[發明專利]一種基于變分模態分解Volterra模型奇異值熵的轉子故障診斷方法

有效

• 申請號: 201910070010.5
• 申請日: 2019-01-24
• 公開（公告）號: CN109708875B
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 周小龍;楊恭勇;姜振海;馬風雷
• 申請（專利權）人: 北華大學
• 主分類號: G01M13/028
• 分類號: G01M13/028
• 代理公司: 北京君泊知識產權代理有限公司 11496
• 代理人: 王程遠

本發明公開了一種基于變分模態分解Volterra模型奇異值熵的轉子故障診斷方法，包括數據采集、信號分解、選取分量、模型建立、建立向量矩陣、奇異值計算、數據選取、代入檢測和故障診斷，本發明結構科學合理，使用安全方便，本發明在對轉子故障進行檢測時，通過變分模態分解將轉子振動信號分解為一系列固有模態函數分量，建立出二階Volterra自適應預測模型，并獲取模型參數向量，通過獲取的模型參數向量，建立初始特征向量矩陣，隨后對奇異值進行歸一化處理，得出奇異值熵，構建奇異值特征向量公式，隨后通過模糊C均值聚類算法將取出的部分樣本數據進行計算，得出數據并進行記錄，最后根據計算出的數據，得出轉子故障原因。

技術領域

本發明涉及轉子故障檢測技術領域，具體為一種基于變分模態分解Volterra模型奇異值熵的轉子故障診斷方法。

背景技術

轉子作為旋轉機械的核心部件被廣泛應用于鐵路交通、航空航天和石油化工等眾多行業。受工作環境復雜性的影響，轉子是旋轉機械設備中的易損零件。據統計，導致旋轉機械失效的因素中，轉子故障占比50％以上。當轉子出現故障時，其振動信號表現出非平穩特性，傳統時頻分析方法無法實現對轉子故障的精確診斷，因此，如何找到可有效表征轉子狀態的敏感故障特征已成為該領域研究的熱點與難點。

變分模態分解(VMD)是一種非遞歸式自適應信號處理方法，相較于EMD，VMD擁有堅實的理論基礎，它通過變分模態最優解的計算實現模態分解，且抗噪性能更佳，分解過程中可有效避免模態混疊問題的產生，保證信號故障特征提取的可靠性。

Volterra模型可有效解決信號的非平穩問題，并降低計算難度。奇異值是矩陣的固有特征，具有良好的穩定性，奇異值熵在信號信息量評估方面具有獨特優勢且不受采樣時間的影響，若將奇異值熵引入Volterra模型預測參數中，可充分利用奇異值熵在信息量分析與評估的優勢，同時有效降低模型預測參數對于采樣時間的敏感度，增加故障特征提取的準確性。

對于轉子的故障診斷，常以其振動信號的頻譜或包絡譜為分析對象，可采用模糊聚類方法對轉子信號的工作狀態和故障類型進行識別。目前基于目標函數的模糊聚類方法最為常用，其中模糊C均值聚類算法(FCM)的理論具有最好的完備性。

基于上述分析，在此提出一種基于變分模態分解Volterra奇異值熵的轉子故障識別方法。該方法首先對轉子振動信號進行VMD分解，并根據能量熵增量-頻域互相關系數準則選取可有效表征轉子特性的IMF分量。然后對各IMF分量進行相空間重構，建立Volterra自適應預測模型，獲取模型參數形成初始特征向量矩陣，并對其進行奇異值分解和歸一化處理，以求得奇異值熵，構建奇異值特征向量。最后采用FCM算法對轉子進行故障類型識別。通過對轉子實測信號的分析，驗證了所提方法的可行性。

發明內容

本發明提供一種技術方案，可以有效解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：一種基于變分模態分解Volterra模型奇異值熵的轉子故障診斷方法，包括如下步驟：

S1、數據采集：對轉子出現故障時的振動信號進行采集，并記錄；

S2、信號分解：將采集到的轉子振動信號通過變分模態分解，得到一系列固有模態函數分量；

S3、選取分量：根據相應選取準則，從步驟S2中的固有模態函數分量中，選取一系列的敏感固有模態函數分量；

S4、模型建立：根據所得數據建立二階Volterra自適應預測模型，并獲取相應參數；

S5、建立向量矩陣：根據步驟S4所得參數，并根據所得參數建立初始特征向量矩陣；

S6、奇異值計算：計算初始特征向量矩陣的奇異值，并根據計算出的數據構建奇異值特征向量；

S7、數據選取：選取步驟S6中奇異值特征向量的一部分作為標準樣本；