[發明專利]一種EFDM和GZC機器狀態監測方法及裝置

在審

• 申請號: 202011238885.0
• 申請日: 2020-11-09
• 公開（公告）號: CN112629848A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 寇興磊
• 申請（專利權）人: 寇興磊
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/028;G06K9/00;G06K9/62
• 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EFDM和GZC機器狀態監測方法及裝置，利用EFDM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對每個分形信號分量的極值點進行插值，利用最小二乘法擬合每個分形信號分量的包絡，分離每個分形信號分量的頻率調制部分，利用GZC算法估計每個分形信號分量的瞬時頻率并計算相應的瞬時尺度，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對設備運行狀態進行識別，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EFDM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EFDM和GZC機器狀態監測方法及裝置（本發明提出的方法簡稱為MFDFAoefdm）。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EFDM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：采用集合傅里葉分解方法（Ensemble Fourier Decomposition Method,EFDM）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EFDM算法得到的第i個分量，r_n（k）代表由EFDM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EFDM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，采用三次樣條插值函數分別對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）；