[发明专利]一种基于设备声信号和EMD的设备状态监测方法

权利要求书

1.一种基于设备声信号和EMD的设备状态监测方法，其特征在于，用于建筑暖通、给排水设备的故障诊断及效率监测，主要包括对设备各状态下的运行声信号以及环境噪声的采集、设备运行声信号的归一化处理、归一化信号的经验模态分解、基于白噪声经验模态分解统计特性的有效模式分量筛选、根据筛选结果以有限个有效模式分量的能量密度构造特征向量训练神经网络模型以及利用该训练后的神经网络模型进行设备运行的监测和判断。

2.根据权利要求1所述的基于一种基于设备声信号和EMD的设备状态监测方法，其特征在于，具体步骤如下：

步骤1、在采样设备稳定运行后，对设备各种运行状态下的设备运行声信号和设备未开启时的环境噪声分别进行采集，采样时长需保证采集的数据量满足下一步分析的需求，选择无其他噪声源干扰的数据段进行下一步分析；

步骤2、对步骤1采集的设备各种运行状态下的设备声信号进行归一化处理，将设备未开启时的环境噪声记为A，则：

a＝max(A)

b＝min(A)

c＝mean(A)

利用式(1)对设备各种运行状态下的设备运行声信号I进行归一化处理：

I＝(B-c)/(a-b) (1)

步骤3、对归一化处理后的设备运行声信号进行EMD分解，得到分解后的模式分量IMFs；

步骤4、利用白噪声的EMD统计特性，得到白噪声IMFs能量密度E_n与平均周期之间的关系式，如式(2)所示：

白噪声的能量密度服从卡方分布，随着置信度Z_α/2的不同，利用式(3)计算出不同置信度下的置信区间：

根据式(3)，绘制出以白噪声的能量密度为纵轴、平均周期为横轴的能量密度置信区间分布图，即为白噪声EMD统计特性，以此作为噪声信号有效模式分量筛选的依据；

依据白噪声EMD统计特性，对分解所得的模式分量进行有效本征模式分量的筛选，筛选时，落入置信区间内部的认为是无效模式分量，落入置信区间以外的则认为是有效模式分量；

步骤5、根据筛选结果，确定噪声信号有效分量的个数，利用3～6个有效本征模式分量的能量密度构造特征向量，将各运行状态下的设备运行声信号的特征向量作为神经网络的输入层，得到训练后的神经网络模型；

步骤6、利用该神经网络模型，判断、监测设备的运行状态，得出设备运行状态的判断结果。

3.根据权利要求2所述的一种基于设备声信号和EMD的设备状态监测方法，其特征在于：在利用神经网络模型，判断、监测设备的运行状态过程中，同时，将采集到的设备运行声信号按照进行步骤2至5的过程处理，以该状态下的能量密度构造特征向量，并作为输入层进一步训练该神经网络，不断更新神经网络模型。