一种旋转机械的状态预测和模式分类方法及系统技术方案

本发明专利技术涉及一种旋转机械的状态预测和模式分类方法及系统，所述方法包括：获取旋转机械的时间序列振动信号并利用变分模态分解算法进行分解，得到时间序列本征模态函数；将时间序列本征模态函数输入到ARMA

【技术实现步骤摘要】
一种旋转机械的状态预测和模式分类方法及系统


[0001]本专利技术涉及旋转机械状态预测和模式分类领域，特别是涉及一种旋转机械的状态预测和模式分类方法及系统。

技术介绍

[0002]在实际运行中，机械控制技术、故障诊断和状态监测受到了广泛的研究。振动分析已被证明是工业运行中旋转机械状态监测的有力工具。在时域或频域有丰富的信息反映机器状态的特征，但有些信息不适合直接应用。另外，振动信号具有典型的时间序列特征。时间序列预测的动机是探索可能的函数关系和发现潜在时间序列的统计观察的统计规律，以便可以提前做出有用的决策。然而，在实际问题中，准确可靠地预测未来趋势通常是困难和费力的。并且，基于时间序列模型的方法在振动信号处理和机器健康状况评估方面具有广阔的应用前景。有效的时间序列预测模型是工业设备状态监测的关键。因此，急需一种能够实现准确状态预测和模式识别的方法及系统。

技术实现思路

[0003]本专利技术的目的是提供一种旋转机械的状态预测和模式分类方法及系统，能够实现旋转机械状态的准确预测和工况模式的准确识别。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种旋转机械的状态预测和模式分类方法，所述方法包括：
[0006]获取旋转机械的时间序列振动信号；
[0007]利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数；
[0008]将所述时间序列本征模态函数输入到ARMA
‑
ANN混合模型中，得到所述时间序列本征模态函数的预测数据；
[0009]根据所述时间序列本征模态函数中的每个模态的能量占比筛选出所述能量占比大于预设值的本征模态函数，记为敏感模态；
[0010]对每个所述敏感模态提取时域特征和频域特征；
[0011]根据提取的所述时域特征和所述频域特征以及对应的工况模式训练支持向量机，得到训练后的支持向量机；
[0012]根据所述训练后的支持向量机识别所述旋转机械的工况模式。
[0013]一种旋转机械的状态预测和模式分类系统，所述系统包括：
[0014]信号获取模块，用于获取旋转机械的时间序列振动信号；
[0015]信号分解模块，用于利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数；
[0016]预测模块，用于将所述时间序列本征模态函数输入到ARMA
‑
ANN混合模型中，得到所述时间序列本征模态函数的预测数据；
[0017]敏感模态提取模块，用于根据所述时间序列本征模态函数中的每个模态的能量占比筛选出所述能量占比大于预设值的本征模态函数，记为敏感模态；
[0018]时频域特征提取模块，用于对每个所述敏感模态提取时域特征和频域特征；
[0019]工况模式识别模块，用于根据提取的所述时域特征和所述频域特征以及对应的工况模式训练支持向量机，得到训练后的支持向量机；并根据所述训练后的支持向量机识别所述旋转机械的工况模式。
[0020]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0021]本专利技术涉及一种旋转机械的状态预测和模式分类方法及系统，所述方法包括：获取旋转机械的时间序列振动信号；利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数；将所述时间序列本征模态函数输入到ARMA
‑
ANN混合模型中，得到时间序列本征模态函数的预测数据；根据所述时间序列本征模态函数中的每个模态的能量占比筛选出所述能量占比大于预设值的本征模态函数，记为敏感模态；对每个敏感模态提取时域特征和频域特征；根据提取的所述时域特征和所述频域特征以及对应的工况模式训练支持向量机，得到训练后的支持向量机；根据所述训练后的支持向量机识别所述旋转机械的工况模式。因此，本专利技术的方案能够实现旋转机械状态的准确预测和工况模式的准确识别。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本专利技术实施例1提供的一种旋转机械的状态预测和模式分类方法流程图；
[0024]图2为本专利技术实施例2提供的一种旋转机械的状态预测和模式分类系统框图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]采用时频分析方法提取有效信息来描述旋转机械振动信号的特征是很有必要的。针对这一问题设计了各种方法，如小波分解(WT)，但小波分解的目的是寻找小波基函数，这就产生了一个非自适应问题。这就是为什么小波基函数是经验选择的原因。与小波变换不同的是，Huang等人提出的经验模态分解(empiricalmode decomposition，EMD)，它是一种基于经验的数据分析方法，根据信号的固有特性对信号进行分解。它的扩展基础是自适应的，因此它可以从非线性和非平稳过程中产生数据的物理意义表示。遗憾的是，EMD中的端点效应仍然没有得到解决。Wu和Huang提出了一种噪声辅助的数据分析方法，称为集成经验模态分解(EEMD)，以缓解EMD中出现的模态混合问题。EEMD在时频域中得到了广泛的应用。Wang等人进一步验证了EEMD相对于EMD的优越性。EMD和EEMD都是递归分解方法。虽然EEMD
可以解决EMD中出现的模态混合问题，但其计算量巨大，不适合分解包含大量数据的信号。2013年，Dragomiretskiy和Zosso提出了一种新的信号分解算法—自适应变分模态分解(VMD)。VMD是一种完全非递归方法，具有较扎实的数学理论基础。多项研究证实VMD在时频分析方面比WT、EMD、EEMD有更好的性能。因此，通过VMD将原始信号分解为多个子序列，以提高下游特征提取和分类处理的准确性和便利性。
[0027]本专利技术的目的是提供一种旋转机械的状态预测和模式分类方法及系统，能够实现旋转机械状态的准确预测和工况模式的准确识别。
[0028]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0029]实施例1
[0030]如图1所示，本实施例提供一种旋转机械的状态预测和模式分类方法，所述方法包括：
[0031]S1：获取旋转机械的时间序列振动信号；
[0032]S2：利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数；
[0033]具体的，步骤S2具体包括：
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转机械的状态预测和模式分类方法，其特征在于，所述方法包括：获取旋转机械的时间序列振动信号；利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数；将所述时间序列本征模态函数输入到ARMA
‑
ANN混合模型中，得到所述时间序列本征模态函数的预测数据；根据所述时间序列本征模态函数中的每个模态的能量占比筛选出所述能量占比大于预设值的本征模态函数，记为敏感模态；对每个所述敏感模态提取时域特征和频域特征；根据提取的所述时域特征和所述频域特征以及对应的工况模式训练支持向量机，得到训练后的支持向量机；根据所述训练后的支持向量机识别所述旋转机械的工况模式。2.根据权利要求1所述的方法，其特征在于，所述利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数，具体包括：(1)利用所述变分模态分解算法的约束模型进行所述时间序列振动信号进行分解；所述变分模态分解算法的约束模型为：其中，{u
K
}＝{u1，
…
，u
k
}为分解后的k个IMF；{ω
K
}＝{ω1，
…
，ω
k
}为分解后每个IMF的频率中心；是对t求偏导；δ(t)为单位脉冲函数；k为分解的模态个数；j为虚数单位；f(t)为原始信号；(2)引入增广拉格朗日函数法，将所述约束模型的约束问题转化为无约束问题；所述无约束问题的公式为：其中，α为惩罚因子；λ(t)为拉格朗日乘子；(3)使用交替方向乘子算法不断迭代更新λ
n+1
，直到满足终止条件后，停止迭代，得到所述约束模型的最优u
k
,ω
k
；迭代公式为：
其中，τ为噪声容忍度；f(ω)、分别对应每个变量的傅里叶变换；n为迭代次数；m＝1，2，
…
，k；所述终止条件为：其中，为判别精度，3.根据权利要求1所述的方法，其特征在于，所述ARMA
‑
ANN混合模型的表达式为：其中，Y
t
为时间序列本征模态数据；为ARMA预测的时间序列本征模态函数数据；β
p
和θ
q
分别为自回归系数和移动平均系数；p，q是ARMA模型的阶数；序列{ε
t
}为白噪声序列；Y
nt
为ARMA模型的残差；为ANN预测的时间序列本征模态函数数据；H和N1分别为神经网络隐含节点数和输入节点数；ω
s
和ω
ds
...

【专利技术属性】
技术研发人员：李英顺，薛彬，郭占男，刘海洋，张杨，赵玉鑫，
申请(专利权)人：沈阳顺义科技有限公司，
类型：发明
国别省市：