[发明专利]一种基于CEEMDAN的转子运行状态监测方法

说明书

本发明涉及自适应噪声完备集合经验模态分解技术领域，公开了一种基于CEEMDAN的转子运行状态监测方法。具体包括以下过程：利用ZT‑3转子振动模拟试验台模拟转子的振动过程，通过传感器采集到的振动状态参数作为数据样本；针对数据样本，利用CEEMDAN方法对采集到的振动状态参数进行分解，并提取特征向量；利用CS‑BBO算法优化SVM分类模型，将特征向量输入SVM分类模型中进行分类识别，实现对转子运行状态识别的优化。通过本发明的技术方案，使故障特征提取效果明显，识别过程中搜索速度高，计算速度快，识别准确率明显提高。

技术领域

本发明涉及自适应噪声完备集合经验模态分解技术领域，特别是一种基于CEEMDAN的转子运行状态监测方法。

背景技术

在大型的高速旋转机械中，转子的受力情况较为复杂，在动叶通道中不仅要实现能量转换、主轴扭矩传递外，还需承受动叶和主轴部件在运转中产生的离心力、各部分温差引起的热应力和振动产生的动应力。同时，为了使通流部分效率尽可能高，转子和静止部件之间所留的间隔非常小，因此只要在转子运行过程中稍微出现偏差就会引发故障，影响机械运行的安全性。国内外曾发生过多起因为转子故障而导致的重大事故，对社会经济造成严重影响。因此，对转子进行准确快速的在线监测研究具有十分重要的现实意义。

运行状态下的转子所采集到的信号是非线性、非平稳的振动信号，如何利用有限的特征参数来表征更多的故障信息，一直是专家学者们所关注的重点。随着信号处理技术的快速发展，特征提取的方法也在不断地完善。目前，常用方法有经验模态分解、傅立叶变换、小波分析等，但这些方法都存在各自的不足。如经验模态分解会产生模态混叠现象及端点效应；用傅里叶变换的方法提取信号频谱时，需要利用信号的全部时域信息，缺少时域定位功能。通过这些智能算法获取的准确的故障特征均存在着一定的局限性，使得分类效果并不理想。

支持向量机一种以统计学习理论的基础的智能分类器，在解决小样本决策问题时有较强的推广能力，结构简单，能够最大限度地发觉样本数据中隐含的分类知识。但SVM在具体应用过程中学习能力和泛化能力是由其参数决定的，因此，对其参数的优化问题显得尤为重要。

自适应噪声完备集合经验模态分解是在集合经验模态分解(Ensemble EmpiricalEode Decomposition,EEMD)的基础上所提出的一种自适应数据预处理方法。它可在分解的每个阶段附加有限次的白噪声，降低求取平均值的次数，使得重构误差基本为零。CEEMDAN与经验模态分解(Empirical Eode Decomposition,EMD)相比，能够有效地抑制模态混叠现象；与EEMD相比，其分解过程更具有完整性，且克服了EEMD分解效率低的问题。

至此，对于一个优质、高效的转子运行状态监测系统，必须满足以下几点基本要求：

(1)故障特征提取效果明显；(2)搜索精度高；(3)计算速度快；(4)方法简单、易实现。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供了一种基于CEEMDAN的转子运行状态监测方法。

本发明采用的技术方案如下：一种基于CEEMDAN的转子运行状态监测方法，具体包括以下过程：

步骤1，利用ZT-3转子振动模拟试验台模拟转子的振动过程，通过传感器采集到的振动状态参数作为数据样本；

步骤2，针对数据样本，利用CEEMDAN方法对采集到的振动状态参数进行分解，并提取提取特征向量；

步骤3，利用CS-BBO算法优化SVM分类模型，将特征向量输入SVM分类模型中进行分类识别，实现转子运行状态优化。