变分模态分解的变参信息融合方法与流程

本发明涉及旋转机械故障诊断，特别是涉及变分模态分解的变参信息融合方法。
背景技术：
旋转机械设备正朝着大型化、精密化和自动化的方向发展，这就对整个设备系统中各个部件的制造、安装和日常保养维护提出了更加严格的要求，任意部件的一个细微的损伤或者震荡错位，都有可能影响到整个系统的正常工作，甚至引起重大事故。滚动轴承在旋转机械设备中承担着关键的角色，其健康状态会影响整个机械系统的工作状态，因此对滚动轴承的监测和诊断具有重要的意义。当轴承部件出现故障时，会产生周期性的瞬态冲击响应，不同位置的故障会表现出不同的故障特征周期，如何有效提取信号中的瞬态冲击响应成分从而得出故障特征周期，是轴承故障诊断的关键问题。但是，由于工作环境的复杂性，从机械设备现场采集的振动信号往往具有非线性和非平稳性的特征，大量的窄带脉冲干扰以及环境噪声会淹没故障特征信号，严重影响了故障特征信号的识别。变分模态分解(vmd)方法是一种针对多分量非平稳信号进行准正交分解的方法，其实质是以经典维纳滤波、希尔伯特变换和频率混合这三个概念为基础的变分问题求解方法。在确定了分解模态个数k和带宽平衡参数α的情况下，该方法采用频域迭代方法搜寻变分模型的最优解来确定每个调幅调频分量的中心频率和带宽，并且通过对频域的剖分将原始信号分解为k个有限带宽的本征模态函数(imf)。通过vmd方法得到的各个imf包含了原信号的不同频带的局部特征信息，包括与故障相关的瞬态周期成分，因此可以应用于故障冲击特征的提取与识别。与经验模态分解(emd)相比，vmd具有严格的数学模型和坚实的理论基础，并且分解精度高，分解层数少，不存在模态混叠现象，所以vmd在机械振动信号瞬态成分检测中得到了广泛的应用。但是，vmd方法分解的效果依赖于分解模态个数k和带宽平衡参数α这两个参数。k值太小则不能提取出含故障信息的imf，即故障模态分量，过大则会把一个故障模态分量分解在多个imfs中，且计算量较大；α的取值增加会减小故障模态分量的带宽，从而减少噪声含量，但是同时也会减少故障信息。对于在不同环境下测得的轴承振动信号，需要人工选择不同的参数值以获得受干扰较少的故障瞬态成分，因此vmd方法缺乏自适应性。为了解决vmd方法存在的非自适应性问题，现有的研究主要是围绕参数优化展开。该类方法的原理为将vmd需要预设的参数k和α设置为自变量，分解得到的分量的优化指标为因变量，通过算法改变自变量k与α，根据优化指标得到最优参数和最优分量，实现vmd的自适应信号处理。参数优化算法和优化指标的选取是该类方法的核心。常用的参数优化算法有穷举法、人工鱼群算法和粒子群优化算法等，这些算法的主要区别在于运算速度和运算精度。常用的优化指标包括峭度值、排列熵、最大李雅普诺夫指数以及分量与原始信号的互相关系数等，优化指标的选择依据在于能否准确找出故障模态分量。基于参数优化的vmd方法的实现步骤为：首先确定一个对故障信息敏感的优化指标；接着确定参数优化算法以及参数的变化区间；然后运行算法，寻找指标最优的参数和分量；最后对最优分量进行分析，寻找故障特征周期。传统技术存在以下技术问题：基于参数优化的vmd方法本质上是完全自适应的维纳滤波器，可以有效地分解出含有故障信息的窄带分量，去除带外噪声，但是对于带内噪声则无能为力。若带内噪声过大则会出现无法有效识别故障瞬态成分的情况。此外，基于参数优化的vmd方法往往要根据其算法选择计算精度，若计算精度过低则难以得到最优参数和分量，过高则会增加计算量，影响实际应用效率。基于参数优化的vmd方法一般需要上百次vmd分解才能得到最优参数和最优分量。因此，该类方法主要存在两个问题：a)最优故障模态分量中的带内噪声无法消除；b)在保证精度的前提下，需要大量的计算时间，实际分解效率低下。技术实现要素：基于此，有必要针对上述技术问题，提供一种变分模态分解的变参信息融合方法，该方法针对基于参数优化的vmd方法中带内噪声难以消除和计算效率低下的问题，采用流形学习的方法对不同参数下包含故障信息的多个imfs进行信息融合，从中提取故障瞬态成分的内在流形结构，从而无需搜寻最优参数，提高运行效率，并消除带内噪声，可以有效检测出信号中的瞬态特征成分。一种变分模态分解的变参信息融合方法，包括：取分解模态个数k＝1，设定带宽平衡参数α，对分析信号进行vmd处理，得到一个imf分量，将原始信号减去这个imf分量，得到剩余分量；将所述剩余分量作为所述分析信号，重复上述步骤n次，得到n个imf分量和n个剩余分量；根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；改变所述α的值，重复上述步骤n次，获得n个具有不同带宽的故障模态分量；按照给定流形学习方法对所述n个故障模态分量进行融合，得到多维故障模态分量的内在流形结构，即故障瞬态成分。上述变分模态分解的变参信息融合方法，本发明方法利用流形学习对变参数下vmd处理得到的多维故障模态分量进行信息融合，获得信噪比高的故障瞬态成分。本发明方法通过多次改变带宽平衡参数α，获得具有不同带宽的故障模态分量，从而兼顾带外噪声的去除和故障信息的保留，利用流形学习优秀的特征挖掘能力，在多维故障模态分量中保留具有稳定结构的低维瞬态成分，去除没有稳定结构的带内噪声，实现对不同信号中故障瞬态成分的有效检测。同时，本发明方法中的分解模态个数k始终取1，且多维故障模态分量的维数较低，因此相比于各种参数优化算法，计算效率更高；该技术方法至少具有以下优点：无需确定带宽平衡参数、鲁棒性强、运行效率高、可以去除带内噪声、可以获得更高的信噪比等。在另外的一个实施例中，“取分解模态个数k＝1，设定带宽平衡参数α，对分析信号进行vmd处理，得到一个imf分量，将原始信号减去这个imf分量，得到剩余分量；”，所述带宽平衡参数α的取值范围为100到5000。在另外的一个实施例中，“根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；”中，所述给定优化指标方法包括利用峭度值、光滑因子、排列熵、最大李雅普诺夫指数、相关系数、能量以及其组合能够从vmd分析得到的多个分量中选出所述故障模态分量的方法。在另外的一个实施例中，“按照给定流形学习方法对所述n个故障模态分量进行融合，得到多维故障模态分量的内在流形结构，即故障瞬态成分。”中，所述给定流形学习方法是具有维数约简功能的学习方法。在另外的一个实施例中，所述给定流形学习方法是局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法或局部保留投影算法。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。附图说明图1为本申请实施例提供的一种变分模态分解的变参信息融合方法的流程图。图2为本发明实施例提供的滚动轴承声音振动信号的时域波形图及其频谱图。图3(a)为采用本发明公开的一种变分模态分解的变参信息融合方法从图2所述信号中选取出的10个故障模态分量的时域波形图及其频谱图之一。图3(b)为采用本发明公开的一种变分模态分解的变参信息融合方法从图2所述信号中选取出的10个故障模态分量的时域波形图及其频谱图之二。图4为采用本发明公开的一种变分模态分解的变参信息融合方法对图3(a)和图3(b)中所述分量进行信息融合后得到的故障瞬态成分及其频谱图。图5为采用基于粒子群优化算法的vmd方法对图2所述信号进行处理后得到的故障瞬态成分及其频谱图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。一种变分模态分解的变参信息融合方法，包括：取分解模态个数k＝1，设定带宽平衡参数α，对分析信号进行vmd处理，得到一个imf分量，将原始信号减去这个imf分量，得到剩余分量；将所述剩余分量作为所述分析信号，重复上述步骤n次，得到n个imf分量和n个剩余分量；根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；改变所述α的值，重复上述步骤n次，获得n个具有不同带宽的故障模态分量；按照给定流形学习方法对所述n个故障模态分量进行融合，得到多维故障模态分量的内在流形结构，即故障瞬态成分。上述变分模态分解的变参信息融合方法，本发明方法利用流形学习对变参数下vmd处理得到的多维故障模态分量进行信息融合，获得信噪比高的故障瞬态成分。本发明方法通过多次改变带宽平衡参数α，获得具有不同带宽的故障模态分量，从而兼顾带外噪声的去除和故障信息的保留，利用流形学习优秀的特征挖掘能力，在多维故障模态分量中保留具有稳定结构的低维瞬态成分，去除没有稳定结构的带内噪声，实现对不同信号中故障瞬态成分的有效检测。同时，本发明方法中的分解模态个数k始终取1，且多维故障模态分量的维数较低，因此相比于各种参数优化算法，计算效率更高；该技术方法至少具有以下优点：无需确定带宽平衡参数、鲁棒性强、运行效率高、可以去除带内噪声、可以获得更高的信噪比等。在另外的一个实施例中，“取分解模态个数k＝1，设定带宽平衡参数α，对分析信号进行vmd处理，得到一个imf分量，将原始信号减去这个imf分量，得到剩余分量；”，所述带宽平衡参数α的取值范围为100到5000。在另外的一个实施例中，“根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；”中，所述给定优化指标方法包括利用峭度值、光滑因子、排列熵、最大李雅普诺夫指数、相关系数、能量以及其组合能够从vmd分析得到的多个分量中选出所述故障模态分量的方法。在另外的一个实施例中，“按照给定流形学习方法对所述n个故障模态分量进行融合，得到多维故障模态分量的内在流形结构，即故障瞬态成分。”中，所述给定流形学习方法是具有维数约简功能的学习方法。在另外的一个实施例中，所述给定流形学习方法是局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法或局部保留投影算法。下面给出本发明的一个具体应用场景：由
背景技术：
可知，现有的基于参数优化的vmd方法采用穷举法或智能优化算法，通过大量选取不同的参数进行vmd处理，从中挑选最优参数和最优故障模态分量。该方法虽然可以获得故障模态分量的最优带宽，但是不能去除带内噪声，而且计算量较大。因此，本发明公开了一种变分模态分解的变参信息融合方法。该方法利用流形学习对变参数下vmd处理得到的多维故障模态分量进行信息融合，从中提取信号中的故障瞬态成分。由于流形学习具有优秀的特征挖掘能力，它可以提取多维故障模态分量的固有流形结构，从而去除带内噪声，实现对信号中故障瞬态成分的有效检测。同时，由于vmd的分解模态个数为1，且多维故障模态分量的维数不高，本发明方法的计算量小于基于参数优化的vmd方法。根据上述
发明内容和附图1的一种变分模态分解的变参信息融合方法，该技术具体包括：步骤101：取分解模态个数k＝1，设定带宽平衡参数α，对分析信号进行vmd处理，得到一个imf分量，将原始信号减去这个imf分量，得到剩余分量；所述k和所述α的取值均会影响故障瞬态成分的提取效果，而且对于不同的所述分析信号需要选取不同的值。为了避免讨论k和α的最优值选取问题，本发明方法取k＝1进行多次分解以避免模态过度分解和计算量过大的问题，α取不同的值以兼顾带外噪声的去除和故障信息的保留。步骤102：将剩余分量作为分析信号，重复上述步骤n次，得到n个imf分量和n个剩余分量；所述重复次数n表示同一α值下的分解次数。多次分解的目的是为了尽可能减少故障信息所在频带的带外噪声。为减少计算量，一般n的取值为5。步骤103：根据给定优化指标从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；所述故障模态分量必然存在于一个或多个所述上述2n个分量中，本发明方法仅对同一α值下包含最多故障信息的模态分量做进一步的处理。所述给定优化指标就是用来确定所述故障模态分量的，它包括但不限于利用峭度值、光滑因子、排列熵、最大李雅普诺夫指数、相关系数、能量以及它们的组合等能够从vmd分析得到的多个分量中选出所述故障模态分量的方法。步骤104：改变α的值，重复上述步骤n次，获得n个具有不同带宽的故障模态分量；所述α取不同的值可以得到带宽不同的所述故障模态分量。带宽大，故障信息保留的多但噪声也多；带宽小，噪声去除的多但故障信息保留的少。为了充分兼顾带宽大和小的优势，α的取值范围要广。本发明方法中，α在100到5000之间均匀取值，取值个数即为所述重复次数n。为了减少计算量，一般n的取值为10。步骤105：按照给定流形学习方法对n个故障模态分量进行融合，得到多维故障模态分量的内在流形结构，即故障瞬态成分。所述流形学习是一种维数约简和数据挖掘方法，可以把嵌入在高维数据中的内在低维流形结构提取出来。所述n个故障模态分量包含了所述分析信号变分模态分解的变参故障信息，可以组成n维数据。其中，故障瞬态成分存在于每一维数据中，具有稳定的结构，可以看成是n维数据的流形结构，会在流形学习结果中得到保留；而其它的成分，包括噪声和干扰分量，在每一维数据中都不相同，不具有稳定的结构，会在流形学习结果中被剔除。因此，所述多维故障模态分量经过给定流形学习方法进行融合之后，可以得到信噪比高的故障瞬态成分。所述给定流形学习方法包括但不限于局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法、局部保留投影算法等具有维数约简功能的方法。为了更加清楚地了解本发明的技术方案及其效果，下面结合一个具体的实施例进行详细说明。以轴承早期微弱故障检测为例，该轴承型号为n306e，采用电机驱动轴承内圈转动，转速为1464.6rpm，在轴承附近固定声压传感器来采集轴承的声音振动信号，采样频率为20khz。首先，根据轴承内圈旋转速度和轴承几何尺寸计算得到其主要故障特征周期，结果如表1所示。表1：轴承故障特征周期内圈故障特征周期ti＝0.0068s外圈故障特征周期to＝0.0102s滚动体故障特征周期tb＝0.0085s参考附图2，图2是本发明实施例提供的滚动轴承声音振动信号的时域波形图及其频谱图。从波形图中可以观察到一些瞬态脉冲成分，表明测试轴承可能发生了故障。但是由于噪声太大导致一些瞬态脉冲成分难以识别，所以不能从图中找到一个轴承故障特征周期。从频谱图中可以看出信号的频率成分分布较广。由于噪声和干扰成分较多，难以确定故障所在频带在频谱图中的位置。采用本发明公开的技术对图2所述信号进行处理，给定故障模态确定方法为各模态的峭度值，给定流形学习方法是局部切空间排列算法。图3给出了本发明方法挑选出的10个不同参数下的故障模态分量的波形图及其频谱图，他们所处的分解位置和带宽平衡参数列于表2中。可以看出在不同带宽平衡参数下，故障模态分量所处的分解位置会有所不同，分量带宽也有很大差别。在波形图中，故障瞬态成分与原始信号相比较为明显，但脉冲之间仍然存在较大的噪声；频谱图中的带内噪声也没有得到去除。表2：图3(a)、(b)中各个故障模态分量的分解位置和带宽平衡参数参考附图4，图4为采用流形学习算法对图3(a)、图3(b)所述10维故障模态分量进行融合的结果。在波形图中，故障瞬态冲击成分占主导地位，脉冲之间的噪声被大量清除；在频谱图中，故障调制边频带清晰可见且间隔均匀，说明带内噪声得到了消除。通过计算得出，时域脉冲平均间隔为0.0102s，频域边频带间隔的倒数也为0.0102s，与表1中轴承外圈故障特征周期相同，因此可以认定测试轴承的外圈存在缺陷。事实上，在进行试验之前，测试轴承中已经在外圈人为地设置了一个裂缝缺陷，其宽度为0.5mm。因此利用本发明公开的技术可以准确地从轴承含噪声音振动信号中检测出轴承故障瞬态成分。图5为采用基于粒子群优化算法的vmd方法对图2所述信号进行处理后得到的故障瞬态成分及其频谱图，最优参数为k＝4，α＝204。从图中可以看出，时域脉冲之间的噪声依然较大，频域边频带的间隔不均匀，表明带内噪声没有消除。在相同运行环境下(代码：matlab2016bwin64bit；cpu:intelcorei5-74003ghz；ram:8gb)，基于粒子群优化算法的vmd方法的运行时间是63.44s，而本发明公开的变分模态分解的变参信息融合方法的运行时间为4.74s。因此，与传统方法相比，本发明公开的方法计算效率更高，效果更好。综上所述，通过对轴承声音振动信号进行变参数下的vmd处理，然后筛选出具有不同带宽的故障模态分量，最后采用流形学习对得到的多维变参故障模态分量进行融合，可以去除故障模态分量中的带内噪声，从而有效检测出轴承故障瞬态成分。该方法克服了基于参数优化的vmd方法难以去除带内噪声和计算效率低下的问题，可以较快提取被噪声淹没的瞬态成分，且对带宽平衡参数的鲁棒性较强，对强噪声背景下的信号瞬态成分检测具有重要的意义。以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。当前第1页12