障信号降噪方法,提出基于非故障特征频率抑制的经验模态分解和几何分布相似性的电气设备早期故障信号降噪算法,能有效保留电气设备早期故障中的微弱特征信号,并有效抑制强背景噪声和非故障分量的干扰,降低检修成本,避免严重事故的发生。
附图说明
图1为本发明中电气设备早期故障信号降噪的流程图;
图2为本发明中实测水电机组受油器浮动瓦故障下水导轴承测点的振动原始信号波形图;
图3为本发明中实测水电机组受油器浮动瓦故障下水导轴承测点的振动原始信号水原始信号频谱图;
图4为本发明中实测水电机组受油器浮动瓦故障下水导轴承测点的振动原始信号剔除转频后的时域波形图;
图5为本发明中将转频信号进行剔除后的振动信号频谱图;
图6为本发明中不同固有模态分量重构得到的降噪信号概率密度函数之间的几何相似性;
图7为本发明中不同降噪信号概率密度函数之间豪斯多夫距离变化趋势;
图8为本发明中水电机组受油器浮动瓦故障信号降噪后频谱图;
图9为若不剔除转频信号对本算法的判断的影响。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种电气设备早期故障信号降噪方法,如图1所示,具体按照以下步骤实施:
步骤1、利用振动传感器采集电气设备振动信号波形作为原始信号x(t);
步骤2、通过陷波器对电气设备的已知非故障特征频率进行剔除,得到含故障特征频率;
步骤3、基于经验模态分解对含故障特征频率进行筛分,得到多个固有模态分量;
经验模态分解理论(Empirical Mode Decomposition,EMD)最早是由Huang等学者在1998年提出的,该方法是一种非线性、非平稳时间序列的分析方法,目前在信号处理领域得到广泛的应用。其关键问题在于最优重构分量的选取。EMD算法是根据信号自身的特性自适应的分解出多个从高频到低频有物理意义的固有模态分量和一个剩余分量,如下式所示:
其中x(t)为原始信号临界点,IMFj(t)为第j个固有模态分量,R(t)为剩余分量。
多个固有模态分量表示如下:
式(1)中,L表示固有模态分量的数量,h(i)(t)为第i阶固有模态分量,R(t)为剩余分量。
步骤4、通过原始信号按照固有模态分量的顺序依次构造重构分量;
具体过程为:
通过原始信号去除第i阶固有模态分量获得第j阶重构分量,则第j阶重构分量表达式为:
式(2)中,1≤j≤L;
将得到的重构分量按阶数大小排序,获得多个重构分量。
重构分量为x-IMF1、x-IMF1,2、x-IMF1,2,3、...、x-IMF1,...n
其中x为原始信号IMF1 IMF1,...n为原始信号经EMD分解后的各固有模态分量,如此进行重构的优点是能够避免由于低信噪比下原始信号中噪声所占比大,EMD分解在筛分的过程中大量的噪声会被分解到低阶模态,这样就会使得连续均方误差、相关系数、互信息、时域指标等理论出现误判断,错误的认为噪声所在的低阶分量携带了最多的原始信息从而得到保留,从而影响信号降噪效果。
步骤5、计算重构分量的概率密度函数,并利用Hausdorff距离为评价指标衡量各个分量的贡献和能量分布;
各个分量的贡献和能量分布表达式为:
hd(i)=HD[pdf(xi(t)),pdf(xi+1(t))] (3)
式(3)中,hd(i)为各重构分量之间的豪斯多夫距离值,HD为豪斯多夫距离,pdf(xi(t))为前一阶重构分量的数据集,pdf(xi+1(t))为本阶重构分量的数据集。
步骤6、将豪斯多夫距离第一个明显突变的固有模态分量作为最优重构起始分量,实现电气设备早期故障信号降噪。
最优重构起始分量对应的阶数表达式为:
式(4)中khd为选择的重构起始阶数,khd满足应选择为最大的hd(i)处为重构的起始分量;
最优重构起始分量表达式为:
实施例
下面以水电机组早期故障信号降噪为例。在水导轴承(安装在其他结构也可)安装振动传感器测量水导轴承Y向振动数据,采样频率227Hz,采样长度为5k个点,电机转速为107.1r/min。故障特征频率fi约为8.9Hz。
首先利用水导轴承处安装的加速度传感器测量振动数据x(t),如图2所示。可以看出,背景噪声干扰严重,故障特征频率几乎被淹没;。首先将易干扰转频分量应用陷波器进行剔除,剔除后时域波形图如图4所示,振动信号频谱图如图5所示,然后利用经验模态分解对原始信号进行筛分,得到9个固有模态分量;选取不同的重构分量得到多种降噪信号x1(t)、x2(t)、x3(t)、x4(t)、x5(t)、x6(t)、x7(t)、x8(t),分析连续两个降噪信号之间的概率密度函数的相似性,如图6中(a)-(h)所示。研究Hausdorff距离的变化趋势,如图7所示。分析发现,第2个降噪信号与第3个降噪信号的概率密度函数之间的几何分布有明显差异,Hausdorff距离明显增大。确定第3阶固有模态分量为重构起始分量,并进行最优分量重构得到降噪后的信号,如图8所示。可以看出,大量的背景噪声得到了很好的抑制,早期轴承内圈故障特征频率更加显著。需要补充说明的是步骤2剔除转频信号对于本发明而言是必要的,如图9所示,若不剔除转频信号则在步骤6中不易分辨出豪斯多夫距离突变的量。
通过上述方式,本发明一种电气设备早期故障信号降噪方法,提出基于非故障特征频率抑制的经验模态分解和几何分布相似性的电气设备早期故障信号降噪算法,能有效保留电气设备早期故障中的微弱特征信号,并有效抑制强背景噪声和非故障分量的干扰,降低检修成本,避免严重事故的发生。
Claims (5)
1.一种电气设备早期故障信号降噪方法,其特征在于,具体按照以下步骤实施:
步骤1、利用振动传感器采集电气设备振动信号波形作为原始信号x(t);
步骤2、通过陷波器对电气设备的已知非故障特征频率进行剔除,得到含故障特征频率;
步骤3、基于经验模态分解对含故障特征频率进行筛分,得到多个固有模态分量;
步骤4、通过原始信号按照固有模态分量的顺序依次构造重构分量;
步骤5、计算重构分量的概率密度函数,并利用Hausdorff距离为评价指标衡量各个分量的贡献和能量分布;
步骤6、将豪斯多夫距离第一个明显突变的固有模态分量作为最优重构起始分量,实现电气设备早期故障信号降噪。
4.根据权利要求1所述一种电气设备早期故障信号降噪方法,其特征在于,步骤5中各个分量的贡献和能量分布表达式为:
hd(i)=HD[pdf(xi(t)),pdf(xi+1(t))] (3)
式(3)中,hd(i)为各重构分量之间的豪斯多夫距离值,HD为豪斯多夫距离,pdf(xi(t))为前一阶重构分量的数据集,pdf(xi+1(t))为本阶重构分量的数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153783.6A CN111077386A (zh) | 2019-11-22 | 2019-11-22 | 一种电气设备早期故障信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153783.6A CN111077386A (zh) | 2019-11-22 | 2019-11-22 | 一种电气设备早期故障信号降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111077386A true CN111077386A (zh) | 2020-04-28 |
Family
ID=70311261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911153783.6A Pending CN111077386A (zh) | 2019-11-22 | 2019-11-22 | 一种电气设备早期故障信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111077386A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111579933A (zh) * | 2020-06-03 | 2020-08-25 | 武汉理工大学 | 一种基于Hausdroff算法的配电网故障区段定位方法 |
CN111811642A (zh) * | 2020-07-22 | 2020-10-23 | 三一重机有限公司 | 一种挖掘机发动机的故障检测方法及故障检测装置 |
CN112183263A (zh) * | 2020-09-17 | 2021-01-05 | 昆明理工大学 | 一种基于改进的iceemd和hd的单向阀早期故障信号降噪方法 |
CN113158896A (zh) * | 2021-04-21 | 2021-07-23 | 中国民航大学 | 一种传递路径下的滚动轴承滚动体微弱故障特征提取方法 |
CN113376496A (zh) * | 2021-05-21 | 2021-09-10 | 南京航空航天大学 | 基于豪斯多夫距离的自耦变压整流器二极管故障诊断方法 |
CN116756490A (zh) * | 2023-06-15 | 2023-09-15 | 沈阳航空航天大学 | 一种基于贝塔分布与eemd-cmse的滚动轴承故障预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198183A (zh) * | 2014-09-17 | 2014-12-10 | 重庆大学 | 风电机组传动链振动噪声抑制及其早期故障特征提取方法 |
CN104483127A (zh) * | 2014-10-22 | 2015-04-01 | 徐州隆安光电科技有限公司 | 一种行星齿轮微弱故障特征信息提取方法 |
CN105258789A (zh) * | 2015-10-28 | 2016-01-20 | 徐州医学院 | 一种振动信号特征频率带的提取方法及装置 |
CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
-
2019
- 2019-11-22 CN CN201911153783.6A patent/CN111077386A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198183A (zh) * | 2014-09-17 | 2014-12-10 | 重庆大学 | 风电机组传动链振动噪声抑制及其早期故障特征提取方法 |
CN104483127A (zh) * | 2014-10-22 | 2015-04-01 | 徐州隆安光电科技有限公司 | 一种行星齿轮微弱故障特征信息提取方法 |
CN105258789A (zh) * | 2015-10-28 | 2016-01-20 | 徐州医学院 | 一种振动信号特征频率带的提取方法及装置 |
CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
党建: "大型旋转机械振动信号分析与早期故障辨识方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111579933A (zh) * | 2020-06-03 | 2020-08-25 | 武汉理工大学 | 一种基于Hausdroff算法的配电网故障区段定位方法 |
CN111811642A (zh) * | 2020-07-22 | 2020-10-23 | 三一重机有限公司 | 一种挖掘机发动机的故障检测方法及故障检测装置 |
CN112183263A (zh) * | 2020-09-17 | 2021-01-05 | 昆明理工大学 | 一种基于改进的iceemd和hd的单向阀早期故障信号降噪方法 |
CN112183263B (zh) * | 2020-09-17 | 2022-11-04 | 昆明理工大学 | 一种基于改进的iceemd和hd的单向阀早期故障信号降噪方法 |
CN113158896A (zh) * | 2021-04-21 | 2021-07-23 | 中国民航大学 | 一种传递路径下的滚动轴承滚动体微弱故障特征提取方法 |
CN113376496A (zh) * | 2021-05-21 | 2021-09-10 | 南京航空航天大学 | 基于豪斯多夫距离的自耦变压整流器二极管故障诊断方法 |
CN116756490A (zh) * | 2023-06-15 | 2023-09-15 | 沈阳航空航天大学 | 一种基于贝塔分布与eemd-cmse的滚动轴承故障预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111077386A (zh) | 一种电气设备早期故障信号降噪方法 | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
Li et al. | Multiscale symbolic diversity entropy: a novel measurement approach for time-series analysis and its application in fault diagnosis of planetary gearboxes | |
CN102620928A (zh) | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
Chen et al. | Wavelet denoising for the vibration signals of wind turbines based on variational mode decomposition and multiscale permutation entropy | |
CN103439110A (zh) | 滚动轴承早期微弱故障诊断方法 | |
CN105784353A (zh) | 一种风力发电机齿轮箱故障诊断方法 | |
CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
CN103018629A (zh) | 一种基于马拉算法的电力***故障录波数据分析方法 | |
Li et al. | Period-assisted adaptive parameterized wavelet dictionary and its sparse representation for periodic transient features of rolling bearing faults | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及*** | |
CN111639852B (zh) | 基于小波奇异值的水电机组振动状态实时评估方法及*** | |
Huang et al. | An improved empirical wavelet transform method for rolling bearing fault diagnosis | |
CN108197073B (zh) | 一种改进的电动汽车充电电能信号特征分析方法 | |
Zhu et al. | Complex disturbances identification: A novel PQDs decomposition and modeling method | |
Li et al. | Rotating machinery fault diagnosis based on typical resonance demodulation methods: a review | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
Zhao et al. | Research on constructing a degradation index and predicting the remaining useful life for rolling element bearings of complex equipment | |
Lv et al. | Longitudinal synchroextracting transform: A useful tool for characterizing signals with strong frequency modulation and application to machine fault diagnosis | |
Xu et al. | Online detection method for variable load conditions and anomalous sound of hydro turbines using correlation analysis and PCA-adaptive-K-means | |
CN108334822B (zh) | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |