一种EITD设备故障诊断方法及系统技术方案

本发明专利技术公开了一种EITD设备故障诊断方法及系统，利用EITD算法对设备振动信号进行分解，利用非线性判别算法去除噪声分量和趋势项，保留分形信号分量，采用Lagrange插值函数对极值点进行插值，利用最小二乘法拟合包络，分离频率调制部分，利用DQ算法估计瞬时频率并计算相应的瞬时尺度，根据分析尺度自动确定振动信号去趋势结果，计算去趋势信号的多重分形谱，提取多重分形谱的左端点、右端点和极值点坐标作为设备运行状态的特征参数，识别设备运行状态，将上述算法部署到设备状态监测系统，本发明专利技术适合于处理复杂的设备振动信号，能够准确区分设备运行状态，设备状态监测系统具有良好的柔性和便携性，便于工程应用。便于工程应用。便于工程应用。

【技术实现步骤摘要】
一种EITD设备故障诊断方法及系统


[0001]本专利技术涉及设备状态监测与故障诊断领域，具体涉及一种EITD设备故障诊断方法及系统。

技术介绍

[0002]设备振动信号包含丰富的分形特征，这些分形特征能够描述设备的运行状态。盒维数、功率谱分析和重标极差方法可以估计平稳信号的单重分形参数，去趋势波动分析（DFA）能够估计非平稳信号的单重分形维数。然而，设备出现故障时，其振动信号通常是非平稳的，且具有多重分形特征，这时传统的分形维数估计方法会产生比较大的误差。多重分形去趋势波动分析（MFDFA）能够估计非平稳信号的多重分形参数，但是MFDFA方法存在着分析尺度需要人工确定、拟合多项式趋势阶数难以确定和数据段之间不连续的问题。目前，已经有文献提出了基于EMD的MFDFA版本（MFDFAemd），用来解决MFDFA存在的问题。然而，MFDFAemd采用的线性滤波方法容易破坏原始信号的分形结构，且存在着负频率现象，这些缺陷严重影响了MFDFAemd的应用效果。综上所述，现有技术难以准确提取设备振动信号的多重分形特征，难以准确检测设备运行状态。

技术实现思路

[0003]本专利技术要解决的问题是针对以上不足，提出一种EITD设备故障诊断方法及系统（本专利技术提出的方法简称为MFDFAoeitd）。采用本专利技术所提出的方法对设备振动信号进行分析，能够有效提取设备振动信号的多重分形特征，克服MFDFA方法存在的分析尺度需要人工确定、拟合多项式趋势阶数难以确定和数据段之间不连续的问题，解决MFDFAemd方法存在的原始信号分形结构破坏和负频率现象，具有分析结果准确度和精确度高，设备运行状态识别结果正确率高等优点。
[0004]为解决以上技术问题，本专利技术采取的技术方案如下： 一种EITD设备故障诊断方法，其特征在于：包括以下步骤：步骤1：利用加速度传感器以采样频率fs测取设备振动信号x（k）, k=1, 2,
ꢀ…
,N，N为采样信号的长度；步骤2：采用集合本征时间尺度分解( Ensemble Intrinsic Time
‑
scale Decomposition, EITD)算法将信号x（k）分解成n个分量和一个趋势项之和，即，其中，c
i
（k）代表由EITD算法得到的第i个分量，r
n
（k）代表由EITD算法得到的趋势项，本例中，n=10；步骤3：采用非线性判别算法从EITD分解结果中排除噪声分量和趋势项，保留包含分形特征的分量c
f
（k）, f=1,2,
…
,p，p代表滤波后剩余分量的数量；步骤4：确定c
f
（k）的局部极大值和局部极小值，采用Lagrange插值函数分别对c
f
（k）的局部极大值和局部极小值进行插值，利用最小二乘法分别拟合c
f
（k）的上包络u(k)和
下包络l(k)，则c
f
（k）的包络定义为，符号|x|表示对x取绝对值；步骤5：重复执行公式m次，j=1,2,
…
,m，直到，得到c
f
（k）的频率调制部分FM
m
(k)，e
j
(k)代表c
j
(k)的包络，c
j
(k)=FM
(j
‑
1)
(k)，c1(k)= c
f
（k）；步骤6：采用直接积分法（Direct Quadrature, DQ）计算FM
m
(k)的瞬时角度，得到c
f
（k）的瞬时频率，进而获得c
f
（k）的瞬时尺度s
f
；步骤7：当尺度为s时，则振动信号x(k)的去趋势结果为；步骤8：将Y
s
(k)分成不重叠的N
s
段长度为s的数据，由于数据长度N通常不能整除s，所以会剩余一段数据不能利用；为了充分利用数据的长度，再从数据的反方向以相同的长度分段，这样一共得到2N
s
段数据；步骤9：计算每段数据的方差：步骤9：计算每段数据的方差：；步骤10：计算q阶函数：；步骤11：改变s的取值，s=s
f
，f=1,2,
…
,p，重复上述步骤3到步骤10，得到关于q和s的方差函数F
q
(s);步骤12：如果x(k)存在分形特征，则F
q
(s)和尺度s之间存在幂律关系：F
q
(s)~s
H(q)
，H(q)代表x(k)的广义Hurst指数；当q=0时， H(0)通过下式所定义的对数平均过程来确定：；步骤13：计算信号x(k)的标准标度指数τ(q)=qH(q)
‑
1，本例中，q在(
‑
5, 5)范围内取值;步骤14：计算信号x(k)的奇异指数α和多重分形谱f(α):α=H(q)+q H
’
(q),f(α)=q(α
‑
H(q))+1，其中H
’
(q)代表H(q)的一阶导数；步骤15：提取多重分形谱f(α)的左端点、右端点和极值点所对应的奇异指数，利用这3个参数来描述设备的运行状态；
步骤16：将上述步骤所述方法部署在状态监测装置上，对设备状态进行监测。
[0005]进一步的，所述步骤2的EITD算法包括以下步骤：1）向数据x0(k)添加白噪声序列产生一个新数据x
j
(k) ：Std[x0(k)]代表数据x0（k）的标准差，wn
j
(k)代表wn
j
中的第k个数据，wn
j
代表第j个随机产生的白噪声序列，wn
j
幅值为1，1≤j≤K；x0(k)代表权利要求1所述步骤2中x(k)；本例中，K=100；2）对x
j
(k)执行本征时间尺度分解(Intrinsic Time
‑
scale Decomposition, ITD)，得到n个分量和一个趋势项c
ij
(k)代表对x
j
(k)执行本征时间尺度分解得到的第i个分量，r
nj
(k)代表对x
j
(k)执行本征时间尺度分解得到的趋势项；3）计算K次分解结果的平均值c
i
(k)表示对x0(k)进行集合本征时间尺度分解得到的第i个分量，r
n
(k)表示对x0(k)进行集合本征时间尺度分解得到的趋势项。
[0006]进一步的，所述步骤3非线性判别算法包括以下步骤：1) 对信号c（k）执行重排操作和替代操作，经重排操作得到的数据用c
shuf
（k）表示，替代操作后得到数据用c
surr
（k）表示；2) 对c（k）、c
shuf
（k）和c
surr
（k）分别执行多重分形去趋势波动分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种EITD设备故障诊断方法，其特征在于：包括以下步骤：步骤1：利用加速度传感器以采样频率fs测取设备振动信号x（k）, k=1, 2,
ꢀ…
,N，N为采样信号的长度；步骤2：采用集合本征时间尺度分解( Ensemble Intrinsic Time
‑
scale Decomposition, EITD)算法将信号x（k）分解成n个分量和一个趋势项之和，即，其中，c
i
（k）代表由EITD算法得到的第i个分量，r
n
（k）代表由EITD算法得到的趋势项；步骤3：采用非线性判别算法从EITD分解结果中排除噪声分量和趋势项，保留包含分形特征的分量c
f
（k）, f=1,2,
…
,p，p代表滤波后剩余分量的数量；步骤4：确定c
f
（k）的局部极大值和局部极小值，采用Lagrange插值函数分别对c
f
（k）的局部极大值和局部极小值进行插值，利用最小二乘法分别拟合c
f
（k）的上包络u(k)和下包络l(k)，则c
f
（k）的包络定义为，符号|x|表示对x取绝对值；步骤5：重复执行公式m次，j=1,2,
…
,m，直到，得到c
f
（k）的频率调制部分FM
m
(k)，e
j
(k)代表c
j
(k)的包络，c
j
(k)=FM
(j
‑
1)
(k)，c1(k)= c
f
（k）；步骤6：采用直接积分法（Direct Quadrature, DQ）计算FM
m
(k)的瞬时角度，得到c
f
（k）的瞬时频率，进而获得c
f
（k）的瞬时尺度s
f
；步骤7：当尺度为s时，则振动信号x(k)的去趋势结果为；步骤8：将Y
s
(k)分成不重叠的N
s
段长度为s的数据，由于数据长度N通常不能整除s，所以会剩余一段数据不能利用；为了充分利用数据的长度，再从数据的反方向以相同的长度分段，这样一共得到2N
s
段数据；步骤9：计算每段数据的方差：步骤9：计算每段数据的方差：；步骤10：计算q阶函数：；步骤11：改变s的取值，s=s
f
，f=1,2,
…
,p，重复上述步骤3到步骤10，得到关于q和s的方差函数F
q
(s);步骤12：如果x(k)存在分形特征，则F
q
(s)和尺度s之间存在幂律关系：F
q
(s)~s
H(q)
，H(q)
代表x(k)的广义Hurst指数；当q=0时， H(0)通过下式所定义的对数平均过程来确定：；步骤13：计算信号x(k)的标准标度指数τ(q)=qH(q)
‑
1；步骤14：计算信号x(k)的奇异指数α和多重分形谱f(α)：α=H(q)+q H
’
(q),f(α)=q(α
‑
H(q))+1，其中H
’
(q)代表H(q)的一阶导数；步骤15：提取多重分形谱f(α)的左端点、右端点和极值点所对应的奇异指数，利用这3个参数来描述设备的运行状态。2.根据权利要求1所述的一种EITD多尺度波动分析状态监测方法，其特征在于：所述步骤2的EITD算法包括以下步骤：1）向数据x0(k)添加白噪声序列产生一个新数据x
j
(k) ：Std[x0(k)]代表数据x0（k）的标准差，wn
j
(k)代表wn
j
中的第k个数据，wn
j
代表第j个随机产生的白噪声序列，wn
j
幅值为1，1≤j≤K；x0(k)代表权利要求1所述步骤2中x(k)；2）对x
j
(k)执行本征时间尺度分解(Intrinsic Time
‑
scale Decomposition, ITD)，得到n个分量和一个趋势项c
ij
(k)代表对x
j
(k)执行本征时间尺度分解得到的第i个分量，r
nj
(k)代表对x
j
(k)执行本征时间尺度分解得到的趋势项；3）计算K次分解结果的平均值c
i
(k)表示对x0(k)进行集合本征时间尺度分解得到的第i个分量，r
n
(k)表示对x0(k)进行集合本征时间尺度分解得到的趋势项。3.根据权利要求1所述的一种EITD设备故障诊断方法，其特征在于：所述步骤3非线性判别算法包括以下步骤：1) 对信号c（k）执行重排操作和替代操作，经重排操作得到的数据用c
shuf
（k）表示，替代操作后得到数据用c
surr
（k）表示；2) 对c（k）、c
shuf
（k）和c
surr
（k）分别执行多重分形去趋势波动分析（Mul...

【专利技术属性】
技术研发人员：豆春玲，寇兴磊，
申请(专利权)人：山东柯瑞申智能科技有限公司，
类型：发明
国别省市：