一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法技术

本发明专利技术公开了一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，包括：(1)采集待检测工业过程的回路多变量输出信号；(2)使用MVMD方法分解信号，得到多个初始分解模态；(3)计算每个分解模态的适应度值，通过麻雀搜索得到MVMD方法的最优参数对，包括模态数和惩罚因子；(4)用优化后的MVMD方法重新分解回路多变量输出信号，得到多个优化后的分解模态；(5)计算每个优化后分解模态的归一化相关系数和稀疏指数，保留满足振荡检测指标的分解模态作为最终模态，从而检测出振荡；(6)计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率；(7)研究不同最终模态之间的频率关系，以表征振荡类型。利用本发明专利技术，具有较好的分解性能和适应性。较好的分解性能和适应性。较好的分解性能和适应性。

【技术实现步骤摘要】
一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法


[0001]本专利技术属于工业控制系统中的性能评估与故障诊断领域，尤其是涉及一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法。

技术介绍

[0002]在过程控制系统中，非线性引起的全机组振荡是一种常见的故障，它降低了系统的控制性能，威胁系统的稳定性。因此，检测和诊断单元范围内的非线性振动对提高过程控制性能具有重要意义。近年来，过程振荡检测与诊断的研究主要采用信号分解方法。然而，单变量信号分解方法不适合处理多变量信号，因为多变量信号分解有两个要求1、每一种模式下的多通道频率信息校准，称为模态校准；2、合并多个数据通道之间的任何相关性。因此，有必要采用多元分析技术来检测和诊断全机组振荡。
[0003]Lang等人率先使用多元经验模态分解(MEMD)来检测单位范围的振荡。然后，Aftab等人进一步利用MEMD及其噪声辅助(NA)，组成NA
‑
MEMD来检测和诊断单位范围的振荡。以上基于多元信号分解的方法考虑了全机组振荡的多元关系，但是信号分解方法本身是经验的，缺乏理论基础。
[0004]最近，Rehman和Aftab提出了多元变分模态分解(MVMD)算法，该算法基于数学优化理论，在噪声环境中优于MEMD算法。目前，MVMD已被应用于生物医学信号处理、时间序列预测等。基于MVMD的全机组振动检测和诊断尚未见报道。虽然MVMD具有很好的特性，但其性能取决于模态数K和惩罚因子α的选择。如何选择这两个参数是一个重要的问题，但尚未得到研究。

技术实现思路

[0005]本专利技术提供了一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，相比现有的方法，在适应性、分解性能等方面均具有更好的表现。同时，本专利技术提出的方法是无模型和数据驱动的，因此不需过程机理知识。
[0006]一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，包括以下步骤：
[0007](1)采集待检测工业过程的回路多变量输出信号；
[0008](2)使用多元变分模态分解(MVMD)方法分解采集的回路多变量输出信号，得到多个初始分解模态；
[0009](3)计算每个初始分解模态的适应度值，通过麻雀搜索得到MVMD方法的最优参数，所述的最优参数包括模态数和惩罚因子；所述麻雀搜索的具体过程如下：
[0010](3
‑
1)定义一个适应度函数，用于量化MVMD的分解性能，具体描述为：
[0011][0012]其中，k为模态索引；q为信道索引；ρ
k,q
为皮尔逊相关系数；AE
k,q
为近似熵；α为惩罚因子；K为模态数；
[0013](3
‑
2)根据警报值，先更新生产者的位置，后更新捕食者的位置；
[0014](3
‑
3)更新发现捕食者的麻雀位置；
[0015](3
‑
4)更新适应度值、最佳位置、最差位置；
[0016](4)用优化后的MVMD方法重新分解回路多变量输出信号，得到多个优化后的分解模态；
[0017](5)计算每个优化后分解模态的归一化相关系数和稀疏指数，保留满足振荡检测指标的分解模态作为最终模态，从而检测出振荡；
[0018](6)计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率；
[0019](7)研究不同最终模态之间的频率关系，以表征振荡类型。
[0020]作为优选，步骤(2)的具体过程为：
[0021](2
‑
1)假定待检测工业过程的回路多变量输出信号由几个模态组成，每个模态有由几个变量构成，表示如下：
[0022][0023]其中，K为模态数；u
k
(t)为模态分量；Q为信道数；
[0024](2
‑
2)将得到的模态变成向量形式，具体如下：
[0025][0026](2
‑
3)利用希尔伯特(Hilbert)变换算子得到相应的解析形式：
[0027][0028]其中，为希尔伯特变换算子；
[0029](2
‑
4)当这些模态的带宽之和最小时，建立多元变分模态分解MVMD的成本函数，作为优化问题：
[0030][0031][0032](2
‑
5)将上述优化问题转换为相应的增广拉格朗日函数形式：
[0033][0034]其中，α为惩罚因子；λ
q
为拉格朗日算子；<.,.>为内积；
[0035](2
‑
6)通过交替方向乘子法ADMM来求解出所述的优化问题。
[0036]作为优选，步骤(5)中，所述的振荡检测指标如下：
[0037][0038]其中，γ
k，q
为归一化相关系数；ζ
k，q
为稀疏指数。
[0039]所述归一化相关系数用于剔除杂散模态，公式如下；
[0040][0041]其中，ρ
k，q
为皮尔逊相关系数，K为模态数；
[0042]所述稀疏指数用于量化振荡程度，公式如下：
[0043][0044]其中，表示相应模态的频率响应，N为向量长度。
[0045]作为优选，步骤(6)中，计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率，计算公式为：
[0046][0047]其中，Std(
·
)为标准差、Δt是两个连续过零点之间的时间间隔，为平均周期，M
f
为平均频率，Max
f
为最大频率，Min
f
为最大频率。
[0048]进一步优选，最终模态的振荡频率若满足以下条件时，即认为检测到高次谐波，表明存在非线性振荡：
[0049][0050]其中，D
q
为振荡模态数。
[0051]与现有技术相比，本专利技术具有以下有益效果：
[0052]本专利技术利用麻雀搜索算法对模态数K和惩罚因子α这两个参数进行搜索，从而成功改进了原MVMD算法的性能，与现有的基于MEMD或MITD的检测方法相比，该方法在分解性能和适应性方面都有更好的表现。
附图说明
[0053]图1为本专利技术基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法的框架图；
[0054]图2为本专利技术实施例的流程示意图。
具体实施方式
[0055]下面结合附图和实施例对本专利技术做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本专利技术的理解，而对其不起任何限定作用。
[0056]本专利技术将麻雀搜索算法与多元变分模态分解(MVMD)相结合，提出一种新的振荡检测器。由于MVMD的性能依赖于模态数K和惩罚因子α的选取，所以麻雀算法被用来搜索最优参数对。然后，利用优化后的MVMD算法提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，其特征在于，包括以下步骤：(1)采集待检测工业过程的回路多变量输出信号；(2)使用多元变分模态分解(MVMD)方法分解采集的回路多变量输出信号，得到多个初始分解模态；(3)计算每个初始分解模态的适应度值，通过麻雀搜索得到MVMD方法的最优参数，所述的最优参数包括模态数和惩罚因子；所述麻雀搜索的具体过程如下：(3
‑
1)定义一个适应度函数，用于量化MVMD的分解性能，具体描述为：其中，k为模态索引；q为信道索引；ρ
k,q
为皮尔逊相关系数；AE
k,q
为近似熵；α为惩罚因子；K为模态数；(3
‑
2)根据警报值，先更新生产者的位置，后更新捕食者的位置；(3
‑
3)更新发现捕食者的麻雀位置；(3
‑
4)更新适应度值、最佳位置、最差位置；(4)用优化后的MVMD方法重新分解回路多变量输出信号，得到多个优化后的分解模态；(5)计算每个优化后分解模态的归一化相关系数和稀疏指数，保留满足振荡检测指标的分解模态作为最终模态，从而检测出振荡；(6)计算两个连续过零点之间的时间间隔来估计每个最终模态的振荡频率；(7)研究不同最终模态之间的频率关系，以表征振荡类型。2.根据权利要求1所述的基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法，其特征在于，步骤(2)的具体过程为：(2
‑
1)假定待检测工业过程的回路多变量输出信号由几个模态组成，每个模态有由几个变量构成，表示如下：其中，K为模态数；u
k
(t)为模态分量；Q为信道数；(2
...

【专利技术属性】
技术研发人员：张宁，吴夏来，林灵，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：