基于VMD精细复合多尺度散布熵的转子故障特征提取方法技术

本发明专利技术公开了一种基于VMD精细复合多尺度散布熵的转子故障特征提取方法，本发明专利技术将VMD在信号处理方面的优越性和RCMDE在故障特征提取方面的有效性相结合，有效滤除信号内的噪声干扰成分，全面获取信号的特征信息，实现转子的运行状态和故障类型进行区分。

【技术实现步骤摘要】
基于VMD精细复合多尺度散布熵的转子故障特征提取方法
本专利技术涉及转子故障信号去噪
，特别是一种基于VMD精细复合多尺度散布熵的转子故障特征提取方法。
技术介绍
以转子作为核心零件的电动机被广泛应用于各种旋转机械设备之中，由于工作环境恶劣，转子是易损零件，若转子出现故障而无法及时排查，将可能会影响整台设备的工作性能，造成巨大经济损失。为此，如何快速、准确地对转子故障特征进行提取，从而对其故障类型进行诊断一直是旋转机械故障诊断领域研究的重点和难点。为细致而有效地描述转子振动信号的复杂性，样本熵、排列熵、模糊熵等非线性动力学特征提取方法在转子故障诊断的研究中得到广泛应用。但上述方法分析方法都是在单一尺度上对信号的复杂性进行评价，获取信号的特征信息有限。而多尺度样本熵和多尺度排列熵虽然可在不同尺度上获取信号的复杂特性、更全面地反映信号的特征信息，但仍存在着实时性差、信号间幅值关系影响不明确等问题。相较于多尺度样本熵和多尺度排列熵，精细复合多尺度散布熵(RefinedCompositeMultiscaleDispersionEntropy，RCMDE)具有计算效率高、计算误差小、抗突变性能好和兼顾信号间幅值关系影响等优点。但工程实际所检测到的转子振动信号中含有大量背景信号和环境噪声，RCMDE对于信号的信噪比十分敏感，导致信号内的故障信息无法有效提取；此外，由于现场工况的多样性和机械系统的复杂性，转子一旦发生故障，其振动信号往往呈现出非线性的特点，RCMDE虽具有一定非线性故障特征表现能力，但转子故障特征间存在较强的相似性，若直接对此类信号进行RCMDE分析，很可能致使故障类型不同的信号求解出相似的分布特征，降低故障特征提取的准确性。近年来，已有研究人员先后将小波变换(WaveletTransform，WT)、经验模态分解(EmpiricalModeDecomposition，EMD)和局部均值分解(LocalMeanDecomposition，LMD)等时频分析方法应用于转子故障特征的提取，并取得了一定的成果。然而，小波变换存在基函数固定、缺乏自适应性等问题，EMD和LMD由于自身算法问题，在信号分解过程中存在端点效应和模态混叠等现象，这在很大程度上影响了方法的分解准确性，增加了信号故障特征提取的难度。变分模态分解(VariationalModeDecomposition，VMD)是一种全新的自适应正交信号处理方法，它通过求解变分问题最优解的方式将非线性、非平稳信号分解成一系列具有有限带宽和调幅-调频特性的固有模态函数(IntrinsicModeFunction，IMF)分量，有效避免了WT缺乏自适应性和EMD、LMD的模态混叠等问题，能够更有效地提取出机械振动信号内的故障特征信息。基于上述分析，如果将VMD在信号处理方面的优越性和RCMDE在故障特征提取方面的有效性相结合，必然能够有效性提取转子故障。
技术实现思路
本专利技术的目的是要解决现有技术转子振动信号的非平稳性和复杂性致使转子故障特征难以提取的问题，提供一种可有效滤除信号中的噪声干扰的基于VMD精细复合多尺度散布熵的转子故障特征提取方法。为达到上述目的，本专利技术是按照以下技术方案实施的：一种基于VMD精细复合多尺度散布熵的转子故障特征提取方法，包括以下步骤：S1、设采集到m类不同工作状态下的转子振动信号n个，对每个振动信号进行变分模态分解VMD方法进行分解得到若干IMF分量；S2、计算预设尺度K值下分解所得各IMF分量的时间幅频积S，若取某一K值后，随着数值的增加，S值保持稳定，则预设尺度值选取为K，否则，预设尺度K值设为K+1继续步骤S2直至选定最优预设尺度K值；S3、在选定最优预设尺度K值后，计算惩罚参数α在不同取值范围下，重构信号的信噪比，根据SNR分布特性选取α数值作为惩罚因子参数用于信号的VMD分解；S4、根据频域互相关系数-互相关系数准则剔除包含环境噪声和背景信号的模态分量；S5、选取对信号特征信息敏感的IMF分量进行信号重构，求出重构信号在选定分析尺度内的RCMDE值；S6、根据RCMDE曲线的分布特性对转子的工作状态和故障类型进行判别。与现有技术相比，本专利技术将VMD在信号处理方面的优越性和RCMDE在故障特征提取方面的有效性相结合，有效滤除信号内的噪声干扰成分，全面获取信号的特征信息，实现转子的运行状态和故障类型进行区分。附图说明图1为本专利技术的转子故障特征提取方法流程图。图2为本专利技术应用实施例中采集的不同状态下转子振动信号时域波形：(a)为转子正常状态；(b)为轴承座松动故障；(c)为不对中故障；(d)为不平衡故障；(e)为动静碰摩故障。图3为本专利技术应用实施例中不同预设尺度参数K值下重构信号的时间幅频积S取值。图4为本专利技术应用实施例中不同惩罚参数α在不同取值下重构信号的SNR值。图5为本专利技术应用实施例中转子不平衡故障信号的VMD分解结果。图6为本专利技术应用实施例中各IMF分量的频域互相关系数值。图7为本专利技术应用实施例中各IMF分量的自相关函数曲线。图8为本专利技术应用实施例中转子不平衡故障重构信号。图9为本专利技术应用实施例中不同状态下转子重构信号时域波形：(a)为转子正常状态重构信号；(b)为轴承座松动故障重构信号；(c)为不对中故障重构信号；(d)为动静碰摩故障重构信号。图10为本专利技术应用实施例中不同状态下转子重构信号的RCMDE分布曲线。图11为本专利技术应用实施例中采用本专利技术方法处理后实测转子振动信号RCMDE值分布曲线。图12为对比实施例中直接计算求得不同状态下转子实测信号的RCMDE分布曲线。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步的详细说明。此处所描述的具体实施例仅用于解释本专利技术，并不用于限定专利技术。如图1所示，本实施例的一种基于VMD精细复合多尺度散布熵的转子故障特征提取方法，包括以下步骤：S1、设采集到m类不同工作状态下的转子振动信号n个，对每个振动信号采用公式(1)～(5)进行变分模态分解VMD方法进行分解得到若干IMF分量；设x(t)为采集到的一转子振动信号，建立变分约束模型：式中，K为模态分解个数；uk(t)为第k个模态分量；ωk为uk(t)的中心频率。引入增广拉格朗日函数ζ，将约束问题转化为非约束问题：式中，α为二次惩罚因子，保证在高斯噪声存在情况下信号的重构精度；<>表示向量内积。通过交替更新方向乘子法求出式(2)的最优解。则求得的模态分量uk及中心频率ωk分别为：式中，表示频域状态的模态函数；表示频域状态的拉格朗日乘子。对于给定判定精度e>0，当满足式(5)时分解迭代停止，并由此得到最终模态分量及对应中心频率ωk。S2、VM本文档来自技高网...

【技术保护点】
1.一种基于VMD精细复合多尺度散布熵的转子故障特征提取方法，其特征在于，包括以下步骤：/nS1、设采集到m类不同工作状态下的转子振动信号n个，对每个振动信号采用变分模态分解VMD方法进行分解得到若干IMF分量；/nS2、计算预设尺度K值下分解所得各IMF分量的时间幅频积S，若取某一K值后，随着数值的增加，S值保持稳定，则预设尺度值选取为K，否则，预设尺度K值设为K+1继续步骤S2直至选定最优预设尺度K值；/nS3、在选定最优预设尺度K值后，计算惩罚参数α在不同取值范围下，重构信号的信噪比，根据SNR分布特性选取α数值作为惩罚因子参数用于信号的VMD分解；/nS4、根据频域互相关系数-互相关系数准则剔除包含环境噪声和背景信号的模态分量；/nS5、选取对信号特征信息敏感的IMF分量进行信号重构，求出重构信号在选定分析尺度内的RCMDE值；/nS6、根据RCMDE曲线的分布特性对转子的工作状态和故障类型进行判别。/n

【技术特征摘要】
1.一种基于VMD精细复合多尺度散布熵的转子故障特征提取方法，其特征在于，包括以下步骤：
S1、设采集到m类不同工作状态下的转子振动信号n个，对每个振动信号采用变分模态分解VMD方法进行分解得到若干IMF分量；
S2、计算预设尺度K值下分解所得各IMF分量的时间幅频积S，若取某一K值后，随着数值的增加，S值保持稳定，则预设尺度值选取为K，否则，预设尺度K值设为K+1继续步骤S2直至选定最优预设尺度K值；
S3、在选定最优预设尺度K值后，计算惩罚参数α在不同取值范围下，重构信号的信噪比，根据SNR分布特性选取α数值作为惩罚因子参数用于信号的VMD分解；
S4、根据频域互相关系数-互相关系数准则剔除包含环境噪声和背景信号的模态分量；
S5、选取对信号特征信息敏感的IMF分量进行信号重构，求出重构信号在选定分析尺度内的RCMDE值；
S6、根据RCMDE曲线的分布特性对转子的工作状态和故障类型进行判别。


2.根据权利要求1所述的基于VMD精细复合多尺度散布熵的转子故障特征提取方法，其特征在于，所述步骤S1具体包括：
S101、设x(t)为采集到的一转子振动信号，建立变分约束模型：



式中，K为模态分解个数；uk(t)为第k个模态分量；ωk为uk(t)的中心频率；
S102、引入增广拉格朗日函数ζ，将约束问题转化为非约束问题：



式中，α为二次惩罚因子，保证在高斯噪声存在情况下信号的重构精度；<>表示向量内积；
S103、通过交替更新方向乘子法求出式(2)的最优解，则求得的模态分量uk及中心频率ωk分别为：






式中，表示频域状态的模态函数；表示频域状态的拉格朗日乘子；
S104、对于给定判定精度e>0，当满足式(5)时：



分解迭代停止，并由此得到最终模态分量及对应中心频率ωk。


3.根据权利要求2所述的基于VMD精细复合多尺度散布熵的转子故障特征提取方法，其特征在于，所述步骤S2中计算预设尺度K值下分解所得各IMF分量的时间幅频积S的具体过程为：
设信号经VMD分解后所获得Hilbert谱的时频面能量为S,S1,S2,…,Sm为时频面的各组成面能量，则时间幅频积的计算公式为：



其中，Hilbert谱幅值为A、频率为f、时间分为t；Si＝Aifit。


4.根据权利要求3所述的基于VMD精细复合多尺度散布熵的转子故障特征提取...

【专利技术属性】
技术研发人员：周小龙，孙永强，王尧，张泽健，
申请(专利权)人：北华大学，
类型：发明
国别省市：吉林;22