[发明专利]基于在线振动数据的设备固有振动模式自学习识别方法

说明书

技术领域

本发明属于在线监测技术领域，涉及基于在线振动数据的设备固有振动模式自学习识别方法。

背景技术

在线监测技术是对设备健康状况进行预估的最基本措施，尤其对于机械设备(或系统)，振动监测分析是最实用和有效的方法。设备的振动信号与其机械结构密切相关，设备运行过程中其内部机械结构的状况可以直接有效地从振动信号中反映出来。通过对设备振动信号进行处理分析，抽取正常运行状况下的设备固有的振动模式，用于区分在设备出现异常或故障时的振动模式，以便在异常振动模型出现时及时做出决策，并制定相应的维修计划。本发明提出一种基于振动数据的设备振动固有模式自动学习识别与抽取方法，经过对振动数据的分析处理及一段合理时间的训练，计算得到设备的固有振动参数，将其作为设备正常运行的健康特征，从而为设备的运行健康状况提供一个可行的评价指标，确保设备的健康运行与维修。

设备的固有振动模式(模态)是指机械结构的固有振动特性，包括设备具有的固有频率、阻尼比和模态振型。如果了解了设备机械结构主要模态的特性，则可以预言该结构在各种振源作用下实际振动响应。因而，模态分析即对这些模态进行分析从而获取相应的模态参数是结构动态设计及设备的故障诊断的重要方法。尽管实际中的设备(如风力发电机、变压器、船舶、飞行器等)的振动行为变化各异和复杂，但模态分析提供了研究各种设备实际结构特性的一条有效途径。

现有的设备固有振动模式识别方法主要是计算模态分析法，首先利用三维建模软件，构建设备的高精度三维实体模型；然后，将设备的三维模型导入到有限元分析软件中，根据设备的实际情况，设定设备的材料属性参数，并对三维模型划分为有限元网络，添加位移约束，得到设备的有限元模型；最后，对有限元模型进行模态分析，获得模型固有频率及模态。

现有技术在有限元模态分析中，特别是在研究对象是较为复杂的系统时，计算得出的振动模态往往过于凌乱，难以辨识出真正关心的零部件特征频率；或者当由许多局部振型组成某阶振动时，会非常难以判断特征频率的数值。

本发明无需建立复杂的模型，通过直接采集设备不同部位的振动数据，经过分析处理获得模态参数，识别设备的固有振动模式。

发明内容

本发明的目的在于提供基于在线振动数据的设备固有振动模式自学习识别方法，解决了现有技术在有限元模态分析中，特别是在研究对象是较为复杂的系统时，计算得出的振动模态往往过于凌乱，难以辨识出真正关心的零部件特征频率、难以判断特征频率的数值的问题。

本发明所采用的技术方案是按照以下步骤进行：

步骤1：设由传感器直接采集到的设备振动信号是x(n)，其数学模型表示为

x(n)＝f(n)+noise(n)

其中，f(n)为原始信号，noise(n)为噪声信号；

步骤2：利用小波包变换算法对设备振动信号x(n)进行一次去噪，得到去噪后的信号

步骤3：利用奇异值分解对信号进行二次去噪，得到二次去噪后的振动信号

步骤4：使用加窗离散傅里叶算法对去噪后的振动信号进行频谱分析，计算得到设备振动频谱；

步骤5：利用自学习算法训练得到设备振动频谱，最后得到设备的固有特征频率及幅值。

进一步，所述步骤2中小波包变换算法对设备振动信号x(n)进行一次去噪的过程为：

①信号的小波包分解；选择一个小波基，并确定一个小波包分解的层数N，然后对信号进行N层小波包分解，分解公式为：

式中：j<N，C_j,l(n)为分解树中第j层第l个结点的第n个小波包分解系数，k和n均是指某结点具体第几个小波包分解系数；

取振动信号x(n)为待分析信号，进行信号的小波包分解，把信号分解到不同的时频空间；

②确定最佳小波包基：根据最小代价原理，对一个给定熵标准计算最佳小波包基；

熵定义为：

M＝-∑P_jllgP_jl

其中，且当P_jl＝0时，P_jllgP_jl＝0；

③对各个分解尺度下的小波包分解系数C_j,l选择一个阀值进行处理，采用软阀值法；

软阀值消噪方法定义为：

式中，λ为阀值，C_j,l为小波包系数，为处理后的小波包系数；