[發(fā)明專利]一種EEMD多尺度波動分析狀態(tài)監(jiān)測方法及裝置在審
| 申請?zhí)枺?/td> | 202011238759.5 | 申請日: | 2020-11-09 |
| 公開(公告)號: | CN112697263A | 公開(公告)日: | 2021-04-23 |
| 發(fā)明(設計)人: | 豆春玲;寇興磊 | 申請(專利權(quán))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;G06F17/10 |
| 代理公司: | 濰坊德信中恒知識產(chǎn)權(quán)代理事務所(普通合伙) 37302 | 代理人: | 尉金洪 |
| 地址: | 261061 山*** | 國省代碼: | 山東;37 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 eemd 尺度 波動 分析 狀態(tài) 監(jiān)測 方法 裝置 | ||
本發(fā)明公開了一種EEMD多尺度波動分析狀態(tài)監(jiān)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噪聲分量和趨勢項,保留分形信號分量,采用三次樣條插值函數(shù)對局部極值點進行插值,利用最小二乘法擬合包絡,分離頻率調(diào)制部分,利用TEO算法估計瞬時頻率并計算相應的瞬時尺度,根據(jù)分析尺度確定振動信號去趨勢結(jié)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、右端點和極值點所對應的奇異指數(shù)作為設備運行狀態(tài)的特征參數(shù),識別設備運行狀態(tài),將上述算法部署到設備狀態(tài)監(jiān)測裝置,能夠準確區(qū)分設備運行狀態(tài),設備狀態(tài)監(jiān)測系統(tǒng)具有良好的柔性和便攜性,便于工程應用。
技術(shù)領域
本發(fā)明涉及設備狀態(tài)監(jiān)測與故障診斷領域,具體涉及一種EEMD多尺度波動分析狀態(tài)監(jiān)測方法及裝置。
背景技術(shù)
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(tài)。盒維數(shù)、功率譜分析和重標極差方法可以估計平穩(wěn)信號的單重分形參數(shù),去趨勢波動分析(DFA)能夠估計非平穩(wěn)信號的單重分形維數(shù)。然而,設備出現(xiàn)故障時,其振動信號通常是非平穩(wěn)的,且具有多重分形特征,這時傳統(tǒng)的分形維數(shù)估計方法會產(chǎn)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(wěn)信號的多重分形參數(shù),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(shù)難以確定和數(shù)據(jù)段之間不連續(xù)的問題。目前,已經(jīng)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(jié)構(gòu),且存在著負頻率現(xiàn)象,這些缺陷嚴重影響了MFDFAemd的應用效果。綜上所述,現(xiàn)有技術(shù)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(tài)。
發(fā)明內(nèi)容
本發(fā)明要解決的問題是針對以上不足,提出一種EEMD多尺度波動分析狀態(tài)監(jiān)測方法及裝置(本發(fā)明提出的方法簡稱為MFDFAoeemd)。采用本發(fā)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(shù)難以確定和數(shù)據(jù)段之間不連續(xù)的問題,解決MFDFAemd方法存在的原始信號分形結(jié)構(gòu)破壞和負頻率現(xiàn)象,具有分析結(jié)果準確度和精確度高,設備運行狀態(tài)識別結(jié)果正確率高等優(yōu)點。
為解決以上技術(shù)問題,本發(fā)明采取的技術(shù)方案如下:一種EEMD多尺度波動分析狀態(tài)監(jiān)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(jīng)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,ci(k)代表由EEMD算法得到的第i個分量,rn(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(jié)果中排除噪聲分量和趨勢項,保留包含分形特征的分量cf(k), f=1,2,…,p,p代表濾波后剩余分量的數(shù)量;
步驟4:確定cf(k)的局部極大值和局部極小值,采用三次樣條插值函數(shù)分別對cf(k)的局部極大值和局部極小值進行插值,采用最小二乘法分別擬合cf(k)的上包絡u(k)和下包絡l(k),則cf(k)的包絡定義為,符號|x|表示對x取絕對值;
步驟5:重復執(zhí)行公式 m次,j=1,2,…,m,直到,得到cf(k)的頻率調(diào)制部分FMm(k),ej(k)代表cj(k)的包絡,cj(k)=FM(j-1)(k),c1(k)= cf(k);
步驟6:采用Teager能量算子(Teager Energy Operator, TEO)計算FMm(k)的瞬時頻率,獲得cf(k)的瞬時頻率instff(k),得到cf(k)的瞬時尺度;
步驟7:當尺度為s時,則振動信號x(k)的去趨勢結(jié)果為;
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于山東柯瑞申智能科技有限公司,未經(jīng)山東柯瑞申智能科技有限公司許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202011238759.5/2.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 基于最優(yōu)參數(shù)集合經(jīng)驗模式分解的機械故障特征提取方法
- 基于EEMD的M?Z干涉儀型機場周界預警系統(tǒng)模式識別方法
- 一種基于EEMD-SVD的地震流體識別方法
- 一種基于EEMD能量熵和WVD的軌道波磨故障檢測方法
- 一種基于電機電流的有載分接開關(guān)機械故障在線監(jiān)測方法
- 基于小波變換及改進EEMD的心電信號綜合濾波方法
- 一種基于EEMD和LSTM的短期風速預測方法
- 一種基于小波和ICA改進EEMD的結(jié)構(gòu)模態(tài)參數(shù)識別方法
- 一種基于EEMD的往復摩擦振動信號的降噪方法
- 基于改進EEMD與MED的滾動軸承故障聲發(fā)射特征提取方法





