[發(fā)明專利]一種基于CEEMDAN的轉(zhuǎn)子運(yùn)行狀態(tài)監(jiān)測方法

在審

• 申請?zhí)枺?/td>: 201811083048.8
• 申請日: 2018-09-17
• 公開（公告）號: CN109253872A
• 公開（公告）日: 2019-01-22
• 發(fā)明（設(shè)計）人: 葛春雪
• 申請（專利權(quán)）人: 華西能源工程有限公司
• 主分類號: G01M13/00
• 分類號: G01M13/00
• 代理公司: 成都九鼎天元知識產(chǎn)權(quán)代理有限公司 51214
• 代理人: 夏琴

本發(fā)明涉及自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解技術(shù)領(lǐng)域，公開了一種基于CEEMDAN的轉(zhuǎn)子運(yùn)行狀態(tài)監(jiān)測方法。具體包括以下過程：利用ZT?3轉(zhuǎn)子振動模擬試驗臺模擬轉(zhuǎn)子的振動過程，通過傳感器采集到的振動狀態(tài)參數(shù)作為數(shù)據(jù)樣本；針對數(shù)據(jù)樣本，利用CEEMDAN方法對采集到的振動狀態(tài)參數(shù)進(jìn)行分解，并提取特征向量；利用CS?BBO算法優(yōu)化SVM分類模型，將特征向量輸入SVM分類模型中進(jìn)行分類識別，實現(xiàn)對轉(zhuǎn)子運(yùn)行狀態(tài)識別的優(yōu)化。通過本發(fā)明的技術(shù)方案，使故障特征提取效果明顯，識別過程中搜索速度高，計算速度快，識別準(zhǔn)確率明顯提高。

技術(shù)領(lǐng)域

本發(fā)明涉及自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解技術(shù)領(lǐng)域，特別是一種基于CEEMDAN的轉(zhuǎn)子運(yùn)行狀態(tài)監(jiān)測方法。

背景技術(shù)

在大型的高速旋轉(zhuǎn)機(jī)械中，轉(zhuǎn)子的受力情況較為復(fù)雜，在動葉通道中不僅要實現(xiàn)能量轉(zhuǎn)換、主軸扭矩傳遞外，還需承受動葉和主軸部件在運(yùn)轉(zhuǎn)中產(chǎn)生的離心力、各部分溫差引起的熱應(yīng)力和振動產(chǎn)生的動應(yīng)力。同時，為了使通流部分效率盡可能高，轉(zhuǎn)子和靜止部件之間所留的間隔非常小，因此只要在轉(zhuǎn)子運(yùn)行過程中稍微出現(xiàn)偏差就會引發(fā)故障，影響機(jī)械運(yùn)行的安全性。國內(nèi)外曾發(fā)生過多起因為轉(zhuǎn)子故障而導(dǎo)致的重大事故，對社會經(jīng)濟(jì)造成嚴(yán)重影響。因此，對轉(zhuǎn)子進(jìn)行準(zhǔn)確快速的在線監(jiān)測研究具有十分重要的現(xiàn)實意義。

運(yùn)行狀態(tài)下的轉(zhuǎn)子所采集到的信號是非線性、非平穩(wěn)的振動信號，如何利用有限的特征參數(shù)來表征更多的故障信息，一直是專家學(xué)者們所關(guān)注的重點。隨著信號處理技術(shù)的快速發(fā)展，特征提取的方法也在不斷地完善。目前，常用方法有經(jīng)驗?zāi)B(tài)分解、傅立葉變換、小波分析等，但這些方法都存在各自的不足。如經(jīng)驗?zāi)B(tài)分解會產(chǎn)生模態(tài)混疊現(xiàn)象及端點效應(yīng)；用傅里葉變換的方法提取信號頻譜時，需要利用信號的全部時域信息，缺少時域定位功能。通過這些智能算法獲取的準(zhǔn)確的故障特征均存在著一定的局限性，使得分類效果并不理想。

支持向量機(jī)一種以統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)的智能分類器，在解決小樣本決策問題時有較強(qiáng)的推廣能力，結(jié)構(gòu)簡單，能夠最大限度地發(fā)覺樣本數(shù)據(jù)中隱含的分類知識。但SVM在具體應(yīng)用過程中學(xué)習(xí)能力和泛化能力是由其參數(shù)決定的，因此，對其參數(shù)的優(yōu)化問題顯得尤為重要。

自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解是在集合經(jīng)驗?zāi)B(tài)分解(Ensemble EmpiricalEode Decomposition,EEMD)的基礎(chǔ)上所提出的一種自適應(yīng)數(shù)據(jù)預(yù)處理方法。它可在分解的每個階段附加有限次的白噪聲，降低求取平均值的次數(shù)，使得重構(gòu)誤差基本為零。CEEMDAN與經(jīng)驗?zāi)B(tài)分解(Empirical Eode Decomposition,EMD)相比，能夠有效地抑制模態(tài)混疊現(xiàn)象；與EEMD相比，其分解過程更具有完整性，且克服了EEMD分解效率低的問題。

至此，對于一個優(yōu)質(zhì)、高效的轉(zhuǎn)子運(yùn)行狀態(tài)監(jiān)測系統(tǒng)，必須滿足以下幾點基本要求：

(1)故障特征提取效果明顯；(2)搜索精度高；(3)計算速度快；(4)方法簡單、易實現(xiàn)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：針對上述存在的問題，提供了一種基于CEEMDAN的轉(zhuǎn)子運(yùn)行狀態(tài)監(jiān)測方法。

本發(fā)明采用的技術(shù)方案如下：一種基于CEEMDAN的轉(zhuǎn)子運(yùn)行狀態(tài)監(jiān)測方法，具體包括以下過程：

步驟1，利用ZT-3轉(zhuǎn)子振動模擬試驗臺模擬轉(zhuǎn)子的振動過程，通過傳感器采集到的振動狀態(tài)參數(shù)作為數(shù)據(jù)樣本；

步驟2，針對數(shù)據(jù)樣本，利用CEEMDAN方法對采集到的振動狀態(tài)參數(shù)進(jìn)行分解，并提取提取特征向量；

步驟3，利用CS-BBO算法優(yōu)化SVM分類模型，將特征向量輸入SVM分類模型中進(jìn)行分類識別，實現(xiàn)轉(zhuǎn)子運(yùn)行狀態(tài)優(yōu)化。