【技术实现步骤摘要】
本专利技术属于电机领域的故障预测技术，具体涉及一种基于时频特征信号分布优化的电机故障预测方法及系统。
技术介绍
1、准确的故障诊断和预测对电机的稳定和安全运行至关重要。当信号发生明显变化时，可能出现了重大故障。为避免不必要的损坏，应尽早发现故障信号。而电机故障预测可以用来预防故障的发生。电机故障预测降低了维修成本和故障造成的损害。故障发生后会形成一个缓慢的退化过程，而不是突然出现的。为了更好地了解信号是如何变化的，需要记录信号随时间的变化以供分析。然而，在长期退化过程中，信号的变化并不明显。从长期数据中提取相关特征和指标对于准确预测电机故障至关重要。由于工作环境复杂，大多数采集到的信号都含有一定的噪声和其他非平稳成分。干扰信号会引起信号分布的波动，增大预测误差。为了提高后续预测过程的准确性，需要提取故障的主要特征。目前大多数先进的预测方法主要采用分解重建方法。通过小波包分解(wpd)、变分模态分解(vmd)、经验模态分解(emd)等方法将时间序列分解为具有不同模态的子序列。提取与故障特征相关的子序列进行预测。
2、然而，信号组成极其复杂，无法准确地结合信号特征进行分解和重构。方法的选择对保证故障预测的准确性至关重要。在数据驱动的故障预测领域，常用的方法可分为时间序列分析、随机过程和机器学习。时间序列分析是利用历史数据建立时间变化的数学模型。从数学模型中推导出未来的数据点。常用的方法有灰色模型(gm)和微分自回归滑动平均(arima)。随机过程方法主要通过数理统计和知识建模，根据该模型描述了退化过程和剩余寿命概率分布函
3、为了解决这些问题，需要使用不同的信号形状来突出故障发生后信号的变化。最近，人们提出了信号分布的故障预测方法，例如基于马尔可夫图和马尔可夫信号分布的故障预测方法。然而上述方法对原始信号进行特殊处理，原始信号的噪声部分引起了信号分布的波动。直接使用原始信号会影响故障预测的精度。虽然上述方法的预测结果令人充满希望，但仍存在一些问题需要进一步解决：(1)退化模型过于复杂，难以进行长期数据监测和故障预测。用一个精确的数学模型来描述这个过程是不可能的。(2)对时域信号或频域信号进行特征提取分析，当信号差异较小时，需要对时频信号进行特征提取。(3)单个信号的故障预测容易出现异常，导致预测结果发生突变。信号扰动会导致难以消除的系统级预测误差。
技术实现思路
1、本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种基于时频特征信号分布优化的电机故障预测方法及系统，本专利技术旨在降低信号中的噪声成分、提高信号的集中程度，提高了电机故障的识别能力。
2、为了解决上述技术问题，本专利技术采用的技术方案为：
3、一种基于时频特征信号分布优化的电机故障预测方法，包括：
4、s101，获取电机的振动时域信号；
5、s102，将振动时域信号采用旋转门压缩算法sdt进行压缩以减少数据量，并对压缩后的振动时域信号采用arima模型补充数据点，并转换为时间序列分布；
6、s103，将振动时域信号采用变分模态分解vmd提取辅助预测信号；
7、s104，将辅助预测信号、时间序列分布组合利用门控循环单元gru实现故障预测。
8、可选地，步骤s102中采用旋转门压缩算法sdt进行压缩时，还包括对门宽ε进行优化：针对振动时域信号计算频域的均方根频率msf，并将振动时域信号经过参数和分辨率自适应算法praa处理后的时域信号结合频率对应的幅值来计算特征频率偏差s，若特征频率偏差s小于等于频域的均方根频率msf成立，则校正旋转门压缩算法sdt的门宽ε，否则保持旋转门压缩算法sdt的门宽ε不变，其中计算特征频率偏差s的函数表达式为：
9、
10、ptf-praa(f)＝∫xtf-praa(t)e-jftdt，
11、上式中，ξ为用于控制容差范围的常数，l为采样点数量，ptf-praa(f)为中间变量，f表示频率，p(f)表示频率f对应的幅值，xtf-praa(t)为原始的振动时域信号x(t)经过参数和分辨率自适应算法praa处理后的时域信号，t表示时间，j表示虚数单位。
12、可选地，步骤s102中转换为时间序列分布包括：在最大值和最小值之间将时间序列划分为m个区域，并计算不同区域的数据点概率，从而得到由不同区域的数据点概率构成的时间序列分布。
13、可选地，所述计算不同区域的数据点概率的函数表达式为：
14、pm＝am/n，
15、上式中，pm为第m个区域的数据点概率，am为第m个区域的数据点总数，n为给定的振动时域信号中的数据点总数。
16、可选地，步骤s103中将振动时域信号采用变分模态分解vmd提取辅助预测信号包括：
17、s101，初始化迭代次数n，模态数量k和惩罚因子α，以及初始的模态分量、中心频率以及拉格朗日算子；
18、s102，对每一个模态根据下式计算第n+1次的模态分量、中心频率以及拉格朗日算子：
19、
20、
21、
22、上式中，为第k个模态下第n+1次迭代得到的模态分量对应的傅里叶变换，ω为频率，f(ω)为原始信号，为第i次迭代得到的模态分量，为λ(t)对应的傅里叶变换，α为惩罚因子，ωk为第k个模态下的频率，为第k个模态下第n+1次迭代得到的中心频率，为第k个模态下第n+1次迭代得到的模态分量；为第n+1次迭代得到的拉格朗日算子，为第n次迭代得到的拉格朗日算子，γ为噪声权重参数，为原始信号对应的傅里叶变换；
23、s103，判断最近两次模态分量之间的误差小于预设阈值ε是否成立，若不成立，则将n加1，跳转执行步骤s102继续迭代；否则跳转执行步骤s104；
24、s104，将分解得到的k个模态分量相加，得到辅助预测信号。
25、可选地，步骤s103中将振动时域信号采用变分模态分解vmd提取辅助预测信号之前，还包括采用粒子群算法优化惩罚因子α和模态数量k，且采用粒子群算法优化惩罚因子α和模态数量k时包括基于模态分量的包络熵值来选择最优的惩罚因子α和模态数量k。
26、可选地，所述模态分量的包络熵值的计算函数表达式为：
27、
28、上式中，hk为第k个模态分量的包络熵值，n为模态分量的总个数，pk为第k个模态分量的对应的频率幅值与振幅总和之比，且有：
29、
30、上式中，l(f)为第k个模态分量的对应的频率幅值。
31、可选地，步骤s104中将辅助预测信号、时间序列分布组合是指将辅助预测信号、时间序列分布构建向量xt，将向量xt按照时序输入门控循环单元gru以利用门控循环单元gru实现故本文档来自技高网...
【技术保护点】
1.一种基于时频特征信号分布优化的电机故障预测方法，其特征在于，包括：
2.根据权利要求1所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，步骤S102中采用旋转门压缩算法SDT进行压缩时，还包括对门宽ε进行优化：针对振动时域信号计算频域的均方根频率MSF，并将振动时域信号经过参数和分辨率自适应算法PRAA处理后的时域信号结合频率对应的幅值来计算特征频率偏差S，若特征频率偏差S小于等于频域的均方根频率MSF成立，则校正旋转门压缩算法SDT的门宽ε，否则保持旋转门压缩算法SDT的门宽ε不变，其中计算特征频率偏差S的函数表达式为：
3.根据权利要求1所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，步骤S102中转换为时间序列分布包括：在最大值和最小值之间将时间序列划分为M个区域，并计算不同区域的数据点概率，从而得到由不同区域的数据点概率构成的时间序列分布。
4.根据权利要求3所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，所述计算不同区域的数据点概率的函数表达式为：
5.根据权利要求1所述的基于时
6.根据权利要求5所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，步骤S103中将振动时域信号采用变分模态分解VMD提取辅助预测信号之前，还包括采用粒子群算法优化惩罚因子α和模态数量k，且采用粒子群算法优化惩罚因子α和模态数量k时包括基于模态分量的包络熵值来选择最优的惩罚因子α和模态数量k。
7.根据权利要求6所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，所述模态分量的包络熵值的计算函数表达式为：
8.根据权利要求1所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，步骤S104中将辅助预测信号、时间序列分布组合是指将辅助预测信号、时间序列分布构建向量xt，将向量xt按照时序输入门控循环单元GRU以利用门控循环单元GRU实现故障预测。
9.一种基于时频特征信号分布优化的电机故障预测系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～8中任意一项所述基于时频特征信号分布优化的电机故障预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～8中任意一项所述基于时频特征信号分布优化的电机故障预测方法。
...【技术特征摘要】
1.一种基于时频特征信号分布优化的电机故障预测方法，其特征在于，包括：
2.根据权利要求1所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，步骤s102中采用旋转门压缩算法sdt进行压缩时，还包括对门宽ε进行优化：针对振动时域信号计算频域的均方根频率msf，并将振动时域信号经过参数和分辨率自适应算法praa处理后的时域信号结合频率对应的幅值来计算特征频率偏差s，若特征频率偏差s小于等于频域的均方根频率msf成立，则校正旋转门压缩算法sdt的门宽ε，否则保持旋转门压缩算法sdt的门宽ε不变，其中计算特征频率偏差s的函数表达式为：
3.根据权利要求1所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，步骤s102中转换为时间序列分布包括：在最大值和最小值之间将时间序列划分为m个区域，并计算不同区域的数据点概率，从而得到由不同区域的数据点概率构成的时间序列分布。
4.根据权利要求3所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，所述计算不同区域的数据点概率的函数表达式为：
5.根据权利要求1所述的基于时频特征信号分布优化的电机故障预测方法，其特征在于，步骤s103中将振动时域信号采用变分模态分解vmd提取辅助预测信号包括：
6...
【专利技术属性】
技术研发人员：黄晟，屈尹鹏，吴之荻，张晓飞，秦国军，王玺帷，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。