[發(fā)明專(zhuān)利]一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910070010.5
• 申請(qǐng)日: 2019-01-24
• 公開(kāi)（公告）號(hào): CN109708875B
• 公開(kāi)（公告）日: 2020-11-10
• 發(fā)明（設(shè)計(jì)）人: 周小龍;楊恭勇;姜振海;馬風(fēng)雷
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北華大學(xué)
• 主分類(lèi)號(hào): G01M13/028
• 分類(lèi)號(hào): G01M13/028
• 代理公司: 北京君泊知識(shí)產(chǎn)權(quán)代理有限公司 11496
• 代理人: 王程遠(yuǎn)

1.一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，包括如下步驟：

S1、數(shù)據(jù)采集：對(duì)轉(zhuǎn)子出現(xiàn)故障時(shí)的振動(dòng)信號(hào)進(jìn)行采集，并記錄；

S2、信號(hào)分解：將采集到的轉(zhuǎn)子振動(dòng)信號(hào)通過(guò)變分模態(tài)分解，得到一系列固有模態(tài)函數(shù)分量；

S3、選取分量：根據(jù)相應(yīng)選取準(zhǔn)則，從步驟S2中的固有模態(tài)函數(shù)分量中，選取一系列的敏感固有模態(tài)函數(shù)分量；

S4、模型建立：根據(jù)所得數(shù)據(jù)建立二階Volterra自適應(yīng)預(yù)測(cè)模型，并獲取相應(yīng)參數(shù)；

S5、建立向量矩陣：根據(jù)步驟S4所得參數(shù)，建立初始特征向量矩陣；

S6、奇異值計(jì)算：計(jì)算初始特征向量矩陣的奇異值，并根據(jù)計(jì)算出的數(shù)據(jù)構(gòu)建奇異值特征向量；

S7、數(shù)據(jù)選取：選取步驟S6中奇異值特征向量的一部分作為標(biāo)準(zhǔn)樣本；

S8、代入檢測(cè)：根據(jù)步驟S7中選取的樣本數(shù)據(jù)，通過(guò)模糊C均值聚類(lèi)算法進(jìn)行計(jì)算；

S9、故障診斷：根據(jù)步驟S8中模糊C均值聚類(lèi)算法計(jì)算出的結(jié)果，分析出轉(zhuǎn)子故障原因。

2.根據(jù)權(quán)利要求1所述的一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，所述步驟S1中，轉(zhuǎn)子出現(xiàn)故障時(shí)，轉(zhuǎn)子的振動(dòng)信號(hào)出現(xiàn)非平穩(wěn)性，對(duì)振動(dòng)信號(hào)進(jìn)行采集，同時(shí)會(huì)對(duì)轉(zhuǎn)子的對(duì)中情況、平衡情況、軸承座固定情況和摩擦情況進(jìn)行數(shù)據(jù)化采集，并與振動(dòng)信號(hào)一同進(jìn)行記錄。

3.根據(jù)權(quán)利要求1所述的一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，所述步驟S2中，轉(zhuǎn)子出現(xiàn)故障時(shí)，采集到的振動(dòng)信號(hào)數(shù)據(jù)會(huì)通過(guò)變分模態(tài)進(jìn)行分解，分解為一系列固有模態(tài)函數(shù)分量，并對(duì)得出的固有模態(tài)函數(shù)分量進(jìn)行記錄。

4.根據(jù)權(quán)利要求1所述的一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，所述步驟S3中，根據(jù)能量熵增量-頻域互相關(guān)系數(shù)準(zhǔn)則，從步驟S2中的得到的固有模態(tài)函數(shù)分量中，選出多個(gè)可有效表征轉(zhuǎn)子工作狀態(tài)的敏感固有模態(tài)函數(shù)分量。

5.根據(jù)權(quán)利要求1所述的一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，所述步驟S4中，根據(jù)選出的各敏感固有模態(tài)函數(shù)分量的嵌入位數(shù)和時(shí)間延遲參數(shù)進(jìn)行估計(jì)，并對(duì)其相空間進(jìn)行重構(gòu)，建立出二階Volterra自適應(yīng)預(yù)測(cè)模型，并獲取模型參數(shù)向量，進(jìn)行記錄。

6.根據(jù)權(quán)利要求1所述的一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，所述步驟S5中，根據(jù)步驟S4中獲取的模型參數(shù)向量，建立初始特征向量矩陣A＝[W₁,W₂,…,W_k]^T，式中，W₁,W₂,…,W_k為模型參數(shù)向量。

7.根據(jù)權(quán)利要求1所述的一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，所述步驟S6中，根據(jù)步驟S5得出的初始特征向量矩陣，對(duì)奇異值進(jìn)行歸一化處理，得出奇異值熵，計(jì)算初始特征向量矩陣的奇異值p＝{p₁,p₂,…,p_k}，并根據(jù)計(jì)算出的數(shù)據(jù)，構(gòu)建奇異值特征向量式中，為歸一化奇異值，P_i＝p_i，H為奇異值熵。

8.根據(jù)權(quán)利要求1所述的一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，所述步驟S7中，根據(jù)步驟S6中得出的奇異值向量數(shù)據(jù)，選取其中一部分作為標(biāo)準(zhǔn)樣本，并計(jì)算出標(biāo)準(zhǔn)樣本的均值進(jìn)行記錄。

9.根據(jù)權(quán)利要求1所述的一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，所述步驟S8中，選取步驟S7中計(jì)算出的標(biāo)準(zhǔn)樣本的均值，作為模糊C均值聚類(lèi)算法的初始聚類(lèi)中心，剩余樣本作為檢測(cè)樣本，采用模糊C均值聚類(lèi)算法進(jìn)行計(jì)算，得出數(shù)據(jù)并進(jìn)行記錄。

10.根據(jù)權(quán)利要求1所述的一種基于變分模態(tài)分解Volterra模型奇異值熵的轉(zhuǎn)子故障診斷方法，其特征在于，所述步驟S9中，根據(jù)步驟S8中模糊C均值聚類(lèi)算法計(jì)算得出的數(shù)據(jù)，進(jìn)行數(shù)據(jù)分析比對(duì)，得出轉(zhuǎn)子故障原因，并對(duì)數(shù)據(jù)進(jìn)行記錄。