[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

摘要

本发明公开了基于在线振动数据的设备固有振动模式自学习识别方法，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；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。本发明的有益效果是在研究对象是较为复杂的系统时，能够准确辨识出零部件特征频率。

主权项

基于在线振动数据的设备固有振动模式自学习识别方法，其特征在于，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：Cj+1,2l(k)=ΣnCj,1(n)h(n-2k)Cj+1,2l+1(k)=ΣnCj,1(n)g(n-2k)]]>式中：j<N，Cj,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＝‑∑PjllgPjl其中，且当Pjl＝0时，PjllgPjl＝0；③对各个分解尺度下的小波包分解系数Cj,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，Cj,l为小波包系数，为处理后的小波包系数；④小波包重构，根据第N层的小波包分解低频系数和量化处理系数进行小波重构，重构公式如下：式中，Cj+1,2l(n)为分解树中第j+1层第2l个结点的小波包分解系，Cj+1,2l(n)为分解树中第j+1层第2l+1个结点的小波包分解系，h(n‑2k)和g(n‑2k)为多分辨率分析中定义的滤波器系数，使用小波包算法对设备振动信号x(n)进行去噪，得到一次去噪后的振动信号步骤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(1)从时间序列中抽取子序列{x1,x2,L,xn}作为n维相空间的第一个向量y1；(2)向右移动一个步长，抽取{x2,x3,L,xn+1}作为n维相空间的第一个向量y2；(3)以此类推，得到一组列向量{y1,y2,L,ym}；(4)每一个向量对应重构相空间中的一个点，所有向量构成m×n维的矩阵Dm：Dm为嵌入维数m、时延为1的吸引子轨道矩阵，如果测取的振动信号含有一定的噪声，则Dm＝D+W，其中D、W分别表示光滑信号和噪声信号对应的Dm中的轨迹矩阵，对矩阵Dm作奇异值分解，Dm＝USV'，U和V分别为m×n和n×n阶矩阵，且UU'＝E,VV'＝E，E为单位矩阵，S是m×n对角矩阵，对角元素s1,s2,L,sp,p＝min(m,n),s1≥s2≥L≥sp≥0,其中s1,s2,L,sp为矩阵Dm的奇异值，将得到的奇异值s1,s2,L,sp的前k(k≤p)项，其他项置零，得到新的对角矩阵S'，再利用SVD分解的逆过程Dm'＝US'V'得到新的矩阵Dm'，矩阵Dm'为Dm的最佳逼近矩阵，根据相空间重构的过程，由Dm'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；自学习算法步骤为：步骤一：取计算周期的时间为1秒，确定训练总时间为T个计算周期，取t＝1，t表示计算序号；步骤二：输入第t个计算周期内设备的振动数据xt(n)；步骤三：对xt(n)进行去噪、加窗、离散傅里叶变换(FFT)，计算得到频谱Ft(k)，Ft(k)表示设备第t个计算周期内的频谱；步骤四：对Ft(k)按幅值从大到小排序，得到Bt(k)；步骤五：对Bt(k)，设定门槛值ρ，若幅值大于门槛值ρ时，认为该幅值对应的频率成分是特征频率，将其存入特征矩阵Ct中；若小于门槛值ρ则舍去；步骤六：t＝t+1，进入下一个计算周期，判断t≤T，如果是，则跳至步骤二；否则跳至步骤七；步骤七：上述算法的六个步骤获得训练时段内各个监测点的振动特征参数集合C，计算设备振动固有频率及其对应的幅值；并绘制各个特征频率成分的曲线，得到了设备振号的固有频率及其相应幅值，从而识别了设备的固有振动模式。