基于改进模态分解的动态退化特征量预测.docxVIP

基于改进模态分解的动态退化特征量预测

各阶段企业内部振动信号的特征分析

预测故障是基于基本维护的一项重要技术，是近年来机械故障诊断的重点之一。目前,机械故障预测技术常分为三类:基于失效模型的预测方法、基于概率统计的预测方法和基于数据驱动预测方法。基于失效模型的预测方法是根据如裂纹扩展等机械产品物理失效机理进行预测的方法;基于概率统计的预测方法是在某生存概率下估计产品的统计寿命,如著名的L-P公式即属此列;数据驱动预测方法是最近研究较多的预测方法,主要是利用一些数据处理方法对机械产品全寿命周期各阶段的状态数据进行分析,提取能够刻画设备退化过程的特征量,通过预测模型预测特征量的变化趋势并以此来估计设备的剩余寿命。最常用的设备状态数据为振动信号,振动信号常用的退化特征量有时域特征指标、频域特征指标、最小量化误差等。机械系统的振动信号多为非线性非平稳信号,常规信号分析方法对线性平稳信号进行分析才有意义,这就使得难以根据原始振动信号的退化特征量预测设备寿命。因此,必须寻求一种能够有效地从非线性非平稳信号中提取具有实际物理意义的特征信号的方法,才能有效地预测机械系统的剩余寿命。目前常用的数据处理方法有小波变换、经验模态分解(EmpiricalModeDecomposition,EMD)等。必须在选择合适的小波基函数时,小波变换才能有效地分解信号,况且分解获得的信号实际物理意义不明显。EMD是一种自适应信号分解方法,分解出来的本征模态函数(IntrinsicModeFunction,IMF)具有实际的物理意义。

机械系统振动信号常用的性能衰退指标有时域上的均方根值(RootMeanSquare,RMS),峭度等和频域上的故障特征频率及其前6个谐波的均值。本文首先提出改进的EMD方法并对全寿命周期各阶段振动信号进行分解,使得故障频率落在某IMF中,将全寿命周期各阶段含故障的IMF的RMS或峭度作为设备退化特征量,形成退化特征量序列,根据该序列训练灰色模型。根据经验确定机械产品失效对应的退化特征量阈值,最后通过训练好的灰色模型预测退化特征量的变化趋势,确定退化特征量达到退化特征量阈值的时间,以此预测机械产品的疲劳剩余寿命。

1改进的消息方法和灰色模型

1.1般emd方法特点

EMD方法是美国宇航局NordenEHuang于1998年提出的一种非线性非平稳信号分析方法,它将信号分解成一系列IMF之和。EMD方法具有较好的自适应性,分解结果依赖于信号本身,消除了人为因素,并可得到较高的时频分辨率,具有良好的时频聚集性,适合非线性非平稳信号的分析。但同时EMD也存在模态混迭、边界飞逸等问题,制约着EMD分解结果的有效性,并会增多IMF数量,因此必须对EMD方法进行改进以避免上述问题的发生。改进后的算法如下:

(1)根据经验设定用于判定IMF第二个条件的平均值阈值和用于判定相邻IMF相关性的正交系数阈值,并对原始信号x(N)进行降噪预处理;

(2)采用波形匹配预测法对预处理后的信号x(N)进行延拓,得到新的信号x′(N)。找出x′(N)的极值点,并用改进的三次样条曲线求出信号x′(N)的上下包络曲线,并求出上下包络的平均值m′1(N);

(3)将信号x′(N)减去平均值m′1(N),获得序列h′1(N),即

(4)将h′1(N)对应于两端延拓位置的数据去掉,获得与原始信号x(N)长度相同的序列h1(N);

(5)判断h1(N)是否满足IMF第一个条件和任意点的局部上下包络之和的绝对值是否小于平均值阈值,如满足,记imf1(N)=h1(N);如不满足,将h1(N)作为原始信号继续步骤(2)~(4),直至h1k(N)满足IMF两个条件,记imf1(N)=h1k(N);

(6)从信号中分离出第一个本征模态函数imf1(N)后的残余信号为

(7)判断拟合r1(N)的样条曲线是否为单调函数或r1(N)的幅值远小于原始信号幅值,如果是,继续下一步;如果不是,将r1(N)作为原始信号重复步骤(2)~(6)得到imf2(N),…,imfn(N)

式中rn(N)为单调函数或幅值远小于原始信号的幅值时,循环终止,记res(N)=rn(N)得到

(8)判断单个IMF中是否存在多个特征频率,如果是,将该IMF加入均值为零的小幅宽带白噪声,重复步骤(2)~(7),并将获得的IMFs替换原有的IMF;如果否,继续下一步;

(9)计算相邻的本征模态函数IMF之间的正交系数,判断正交系数是否小于正交系数阈值,满足,分解得到