[發明專利]一種EEMD和GZC機器狀態監測方法及裝置

在審

• 申請號: 202011238756.1
• 申請日: 2020-11-09
• 公開（公告）號: CN112683391A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 豆春玲;寇興磊
• 申請（專利權）人: 山東柯瑞申智能科技有限公司
• 主分類號: G01H17/00
• 分類號: G01H17/00;G01M13/00;G01M13/021;G01M13/028;G06F17/15
• 代理公司: 濰坊德信中恒知識產權代理事務所(普通合伙) 37302
• 代理人: 尉金洪

本發明公開了一種EEMD和GZC機器狀態監測方法及裝置，利用EEMD算法對設備振動信號進行分解，利用非線性判別算法去除分解噪聲分量和趨勢項，保留分形信號分量，采用Newton插值函數對極值點進行插值，利用最小二乘法擬合包絡，分離頻率調制部分，利用GZC算法估計瞬時頻率并計算相應的瞬時尺度，根據分析尺度確定振動信號去趨勢結果，計算去趨勢信號的多重分形譜，提取多重分形譜的左端點、右端點和極值點坐標作為設備運行狀態的特征參數，識別設備運行狀態，將上述算法部署到設備狀態監測裝置，能夠準確區分設備運行狀態，設備狀態監測裝置具有良好的柔性和便攜性，便于工程應用。

技術領域

本發明涉及設備狀態監測與故障診斷領域，具體涉及一種EEMD和GZC機器狀態監測方法及裝置。

背景技術

設備振動信號包含豐富的分形特征，這些分形特征能夠描述設備的運行狀態。盒維數、功率譜分析和重標極差方法可以估計平穩信號的單重分形參數，去趨勢波動分析（DFA）能夠估計非平穩信號的單重分形維數。然而，設備出現故障時，其振動信號通常是非平穩的，且具有多重分形特征，這時傳統的分形維數估計方法會產生比較大的誤差。多重分形去趨勢波動分析（MFDFA）能夠估計非平穩信號的多重分形參數，但是MFDFA方法存在著分析尺度需要人工確定、擬合多項式趨勢階數難以確定和數據段之間不連續的問題。目前，已經有文獻提出了基于EMD的MFDFA版本（MFDFAemd），用來解決MFDFA存在的問題。然而，MFDFAemd采用的線性濾波方法容易破壞原始信號的分形結構，且存在著負頻率現象，這些缺陷嚴重影響了MFDFAemd的應用效果。綜上所述，現有技術難以準確提取設備振動信號的多重分形特征，難以準確檢測設備運行狀態。

發明內容

本發明要解決的問題是針對以上不足，提出一種EEMD和GZC機器狀態監測方法及裝置（本發明提出的方法簡稱為MFDFAoeemd）。采用本發明所提出的方法對設備振動信號進行分析，能夠有效提取設備振動信號的多重分形特征，克服MFDFA方法存在的分析尺度需要人工確定、擬合多項式趨勢階數難以確定和數據段之間不連續的問題，解決MFDFAemd方法存在的原始信號分形結構破壞和負頻率現象，具有分析結果準確度和精確度高，設備運行狀態識別結果正確率高等優點。

為解決以上技術問題，本發明采取的技術方案如下： 一種EEMD和GZC機器狀態監測方法，其特征在于：包括以下步驟：

步驟1：利用加速度傳感器以采樣頻率fs測取設備振動信號x（k）, k=1, 2, …,N，N為采樣信號的長度；

步驟2：采用集合經驗模式分解（Ensemble Empirical Mode Decomposition,EEMD）算法將信號x（k）分解成n個分量和一個趨勢項之和，即，其中，c_i（k）代表由EEMD算法得到的第i個分量，r_n（k）代表由EEMD算法得到的趨勢項，本例中，n=10；

步驟3：采用非線性判別算法從EEMD分解結果中排除噪聲分量和趨勢項，保留包含分形特征的分量c_f（k）, f=1,2,…,p，p代表濾波后剩余分量的數量；

步驟4：確定c_f（k）的局部極大值和局部極小值，采用Newton插值函數分別對c_f（k）的局部極大值和局部極小值進行插值，利用最小二乘法分別擬合c_f（k）的上包絡u(k)和下包絡l(k)，則c_f（k）的包絡定義為，符號|x|表示對x取絕對值；

步驟5：重復執行公式 m次，j=1,2,…,m，直到，

得到c_f（k）的頻率調制部分FM^m(k)，e^j(k)代表c^j(k)的包絡，c^j(k)=FM^(j-1)(k)，c¹(k)= c_f（k）；