CN116698385A - 一种抗强噪声干扰的机械设备健康状态监测方法和装置 - Google Patents
一种抗强噪声干扰的机械设备健康状态监测方法和装置 Download PDFInfo
- Publication number
- CN116698385A CN116698385A CN202310652102.0A CN202310652102A CN116698385A CN 116698385 A CN116698385 A CN 116698385A CN 202310652102 A CN202310652102 A CN 202310652102A CN 116698385 A CN116698385 A CN 116698385A
- Authority
- CN
- China
- Prior art keywords
- imf
- connotation
- signal
- modal
- noise
- 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 49
- 230000036541 health Effects 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005314 correlation function Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000003862 health status Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012216 screening 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种抗强噪声干扰的机械设备健康状态监测方法和装置,所述方法包含:步骤1:采集机械设备在不同位置的振动信号,选取输入信号;步骤2:基于CEEMDAN算法分解振动信号,根据KL散度区分噪声占主导的内涵模态分量IMF与信号占主导的内涵模态分量IMF;步骤3:基于小波阈值去噪方法,对噪声占主导的内涵模态分量IMF进行降噪处理;步骤4:将去噪后的噪声占主导的内涵模态分量IMF与信号占主导的内涵模态分量IMF重构成去噪后的振动信号;步骤5:判断机械设备的健康状况。本发明能够对振动信号进行降噪处理的同时,能够保障故障特征的完整性,以更快更准确的提取机械设备的故障特征,判断机械设备健康状况。
Description
技术领域
本发明涉及机械设备故障诊断领域,具体涉及一种抗强噪声干扰的机械设备健康状态监测方法和装置。
背景技术
我国制造业飞速发展,各种机械设备正不断推陈出新,我国航空航天飞行器、大型发电机组、燃气轮机机组、舰船、深潜设备等重大机械设备呈现的大型化、复杂化、部件整体化发展趋势,这势必对其运行指标提出更加苛刻的要求。机械设备中的关键部件,例如直升机中的减速器,燃气轮机机组中的燃气轮机,其健康状态直接关系到整个设备的工作状态,所以对机械设备中的关键部分进行健康监测非常重要。当机械设备开始工作时,会产生大量振动信号,并伴随有强噪声。机械设备的振动信号中含有丰富的有关于机械设备的健康信息。当机械设备发生故障时,其振动信号的振幅会明显增大,其信号特征也会发生相应改变。因此,提取振动信号的特征,进而实现机械设备的健康监测非常重要。目前,基于振动信号的振动信号特征提取主要分为时域和频谱两种方式,时域振动信号特征提取方式包括EMD(经验模态分解)等方法,频谱振动信号特征提取方式主要包括倒频谱等方法。但是当机械设备发生故障时,其振动信号具有多信号耦合,信号微弱和强噪声干扰的特点,传统的振动信号特征提取方式并不能有效提取故障特征。EMD方法易产生模态混叠,端点效应等问题,不能够很好的分解振动信号,进而提取时域故障特征。由于噪声以及多信号耦合的特点,通过倒频谱等方式提取频域故障特征也不理想,难以通过提取的特征进行健康监测。所以,需要一种新的健康监测方法,能够消除噪声影响的同时,增强故障特征,以便更早和更准确的判断机械设备的健康状态,避免发生更大的损失。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种抗强噪声干扰的机械设备健康状态监测方法,所述方法具体包括如下步骤:
包括以下步骤:
步骤1,通过两个以上安放在机械设备不同位置的加速度传感器,获得在不同位置上机械设备运行时的振动信号,并对采集的振动信号进行分析,计算有效值(RMF分量),选择有效值最大的作为振动敏感位置,并将敏感位置的振动信号作为输入信号;
步骤2,对输入信号进行处理,得到噪声占主导的内涵模态分量IMF(IntrinsicMode Functions,IMF)和信号占主导的内涵模态分量IMF;
步骤3,利用小波阈值去噪方法对各内涵模态分量IMF进行去噪处理;
步骤4,将去噪后的噪声占主导的内涵模态分量IMF与信号占主导的内涵模态分量IMF结合,构成去噪后的振动信号;
步骤5,对去噪后的振动信号采用增强包络谱的方法,提取故障特征,从而判断机械设备的健康状况。
步骤2包括:
步骤2-1,选取一组振动信号x(t),将标准正态分布的高斯白噪声ωi(t)加入到振动信号x(t)中,得到待处理信号x(t)+ζωi(t),其中,ζ为噪声的标准差;
步骤2-2,利用经验模态分解算法EMD,对待处理信号进行I次重复分解后,进行算数平均,得到IMF1分量IMF1(t)为:
其中,IMF1(t)为从信号中分解的第一个内涵模态分量IMF,IMF1 i(t)为信号经过I次重复分解后得到的第一个内涵模态分量IMF,共有I个;
去除第一阶IMF1(t)后的残余分量r1(t)为:
r1(t)=x(t)-IMF1(t);
步骤2-3,定义从待处理信号的经验模态分解算法EMD中获得的第j个模态函数分量的算子为Ej(·),1≤j≤K,再次将标准正态分布的高斯白噪声ωi(t)加入到分量r1(t)中,对信号r1(t)+ζE1[ωi(t)]再次通过经验模态分解算法EMD进行I次重复分解,得到IMF2分量为:
得到去除第二阶分量IMF2的残余分量r2(t):
r2(t)=r1(t)-IMF2(t)
依此类推,将原始振动信号分解为K个模态函数分量,最终将原始振动信号表示为:
其中,IMFk(t)表示分解的K个模态函数分量;
步骤2-5,确定噪声占主导的内涵模态分量IMF和信号占主导的内涵模态分量IMF的临界点。
步骤2-4包括:
步骤2-4-1,设需要计算的内涵模态分量IMF的离散ni表示为:ni=[x1,x2,x3,…,xn],其中,原始振动信号的离散N表示为:N=[y1,y2,y3,…,yn],yn为传感器第n次采集时的振动信号的幅值;采用如下公式计算内涵模态分量IMF的概率分布p(x):
其中,k为高斯核函数,为信号的均值,h为一已知的正数,其计算公式如下:
其中,e表示自然常数,u为xi与的差;
同理得到原始振动信号的概率分布q(y);
步骤2-4-2,计算内涵模态分量IMF与原始振动信号的KL距离δ(p,q)、δ(q,p):
δ(q,p)的计算公式如下:
步骤2-4-3,得到原始振动信号与内涵模态分量IMF的KL散度值KL(p||q):
KL(p||q)=δ(p,q)+δ(q,p)。
步骤2-5包括:
步骤2-5-1,将各层内涵模态分量IMF的KL散度依次相减,得到KL散度的差分曲线;
步骤2-5-2,基于所述差分曲线,选取第一个大于0的差值点作为噪声占主导的内涵模态分量IMF与信号占主导内涵模态分量IMF的临界点,将第一个大于0的差值点之前的内涵模态分量IMF作为噪声占主导的内涵模态分量IMF,在第一个大于0的差值点之后的内涵模态分量IMF作为信号占主导的内涵模态分量IMF。
步骤3包括:
步骤3-1,采用morlet小波作为小波阈值去噪方法的小波基;
步骤3-2,预设分解层数为X(一般取值为5)层;
步骤3-3,设置小波系数阈值函数:
其中,表示小波系数阈值函数;ωj,k表示小波系数;a为一常数;sgn()为符号函数;λ1和λ2为阈值,且λ1=aλ2,0<a≤1,λ1由以下式子得到:
λ1=σ2 lgM
其中M表示通过小波阈值去噪的信号长度;σ表示第k层噪声的标准差,由下式估算:
其中,median(|ωj,k|)为k层分解的小波系数绝对值的中值。
步骤5包括:
步骤5-1,设去噪后的振动信号为x(n),其自相关函数rx(τ)为:
rx(τ)=E[x(n)x*(n+τ)]
其中,E为相关函数,τ=1,2,…,n-1为时间延迟,x*为x的共轭,x为去噪后的振动信号x(n);
步骤5-2,求自相关包络谱:
通过希尔伯特-黄变换,求自相关包络Rx(n+τ),再进行傅里叶变换求自相关包络谱H(k);
步骤5-3,求增强包络谱:
广义香农熵M(k)的定义为:
M(k)=H(k)log2 H(k)
其中H(k)为自相关包络谱;
定义增强包络谱为:
其中,k=1,2,…,n;s为自相关包络谱H(k)的标准差。
本发明还提供了一种抗强噪声干扰的机械健康状态监测装置,包括数据采集模块、信号处理模块和特征提取模块;
所述数据采集模块通过两个以上安放在机械设备不同位置的加速度传感器,获得在不同位置上机械设备运行时的振动信号,并对采集的振动信号进行分析进而选取n个振动敏感位置,并将敏感位置的n组振动信号作为输入信号
所述信号处理模块用于对采集到的n组振动信号进行预处理,得到去噪后的振动信号;
所述特征提取模块用于对降噪后的数据进行处理,提取故障特征。
所述信号处理模块包括分解模块、IMF区分模块和去噪模块;
所述分解模块基于完全集合经验模态分解CEEMDAN算法,对添加自适应白噪声的原始振动信号采用经验模态分解算法EMD分解,获得第1层至第n层的内涵模态分量IMF和残差rh(n);
所述IMF区分模块基于KL散度算法,得到噪声占主导的内涵模态分量IMF和信号占主导的内涵模态分量IMF;
所述去噪模块基于预设的小波阈值算法的小波基、分解层数、阈值和阈值函数,对噪声占主导的内涵模态分量IMF进行去噪处理。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述一种抗强噪声干扰的机械设备健康状态监测方法。
本发明具有如下有益效果:首先,本发明基于信号的有效值进行机械设备不同位置的振动信号的筛选,选取输入信号,提高了识别故障的精度;其次,本发明通过构建CEEMDAN-小波阈值降噪的方式,通过信号重构-小波阈值降噪的方式,去除信号中的噪声;最后,本发明提出基于CEEMDAN-小波阈值和增强包络谱的方法,能够得到较为清晰的频谱图,提高了故障特征提取的精度。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明方法总体流程图。
图2为振动信号经CEEMDAN分解后得到的IMF图。
图3为经小波阈值去噪方法处理后得到的噪声占主导的内涵模态分量IMF。
图4为经增强包络谱算法得到的增强包络谱图。
图5为KL散度差分曲线图。
图6为本发明装置功能模块组成图。
具体实施方式
利用振动信号检测机械设备时,会针对振动信号的时域与频域特征信息来反映机械设备的健康状况,在机械设备发生故障时,其振动信号的频域部分会出现相应故障特征频率,但是,待检测的振动信号通常夹杂着大量混叠的噪声信号,故障特征频率难以提取。由此,本发明基于CEEMDAN分解算法,引入白噪声改善传统EMD分解方法模态混叠和端点效应的问题,通过计算CEEMDAN分解后的各分量于原始振动信号的KL散度来区分噪声占主导的IMF信号和信号占主导的IMF信号,具体是通过IMF的KL散度的差分曲线中第一个过零点来确定IMF的区分点,在差分曲线的过零点之前的内涵模态分量IMF被视为噪声占主导的内涵模态分量IMF,在差分曲线过零点之后的内涵模态分量IMF被视为信号占主导的内涵模态分量IMF。基于预设的小波阈值去噪函数,对噪声占主导的内涵模态分量IMF分别进行小波阈值去噪处理。随后将分别去噪后的内涵模态分量IMF通过相加的方式得到利用小波阈值去噪后的振动信号。基于增强包络谱方法,将振动信号的故障特征增强,以便更好的提取机械设备的故障特征。
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本发明公开了一种抗强噪声干扰的机械设备健康状态监测方法和装置,具体结构如图6所示,包括如下步骤:
步骤1:通过多个安放在机械设备不同位置的加速度传感器,获得在多个位置上机械设备运行时的振动信号,并对采集的振动信号进行分析进而选取振动敏感位置,并将敏感位置的振动信号作为振动信号特征提取算法的输入信号;
步骤2:提取步骤1中获得的机械设备敏感位置的振动信号,基于CEEMDAN(完全集合经验模态分解)分解算法,对添加自适应白噪声的原始振动信号采用EMD分解算法进行模态分解,获得第一层到第n层的内涵模态分量IMF和残差r(n),如图2所示。并通过KL散度法,将各内涵模态分量IMF与原始振动信号的KL散度分别计算出来,通过IMF的KL散度的差分曲线中第一个过零点来确定IMF的区分点,在差分曲线的过零点之前的内涵模态分量IMF被视为噪声占主导的内涵模态分量IMF,在差分曲线过零点之后的内涵模态分量IMF被视为信号占主导的内涵模态分量IMF,具体实施方式如图5所示。
步骤201:选取一组振动信号x(t),将标准正态分布的高斯白噪声ωi(t)加入到振动信号x(t)中,得到待处理信号x(t)+ζωi(t)。其中,ζ为噪声的标准差。
步骤202:利用EMD方法,对步骤201获得的待处理信号进行I次重复分解后,对其进行算数平均,可得到IMF1分量为:
去除第一阶IMF1(t)后的残余分量为:
r1(t)=x(t)-IMF1(t)
步骤203:定义从待处理信号的EMD分解中获得的第j个模态函数分量的算子为Ej(·)。再次将标准正态分布的高斯白噪声ωi(t)加入到分量r1(t)中,则对信号r1(t)+ζE1[ωi(t)]再次通过EMD方法进行I次重复分解,可得到IMF2分量为:
则可以得到去除第二阶分量IMF2的残余分量:
r2(t)=r1(t)-IMF2(t)
依此类推,可以将原始振动信号分解为K个模态函数分量,最终将原始振动信号表示为:
式中,R(t)为最终残余分量。
步骤204:计算各IMF分量和原始振动信号之间的KL散度。
KL散度的计算步骤包括:
1.设需要计算的内涵模态分量IMF的离散表示为:ni=[x1,x2,x3,…,xn],原始振动信号为:N=[y1,y2,y3,…,yn],其概率分布分别为p(x),q(y),分别计算内涵模态分量IMF与原始振动信号的概率分布,计算IMF概率分布计算公式如下:
其中,k为高斯核函数,其计算公式如下:
同理,可以得到原始振动信号的概率分布q(y)
2.计算内涵模态分量IMF与原始振动信号的KL距离δ(p,q)、δ(q,p):
同理可以得到δ(q,p)。
3.得到原始振动信号与内涵模态分量IMF的KL散度值KL(p||q):
KL(p||q)=δ(p,q)+δ(q,p)
步骤3:提取噪声占主导的内涵模态分量IMF,利用小波阈值去噪方法对噪声占主导的各内涵模态分量IMF进行去噪处理;预设小波阈值算法的小波基,分解层数、阈值,阈值函数,基于预设的所述小波阈值算法,对噪声占主导的内涵模态分量IMF进行去噪处理。
步骤301:设置小波基:采用morlet小波小波作为小波阈值去噪方法的小波基。
步骤302:在步骤301的基础上,设置分解层数:预设分解层数为5层;
步骤303:在步骤302的基础上,设置小波系数阈值函数,阈值函数的表达式如下:
其中,λ1和λ2为阈值,且λ1=aλ2,(0<a≤1),λ1可以由以下式子得到:
λ1=σ2 lgM
式中,M表示通过小波阈值去噪的信号长度;σ表示第k层噪声的标准差,可以由下式估算:
其中,median(|ωj,k|)为k层分解的小波系数绝对值的中值。
进一步的,噪声占主导的内涵模态分量IMF将分别进行小波阈值去噪,随后将分别去噪后的内涵模态分量IMF通过相加的方式得到利用小波阈值去噪后的振动信号。
步骤4:将利用小波阈值去噪后的噪声占主导的内涵模态分量IMF结合而成的振动信号与信号占主导的内涵模态分量IMF通过相加的方式结合成去噪后的振动信号,得到的振动信号如图3所示。
步骤5:
计算去噪后的振动信号的增强包络谱,如图4所示,增强包络谱的具体计算流程如下:
步骤501计算自相关函数:设去噪后的振动信号为x(n),其自相关函数为:
rx(τ)=E[x(n)x*(n+τ)]
其中,τ=1,2,…,n-1为时间延迟,x*为x的共轭。
步骤502:求自相关包络谱
通过希尔伯特-黄变换,求自相关包络Rx(n+τ),再进行傅里叶变换求自相关包络谱H(k)。
步骤503,求增强包络谱:
广义香农熵M(k)的定义为:
M(k)=H(k)log2H(k)
其中H(k)为自相关包络谱;
定义增强包络谱为:
其中,k=1,2,…,n;s为自相关包络谱H(k)的标准差。
根据增强包络谱的计算结果,绘制增强包络谱图,在增强包络谱中根据特征频率来提取机械设备的故障信息。
本发明提供了一种抗强噪声干扰的机械设备健康状态监测方法和装置,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种抗强噪声干扰的机械设备健康状态监测方法,其特征在于,包括以下步骤:
步骤1,通过两个以上安放在机械设备不同位置的加速度传感器,获得在不同位置上机械设备运行时的振动信号,并对采集的振动信号进行分析,计算有效值,选择有效值最大的作为振动敏感位置,并将敏感位置的振动信号作为输入信号;
步骤2,对输入信号进行处理,得到噪声占主导的内涵模态分量IMF和信号占主导的内涵模态分量IMF;
步骤3,利用小波阈值去噪方法对各内涵模态分量IMF进行去噪处理;
步骤4,将去噪后的噪声占主导的内涵模态分量IMF与信号占主导的内涵模态分量IMF结合,构成去噪后的振动信号;
步骤5,对去噪后的振动信号采用增强包络谱的方法,提取故障特征,从而判断机械设备的健康状况。
2.根据权利要求1所述的方法,其特征在于,步骤2包括:
步骤2-1,选取一组振动信号x(t),将标准正态分布的高斯白噪声ωi(t)加入到振动信号x(t)中,得到待处理信号x(t)+ζωi(t),其中,ζ为噪声的标准差;
步骤2-2,利用经验模态分解算法EMD,对待处理信号进行I次重复分解后,进行算数平均,得到IMF1分量IMF1(t)为:
其中,IMF1(t)为从信号中分解的第一个内涵模态分量IMF,IMF1 i(t)为信号经过I次重复分解后得到的第一个内涵模态分量IMF,共有I个;
去除第一阶IMF1(t)后的残余分量r1(t)为:
r1(t)=x(t)-IMF1(t);
步骤2-3,定义从待处理信号的经验模态分解算法EMD中获得的第j个模态函数分量的算子为Ej(·),1≤j≤K,再次将标准正态分布的高斯白噪声ωi(t)加入到分量r1(t)中,对信号r1(t)+ζE1[ωi(t)]再次通过经验模态分解算法EMD进行I次重复分解,得到IMF2分量为:
得到去除第二阶分量IMF2的残余分量r2(t):
r2(t)=r1(t)-IMF2(t)
依此类推,将原始振动信号分解为K个模态函数分量,最终将原始振动信号表示为:
其中,IMFk(t)表示分解的K个模态函数分量;
步骤2-5,确定噪声占主导的内涵模态分量IMF和信号占主导的内涵模态分量IMF的临界点。
3.根据权利要求2所述的方法,其特征在于,步骤2-4包括:
步骤2-4-1,设需要计算的内涵模态分量IMF的离散ni表示为:ni=[x1,x2,x3,…,xn],其中,原始振动信号的离散N表示为:N=[y1,y2,y3,…,yn],yn为传感器第n次采集时的振动信号的幅值;采用如下公式计算内涵模态分量IMF的概率分布p(x):
其中,k为高斯核函数,为信号的均值,h为一已知的正数,其计算公式如下:
其中,e表示自然常数,u为xi与的差;
同理得到原始振动信号的概率分布q(y);
步骤2-4-2,计算内涵模态分量IMF与原始振动信号的KL距离δ(p,q)、δ(q,p):
δ(q,p)的计算公式如下:
步骤2-4-3,得到原始振动信号与内涵模态分量IMF的KL散度值KL(p||q):
KL(p||q)=δ(p,q)+δ(q,p)。
4.根据权利要求3所述的方法,其特征在于,步骤2-5包括:
步骤2-5-1,将各层内涵模态分量IMF的KL散度依次相减,得到KL散度的差分曲线;
步骤2-5-2,基于所述差分曲线,选取第一个大于0的差值点作为噪声占主导的内涵模态分量IMF与信号占主导内涵模态分量IMF的临界点,将第一个大于0的差值点之前的内涵模态分量IMF作为噪声占主导的内涵模态分量IMF,在第一个大于0的差值点之后的内涵模态分量IMF作为信号占主导的内涵模态分量IMF。
5.根据权利要求4所述的方法,其特征在于,步骤3包括:
步骤3-1,采用morlet小波作为小波阈值去噪方法的小波基;
步骤3-2,预设分解层数为X(一般取值为5)层;
步骤3-3,设置小波系数阈值函数:
其中,表示小波系数阈值函数;ωj,k表示小波系数;a为一常数;sgn()为符号函数;λ1和λ2为阈值,且λ1=aλ2,0<a≤1,λ1由以下式子得到:
λ1=σ2lgM
其中M表示通过小波阈值去噪的信号长度;σ表示第k层噪声的标准差,由下式估算:
其中,median(|ωj,k|)为k层分解的小波系数绝对值的中值。
6.根据权利要求5所述的方法,其特征在于,步骤5包括:
步骤5-1,设去噪后的振动信号为x(n),其自相关函数rx(τ)为:
rx(τ)=E[x(n)x*(n+τ)]
其中,E为相关函数,τ=1,2,…,n-1为时间延迟,x*为x的共轭,x为去噪后的振动信号x(n);
步骤5-2,求自相关包络谱:
通过希尔伯特-黄变换,求自相关包络Rx(n+τ),再进行傅里叶变换求自相关包络谱H(k);
步骤5-3,求增强包络谱。
7.根据权利要求6所述的方法,其特征在于,步骤5-3包括:广义香农熵M(k)的定义为:
M(k)=H(k)log2 H(k)
其中H(k)为自相关包络谱;
定义增强包络谱为:
其中,k=1,2,…,n;s为自相关包络谱H(k)的标准差。
8.一种抗强噪声干扰的机械健康状态监测装置,其特征在于,包括数据采集模块、信号处理模块和特征提取模块;
所述数据采集模块通过两个以上安放在机械设备不同位置的加速度传感器,获得在不同位置上机械设备运行时的振动信号,并对采集的振动信号进行分析进而选取n个振动敏感位置,并将敏感位置的n组振动信号作为输入信号
所述信号处理模块用于对采集到的n组振动信号进行预处理,得到去噪后的振动信号;
所述特征提取模块用于对降噪后的数据进行处理,提取故障特征。
9.根据权利要求8所述的一种抗强噪声干扰的机械健康状态监测装置,其特征在于,所述信号处理模块包括分解模块、IMF区分模块和去噪模块;
所述分解模块基于完全集合经验模态分解CEEMDAN算法,对添加自适应白噪声的原始振动信号采用经验模态分解算法EMD分解,获得第1层至第n层的内涵模态分量IMF和残差rh(n);
所述IMF区分模块基于KL散度算法,得到噪声占主导的内涵模态分量IMF和信号占主导的内涵模态分量IMF;
所述去噪模块基于预设的小波阈值算法的小波基、分解层数、阈值和阈值函数,对噪声占主导的内涵模态分量IMF进行去噪处理。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652102.0A CN116698385A (zh) | 2023-06-05 | 2023-06-05 | 一种抗强噪声干扰的机械设备健康状态监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652102.0A CN116698385A (zh) | 2023-06-05 | 2023-06-05 | 一种抗强噪声干扰的机械设备健康状态监测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116698385A true CN116698385A (zh) | 2023-09-05 |
Family
ID=87844442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310652102.0A Pending CN116698385A (zh) | 2023-06-05 | 2023-06-05 | 一种抗强噪声干扰的机械设备健康状态监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116698385A (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
- 2023-06-05 CN CN202310652102.0A patent/CN116698385A/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 |
---|---|---|
Rai et al. | A review on signal processing techniques utilized in the fault diagnosis of rolling element bearings | |
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 | |
US8073634B2 (en) | Method to extract target signals of a known type from raw data containing an unknown number of target signals, interference, and noise | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及*** | |
CN111170103B (zh) | 设备故障识别方法 | |
CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
CN101936767B (zh) | 提取工程机械运行特征信号的方法 | |
CN116698385A (zh) | 一种抗强噪声干扰的机械设备健康状态监测方法和装置 | |
CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN112686096A (zh) | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 | |
CN109060347B (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
GS et al. | Evaluation of effectiveness of wavelet based denoising schemes using ANN and SVM for bearing condition classification | |
CN106771598A (zh) | 一种自适应谱峭度信号处理方法 | |
CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及*** | |
CN112180315A (zh) | 光纤电流互感器故障特征提取方法、装置及*** | |
CN114741945A (zh) | 一种航空发动机在线故障的诊断方法 | |
CN117828447A (zh) | 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法 | |
CN110147637B (zh) | 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法 | |
CN114462452B (zh) | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 | |
CN111323227A (zh) | 一种航空发动机转子故障特征的提取方法 | |
CN111144307A (zh) | 一种自主式水下机器人推进器故障特征提取方法 | |
CN116306767A (zh) | 一种改进鲸鱼优化vmd的齿轮故障诊断方法 | |
CN114441174B (zh) | 滚动轴承复合故障的诊断方法、***、设备及介质 | |
Belsak et al. | Adaptive wavelet transform method to identify cracks in gears |
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 |