一種基于CEEMD-STFT時(shí)頻信息熵和multi-SVM的離心泵故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及離心栗故障診斷的技術(shù)領(lǐng)域，具體涉及一種基于CEEMD-STFT (完備集 成經(jīng)驗(yàn)?zāi)B(tài)分解-短時(shí)傅里葉變換）時(shí)頻信息熵和multi-SVM(多分類支持向量機(jī)）的離 心栗故障診斷方法。
【背景技術(shù)】
[0002] 近20年來(lái)，隨著科學(xué)技術(shù)的飛速發(fā)展，設(shè)備故障診斷技術(shù)逐漸成熟，其作為一門 新興邊緣學(xué)科，在綜合工程領(lǐng)域已蓬勃發(fā)展。作為保證設(shè)備安全運(yùn)行的一種基本措施，故障 診斷能夠有效的預(yù)報(bào)設(shè)備的早期故障發(fā)展水平，判斷出故障形成的原因，分析誘因并提出 對(duì)策建議，對(duì)現(xiàn)存隱患進(jìn)行處理，以避免或減少事故的發(fā)生。進(jìn)入21世紀(jì)以后，隨著科學(xué)技 術(shù)的發(fā)展，工業(yè)生產(chǎn)技術(shù)的進(jìn)步，現(xiàn)代設(shè)備向結(jié)構(gòu)復(fù)雜化，集約型，高自動(dòng)程度，多功能方向 發(fā)展。一旦設(shè)備出現(xiàn)故障問(wèn)題，其預(yù)定功能不僅會(huì)降低，很有可能會(huì)失去，甚至造成嚴(yán)重事 故，乃至無(wú)法挽回的損失。
[0003] 離心栗作為一種關(guān)鍵設(shè)備，廣泛應(yīng)用于石油化工、冶金、機(jī)械、電力以及國(guó)防工業(yè) 部門。隨著科技發(fā)展及現(xiàn)代工業(yè)設(shè)備自動(dòng)化程度的提高，各設(shè)備之間的聯(lián)系也越來(lái)越緊密， 高速化、連續(xù)化、大型化、集中化及自動(dòng)化正成為離心栗發(fā)展的方向。離心栗的結(jié)構(gòu)復(fù)雜，工 作在高溫、高速的惡劣條件下，再加上各種隨機(jī)因素的影響，容易發(fā)生各種機(jī)械故障，使得 其功能降低。生產(chǎn)系統(tǒng)中一旦離心栗出現(xiàn)故障，將會(huì)導(dǎo)致連鎖反應(yīng)，嚴(yán)重會(huì)造成設(shè)備損壞乃 至生產(chǎn)系統(tǒng)的癱瘓，無(wú)法正常工作，給企業(yè)和社會(huì)造成巨大經(jīng)濟(jì)損失。因此，研究離心栗的 故障診斷技術(shù)是非常重要的，對(duì)社會(huì)進(jìn)步和經(jīng)濟(jì)發(fā)展有重大經(jīng)濟(jì)效益，是科技和工業(yè)發(fā)展 的重要研究課題之一。
[0004] 在旋轉(zhuǎn)機(jī)械中，設(shè)備狀態(tài)信息隱藏在轉(zhuǎn)子振動(dòng)信號(hào)中，包含了設(shè)備各種異常或故 障的信息，而振動(dòng)參數(shù)是提取故障特征的重要指標(biāo)。對(duì)于連續(xù)運(yùn)轉(zhuǎn)的旋轉(zhuǎn)機(jī)械，可以對(duì)反映 其運(yùn)行狀態(tài)的振動(dòng)信號(hào)進(jìn)行采集，在不停機(jī)的情況下，采用振動(dòng)診斷方法實(shí)現(xiàn)監(jiān)測(cè)與故障 診斷；對(duì)靜態(tài)設(shè)備和工程結(jié)構(gòu)，施加外來(lái)人工刺激，起到動(dòng)態(tài)效果，再根據(jù)反映動(dòng)態(tài)特征的 響應(yīng)，分析診斷，進(jìn)而達(dá)到故障檢測(cè)的目的。之前的研究實(shí)踐表明，將振動(dòng)信號(hào)作為大型運(yùn) 行設(shè)備的監(jiān)測(cè)與故障診斷基礎(chǔ)，能夠達(dá)到對(duì)設(shè)備故障與診斷的目的，從而節(jié)省大量維修費(fèi) 用，取得顯著的經(jīng)濟(jì)效益。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問(wèn)題在于：離心栗振動(dòng)信號(hào)具有信息量大、非平穩(wěn)、重復(fù)再現(xiàn) 性不佳等特點(diǎn)，使得一些基于傳統(tǒng)時(shí)域或頻域的分析方法無(wú)法及時(shí)地反映出系統(tǒng)的運(yùn)行狀 況。
[0006] 本發(fā)明采用的技術(shù)方案為：一種基于CEEMD-STFT時(shí)頻信息熵和multi-SVM的離心 栗故障診斷方法，該方法的步驟如下：
[0007] 第一步，離心栗故障數(shù)據(jù)預(yù)處理；
[0008] 第二步，故障特征提?。菏紫?，使用CEEMD分解方法，將預(yù)處理后的信號(hào)自適應(yīng)的 分解為一系列的模式分量（MFs)，模式分量是按頻率由高到低排列的，高頻成分包含有主 要的故障信息，提取前N個(gè)頂F分量做進(jìn)一步的分析；其次，對(duì)這N個(gè)頂F分量分別做短時(shí) 傅里葉變換（STFT)，分別提取N個(gè)包含故障特征時(shí)頻信息的時(shí)頻矩陣；最后，按照時(shí)頻信息 熵的定義，提取這些時(shí)頻矩陣的時(shí)頻信息熵，至此，得到一個(gè)由N個(gè)多尺度時(shí)頻信息熵組成 的N維故障特征向量；
[0009] 第三步，故障特征維度約減；
[0010] 第四步，用rnulti-SVM分類器自動(dòng)識(shí)別故障模式：首先，將故障特征數(shù)據(jù)集分為訓(xùn) 練數(shù)據(jù)和測(cè)試數(shù)據(jù)兩部分；其次，使用訓(xùn)練數(shù)據(jù)訓(xùn)練多類支持向量機(jī)（multi-SVM)模型，獲 得模型的參數(shù)；最后，將測(cè)試數(shù)據(jù)輸入到訓(xùn)練好的分類器模型中，通過(guò)模型預(yù)測(cè)出該特征數(shù) 據(jù)對(duì)應(yīng)的故障模式標(biāo)簽，完成故障診斷。
[0011] 其中，第一步離心栗故障數(shù)據(jù)預(yù)處理中，為提高后續(xù)數(shù)據(jù)處理的質(zhì)量和效率，去除 原始數(shù)據(jù)中的異常數(shù)據(jù)，并進(jìn)行歸一化處理。
[0012] 其中，第二步中，提取前N個(gè)IMF分量做進(jìn)一步的分析中N具體為6。
[0013] 其中，第三步中，為提高運(yùn)算的效率、模式識(shí)別的準(zhǔn)確度和魯棒性，必須對(duì)特征向 量進(jìn)行維度約減，使用主成分分析（PCA)方法對(duì)6維特征向量進(jìn)行降維，得到便于可視化分 析的3維特征向量。
[0014] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：
[0015] (1)、本發(fā)明使用CEEMD方法對(duì)信號(hào)進(jìn)行自適應(yīng)的分解并取前N個(gè)模式分量進(jìn)行后 續(xù)分析，可以有效抑制EMD分解的模態(tài)混疊問(wèn)題，從而有助于提取到多尺度的本質(zhì)故障特 征；
[0016] (2)、本發(fā)明對(duì)前N個(gè)模式分量進(jìn)行STFT分析可有效提取非平穩(wěn)模式分量中的包 含大量故障信息的時(shí)頻特征；
[0017] (3)、本發(fā)明應(yīng)用時(shí)頻信息熵測(cè)度信號(hào)不同尺度的時(shí)頻分布復(fù)雜度，以此作為特征 向量進(jìn)行故障診斷，診斷精度高，魯棒性好。
【附圖說(shuō)明】
[0018] 圖1為本發(fā)明一種基于CEEMD-STFT時(shí)頻信息熵和multi-SVM的離心栗故障診斷 方法的診斷流程圖；
[0019] 圖2為EMD算法流程圖；
[0020] 圖3為時(shí)頻信息熵定義；
[0021] 圖4為線性可分情況下的分類超平面；
[0022] 圖5為離心栗數(shù)據(jù)采集系統(tǒng)；
[0023] 圖6為各故障模式的前6個(gè)IMF分量，其中，圖6 (a)為正常工況，圖6 (b)為軸承 內(nèi)環(huán)故障，圖6(c)為軸承外環(huán)故障，圖6(d)為軸承滾動(dòng)體故障，圖6(e)為葉輪故障；
[0024] 圖7為各故障模式的頂F1分量的語(yǔ)譜圖，其中，圖7(a)為正常工況，圖7(b)為軸 承內(nèi)環(huán)故障，圖7(c)為軸承外環(huán)故障，圖7(d)為軸承滾動(dòng)體故障，圖7(e)為葉輪故障；
[0025] 圖8為故障特征向量聚類圖。
【具體實(shí)施方式】
[0026] 下面結(jié)合附圖以及具體實(shí)施例進(jìn)一步說(shuō)明本發(fā)明。
[0027] 1、基于CEEMD-STFT時(shí)頻信息熵和multi-SVM的離心栗故障診斷方法實(shí)施例的介 紹
[0028] 1. 1基于CEEMD-STFT時(shí)頻信息熵和multi-SVM的離心栗故障診斷方法的流程
[0029] 本方法提出的故障診斷流程如圖1所示，共包含數(shù)據(jù)預(yù)處理、特征提取、維度約減 和模式識(shí)別5個(gè)主要部分，具體如下：
[0030] 第一步，數(shù)據(jù)預(yù)處理。為提高后續(xù)數(shù)據(jù)處理的質(zhì)量和效率，去除原始數(shù)據(jù)中的異常 數(shù)據(jù)，并進(jìn)行歸一化處理。
[0031] 第二步，故障特征提取。首先，使用CEEMD分解方法，將預(yù)處理后的信號(hào)自適應(yīng)的 分解為一系列的模式分量，模式分量是按頻率由高到低排列的，高頻成分包含有主要的故 障信息，因此我們提取前6個(gè)頂F分量做進(jìn)一步的分析；其次，對(duì)這6個(gè)頂F分量分別做短 時(shí)傅里葉變換（STFT)，提取包含故障特征時(shí)頻信息的時(shí)頻矩陣；最后，按照時(shí)頻信息熵的 定義，提取6個(gè)時(shí)頻矩陣的時(shí)頻信息熵。至此，我們得到一個(gè)由6個(gè)多尺度時(shí)頻信息熵組成 的故障特征向量。
[0032] 第三步，故障特征維度約減。為提高運(yùn)算的效率、模式識(shí)別的準(zhǔn)確度和魯棒性，必 須對(duì)特征向量進(jìn)行維度約減。我們使用主成分分（PCA)方法對(duì)6維特征向量進(jìn)行降維，得 到便于可視化分析的3維特征向量。
[0033] 第四步，用multi-SVM分類器自動(dòng)識(shí)別故障模式。首先，將故障特征數(shù)據(jù)集分為訓(xùn) 練數(shù)據(jù)和測(cè)試數(shù)據(jù)兩部分；其次，使用訓(xùn)練數(shù)據(jù)訓(xùn)練多類支持向量機(jī)（multi-SVM)模型，得 到模型的優(yōu)化參數(shù)；最后，將測(cè)試數(shù)據(jù)輸入到訓(xùn)練好的分類器模型中，通過(guò)模型預(yù)測(cè)出該特 征數(shù)據(jù)對(duì)應(yīng)的故障模式標(biāo)簽，完成故障診斷。
[0034] 1. 2基于CEEMD-STFT時(shí)頻信息熵的特征提取
[0035] 1. 2. 1完備集成經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMD)原理
[0036] 1. 2. 1. 1經(jīng)驗(yàn)?zāi)B(tài)分解（EMD)
[0037] 經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical mode decomposition, EMD)將時(shí)間序列分解成一系列 被稱為固有模態(tài)函數(shù)（Intrinsic mode function, IMF)的單分量信號(hào)，一個(gè)單分量信號(hào)代 表了一個(gè)近似于最普遍最基本簡(jiǎn)諧函數(shù)的振蕩函數(shù)。每個(gè)MF有著不同的頻率分量，包含 了信號(hào)中由最高到最低的頻率分量，有指示不同故障信息的潛能。它們需滿足兩個(gè)條件：
[0038] 第一，信號(hào)中極值點(diǎn)與過(guò)零點(diǎn)的個(gè)數(shù)相同或至多相差一個(gè)；第二，對(duì)于信號(hào)上的任 意一點(diǎn)，由局部極大值和局部極小值分別定義的包絡(luò)的均值為零。對(duì)于振蕩數(shù)據(jù)而言第一 個(gè)條件十分必要以滿足計(jì)算瞬時(shí)頻率的嚴(yán)格條件限制，即在特定的時(shí)間點(diǎn)給出信號(hào)的振蕩 頻率。第二個(gè)條件要求一個(gè)頂F的上下包絡(luò)對(duì)相對(duì)于時(shí)間軸局部對(duì)稱，使信號(hào)能隨著分解 出來(lái)的IMF進(jìn)行調(diào)制。
[0039] EMD基于以下三點(diǎn)假設(shè)：
[0040] (1)信號(hào)至少有一個(gè)極小值和一個(gè)極大值（非單調(diào)函數(shù)）；
[0041] (2)連續(xù)極值點(diǎn)間的時(shí)間差異定義了特征時(shí)間尺度；
[0042] (3)如果只有拐點(diǎn)而沒(méi)有極值點(diǎn)，數(shù)據(jù)將被微分，然后應(yīng)用EMD方法并將得到的分 量積分以得到最終結(jié)果。
[0043] EMD方法的分解過(guò)程由信號(hào)最高頻率的成分開(kāi)始，逐一分解得到的頂Fs的頻率范 圍依次降低。分解方法通過(guò)三次樣條插值構(gòu)建信號(hào)序列的局部極大和局部極小值的包絡(luò)， 計(jì)算上下包絡(luò)的均值并從原始信號(hào)中去除。并將剩余的差使用相同方法重復(fù)進(jìn)行直至各點(diǎn) 處的平均包絡(luò)合理的趨于零為止，由此得到了第一個(gè)MF。從原始信號(hào)中減去第一個(gè)頂F， 使用相同的篩選方法逐一分解出其他MF，當(dāng)殘差信號(hào)振幅很小或變得