一种基于自适应随机共振的叶片裂纹故障识别方法及应用

1.本发明涉及旋转机械振动信号分析技术领域，尤其是一种基于信噪比估计和自适应随机共振的叶片裂纹故障识别方法。


背景技术：

2.压缩机广泛应用于石油化工、电力等领域，叶片作为核心部件在离心力、摩擦和不稳定气流载荷的作用下容易产生裂纹故障，以致影响到整个压缩机的正常工作。因此及时检测叶片裂纹故障，对于保证压缩机的安全稳定运行具有重要意义。此外，在实际工程中测得振动信号中掺杂着强背景噪声，致使压缩机叶片裂纹故障识别极其复杂和困难。因此，如何有效克服噪声干扰、实现自适应压缩机叶片裂纹故障识别值得深入研究。
3.传统信号处理方法主要通过抑制噪声来克服噪声的干扰，但在抑制噪声的同时微弱的故障信息也会受到干扰，进而影响识别效果。随机共振则能巧妙利用噪声来增强目标，具有良好的抗噪性。传统随机共振方法需要通过先验知识准确确定目标实现增强，这对于压缩机叶片这类非标准件难以广泛使用，因此，迫切需要一种能够利用干扰噪声、根据振动信号特点实现自适应随机共振输出的压缩机叶片裂纹故障特征识别方法。


技术实现要素：

4.针对上述不足，本发明提出一种基于信噪比估计和自适应随机共振的叶片裂纹故障识别方法，克服现有的特征难以处理压缩机噪声干扰大、叶片裂纹故障特征频率无法准确识别的现状，有效地实现自适应确定随机共振参数和叶片裂纹故障识别。
5.为解决上述技术问题，本发明实施例采用以下技术方案：
6.一种基于自适应随机共振的叶片裂纹故障识别方法，包括以下步骤：
7.步骤1：在压缩机电机轴附近安装加速度传感器，采集振动信号，并使用二阶和四阶矩计算信号噪声强度；
8.步骤2：使用减噪经验模态分解算法对振动信号进行分解，得到若干个不同频段的分量，根据中心频段分量挑选分量并进行信号重组；
9.步骤3：计算重组信号幅值，根据信号噪声强度和幅值估计信号输入信噪比；
10.步骤4：使用遗传算法分析信号输入信噪比和随机共振最优参数的关系，得到随机共振最优参数分布圆；
11.步骤5：根据输入信噪比和随机共振最优参数分布圆确定重组信号的随机共振参数中心值和范围；
12.步骤6：使用遗传算法进行参数优化，并得到最优随机共振输出。观察随机共振输出信号是否出现异于转频的明显峰值，以此实现压缩机叶片裂纹的故障识别。
13.优选的，所述步骤2使用减噪经验模态分解算法对振动信号进行分解和重组的具体步骤为：
14.步骤2.1，创建强度等于步骤1估计的噪声强度的高斯白噪声；
15.步骤2.2，从振动信号中减去创建的高斯白噪声，得到剩余信号；
16.步骤2.3，使用经验模态分解算法处理剩余信号，得到若干个不同频段的分量；
17.步骤2.4，对步骤2.1、2.2和2.3进行10次重复，得到10次若干个不同频段的分量，并按照频段进行平均处理，得到集成平均分量，所述集成平均分量表达式为：
[0018][0019]
其中，imf
ki
表示第k次经验模态分解得到的第i个分量，imfi表示第i个集成平均分量。
[0020]
步骤2.5，挑选中心频段在预估故障特征频率范围的所有分量，并进行信号重组，所述信号重组的表达式为：
[0021][0022]
其中，xc表示重组的信号，imfci表示第i个挑选分量，m表示挑选分量的个数。
[0023]
优选的，所述步骤3中估计信号输入信噪比的表达式为
[0024][0025]
其中，snri表示信号输入信噪比，af表示重组信号的幅值，df表示信号噪声强度。
[0026]
优选的，所述步骤4中随机共振最优参数分布圆建立的具体步骤为：
[0027]
步骤4.1，创建幅值为0.2、频率为0.01hz的余弦信号，并加入不同强度的高斯白噪声，使得输入信噪比以1db的间隔从-30db增加到-15db，建立不同输入信噪比的原始信号，原始信号的表达式为：
[0028]
xi(t)＝0.2*cos(0.02πt)+δi(t)
[0029]
其中，xi(t)表示第i个原始信号，δi(t)表示第i个高斯白噪声。
[0030]
步骤4.2，使用遗传算法搜寻随机共振参数a和b，最后得到200对随机共振参数，其中遗传算法的初始群体为200，杂交率为0.7，选择率为0.5，突变率为0.001，二进制编码长度为22，遗传100代。
[0031]
步骤4.3，以200对随机共振参数的均值为圆心，圆心到最远点的距离为半径，得到随机共振最优参数分布圆。
[0032]
优选的，所述步骤5中随机共振参数中心值为输入信噪比对应随机共振最优参数分布圆的圆心，所述随机共振参数范围通过随机共振最优参数分布圆和扩大倍数计算，所述扩大倍数是预估故障特征频率范围和步骤4.1创建余弦信号频率比值的10到20倍，所述随机共振参数范围的表达式为：
[0033]ar
＝km*(a0±rm
)
[0034]br
＝km*(b0±rm
)
[0035]
其中，ar和br表示随机共振参数范围，km表示扩大倍数，a0和b0表示随机共振参数中心值，rm表示随机共振最优参数分布圆的半径。
[0036]
优选的，所述步骤6中参数优化是异于转频的幅值最大频率的幅值最大化为优化目标，所示异于转频是除转频及其倍频外的频率。
[0037]
本发明的有益效果如下：
[0038]
1)本发明提供的一种基于信噪比估计和自适应随机共振的压缩机叶片裂纹故障识别方法，通过估计输入信号信噪比自适应确定随机共振参数，实现最优随机共振输出，并能根据输出结果实现压缩机叶片裂纹故障识别。避免了原随机共振算法参数对压缩机叶片难以自适应确定的不足。且相比于传统自适应随机共振方法，本发明方法能够在强噪声的环境下准确识别叶片裂纹故障特征频率，且随机共振输出的故障特征幅值和信噪比优于传统自适应随机共振方法，提高了随机共振的输出质量。
[0039]
2)在分析输入信噪比和随机共振参数关系的基础上，本发明提供的一种随机共振参数中心值和范围的确定方法，通过分析输入信噪比和随机共振最优参数分布圆能够确定随机共振参数中心值和范围，实现随机共振参数的快速优化和选择。
[0040]
3)本发明提供的一种减噪经验模态分解算法，通过减去原始信号噪声强度相同的高斯白噪声并进行集成平均，有效抑制经验模态分解的分量中噪声和干扰成分，从而增强裂纹故障特征频率，使得现压缩机叶片裂纹故障识别更加准确。
附图说明
[0041]
图1是本发明实施例的流程框图；
[0042]
图2是本发明实施例中随机共振最优参数分布圆空间分布结果
[0043]
图3是本发明实施例中随机共振最优参数分布圆平面分布结果
[0044]
图4是本发明实施例中仿真信号x(t)的时频图。
[0045]
图5是本发明实施例中加噪后仿真信号的时频图。
[0046]
图6是本发明实施例中减噪经验模态分解算法分解信号时域图。
[0047]
图7是本发明实施例中减噪经验模态分解算法分解信号频域图。
[0048]
图8是本发明实施例中减噪经验模态分解算法重组信号时频图。
[0049]
图9是本发明实施例中最优随机共振输出信号时频图。
[0050]
图10是本发明实施例中不同方法的随机共振输出结果；其中a1为mnt-bsr方法的随机共振输出时域图，a2为mnt-bsr方法的随机共振输出频域图；b1为amstsr方法的随机共振输出时域图，b2为amstsr方法的随机共振输出频域图；c1为asr方法的随机共振输出时域图，c2为asr方法的随机共振输出频域图；d1为acbsr方法的随机共振输出时域图，d2为acbsr方法的随机共振输出频域图。
具体实施方式
[0051]
以下的说明本质上仅仅是示例性的而并不是为了限制本公开、应用或用途。应当理解的是，在全部附图中，对应的附图标记表示相同或对应的部件和特征。
[0052]
如图1所示，本发明实施例的一种基于信噪比估计和自适应随机共振的压缩机叶片裂纹故障识别方法，包括以下步骤：
[0053]
步骤1：在压缩机电机轴附近安装加速度传感器，采集振动信号，并使用二阶和四阶矩计算信号噪声强度；
[0054]
步骤2：使用减噪经验模态分解算法对振动信号进行分解，得到若干个不同频段的分量，根据中心频段分量挑选分量并进行信号重组；
[0055]
步骤3：计算重组信号幅值，根据信号噪声强度和幅值估计信号输入信噪比；
[0056]
步骤4：使用遗传算法分析信号输入信噪比和随机共振最优参数的关系，得到随机共振最优参数分布圆；
[0057]
步骤5：根据输入信噪比和随机共振最优参数分布圆确定重组信号的随机共振参数中心值和范围；
[0058]
步骤6：使用遗传算法进行参数优化，并得到最优随机共振输出。观察随机共振输出信号是否出现异于转频的明显峰值，以此实现压缩机叶片裂纹的故障识别。
[0059]
上述实施例中，通过加速度传感器采集压缩机的振动信号，并采用二阶和四阶矩计算信号噪声强度，然后使用减噪经验模态分解得到信号的幅值，估计信号输入信噪比，接着根据输入信噪比和随机共振最优参数分布圆的关系确定随机共振参数的中心值和范围，最后结合遗传算法实现最优随机共振输出并实现压缩机叶片裂纹故障识别。
[0060]
需要说明的是，所述二阶和四阶矩计算信号噪声强度的表达式为：
[0061][0062]
其中，pn表示信号噪声强度，m2和m4表示二阶和四阶矩，ky和kn表示信号的相关参数，对于裂纹故障振动信号分别取ky为1，kn为2。
[0063]
步骤2使用减噪经验模态分解算法对振动信号进行分解和重组的具体步骤为：
[0064]
步骤2.1，创建强度等于步骤1估计的噪声强度的高斯白噪声；
[0065]
步骤2.2，从振动信号中减去创建的高斯白噪声，得到剩余信号；
[0066]
步骤2.3，使用经验模态分解算法处理剩余信号，得到若干个不同频段的分量；
[0067]
步骤2.4，对步骤2.1、2.2和2.3进行10次重复，得到10次若干个不同频段的分量，并按照频段进行平均处理，得到集成平均分量，所述集成平均分量表达式为：
[0068][0069]
其中，imf
ki
表示第k次经验模态分解得到的第i个分量，imfi表示第i个集成平均分量。
[0070]
步骤2.5，挑选中心频段在预估故障特征频率范围的所有分量，并进行信号重组，所述信号重组的表达式为：
[0071][0072]
其中，xc表示重组的信号，imfci表示第i个挑选分量，m表示挑选分量的个数。预估故障特征频率范围根据压缩机的实验和经验，可以粗略预估，一般在几十赫兹，所以可以取10hz-100hz的范围。
[0073]
需要说明的是，由于高斯白噪声的随机性，使用减噪经验模态分解算法对振动信号进行分解和重组的结果会存在一定的差异，但是由于进行了10次结果的集成平均，差异较小，且不影响后续的处理。
[0074]
优选的，所述步骤3中估计信号输入信噪比的表达式为
[0075][0076]
其中，snri表示信号输入信噪比，af表示重组信号的幅值，df表示信号噪声强度。
[0077]
优选的，所述步骤4中随机共振最优参数分布圆建立的具体步骤为：
[0078]
步骤4.1，创建幅值为0.2、频率为0.01hz的余弦信号，并加入不同强度的高斯白噪声，使得输入信噪比以1db的间隔从-30db增加到-15db，建立不同输入信噪比的原始信号，原始信号的表达式为：
[0079]
xi(t)＝0.2*cos(0.02πt)+δi(t)
[0080]
其中，xi(t)表示第i个原始信号，δi(t)表示第i个高斯白噪声。
[0081]
步骤4.2，使用遗传算法搜寻随机共振参数a和b，最后得到200对随机共振参数，其中遗传算法的初始群体为200，杂交率为0.7，选择率为0.5，突变率为0.001，二进制编码长度为22，遗传100代。
[0082]
步骤4.3，以200对随机共振参数的均值为圆心，圆心到最远点的距离为半径，得到随机共振最优参数分布圆，分布圆的结果如图2和图3所示，具体结果如表1所示。
[0083]
表1 不同输入信噪比下的随机共振最优参数分布圆
[0084]
[0085][0086]
需要说明的是，虽然中心值在不同输入信噪比下发生显著变化，但分布圆半径稳定且小于0.4，较高的聚集性说明随机共振最优参数分布圆紧凑，且能确定随机共振最优参数范围。
[0087]
步骤5中，随机共振参数中心值为输入信噪比对应随机共振最优参数分布圆的圆心，所述随机共振参数范围通过随机共振最优参数分布圆和扩大倍数计算，所述扩大倍数是预估故障特征频率范围和步骤4.1创建余弦信号频率比值的10到20倍，所述随机共振参数范围的表达式为：
[0088]ar
＝km*(a0±rm
)
[0089]br
＝km*(b0±rm
)
[0090]
其中，ar和br表示随机共振参数范围，km表示扩大倍数，a0和b0表示随机共振参数中心值，rm表示随机共振最优参数分布圆的半径。
[0091]
步骤6中，参数优化是异于转频的幅值最大频率的幅值最大化为优化目标，所示异于转频是除转频及其倍频外的频率，优化目标如下所示。参数优化是使用遗传算法搜寻参数rm和km。将优化后的随机共振参数应用到所述重组的信号实现随机共振输出，最后获得异于转频的幅值最大频率的幅值和频率大小。
[0092]
ot＝max{af
tn
}
[0093]
其中，ot表示优化目标，af
tn
表示异于转频的幅值最大频率的幅值。
[0094]
以如下具体实施例对本技术的方案做进一步说明：
[0095]
构造调频仿真信号——仿真信号，并对其进行傅里叶变化，得到时域和频域波形图，如图4所示。仿真信号由故障特征频率fc、轴频fr和通过频fm三部分调配组成，fc、fr和fm分别为35hz、20hz和240hz(模仿12片叶片)：
[0096]
x(t)＝0.2(1+0.1cos(2πfct)+0.3sin(2πfrt))*sin(2πfmt)
[0097]
同时引入0.5db的高斯白噪声来模拟噪声对信号的影响，结果如图5所示。仿真信号x(t)的采样频率为5120hz，采样点数为5120。图6-图8为上述仿真信号采用本技术方法的减噪经验模态分解算法分解和重组信号的时频图。在此基础上，采用本技术方法自适应确定随机共振参数的中心值1.05
×
15
×
5000和1.03
×
15
×
5000，范围为(1.05
±
0.06)
×
15
×
5000和(1.03
±
0.06)
×
15
×
5000，经遗传算法寻优，确定最优随机共振参数1
×
15.38
×
5000和1.02
×
15.38
×
5000，最优随机共振输出如图9所示。可以发现除轴频外，准确识别了35hz的故障特征频率，且经过优化有故障特征频率幅值提高显著，验证了本技术方法的可靠性。
[0098]
为了验证本发明的一种基于信噪比估计和自适应随机共振的压缩机叶片裂纹故障识别方法的有效性，与几种自适应随机共振方法进行对比，包括基于多尺度噪声调谐的自适应随机共振方法(mnt-bsr13)、基于网格搜索的自适应随机共振方法(asr)、基于耦合双稳态系统的自适应随机共振方法(acbsr)和基于自适应多尺度噪声调谐的自适应随机共振方法(amstsr)。其中，mnt-bsr13方法对噪声进行多尺度调谐，实现自适应随机共振输出；asr以最高输出信噪比为目标函数进行网格搜索，实现自适应随机共振输出；acbsr改进势函数，并以加权频谱峰值信噪比为目标实现自适应随机共振输出；amstsr以加权功率谱峰度为优化指标，在调谐多尺度噪声后实现自适应随机共振输出。对比方法的随机共振输出结果如图10和表2所示。
[0099]
表2 不同方法的随机共振输出结果
[0100][0101]
在图10中，mnt-bsr方法结合多尺度噪声调谐，但是对于噪声强度大、目标幅值微弱的信号，识别和输出效果较差。amstsr方法获得63hz的噪声作为最高频率，虽然信噪比较大，但达到了错误的目标。而asr和acbsr方法同样识别错误，且信噪比对于故障诊断来说太小。通过与几种传统方法的比较，本发明方法能够准确识别35hz的故障特征频率，而其他方法不能准确地识别目标频率且输出效果较差。此外，本发明方法的最大信噪比为25.67db，这表明seasr能够识别故障特征，实现大噪声下的故障诊断。
[0102]
与现有技术相比，采用本发明的一种基于信噪比估计和自适应随机共振的压缩机叶片裂纹故障识别方法，通过估计输入信号信噪比自适应确定随机共振参数，实现最优随机共振输出，并能根据输出结果实现压缩机叶片裂纹故障识别，避免了原随机共振算法参数对压缩机叶片难以自适应确定的不足，提高了随机共振的输出质量。
[0103]
本发明中所述具体实施案例仅为本发明的优选实施案例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应作为本发明的技术范畴。