[发明专利]一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法

说明书

本发明公开了一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，包括数据采集、信号分解、选取分量、模型建立、建立向量矩阵、奇异值计算、数据选取、代入检测和故障诊断，本发明结构科学合理，使用安全方便，本发明在对转子故障进行检测时，通过变分模态分解将转子振动信号分解为一系列固有模态函数分量，建立出二阶Volterra自适应预测模型，并获取模型参数向量，通过获取的模型参数向量，建立初始特征向量矩阵，随后对奇异值进行归一化处理，得出奇异值熵，构建奇异值特征向量公式，随后通过模糊C均值聚类算法将取出的部分样本数据进行计算，得出数据并进行记录，最后根据计算出的数据，得出转子故障原因。

技术领域

本发明涉及转子故障检测技术领域，具体为一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法。

背景技术

转子作为旋转机械的核心部件被广泛应用于铁路交通、航空航天和石油化工等众多行业。受工作环境复杂性的影响，转子是旋转机械设备中的易损零件。据统计，导致旋转机械失效的因素中，转子故障占比50％以上。当转子出现故障时，其振动信号表现出非平稳特性，传统时频分析方法无法实现对转子故障的精确诊断，因此，如何找到可有效表征转子状态的敏感故障特征已成为该领域研究的热点与难点。

变分模态分解(VMD)是一种非递归式自适应信号处理方法，相较于EMD，VMD拥有坚实的理论基础，它通过变分模态最优解的计算实现模态分解，且抗噪性能更佳，分解过程中可有效避免模态混叠问题的产生，保证信号故障特征提取的可靠性。

Volterra模型可有效解决信号的非平稳问题，并降低计算难度。奇异值是矩阵的固有特征，具有良好的稳定性，奇异值熵在信号信息量评估方面具有独特优势且不受采样时间的影响，若将奇异值熵引入Volterra模型预测参数中，可充分利用奇异值熵在信息量分析与评估的优势，同时有效降低模型预测参数对于采样时间的敏感度，增加故障特征提取的准确性。

对于转子的故障诊断，常以其振动信号的频谱或包络谱为分析对象，可采用模糊聚类方法对转子信号的工作状态和故障类型进行识别。目前基于目标函数的模糊聚类方法最为常用，其中模糊C均值聚类算法(FCM)的理论具有最好的完备性。

基于上述分析，在此提出一种基于变分模态分解Volterra奇异值熵的转子故障识别方法。该方法首先对转子振动信号进行VMD分解，并根据能量熵增量-频域互相关系数准则选取可有效表征转子特性的IMF分量。然后对各IMF分量进行相空间重构，建立Volterra自适应预测模型，获取模型参数形成初始特征向量矩阵，并对其进行奇异值分解和归一化处理，以求得奇异值熵，构建奇异值特征向量。最后采用FCM算法对转子进行故障类型识别。通过对转子实测信号的分析，验证了所提方法的可行性。

发明内容

本发明提供一种技术方案，可以有效解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，包括如下步骤：

S1、数据采集：对转子出现故障时的振动信号进行采集，并记录；

S2、信号分解：将采集到的转子振动信号通过变分模态分解，得到一系列固有模态函数分量；

S3、选取分量：根据相应选取准则，从步骤S2中的固有模态函数分量中，选取一系列的敏感固有模态函数分量；

S4、模型建立：根据所得数据建立二阶Volterra自适应预测模型，并获取相应参数；

S5、建立向量矩阵：根据步骤S4所得参数，并根据所得参数建立初始特征向量矩阵；

S6、奇异值计算：计算初始特征向量矩阵的奇异值，并根据计算出的数据构建奇异值特征向量；

S7、数据选取：选取步骤S6中奇异值特征向量的一部分作为标准样本；