一种改进经验模态分解的船舶电力推进系统故障诊断方法技术方案

本发明专利技术公开一种改进经验模态分解的船舶电力推进系统故障诊断方法，包括如下步骤：获取船舶电力推进系统故障数据；将故障数据通过改进经验模态分解获取固有模态函数数据；针对不同部位获取固有模态函数数据进行RBF神经网络分析得到故障原因；其中改进经验模态分解流程如下：信号输入；利用余弦窗定义确定初始化参数△T；对原始数据两端通过遗传算法延拓；对数据加窗处理改善端点效应；对数据消除模态混叠的经验模态分解处理；截取固有模态函数数据。本发明专利技术所述一种改进经验模态分解的船舶电力推进系统故障诊断方法，其适合船舶推进系统故障非平稳、非线性、和多分量信号特征，从而提高故障信号分析能力。

A Fault Diagnosis Method for Marine Electric Propulsion System Based on Improved Empirical Mode Decomposition

The invention discloses a fault diagnosis method for marine electric propulsion system based on improved empirical mode decomposition, which includes the following steps: acquiring fault data of marine electric propulsion system; acquiring intrinsic mode function data by improved empirical mode decomposition; acquiring intrinsic mode function data for different parts by RBF neural network analysis; and improving the method. The process of experimental mode decomposition is as follows: signal input; initialization parameter T is determined by cosine window definition; genetic algorithm is used to extend the original data ends; data windowing is used to improve the endpoint effect; empirical mode decomposition is used to eliminate modal aliasing; intrinsic mode function data is intercepted. The fault diagnosis method of marine electric propulsion system based on improved empirical mode decomposition is suitable for non-stationary, non-linear and multi-component signal characteristics of marine electric propulsion system fault, thereby improving the fault signal analysis ability.

【技术实现步骤摘要】
一种改进经验模态分解的船舶电力推进系统故障诊断方法
本专利技术涉及一种改进经验模态分解的船舶电力推进系统故障诊断方法。
技术介绍
随着海运事业的蓬勃发展，电力推进系统在船舶上得到广泛应用。电力推进系统是现代船舶在孤立无援大海中航行的唯一动力来源，被誉为船舶生命线。由于电力推进系统的复杂性和其运行海工况环境的恶劣性，特别是在离靠码头、进出狭窄水道、遇到极端环境、电网波动等情况下船舶电力推进系统表现出非稳定性和超出正常动态范围造成不可预期的船舶故障，因此，为了提高船舶运行的安全性，减少不必要的经济损失，保障船员人生安全，船舶电力推进系统的故障诊断得到了广大学者的重视和快速发展。经验模态分解(EmpiricalModeDecomposition，EMD)是由美籍华裔科学家Huang在1998年首次提出，它是根据信号自身局部时间特性自适应地将信号分解成一组具有物理意义的固有模态函数(intrinsicmodefunction，IMF)的线性组合，因此在信号滤波、去噪、信号分析、故障诊断等方面得到了广泛的应用。传统EMD方法是一种包络的“筛选”过程，其本质是一种滤波器。其算法流程如图1。由此，原信号可以表示为：其中的IMFi(t)即为获得的固有经验模态分量IMF，其可以是线性的，也可以是非线性的。通常可以用希尔伯特或能量算子变换获得各模态瞬时幅度和瞬时频率。由于传统经验模态分解是一种经验算法，目前没有精确的数学推理，因此存在包络拟合、端点效应、模态混叠、分解准则等关键性缺陷。这些缺陷是导致传统经验模态分解效果不理想的突出问题，也是限制传统经验模态分解算法广泛应用的重要障碍。模态混叠是指在同一个IMF分量中包含着尺度分布范围很宽而又各不同的信号，或是在不同的IMF分量中包含着尺度相近的信号，它们彼此交叠。模态混叠造成的后果是使IMF分量不再具有单一的特征时间尺度，而成为尺度混杂的振荡。在分解过程中，一旦出现模态混叠将累积影响后续分解的分量，导致固有模态函数分解效果逐次降低，从而失去应有的物理意义，甚至失去EMD分解的意义。端点飞翼是指由于信号两端缺少极值点，采用样条插值拟合包络曲线的时候总是将端点误以为是极值点而进行计算，这样每次分解过程误差累计，最终导致整个信号序列受到污染，出现两端往上翘的“边界效应”。
技术实现思路
本专利技术的目的在于提供一种改进经验模态分解的船舶电力推进系统故障诊断方法，其适合船舶推进系统故障非平稳、非线性和多分量信号特征，从而提高故障信号分析能力。为了达到上述目的，本专利技术的技术方案是：一种改进经验模态分解的船舶电力推进系统故障诊断方法，其特征在于包括如下步骤：1、获取船舶电力推进系统故障数据；2、将故障数据通过改进经验模态分解获取固有模态函数数据；3、针对不同部位获取固有模态函数数据进行RBF神经网络分析得到故障原因；其中步骤2中改进经验模态分解流程如下：(1)信号输入；(2)利用余弦窗函数定义确定初始化参数△T；(3)对原始数据的两端数据通过遗传算法延拓；(4)对数据加窗处理改善端点效应；(5)对数据消除模态混叠的经验模态分解处理，如图3；(6)截取固有模态函数数据。步骤(5)中算法流程如下：A、待测信号x(t)输入；B、x(t)通过FFT获取幅频Ai(w)和频点fi(w)，并去除能量小于K的杂波；C、确定最大频点fm＝max(fi(w))，并将其确定为频率转移载波fc(即wc)；D、对x(t)信号构建希尔伯特解析信号X(t)；E、X(t)与载波信号exp(-jwct)相乘得Y(t)；F、构建Y(t)的实部X1(t)＝Re[Y(t)]和虚部X2(t)＝Image[Y(t)]函数；G、利用传统EMD算法确定X1(t)的模态分解Yre(t)、X2(t)的模态分解Yim(t)；H、将Yre(t)和Yim(t)通过公式计算得到Y(t)，Y(t)＝Yre(t)+Yim(t)；I、Y(t)的每个固有模态与载波信号exp(-jwct)相乘得X(t)的固有模态；J、取X(t)每个固有模态的实部。步骤G中确定X1(t)模态分量Yre(t)为传统模态分解过程，如图1，包括如下步骤：a、构建上、下包络线；b、计算包络线均值h(t)，并计算包络线均值m(t)；c、计算插值h(t)＝Yre(t)-m(t)，若h(t)未满足固有模态函数条件，则X1(t)＝h(t)，且再从步骤a开始；若h(t)满足固有模态函数条件，则获得固有模态函数分量，IMFk-re(t)＝h(t)；d、将IMFk-re(t)＝h(t)代入公式：X1(t)＝X1(t)-IMFk-re(t)，若未满足单调性，则再从步骤a开始；若满足单调性，则resrp(t)＝X1(t)，从而获得消除模态混叠的Yre(t)。步骤G中确定X2(t)模态分解Yim(t)为传统模态分解过程，如图1，包括如下步骤：a、构建上、下包络线；b、计算包络线均值h(t)，并计算包络线均值m(t)；c、计算插值h(t)＝Yre(t)-m(t)，若h(t)未满足固有模态函数条件，则X2(t)＝h(t)，且再从步骤a开始；若h(t)满足固有模态函数条件，则获得固有模态函数分量，IMFk-im(t)＝h(t)；d、将IMFk-im(t)＝h(t)代入公式：X2(t)＝X2(t)-IMFk-im(t)，若未满足单调性，则再从步骤a开始；若满足单调性，则resim(t)＝X2(t)，从而获得消除模态混叠的Yim(t)。根据船舶电力推进系统不同部位故障原因分析如下：I、利用改进经验模态分解获得逆变器谐波固有模态函数，由固有模态函数幅值、相位谱输入RBF神经网络来确定逆变器桥短路或断路；Ⅱ、利用改进经验模态分解获得电机电流固有模态函数，由固有模态函数维谱熵输入RBF神经网络来确定单相、双相或三相电机短路或接地；Ⅲ、利用改进经验模态分解获得电网扰动固有模态函数，由固有模态函数能量熵输入RBF神经网络来确定电机突加负荷或突减负荷；Ⅳ、利用改进经验模态分解获得电机电流固有模态函数，由固有模态函数附加频率或奇异值输入RBF神经网络来确定电机绕组短路或断路，或螺旋桨缠绕异物或螺旋桨桨裂。本专利技术的有益效果是：(1)不需要先验知识和基底(函数)，是一种自适应算法；固有模态函数是根据信号的时间特性提取出来的，不同的时间序列会得到不同的本征模态函数；(2)基于改进经验模态分解算法可与希尔伯特变化结合，可以得到每个模态的瞬时信息，具有清晰的物理意义；(3)利用该方法可以将非平信号转化为平稳信号，在平稳信号领域研究，并用稳态方法进行IMF处理；(4)消除了模态混叠问题，使得特征提取意义更明确、更准确，特征提取更精确；(5)改善端点效应可以使得算法中的分解过程端点误差向中间扩散导致的错误降低。附图说明图1是传统经验模态分解流程图；图2是改进经验模态分解流程图；图3是消除模态混叠的EMD分解算法流程图；图4是船舶推进系统故障诊断主要的故障和特征关系映射图；图5是RBF神经网络图。具体实施方式实施例1如图2所示，一种改进经验模态分解的船舶电力推进系统故障诊断方法，包括如下步骤：1、获取船舶电力推进系统故障数据；2、将故障数据通过改进经验模态分解获取固有模态函数数据；3、针对不同部位获取固有模态函数数据进行RBF神经网络本文档来自技高网...

【技术保护点】
1.一种改进经验模态分解的船舶电力推进系统故障诊断方法，其特征在于包括如下步骤：(1)获取船舶电力推进系统故障数据；(2)将故障数据通过改进经验模态分解获取固有模态函数数据；(3)针对不同部位获取固有模态函数数据进行RBF神经网络分析得到故障原因；其中步骤2中改进经验模态分解流程如下：信号输入；(1)利用余弦窗定义确定初始化参数△T；(2)对原始数据两端通过遗传算法延拓；(3)对数据加窗处理改善端点效应；(4)对数据消除模态混叠的经验模态分解处理；(5)截取固有模态函数数据。

【技术特征摘要】
1.一种改进经验模态分解的船舶电力推进系统故障诊断方法，其特征在于包括如下步骤：(1)获取船舶电力推进系统故障数据；(2)将故障数据通过改进经验模态分解获取固有模态函数数据；(3)针对不同部位获取固有模态函数数据进行RBF神经网络分析得到故障原因；其中步骤2中改进经验模态分解流程如下：信号输入；(1)利用余弦窗定义确定初始化参数△T；(2)对原始数据两端通过遗传算法延拓；(3)对数据加窗处理改善端点效应；(4)对数据消除模态混叠的经验模态分解处理；(5)截取固有模态函数数据。2.根据权利要求1所述的一种改进经验模态分解的船舶电力推进系统故障诊断方法，其特征在于：改进经验模态分解流程的步骤4中消除模态混叠的经验模态分解算法流程如下：A、待测信号x(t)输入；B、x(t)通过FFT获取Ai(w)和频点fi(w)，并去除能量小于K的杂波；C、确定最大频点fm＝max(fi(w))，并将其确定为频率转移载波fc(即wc)；D、对x(t)信号构建希尔伯特解析信号X(t)；E、X(t)与载波信号exp(-jwct)相乘得Y(t)；F、构建Y(t)的实部X1(t)＝Re[Y(t)]和虚部X2(t)＝Image[Y(t)]函数；G、利用传统EMD算法确定X1(t)的模态分解Yre(t)、X2(t)的模态分解Yim(t)；H、将Yre(t)和Yim(t)通过公式计算得到Y(t)，Y(t)＝Yre(t)+Yim(t)；I、Y(t)的每个固有模态与载波信号exp(-jwct)相乘得X(t)的固有模态；J、取X(t)每个固有模态的实部。3.根据权利要求2所述的一种改进经验模态分解的船舶电力推进系统故障诊断方法，其特征在于：步骤G中确定X1(t)模态分量Yre(t)为传统模态分解过程包括如下步骤：a、构建上、下包络线；b、计算包络线均值h(t)，并计算包络线均值m(t)；c、计算插值h(t)＝Yre(t)-m(t)，若h(t)未满足固有模态函数条件...

【专利技术属性】
技术研发人员：胡红钱，施伟锋，卓金宝，谢嘉令，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海,31