一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法
【技术领域】
[0001] 本发明涉及离心栗故障诊断的技术领域，具体涉及一种基于CEEMD-STFT (完备集 成经验模态分解-短时傅里叶变换）时频信息熵和multi-SVM(多分类支持向量机）的离 心栗故障诊断方法。
【背景技术】
[0002] 近20年来，随着科学技术的飞速发展，设备故障诊断技术逐渐成熟，其作为一门 新兴边缘学科，在综合工程领域已蓬勃发展。作为保证设备安全运行的一种基本措施，故障 诊断能够有效的预报设备的早期故障发展水平，判断出故障形成的原因，分析诱因并提出 对策建议，对现存隐患进行处理，以避免或减少事故的发生。进入21世纪以后，随着科学技 术的发展，工业生产技术的进步，现代设备向结构复杂化，集约型，高自动程度，多功能方向 发展。一旦设备出现故障问题，其预定功能不仅会降低，很有可能会失去，甚至造成严重事 故，乃至无法挽回的损失。
[0003] 离心栗作为一种关键设备，广泛应用于石油化工、冶金、机械、电力以及国防工业 部门。随着科技发展及现代工业设备自动化程度的提高，各设备之间的联系也越来越紧密， 高速化、连续化、大型化、集中化及自动化正成为离心栗发展的方向。离心栗的结构复杂，工 作在高温、高速的恶劣条件下，再加上各种随机因素的影响，容易发生各种机械故障，使得 其功能降低。生产系统中一旦离心栗出现故障，将会导致连锁反应，严重会造成设备损坏乃 至生产系统的瘫痪，无法正常工作，给企业和社会造成巨大经济损失。因此，研究离心栗的 故障诊断技术是非常重要的，对社会进步和经济发展有重大经济效益，是科技和工业发展 的重要研究课题之一。
[0004] 在旋转机械中，设备状态信息隐藏在转子振动信号中，包含了设备各种异常或故 障的信息，而振动参数是提取故障特征的重要指标。对于连续运转的旋转机械，可以对反映 其运行状态的振动信号进行采集，在不停机的情况下，采用振动诊断方法实现监测与故障 诊断；对静态设备和工程结构，施加外来人工刺激，起到动态效果，再根据反映动态特征的 响应，分析诊断，进而达到故障检测的目的。之前的研究实践表明，将振动信号作为大型运 行设备的监测与故障诊断基础，能够达到对设备故障与诊断的目的，从而节省大量维修费 用，取得显著的经济效益。
【发明内容】
[0005] 本发明要解决的技术问题在于：离心栗振动信号具有信息量大、非平稳、重复再现 性不佳等特点，使得一些基于传统时域或频域的分析方法无法及时地反映出系统的运行状 况。
[0006] 本发明采用的技术方案为：一种基于CEEMD-STFT时频信息熵和multi-SVM的离心 栗故障诊断方法，该方法的步骤如下：
[0007] 第一步，离心栗故障数据预处理；
[0008] 第二步，故障特征提取：首先，使用CEEMD分解方法，将预处理后的信号自适应的 分解为一系列的模式分量（MFs)，模式分量是按频率由高到低排列的，高频成分包含有主 要的故障信息，提取前N个頂F分量做进一步的分析；其次，对这N个頂F分量分别做短时 傅里叶变换（STFT)，分别提取N个包含故障特征时频信息的时频矩阵；最后，按照时频信息 熵的定义，提取这些时频矩阵的时频信息熵，至此，得到一个由N个多尺度时频信息熵组成 的N维故障特征向量；
[0009] 第三步，故障特征维度约减；
[0010] 第四步，用rnulti-SVM分类器自动识别故障模式：首先，将故障特征数据集分为训 练数据和测试数据两部分；其次，使用训练数据训练多类支持向量机（multi-SVM)模型，获 得模型的参数；最后，将测试数据输入到训练好的分类器模型中，通过模型预测出该特征数 据对应的故障模式标签，完成故障诊断。
[0011] 其中，第一步离心栗故障数据预处理中，为提高后续数据处理的质量和效率，去除 原始数据中的异常数据，并进行归一化处理。
[0012] 其中，第二步中，提取前N个IMF分量做进一步的分析中N具体为6。
[0013] 其中，第三步中，为提高运算的效率、模式识别的准确度和鲁棒性，必须对特征向 量进行维度约减，使用主成分分析（PCA)方法对6维特征向量进行降维，得到便于可视化分 析的3维特征向量。
[0014] 本发明与现有技术相比的优点在于：
[0015] (1)、本发明使用CEEMD方法对信号进行自适应的分解并取前N个模式分量进行后 续分析，可以有效抑制EMD分解的模态混叠问题，从而有助于提取到多尺度的本质故障特 征；
[0016] (2)、本发明对前N个模式分量进行STFT分析可有效提取非平稳模式分量中的包 含大量故障信息的时频特征；
[0017] (3)、本发明应用时频信息熵测度信号不同尺度的时频分布复杂度，以此作为特征 向量进行故障诊断，诊断精度高，鲁棒性好。
【附图说明】
[0018] 图1为本发明一种基于CEEMD-STFT时频信息熵和multi-SVM的离心栗故障诊断 方法的诊断流程图；
[0019] 图2为EMD算法流程图；
[0020] 图3为时频信息熵定义；
[0021] 图4为线性可分情况下的分类超平面；
[0022] 图5为离心栗数据采集系统；
[0023] 图6为各故障模式的前6个IMF分量，其中，图6 (a)为正常工况，图6 (b)为轴承 内环故障，图6(c)为轴承外环故障，图6(d)为轴承滚动体故障，图6(e)为叶轮故障；
[0024] 图7为各故障模式的頂F1分量的语谱图，其中，图7(a)为正常工况，图7(b)为轴 承内环故障，图7(c)为轴承外环故障，图7(d)为轴承滚动体故障，图7(e)为叶轮故障；
[0025] 图8为故障特征向量聚类图。
【具体实施方式】
[0026] 下面结合附图以及具体实施例进一步说明本发明。
[0027] 1、基于CEEMD-STFT时频信息熵和multi-SVM的离心栗故障诊断方法实施例的介 绍
[0028] 1. 1基于CEEMD-STFT时频信息熵和multi-SVM的离心栗故障诊断方法的流程
[0029] 本方法提出的故障诊断流程如图1所示，共包含数据预处理、特征提取、维度约减 和模式识别5个主要部分，具体如下：
[0030] 第一步，数据预处理。为提高后续数据处理的质量和效率，去除原始数据中的异常 数据，并进行归一化处理。
[0031] 第二步，故障特征提取。首先，使用CEEMD分解方法，将预处理后的信号自适应的 分解为一系列的模式分量，模式分量是按频率由高到低排列的，高频成分包含有主要的故 障信息，因此我们提取前6个頂F分量做进一步的分析；其次，对这6个頂F分量分别做短 时傅里叶变换（STFT)，提取包含故障特征时频信息的时频矩阵；最后，按照时频信息熵的 定义，提取6个时频矩阵的时频信息熵。至此，我们得到一个由6个多尺度时频信息熵组成 的故障特征向量。
[0032] 第三步，故障特征维度约减。为提高运算的效率、模式识别的准确度和鲁棒性，必 须对特征向量进行维度约减。我们使用主成分分（PCA)方法对6维特征向量进行降维，得 到便于可视化分析的3维特征向量。
[0033] 第四步，用multi-SVM分类器自动识别故障模式。首先，将故障特征数据集分为训 练数据和测试数据两部分；其次，使用训练数据训练多类支持向量机（multi-SVM)模型，得 到模型的优化参数；最后，将测试数据输入到训练好的分类器模型中，通过模型预测出该特 征数据对应的故障模式标签，完成故障诊断。
[0034] 1. 2基于CEEMD-STFT时频信息熵的特征提取
[0035] 1. 2. 1完备集成经验模态分解（CEEMD)原理
[0036] 1. 2. 1. 1经验模态分解（EMD)
[0037] 经验模态分解（Empirical mode decomposition, EMD)将时间序列分解成一系列 被称为固有模态函数（Intrinsic mode function, IMF)的单分量信号，一个单分量信号代 表了一个近似于最普遍最基本简谐函数的振荡函数。每个MF有着不同的频率分量，包含 了信号中由最高到最低的频率分量，有指示不同故障信息的潜能。它们需满足两个条件：
[0038] 第一，信号中极值点与过零点的个数相同或至多相差一个；第二，对于信号上的任 意一点，由局部极大值和局部极小值分别定义的包络的均值为零。对于振荡数据而言第一 个条件十分必要以满足计算瞬时频率的严格条件限制，即在特定的时间点给出信号的振荡 频率。第二个条件要求一个頂F的上下包络对相对于时间轴局部对称，使信号能随着分解 出来的IMF进行调制。
[0039] EMD基于以下三点假设：
[0040] (1)信号至少有一个极小值和一个极大值（非单调函数）；
[0041] (2)连续极值点间的时间差异定义了特征时间尺度；
[0042] (3)如果只有拐点而没有极值点，数据将被微分，然后应用EMD方法并将得到的分 量积分以得到最终结果。
[0043] EMD方法的分解过程由信号最高频率的成分开始，逐一分解得到的頂Fs的频率范 围依次降低。分解方法通过三次样条插值构建信号序列的局部极大和局部极小值的包络， 计算上下包络的均值并从原始信号中去除。并将剩余的差使用相同方法重复进行直至各点 处的平均包络合理的趋于零为止，由此得到了第一个MF。从原始信号中减去第一个頂F， 使用相同的筛选方法逐一分解出其他MF，当残差信号振幅很小或变得