一种结合EMD和张量分解的振动故障特征信号提取方法

技术领域

本发明属于航空机械故障诊断领域，具体涉及一种结合EMD和张量分解的振动故障特征信号提取方法。

背景技术

旋转机械在航空器中广泛使用，为航空器的正常运转提供持续可靠的动力、电力等。振动监测是航空器旋转机械常用的监测手段，在复杂多变的飞行工况和环境下，实际振动监测信号往往受到其他部件和环境噪声的干扰，影响微弱振动故障特征的准确提取，同时工业界常用的去噪方法在一定程度上还存在着噪声去除不干净、有效信号丢失问题。

EMD(经验模态分解)作为一种适合于非平稳非线性振动故障特征信号的提取方法，通过对振动信号自适应分解，去除无关成分分量，可实现故障特征信息的保留。基于奇异值分解的振动故障特征信号提取方法是在矩阵维度内挖掘出信号的内部特征信息，但在处理一些带有强噪声的非线性非平稳信号时存在缺陷。由于张量分解对噪声更具鲁棒性，采用张量分解对高维数据进行处理，在使特征信息与噪声信息分离的同时，还可保持原有数据结构特性以及特征信息的完整性。本发明将EMD和张量分解结合，通过两次去噪处理，可最大程度剔除干扰成分，显著增强在强噪声干扰下的微弱故障特征，并使特征保持完整，为后续航空旋转机械状态监测与故障智能诊断提供基础支撑。

发明内容

本发明的目的在于提供一种结合EMD和张量分解的振动故障特征信号提取方法，通过前后两次去噪处理，在有效剔除振动信号中的干扰成分同时，使强噪声干扰下的微弱故障特征更加显著增强并保持完整，从而可实现从航空旋转机械振动监测中提取微弱故障特征信号，提高后续航空旋转机械状态监测与故障诊断的准确性。

为实现上述目的，本发明采用了如下技术方案：

一种结合EMD和张量分解的振动故障特征信号提取方法，对航空旋转机械在振动监测中按照预定采样频率进行采样得到的初始振动信号提取该旋转机械的故障特征信号，包含以下步骤：

步骤S1，将原始振动信号使用经验模态分解方法EMD自适应分解，获取由多个本征模态分量IMF组成的初始IMF集合；

步骤S2，对初始IMF集合进行筛选获取含有特征信息的IMF集合；

步骤S3，分别对含有特征信息的IMF集合中的每个IMF进行分段截取，组成IMF截断矩阵；

步骤S4，将每个IMF截断矩阵作为张量的层，获取信号张量X；

步骤S5，获取信号张量X各个模式展开矩阵的因子矩阵和奇异值序列；

步骤S6，根据每个奇异值序列分别获取对应因子矩阵的有效奇异阶，得到降维后的因子矩阵

步骤S7，根据降维后的因子矩阵

步骤S8，根据降维后的因子矩阵

步骤S9，根据张量构造逆过程，将估计特征张量

依据上述特征，步骤S2包括以下子步骤：

步骤S2-1，分别计算初始振动信号与各个IMF之间的相关系数，选取相关系数大于0.05的IMF；

步骤S2-2，分别计算初始振动信号概率密度分布与各个IMF概率密度分布之间的Wasserstein距离，选取Wasserstein距离开始显著增大的IMF；

步骤S2-3，选择步骤S2-1所获IMF与步骤S2-2所获IMF的交集，作为含有特征信息的IMF集合。

依据上述特征，步骤S3包括以下子步骤：

步骤S3-1，获取进行分段截取的滑动窗窗长w，滑动窗窗长w的表达式为：

w＝f

式中，f

步骤S3-2，使用滑动窗窗长w对含有特征信息的IMF集合中的每个IMF进行分段截取，分别得到多段截断子信号window

window

式中，I＝N/w是IMF截断子信号的个数，并作取整处理，如果最后一段截断子信号的长度不足w，则将最后一段截断子信号右端以已截取所有截断子信号的均值补满，N为信号的长度，c

步骤S3-3，将多段截断子信号window

依据上述特征，在步骤S3-1中，旋转特征频率f

依据上述特征，步骤S6包括以下子步骤：

步骤S6-1，获取奇异值序列的奇异值中心差商序列C

式中，λ

步骤S6-2，在奇异值中心差商序列C

本发明的有益效果在于：对监测振动信号进行EMD分解，通过去除无关成分分量，可实现对信号初次去噪。通过张量分解从高维度对初次去噪结果进行再处理，可最大程度实现特征信息与噪声信息分离，并保持信号数据结构和特征的完整性。通过前后两次去噪处理，可在强噪声干扰下实现微弱故障特征增强，后续航空旋转机械状态监测与故障智能诊断提供基础支撑。

附图说明

图1是实施例中的一种结合EMD和张量分解的振动故障特征信号提取方法的步骤示意图；

图2是实施例中的航空旋转机械初始振动信号的特征成分构成示意图；

图3是实施例中获取的奇异值序列曲线；

图4是实施例中获取的估计故障特征信号。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明的一种结合EMD和张量分解的振动故障特征信号提取方法作具体阐述。

参见图2所示航空旋转机械设备原始振动信号的特征成分构成示意图，在本实施例中，航空旋转机械原始监测振动信号x为仿真混合信号，包括模拟航空旋转机械故障特征的冲击信号x

使用如图1所示的一种结合EMD和张量分解的振动故障特征信号提取方法的步骤示意图S100，从航空旋转机械在振动监测中按照预定采样频率进行采样得到的原始振动信号中获取该旋转机械的故障特征信号，包括以下步骤：

步骤S1，将原始振动信号使用EMD(经验模态分解)方法自适应分解，获取由多个IMF(本征模态分量)组成的初始IMF集合。

在本实施例中，对原始振动信号进行EMD分解获得初始IMF集合{c

步骤S2，对初始IMF集合进行筛选获取含有特征信息的IMF集合，包括以下子步骤：

步骤S2-1，分别计算初始振动信号与各个IMF之间的相关系数，选取相关系数大于0.05的IMF分量。

在本实施例中，获取的相关系数大于0.05的IMF分量为{c

步骤S2-2，分别计算初始振动信号概率密度分布与各个IMF分量概率密度分布之间的Wasserstein距离，选取Wasserstein距离开始显著增大的IMF分量；

在本实施例中，选取的Wasserstein距离开始显著增大的IMF分量为{c

步骤S2-3，选择步骤S2-1所获IMF分量与步骤S2-2所获IMF分量的交集，作为含有特征信息的IMF集合。

在本实施例中，筛选后的IMF集合为{c

步骤S3，分别对含有特征信息的IMF集合中的每个IMF进行分段截取，组成IMF截断矩阵，包括以下子步骤：

步骤S3-1，获取进行分段截取的滑动窗窗长w，滑动窗窗长w的表达式如式(1)所示，

w＝f

式中，f

其中，在步骤S3-1中，旋转特征频率f

在本实施例中，原始振动信号x的预定采样频率为2048Hz，故障特征信号与轴承有关，旋转特征频率为轴承的转频，f

步骤S3-2，使用滑动窗窗长w对含有特征信息的IMF集合中的每个IMF进行分段截取，分别得到多段截断子信号window

window

式中，I＝N/w是IMF截断子信号的个数，并作取整处理，如果最后一段截断子信号的长度不足w，则将最后一段截断子信号右端以已截取所有截断子信号的均值补满，N为信号的长度，c

在本实施例中，信号长度N＝2048，最后一段截断子信号的长度为w，因此IMF截断子信号的个数计算为I＝8。

步骤S3-3，将多段截断子信号window

在本实施例中，所获取的IMF截断矩阵的维度大小为8×256。

步骤S4，将每个IMF截断矩阵作为张量的层，获取信号张量X。

在本实施例中，所获取的信号张量X的维度大小为5×256×8。

步骤S5，获取信号张量X各个模式展开矩阵的左奇异矩阵(即张量的因子矩阵)和奇异值序列。

步骤S6，根据每个奇异值序列分别获取对应因子矩阵的有效奇异阶，得到降维后的因子矩阵

步骤S6-1，获取奇异值序列的奇异值中心差商序列C

式中，λ

步骤S6-2，在奇异值中心差商序列C

参见图3所示奇异值序列曲线，由于信号张量X各个模式展开矩阵维度不同，所获取的3条奇异值中心差商序列曲线的长度也不相同，同时根据步骤S6-2的有效奇异阶确定准则，所获取的3个有效奇异阶分别为1、1、2。

步骤S7，根据降维后的因子矩阵

步骤S8，根据降维后的因子矩阵

步骤S9，根据张量构造逆过程，将估计特征张量

参见图4所示的由本实施例获取的估计故障特征信号，与初始振动信号相比较，获取的估计故障特征信号中的冲击特征比较清晰，且冲击间隔与仿真故障冲击信号x

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术范围。