[发明专利]一种ELMD多尺度波动分析状态监测方法及装置

说明书

本发明公开了一种ELMD多尺度波动分析状态监测方法及装置，利用ELMD算法对设备振动信号进行分解，利用非线性判别算法去除噪声分量和趋势项，保留分形信号分量，采用Lagrange插值函数对局部极值点进行插值，利用最小二乘法拟合包络，分离频率调制部分，利用TEO算法估计瞬时频率并计算相应的瞬时尺度，根据分析尺度确定振动信号去趋势结果，计算去趋势信号的多重分形谱，提取多重分形谱的左端点、右端点和极值点所对应的奇异指数作为设备运行状态的特征参数，识别设备运行状态，将上述算法部署到设备状态监测装置，能够准确区分设备运行状态，设备状态监测系统具有良好的柔性和便携性，便于工程应用。

技术领域

本发明涉及设备状态监测与故障诊断领域，具体涉及一种ELMD多尺度波动分析状态监测方法及装置。

背景技术

设备振动信号包含丰富的分形特征，这些分形特征能够描述设备的运行状态。盒维数、功率谱分析和重标极差方法可以估计平稳信号的单重分形参数，去趋势波动分析（DFA）能够估计非平稳信号的单重分形维数。然而，设备出现故障时，其振动信号通常是非平稳的，且具有多重分形特征，这时传统的分形维数估计方法会产生比较大的误差。多重分形去趋势波动分析（MFDFA）能够估计非平稳信号的多重分形参数，但是MFDFA方法存在着分析尺度需要人工确定、拟合多项式趋势阶数难以确定和数据段之间不连续的问题。目前，已经有文献提出了基于EMD的MFDFA版本（MFDFAemd），用来解决MFDFA存在的问题。然而，MFDFAemd采用的线性滤波方法容易破坏原始信号的分形结构，且存在着负频率现象，这些缺陷严重影响了MFDFAemd的应用效果。综上所述，现有技术难以准确提取设备振动信号的多重分形特征，难以准确检测设备运行状态。

发明内容

本发明要解决的问题是针对以上不足，提出一种ELMD多尺度波动分析（本发明提出的方法简称为MFDFAoelmd）状态监测方法及装置。采用本发明所提出的方法对设备振动信号进行分析，能够有效提取设备振动信号的多重分形特征，克服MFDFA方法存在的分析尺度需要人工确定、拟合多项式趋势阶数难以确定和数据段之间不连续的问题，解决MFDFAemd方法存在的原始信号分形结构破坏和负频率现象，具有分析结果准确度和精确度高，设备运行状态识别结果正确率高等优点。

为解决以上技术问题，本发明采取的技术方案如下：一种ELMD多尺度波动分析状态监测方法，其特征在于：包括以下步骤：

步骤1：利用加速度传感器以采样频率fs测取设备振动信号x（k）, k=1, 2, …,N，N为采样信号的长度；

步骤2：采用集合局部均值分解( Ensemble Local Mode Decomposition, ELMD)算法将信号x（k）分解成n个分量和一个趋势项之和，即，其中，c_i（k）代表由ELMD算法得到的第i个分量，r_n（k）代表由ELMD算法得到的趋势项，本例中，n=10；

步骤3：采用非线性判别算法从ELMD分解结果中排除噪声分量和趋势项，保留包含分形特征的分量c_f（k）, f=1,2,…,p，p代表滤波后剩余分量的数量；

步骤4：确定c_f（k）的局部极大值和局部极小值，采用Lagrange插值函数分别对c_f（k）的局部极大值和局部极小值进行插值，采用最小二乘法分别拟合c_f（k）的上包络u(k)和下包络l(k)，则c_f（k）的包络定义为，符号|x|表示对x取绝对值；

步骤5：重复执行公式 m次，j=1,2,…,m，直到，得到c_f（k）的频率调制部分FM^m(k)，e^j(k)代表c^j(k)的包络，c^j(k)=FM^(j-1)(k)，c¹(k)= c_f（k）；