高速线材轧机的故障信号降噪重构特征识别方法技术

本发明专利技术实施例公开了一种高速线材轧机的故障信号降噪重构特征识别方法。所述方法包括：对采集的振动信号矩阵进行奇异值分解，以生成对应的奇异值向量；根据所述奇异值向量构造奇异值差分谱，并根据所述奇异值差分谱确定有效奇异值阶次；在有效奇异值阶次的范围内，对所述奇异值向量进行快速傅里叶变换FFT；搜索FFT结果序列中具有工频及其倍频特征的幅值，以得到对应的噪声奇异值；用剔除所述噪声奇异值的奇异值向量重构时域信号，以获得故障特征信号。本发明专利技术实施例提供的高速线材轧机的故障识别方法能够提高故障特征信号的信噪比，实现高速线材轧机故障的准确诊断。

Fault signal de-noising reconstruction and feature recognition method for high speed wire rod mill

The embodiment of the invention discloses a fault signal reduction reconstruction feature recognition method for a high-speed wire rod mill. The method includes: the vibration signal acquisition of the matrix singular value decomposition, singular value vector to generate the corresponding; according to the structure of the singular value vector of singular value, and according to the singular value of effective singular values is determined in order; the order of effective singular values in the the singular value vector of fast Fourier transform FFT; amplitude with frequency and its harmonic feature of FFT sequence in the search results, in order to obtain the corresponding noise singular value; by eliminating the noise singular value of singular value vector reconstruction time-domain signal to obtain fault signal. The fault identification method of the high-speed wire rod mill provided by the embodiment of the invention can improve the signal-to-noise ratio of the fault characteristic signal, and realize the accurate diagnosis of the high-speed wire rod mill fault.

【技术实现步骤摘要】
高速线材轧机的故障信号降噪重构特征识别方法
本专利技术实施例涉及轧机故障诊断
，尤其涉及一种高速线材轧机的故障识别方法。
技术介绍
随着科学技术的不断进步，冶金设备正向高速、高负载和高自动化程度的方向发展，但由设备故障所导致事故的严重程度也大幅增加。如何保证设备的安全运行，及时发现隐患，消除和避免故障，已成为一个非常迫切的问题。常见的高速线材轧机故障包括：轧机轧辊轴轴向窜动、锥齿轮打齿、轧辊轴断、联轴器脱开及锥齿轮脱开。高速线材轧机状态故障诊断是在监测设备的运行状态信息并进行故障识别，避免故障扩大带来的巨大经济损失。因而需提高检测装置的灵敏度及可靠性，而在现有的检测装置基础上，通过对所检测信号的数字化处理，可实现低成本、高可靠性的高速线材轧机状态故障诊断。采集的高速线材轧机振动信号中往往同时存在随机噪声干扰和电源工频干扰，常规方法对信号的判断存在对真实运行状态的误判。因此消除或降低振动信号中的随机噪声和工频噪声干扰是高速线材轧机旋转振动信号处理的重要内容。现有技术中，可以采用奇异值分解(Singularvaluedecomposition,SVD)的方式完成上述对随机噪声及工频噪声的消除。下面着重说明采用SVD技术的噪声消除过程。用SVD进行信号处理前，需要将采集的离散信号构造为矩阵形式，如Hankel矩阵等。假设采集的离散信号有如下形式：X＝[x(1),x(2),…,x(N)](1)可将其构造为如下形式的Hankel矩阵A：式(2)中的参数满足：1<n<N。令m＝N-n+1，则有A∈Rm×n。向量ui及vi满足如下关系：式(3)中，ui∈Rm×1，vi∈Rn×1，i＝1,2,3,…,q，q＝min(m,n)。如果将信号x(i)表示为直流分量、交流分量及噪声分量的组合，则有：x(j)＝z(j)+s(j)+ξ(j)(4)式(4)中，j＝1,2,3,…,N，z(j)表示x(j)对应的直流分量信号，s(j)表示x(j)对应的交流分量信号，ξ(j)表示x(j)对应的交流分量信号。因而，由x(j)构造的Hankel矩阵A可以表示为：A＝Az+As+Aξ(5)其中，Az为根据直流分量信号z(j)构造的Hankel矩阵，As为根据交流分量信号s(j)构造的Hankel矩阵，Aξ为根据噪声分量ξ(j)构造的Hankel矩阵，并且上述三个矩阵均满足Az、As、Aξ∈Rm×n。在Hankel矩阵中，每一行都是从原信号中截取的一段，并且相邻向量仅滞后一个点，因此，由周期性成分构成的Hankel矩阵的相邻两行信息密切相关，其秩远小于q＝min(m,n)。由随机噪声序列所构造的Hankel矩阵的两行信息则相干性弱。重构矩阵A中，重构阶次k的选择至关重要，阶次值过小会使得信号失真严重，其值过大则导致较多的噪声。由标准的正弦信号x和弱噪声w叠加形成的信号为y，由y所构造的Hankel矩阵Y的奇异值σi(Y)、矩阵X的奇异值σi(X)、矩阵W的奇异值σi(W)三者之间满足如下关系：σi(X)≤σi(Y)≤σi(X)+σi(W)(6)式(6)表明，由含噪信号y所生成的奇异值中，前r个值要远远大于后面的m-r个值，r即为重构阶次k值。由此引出奇异值差分谱的概念。假设矩阵Y的奇异值序列为，定义：bi＝σi-σi+1其中，i＝1,2,3,…,m-1。由于上式中的定义，则由bi构成的序列b称为奇异值差分谱。根据奇异值差分谱中最大值所对应的序号确定重构阶次k，选取前k个分量进行信号重构。也就是说，重构信号具有如下形式：应用SVD方法进行信号降噪处理的一般方法是将奇异值分解所得的奇异值分为两部分，一部分是反映噪声的较小奇异值，另一部分是反映有用特征信号的较大奇异值，然后将较小奇异值部分置零，保留较大奇异值部分，从而达到降噪和特征提取的目的。但是，专利技术人在对现有的基于SVD的特征提取过程的研究过程中，发现上述的现有方式的降噪效果并不是很好，主要表现在并没有考虑到噪声的频域特征，因而并不能准确的完成故障特征信号的提取。
技术实现思路
针对上述技术问题，本专利技术实施例提供了一种高速线材轧机的故障信号降噪重构特征识别方法，以提高故障特征信号的信噪比，实现高速线材轧机故障的准确诊断。本专利技术实施例提供了一种高速线材轧机的故障信号降噪重构特征识别方法，所述方法包括：对采集的振动信号矩阵进行奇异值分解，以生成对应的奇异值向量；根据所述奇异值向量构造奇异值差分谱，并根据所述奇异值差分谱确定有效奇异值阶次，以降低随机噪声；在有效奇异值阶次的范围内，对所述奇异值向量进行快速傅里叶变换FFT；搜索FFT结果序列中具有工频及其倍频特征的幅值，以得到对应的噪声奇异值；用剔除所述噪声奇异值的奇异值向量重构时域信号，以获得故障特征信号。本专利技术实施例提供的高速线材轧机的故障信号降噪重构特征识别方法，通过对采集的振动信号矩阵进行奇异值分解，以生成对应的奇异值向量，根据所述奇异值向量构造奇异值差分谱，并根据所述奇异值差分谱确定有效奇异值阶次，在有效奇异值阶次的范围内，对所述奇异值向量进行快速傅里叶变换FFT，搜索FFT结果序列中具有工频及其倍频特征的幅值，以得到对应的噪声奇异值，用剔除所述噪声奇异值的奇异值向量重构时域信号，从而通过奇异值及奇异值向量相结合的方式实现了故障特征信号的提取，提高了故障特征信号的信噪比，实现高速线材轧机故障的准确诊断。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1A是原始信号的波形图；图1B是原始信号的频谱图；图2是信号的前30个奇异值；图3是奇异值与幅值的关系图；图4是奇异值与频率的关系图；图5是奇异值与相位的关系图；图6是分量奇异值与幅值的关系图；图7是信号奇异值与矩阵列数的关系图；图8是本专利技术实施例提供的高速线材轧机的故障信号降噪重构特征识别方法的流程图；图9A是本专利技术实施例提供的工程采集信号的信号波形图；图9B是本专利技术实施例提供的工程采集信号的信号频谱图；图10是本专利技术实施例提供的工程采集信号的奇异值谱图；图11是本专利技术实施例提供的工程采集信号的奇异值差分谱；图12A是本专利技术实施例提供的重构信号的波形图；图12B是本专利技术实施例提供的重构信号的频谱图；图13是本专利技术实施例提供的的工程采集信号重构后的信号部分左奇异向量频谱；图14A是本专利技术实施例提供的的工程采集信号重构降噪后的信号波形图；图14B是本专利技术实施例提供的工程采集信号重构降噪后的频谱图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。首先介绍本专利技术实施例提供的高速线材轧机的故障信号降噪重构特征识别方法的基本原理。式(3)中，令设Ai的第一个行向量为Pi,1，Vi,n为Ai最后一个列向量去掉其第一个元素后的子列向量，将Pi,1和Vi,n的转置首尾相接形成分量信号Pi，即：式(8)中，Pi,n∈R1×n，Vi,n∈R(m-1)×1。所有分量构成原始信号X的一个分解。Ai用行向量Pi,1,Pi,2,…,Pi,m表示，Pi,m∈R(m-1)×1；本文档来自技高网...

【技术保护点】
一种高速线材轧机的故障信号降噪重构特征识别方法，其特征在于，包括：对采集的振动信号矩阵进行奇异值分解，以生成对应的奇异值向量；根据所述奇异值向量构造奇异值差分谱，并根据所述奇异值差分谱确定有效奇异值阶次，以降低随机噪声；在有效奇异值阶次的范围内，对所述奇异值向量进行快速傅里叶变换FFT；搜索FFT结果序列中具有工频及其倍频特征的幅值，以得到对应的噪声奇异值；用剔除所述噪声奇异值的奇异值向量重构时域信号，以获得故障特征信号。

【技术特征摘要】
1.一种高速线材轧机的故障信号降噪重构特征识别方法，其特征在于，包括：对采集的振动信号矩阵进行奇异值分解，以生成对应的奇异值向量；根据所述奇异值向量构造奇异值差分谱，并根据所述奇异值差分谱确定有效奇异值阶次，以降低随机噪声；在有效奇异值阶次的范围内，对所述奇异值向量进行快速傅里叶变换FFT；搜索FFT结果序列中具有工频及其倍频特征的幅值，以得到对应的噪声奇异值；用剔除所述噪声奇异值的奇异值向量重构时域信号，以获得故障特征信号。2.根据权利要求1所述的方法，其特征在于，还包括：在对采集的振动信号进行奇异值分解之前，对采集的模拟振动信号进行数字化；以及根据数字化得到的振动信号构造所述振动信号矩阵。3.根据...

【专利技术属性】
技术研发人员：孙建桥，李伟光，成西平，张晓涛，赵学智，赵果，谭仲毅，
申请(专利权)人：汉威广园广州机械设备有限公司，华南理工大学，
类型：发明
国别省市：广东,44