[发明专利]一种强干扰下旋转机械特征频率提取方法

说明书

本发明属于大数据学习模型领域，提供一种强干扰下旋转机械特征频率提取方法，基于设置的参考模态相关性粗略定位VMD分解中最优平衡参数α_最优所在区间，结合麻雀搜索寻优算法对每次分解的平衡参数α进行局部寻优。本发明通过迭代分解次数自适应确定分解模数K，采用的改进递归VMD方法避免了提前不准确预设分解数和平衡参数对分解效果的影响。将本发明应用在构造的仿真信号中实现了VMD方法所能达到的最优分解效果，同时应用在泵空化流致振动信号处理中，成功实现了低信噪比条件下流体机械流致振动特征频率的有效提取。

技术领域

本发明属于大数据学习模型领域，具体涉及一种强干扰下旋转机械特征频率提取方法。

背景技术

泵、水轮机和螺旋桨等属于典型的水力旋转机械，其运行工程中难免产生流致故障。螺旋桨产生的叶尖涡空化、轴流泵叶顶间隙空化、水轮机尾水管涡带等异常流动通常会诱导产生振动等伴随现象。振动信号携带有大量流致故障信息。水力旋转机械运行过程所激励的轴频和叶频等特征信号具有典型的低频特征。在复杂工作条件下，这些特征通常会被强烈的背景噪音污染且为多频特征信息的叠加。因此，有必要通过信号分解来提取故障特征。如何在低信噪比条件下准确实现振动信号的解调是水力旋转机械故障诊断和目标识别的关键步骤。

针对这个问题设计了各种方法，如小波分解、小波包分解、经验模态分解(EMD)和局部均值分解(LMD)等。但是，小波分解和小波包分解是非自适应信号分析方法，因为小波基函数是预先选择的。虽然EMD和LMD是自适应信号处理方法，但由于存在模式混合，它们的应用受到限制。集成EMD和集成LMD等噪声辅助技术在一定程度上缓解了模式混合问题，但计算复杂度急剧增加，无法有效消除添加的白噪声

变分模态分解(VMD)是近年来提出的一种新颖的自适应信号分解方法。凭借其严谨的数学理论指导、较快的收敛速度、强噪声鲁棒性强，有效避免分解中的端点效应、过包络、欠包络等优势，被广泛应用于故障诊断领域。然而，VMD分解的效果高度依赖分解模数K和平衡参数alpha。目前还没有决定这两个参数的统一方法。

尽管一些研究提出了结合优化算法和适应度函数的改进VMD方法，但大部分方法都对alpha与K同时进行优化，导致所有子模态共享同一个alpha值。由于不同子模态具有不同带宽特性，共用alpha导致出现不合理的欠分解或过分解。

发明内容

为克服VMD应用中分解模态个数设置困难、所有模态共用平衡参数的问题，本发明借鉴EMD递归分解思想自适应确定分解模数K，结合麻雀搜索寻优算法对每次分解的平衡参数a进行局部寻优，综合前两者提出优化递归VMD的流体机械流致振动解调方法。

为了实现上述目的，本发明提供以下技术方案：

本发明提供一种强干扰下旋转机械特征频率提取方法，包括：

S1：将采集到的振动信号设置为残差信号，对残差信号执行VMD操作；

S2：设置参考模态u_ref，并计算参考模态u_ref的峭度

S3：设置平衡参数α的标定测试点，并对每个标定测试点进行VMD分解后，计算其分解模态u′与参考模态的信号序列u_ref之间的相关参数；

S4：通过判断相关系数减少平衡参数α的标定测试点数量进一步缩小最优平衡参数α_最优所在区间，减少不必要的VMD操作；

S5：根据分解信号的特征细化平衡参数α的寻优区间；

S6：确定寻优的适应度函数；

S7：在细化后的平衡参数α的寻优区间内采用麻雀搜索优化算法-(SSA)来选择目标模态的最优平衡参数α_最优；