旋转机械系统损伤检测方法、装置及终端与流程

1.本发明属于旋转机械系统技术领域，尤其涉及一种旋转机械系统损伤检测方法、装置及终端。


背景技术：

2.随着科学技术的发展，机械设备工作强度不断增大，生产效率、自动化程度越来越高，同时机械设备更加复杂，尤其是机械设备组成的旋转机械系统，各部分关联紧密，一旦发生损伤则可能会影响整个旋转机械系统的运转，因此人们对旋转机械系统的损伤检测尤为重视。
3.目前，对旋转机械系统进行损伤检测大多采用振动法，然而，采用振动法对旋转机械系统的损伤检测的结果准确度较低。


技术实现要素：

4.有鉴于此，本发明提供了一种旋转机械系统损伤检测方法、装置及终端，以解决现有技术采用振动法对旋转机械系统的损伤检测的结果准确度较低的问题。
5.本发明实施例的第一方面提供了一种旋转机械系统损伤检测方法，包括：
6.获取多个传感器分别采集的振动信号；其中，多个传感器分别设置在旋转机械系统的多个敏感位置；
7.基于变分模态分解vmd(variational mode decomposition)方法，对多个传感器分别采集的振动信号进行预处理得到多个传感器分别对应的信号分量集；
8.根据多个传感器分别对应的信号分量集确定旋转机械系统的vmtes(variational mode decomposition multiscale vector transfer entropy statistics)损伤评价指标，并根据旋转机械系统的vmtes损伤评价指标对旋转机械系统进行损伤检测。
9.本发明实施例的第二方面提供了一种旋转机械系统的损伤检测装置，包括获取模块、预处理模块和损伤检测模块；
10.获取模块，用于获取多个传感器分别采集的振动信号；其中，多个传感器分别设置在旋转机械系统的多个敏感测点位置；
11.预处理模块，用于基于vmd方法，对多个传感器分别采集的振动信号进行预处理得到多个传感器分别对应的信号分量集；
12.损伤检测模块，用于根据多个传感器分别对应的信号分量集确定旋转机械系统的vmtes损伤评价指标，并根据旋转机械系统的vmtes损伤评价指标对旋转机械系统进行损伤检测。
13.本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面任一项的旋转机械系统损伤检测方法的步骤。
14.本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质
存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项的旋转机械系统损伤检测方法的步骤。
15.本发明与现有技术相比存在的有益效果是：本发明通过设置在旋转机械系统的多个敏感位置的传感器采集振动信号，可以较为准确的反应旋转机系系统的振动状态；基于vmd方法，对多个传感器分别采集的振动信号进行预处理得到多个传感器分别对应的信号分量集，可以自适应地实现信号的频域剖分几个分量的有效分离，提高处理速度，且具有噪声鲁棒性的优点；根据多个传感器分别对应的信号分量集确定旋转机械系统的vmtes损伤评价指标，并根据旋转机械系统的vmtes损伤评价指标对旋转机械系统进行损伤检测，根据vmtes损伤评价指标可以准确评估旋转机械系统动力学行为的突变和状态，本发明可以准确检测旋转机械系统的损伤。
附图说明
16.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明实施例提供的旋转机械系统损伤检测方法的一个实现流程图；
18.图2是本发明实施例提供的旋转机械系统为齿轮箱时的敏感测点位置分布示意图；
19.图3是本发明实施例提供的用于表示各敏感测点位置之间传递熵的说明示意图；
20.图4是本发明实施例提供的齿轮箱在不同状态全矢量损伤统计图；
21.图5是本发明实施例提供的齿轮箱在不同状态下的损伤云图，其中，图5(a)为齿轮箱在健康状态下的损伤云图，图5(b)为齿轮箱在断齿状态下的损伤云图，图5(c)为齿轮箱在磨损状态下的损伤云图，图5(d)为齿轮箱在断齿磨损耦合故障状态下的损伤云图，图5(e)为齿轮箱在齿面点蚀磨损耦合故障状态下的损伤云图；
22.图6是本发明实施例提供的传感器1#采集的在齿轮箱不同状态下振动信号的时域波形，其中，图6(a)为传感器1#采集的齿轮箱在磨损状态下振动信号的时域波形，图6(b)为传感器1#采集的齿轮箱在断齿状态下振动信号的时域波形，图6(c)为传感器1#采集的齿轮箱在磨损状态下振动信号的时域波形，图6(d)为传感器1#采集的齿轮箱在齿面点蚀状态下振动信号的时域波形；
23.图7是本发明实施例提供的各传感器采集的齿轮箱为断齿状态时的振动信号的时域波形，其中，图7(a)为传感器1#采集的齿轮箱为断齿状态时的振动信号的时域波形，图7(b)为传感器2#采集的齿轮箱为断齿状态时的振动信号的时域波形，图7(c)为传感器3#采集的齿轮箱为断齿状态时的振动信号的时域波形，图7(d)为传感器4#采集的齿轮箱为断齿状态时的振动信号的时域波形；
24.图8是本发明实施例提供的传感器1#采集的齿轮箱为断齿状态时的振动信号的vmd分解结果的示意图；
25.图9是本发明实施例提供的传感器2#采集的齿轮箱为断齿状态时的振动信号的vmd分解结果的示意图；
26.图10是本发明实施例提供的利用vmtes对齿轮箱的六种状态下的振动信号的分析结果的示意图，其中，图10(a)为传感器1#
→
传感器2#的分析结果的示意图，图10(b)为传感器2#
→
传感器1#的分析结果的示意图；
27.图11是本发明实施例提供的传感器1#和传感器2#采集的齿轮箱六种状态下的振动信号进行传递熵计算的结果示意图，其中，图11(a)为齿轮箱为健康状态时的传递熵计算结果示意图，图11(b)为齿轮箱为断齿状态时的传递熵计算结果，图11(c)为齿轮箱为磨损状态时的传递熵计算结果，图11(d)为齿轮箱为齿面点蚀状态时的传递熵计算结果，图11(e)为齿轮箱为断齿与磨损耦合故障状态时的传递熵计算结果，图11(f)为齿轮箱为齿面点蚀与磨损耦合故障状态时的传递熵计算结果；
28.图12是本发明实施例提供的基于vmtes指标的轴承寿命周期试验图；
29.图13是本发明实施例提供的旋转机械系统的损伤检测装置的结构示意图；
30.图14是本发明实施例提供的终端的示意图。
具体实施方式
31.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
32.风电机组的旋转机械传动系统包含了多个子非线性系统，子系统的振动信息相互耦合、相互叠加、相互消除，振动信号还中包括了齿轮啮合振动、轴承振动和故障引起的系统非线性振动等内部复杂激励，同时振动信号中还包括了机械传动激励、随机风载激励和外界噪声等外界激励，这些振动信息在机械系统内进行传递和耦合，这些振动信息在一定程度上可以反应旋转机械系统的损伤情况，但现有技术采用的振动法不能准确和全面的检测旋转机械系统的损伤。
33.本发明是通过研究多个敏感测点位置的振动信号之间的信息传递和机械系统的能量的流动变化来表征旋转机械系统状态。
34.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
35.参见图1，其示出了本发明实施例提供的旋转机械系统损伤检测方法的一个实现流程图，如图1所示，旋转机械系统损伤检测方法，可以包括：
36.s101，获取多个传感器分别采集的振动信号；其中，多个传感器分别设置在旋转机械系统的多个敏感测点位置。
37.可选的，传感器可以为振动传感器，采集的振动信号可以包括多个敏感测点位置的轴向x和径向y的振动加速度信号。
38.示例性的，参见图2，其示出了本发明实施例提供的旋转机械系统为齿轮箱时的敏感测点位置分布示意图。如图2所示，当旋转机械系统为齿轮箱时，可以利用四个传感器采集齿轮箱四个敏感测点位置的振动信号，传感器1#设置在齿轮箱的输入敏感测点位置，传感器4#设置在齿轮箱的输出敏感测点位置，传感器2#和传感器3#分别设置在齿轮箱的另外两个敏感测点位置，传感器1#、传感器2#、传感器3#和传感器4#分别采集对应的敏感测点位
置的振动信号。
39.示例性的，振动信号可以为齿轮箱的振动加速度信号，具体为一级减速，小齿轮安装在主传动轴上，齿数z＝55；大齿轮安装在从传动轴上，齿数z＝75，模数为2mm。
40.s102，基于vmd信号分解方法，对多个传感器分别采集的振动信号进行预处理得到多个传感器分别对应的信号分量集。
41.可选的，每个传感器可以按照时序采集振动信号，采集的振动信号是按照时序排列的信号。振动信号可以为传感器按照时序采集的径向y的振动加速度信号。vmd信号分解方法可以有效去除外界传动激励和噪声，得到多个传感器分别对应的信号分量集，实现对振动信号的降噪。
42.s103，根据多个传感器分别对应的信号分量集确定旋转机械系统的vmtes损伤评价指标，并根据旋转机械系统的vmtes损伤评价指标对旋转机械系统进行损伤检测。
43.可选的，多个传感器分别对应设置在旋转机械系统的多个敏感测点位置，采集多个旋转机械系统的多个敏感测点位置的振动信号，采集的多个振动信号可以反应旋转机械系统的状态信息，vmd信号分解方法可以按照时序对振动信号进行分解，基于此得到的到vmtes损伤评价指标可以反应旋转机械系统的状态和发生损伤的时间。
44.本发明实施例通过设置在旋转机械系统的多个敏感位置的传感器采集振动信号，可以较为准确的反应旋转机系系统的振动状态；基于vmd信号分解方法，对多个传感器分别采集的振动信号进行预处理得到多个传感器分别对应的信号分量集，可以自适应地实现信号的频域剖分几个分量的有效分离，提高处理速度，且具有噪声鲁棒性的优点；根据多个传感器分别对应的信号分量集确定旋转机械系统的vmtes损伤评价指标，并根据旋转机械系统的vmtes损伤评价指标对旋转机械系统进行损伤检测，根据vmtes损伤评价指标可以准确评估旋转机械系统动力学行为的突变和状态，可以准确的检测旋转机械系统的损伤。
45.在一些实施例中，上述s102可以包括：
46.s1021，针对每个传感器，对该传感器采集的振动信号进行vmd分解得到该传感器对应的单分量调幅调频信号，并根据该传感器对应的单分量调幅调频信号确定该传感器对应的vmd约束变分模型。
47.s1022，针对每个传感器，基于迭代搜寻法确定该传感器对应的vmd约束变分模型的最优解，并根据该传感器对应的vmd约束变分模型的最优解确定该传感器对应的信号分量集。
48.可选的，以单个传感器(即该传感器)采集的径向y的振动加速度信号预处理的过程进行说明，其余传感器对应采集的振动信号的预处理过程与单个传感器的预处理过程一致。
49.示例性的，预处理过程包括：
50.s201，对该传感器采集的径向y的振动加速度信号进行vmd分解得到单分量调幅调频信号，可以表示为u
k
(t)。对分解后的单分量调幅调频信号u
k
(t)进行hilbert变换，得到对应的本征模态函数，表示为：
51.52.其中，δ(t)为狄利克雷函数，t为时间变量，k为模态分量的次序号，
53.s202，将每个本征模态函数的频谱调制到相应的基频带，表示为：
[0054][0055]
其中，为各模态解析信号预估中心频率，ω
k
为第k个本征模态函数的中心频率。
[0056]
s203，计算公式(2)解调信号的梯度的平方l2，得到该传感器对应的vmd约束变分模型，可以表示为：
[0057][0058]
其中，表示对时间参数t求偏导，f为未经vmd分解的原始振动加速度信号，{u
k
}＝{u1,u2,...,u
k
}表示分解得到的各本征模态函数的分量，{ω
k
}＝{ω1,ω2,...,ω
k
}表示各本征模态函数的中心频率，为所有本征模态函数的分量叠加，k为本征模态函数的分量个数的总数。
[0059]
s204，求解vmd变分约束模型的最优解，可以包括：
[0060]
s2041，对信号{u
k
}进行vmd分解，首先将λ和n初始化，其中，λ为拉格朗日乘子，n为程序计数值，初始值为0，分别代表第一次循环过程中第k个本征模态函数的分量和中心频率。
[0061]
s2042，n＝n 1，执行第一个循环，再根据对{u
k
}进行更新；其中，表示原信号x(t)的第n 1次迭代的第k个本征模函数的分量，表示当l()中各项变量取最小值时u
k
的取值，并作为第n 1次迭代的初始值，表示在第n 1次迭代过程中的所有第i<k个本征模函数的集合，表示在第n次迭代过程中的所有第i≥k个本征模函数的集合，为第n次迭代过程中的所有第i个本征模函数的中心频率的集合，λ
n
为第n次迭代过程中的拉格朗日乘子。
[0062]
s2043：k＝k 1，重复s2042，直至k＝k，结束第一个循环。
[0063]
s2044：根据执行第二个循环；其中，表示原振动加速度信号x(t)第n 1次迭代的第k个本征模函数的中心频率，表示当l()中各项变量取最小值时w
k
的取值，并作为第n 1次迭代的初始值，表示在第n 1次迭代过程中的所有第i个本征模函数的集合，表示在第n次迭代过程中的所有第i<
k个本征模函数的中心频率的集合，为第n次迭代过程中的所有第i≥k个本征模函数中心频率的集合，λ
n
为第n次迭代过程中的拉格朗日乘子。
[0064]
s2045：重复s2044，直至k＝k，结束第二个循环。
[0065]
s2046：根据对λ进行更新；其中，λ
n 1
为拉格朗日乘子λ第n 1次迭代过程中取值，τ表示预设的时间步长；为所有本征模态函数的分量叠加，为第n 1次迭代过程中所有分量的叠加。
[0066]
s2047：当满足停止条件时，循环结束，初始信号被分解为k个从高频到低频的窄带宽imf分量，分别为{imf1,imf2,...,imf
k
}，组成信号分量集，为向量二范数的平方，ε为规定的阈值。
[0067]
vmd信号分解方法是一种新的非线性非稳定信号自适应时频分解方法，在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。其实质是多个自适应维纳滤波组，具有更好的噪声鲁棒性，
[0068]
在一些实施例中，上述s103中的“根据多个传感器分别对应的信号分量集确定旋转机械系统的vmtes损伤评价指标”，可以包括：
[0069]
s1031，针对每个传感器，根据该传感器对应的信号分量集和其他各个传感器分别对应的信号分量集，计算其他各个传感器采集的振动信号分别对该传感器采集的振动信号的传递熵；根据其他各个传感器采集的振动信号分别对该传感器采集的振动信号的传递熵，计算该传感器对应敏感测点位置的vmtes损伤评价指标。
[0070]
可选的，以计算其他各个传感器采集的振动信号分别对单个传感器(即该传感器)采集的振动信号的传递熵的过程进行说明，计算其他传感器传递熵的过程与单个传感器的处理过程一致。
[0071]
示例性的，参见图3，其示出了本发明实施例提供的用于表示各敏感测点位置之间传递熵的说明示意图。如图3所示，以传感器1#所在的齿轮箱的输入敏感测点位置为例。需计算传感器2#采集的振动信号对传感器1#采集的振动信号的传递熵vmte
2#
→
1#
(图3中简化为2#
→
1#)、传感器3#采集的振动信号对传感器1#采集的振动信号的传递熵vmte
3#
→
1#
(图3中简化为3#
→
1#)、传感器4#采集的振动信号对传感器1#采集的振动信号的传递熵vmte
4#
→
1#
(图3中简化为4#
→
1#)，根据vmte
2#
→
1#
、vmte
3#
→
1#
和vmte
4#
→
1#
计算该传感器对应敏感测点位置的vmtes损伤评价指标，其余敏感测点位置的vmtes损伤评价指标计算方式与上述相同。
[0072]
s1032，根据各个传感器对应敏感测点位置的vmtes损伤评价指标确定旋转机械系统的vmtes损伤评价指标。
[0073]
在一些实施例中，上述s1031中的“根据该传感器对应的信号分量集和其他各个传感器分别对应的信号分量集，计算其他各个传感器采集的振动信号分别对该传感器采集的
振动信号的传递熵”，可以包括：
[0074]
根据该传感器对应的信号分量集得到该传感器对应的信号分量和；
[0075]
根据其他各个传感器分别对应的信号分量集分别得到其他各个传感器分别对应的信号分量和；
[0076]
其中，每个传感器对应的信号分量和为对应信号分量集中的预设数量的信号分量相加；
[0077]
基于多尺度传递熵分析，根据该传感器对应的信号分量和和其他各个传感器分别对应的信号分量和，计算其他各个传感器采集的振动信号分别对该传感器采集的振动信号的传递熵。
[0078]
可选的，参见图3，以计算传感器2#采集的振动信号对传感器1#采集的振动信号的传递熵vmte
2#
→
1#
为例进行说明。首先分别获取传感器2#采集的振动信号经vmd分解得到的信号分量集中的前两个信号分量，和传感器1#采集的振动信号经vmd分解得到的信号分量集中的前两个信号分量，然后将传感器1#对应的前两个信号分量和传感器2#对应的前两个信号分量分别求和叠加，作为对应传感器的待处理数据，最后对待处理数据进行多尺度传递熵分析，得到传感器2#采集的振动信号对传感器1#采集的振动信号的传递熵vmte
2#
→
1#
，详述如下：
[0079]
s301，将传感器1#对应的前两个信号分量和传感器2#对应的前两个信号分量分别求和叠加，分别作为传感器1#的待处理数据x{x1,x2,...,x
n
}和传感器2#的待处理数据y{y1,y2,...,y
n
}，表示为：
[0080]
x{x1,x2,...,x
n
}＝imf1{imf
1,1
,...,imf
1,n
} imf2{imf
2,1
,...,imf
2,n
}
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0081]
y{y1,y2,...,y
n
}＝imf1{imf'
1,1
,...,imf'
1,n
} imf2{imf'
2,1
,...,imf'
2,n
}
ꢀꢀꢀꢀ
(5)
[0082]
其中，imf
1,1
、imf'
1,1
分别为传感器1#和传感器2#的径向y方向，第一模态分量第n时刻加速度的振幅，imf
2,1
、imf'
2,1
分别为传感器1#和传感器2#的径向y方向，第二模态分量第n时刻加速度的振幅。
[0083]
s302，x和y的熵率可以分别表示为：
[0084][0085][0086]
其中，x
n
、y
n
分别表示x和y系统在n时刻的振动加速度，p(
·
)为齿轮箱状态发生的概率，状态可以包括健康、磨损、断齿、点蚀、断齿磨损耦合和点蚀磨损耦合。
[0087]
s303，从x到y的传递熵用于处理从x到y传递的信息，表示为：
[0088][0089]
其中，k、l分别表示马尔可夫过程x与y的阶数，当描述非线性系统的信息流之间的传递时，k和l均设为1，即假定x与y均为一阶马尔可夫过程，p(
·
)为齿轮箱状态发生的概率，单位为bit。
[0090]
对式(6)进行简化，则可以得到单一时间延迟因子τ的传递熵，表示为：
[0091][0092]
最终可以得到传感器2#采集的振动信号对传感器1#采集的振动信号的传递熵vmte
2#
→
1#
，同理可以得到传感器1#采集的振动信号对传感器2#采集的振动信号的传递熵vmte
1#
→
2#
，该传递熵具有方向性。
[0093]
上述预设数量的信号分量为两个，预设数量的信号分量也可以为三个，即选取每个传感器对应的信号分量和为对应信号分量集中的三个的信号分量相加。
[0094]
示例性的，参见图3，当预设数量的信号分量为三个时，计算传感器1#采集的振动信号#和传感器2#采集的振动信号之间的传递熵的过程大概如下：
[0095]
可以将齿轮箱在各状态下的传感器采集的径向y加速度信号经vmd分解后得到信号分量集作为原始数据，选取各状态(健康、磨损、断齿、点蚀、断齿磨损耦合和点蚀磨损耦合，六个状态)下传感器对应的信号分量集中前三个信号分量作为待处理数据，分别计算各状态下传感器1#采集的振动信号与传感器2#采集的振动信号之间的传递熵
[0096]
上述是计算传感器1#和传感器2#采集的振动信号之间的传递熵，其可以在一定程度上反应齿轮箱故障振动信号在不同时间、在不同耦合方向上、不同频段间的耦合特征。
[0097]
当预设数量的信号分量为三个时，计算多个传感器采集的振动信号之间的传递熵的过程大概如下：
[0098]
取各齿轮箱在状态下，各个传感器对应的信号分量集中前三个信号分量(即imf1、imf2、imf3)作为待处理数据，分别计算传感器1#采集振动信号和传感器2#采集的振动信号之间具有方向性的传递熵传感器2#采集振动信号和传感器3#采集的振动信号之间具有方向性的传递熵传感器3#采集振动信号和传感器4#采集的振动信号之间具有方向性的传递熵传感器1#采集振动信号和传感器3#采集的振动信号之间具有方向性的传递熵传感器2#采集振动信号和传感器4#采集的振动信号之间具有方向性的传递熵和传感器1#采集振动信号和传感器4#采集的振动信号之间具有方向性的传递熵传递熵还可以在一定程度上可以表明齿轮箱动力学行为随状态改变的信息传递流向和大小的变化。
[0099]
具体的，上述过程可以包括：
[0100]
s401，取齿轮箱各状态振动信号分解后的前三个imf分量(即imf1、imf2、imf3)，求和叠加，作为齿轮箱在各状态下传感器1#、传感器2#、传感器3#和传感器4#的分别对应待处理数据1#{a1,...,a
n
}、2#{b1,...,b
n
}、3#{c1,...,c
n
}4#{d1,...,d
n
}：
[0101]
1#{a1,...,a
n
}＝imf1{x1,...,x
n
} imf2{y1,...,y
n
} imf3{z1,...,z
n
}
ꢀꢀꢀꢀꢀꢀ
(10)
[0102]
2#{b1,...,b
n
}＝imf1'{x1,...,x
n
} imf2'{y1,...,y
n
} imf3'{z1,...,z
n
}
ꢀꢀꢀ
(11)
[0103]
3#{c1,...,c
n
}＝imf
1”{x1,...,x
n
} imf
2”{y1,...,y
n
} imf
3”{z1,...,z
n
}
ꢀꢀ
(12)
[0104]
4#{d1,...,d
n
}＝imf
1”'{x1,...,x
n
} imf
2”'{y1,...,y
n
} imf
3”'{z1,...,z
n
} (13)
[0105]
其中，imf1{x1,...,x
n
}、imf1'{x1,...,x
n
}、imf
1”{x1,...,x
n
}、imf
1”'{x1,...,x
n
}分别为传感器1#、传感器2#、传感器3#、传感器4#的径向y方向，第一模态分量第n时刻加速
度的振幅，imf2{y1,...,y
n
}、imf2'{y1,...,y
n
}、imf
2”{y1,...,y
n
}、imf
2”'{y1,...,y
n
}分别为传感器1#、传感器2#、传感器3#、传感器4#的径向y方向，第二模态分量第n时刻加速度的振幅，imf3{z1,...,z
n
}、imf3'{z1,...,z
n
}、imf
3”{z1,...,z
n
}、imf
3”'{z1,...,z
n
}分别为传感器1#、传感器2#、传感器3#、传感器4#的径向y方向，第三模态分量第n时刻加速度的振幅。
[0106]
s402，分别计算和为例：
[0107][0108][0109]
其中，a
n
表示传感器1#在n时刻的振动加速度，b
n
表示传感器2#在n时刻的振动加速度，h(
·
)为熵率，p(
·
)为状态发生的概率，τ为单一时间延迟因子，传递熵的单位为bit，k、l分别表示马尔可夫过程x与y的阶数。
[0110]
在一些实施例中，上述s1032可以包括：
[0111]
对其他各个传感器采集的振动信号分别对该传感器采集的振动信号的传递熵分别进行高阶统计量计算，得到其他各个传感器采集的振动信号分别对该传感器采集的振动信号的处理后的传递熵；
[0112]
对其他各个传感器采集的振动信号分别对该传感器采集的振动信号的处理后的传递熵进行矢量合成得到该传感器对应敏感测点位置的vmtes损伤评价指标。
[0113]
可选的，其他各个传感器采集的振动信号分别对单个传感器(即该传感器)采集的振动信号之间对应存在传递熵，将各个对应存在的传递熵分别作高阶统计量计算，对应得到处理后的传递熵，再将所有处理后的传递熵进行矢量合成得到该传感器对应敏感测点位置的vmtes损伤评价指标。
[0114]
示例性的，对上述得到该传感器对应敏感测点位置的vmtes损伤评价指标的过程进行说明，参见图3，以传感器1#对传感器4#的传递熵的处理过程为例进行说明，传感器2#和传感器3#分别对传感器4#的传递熵的处理过程同理，详述如下：
[0115]
s501，对全矢多尺度传递熵矩阵进行零均值化，得到零均值化矩阵
[0116][0117][0118]
其中，n1为矩阵的维数，μ为fmte
1#
→
4#
集合中元素均值，fmte
i
为fmte
1#
→
4#
集合中第i个元素。
[0119]
s502，针对构造其联合概率密度函数之后对联合概率密度函数在负无穷到正无穷区间内进行n1重积分，得到矩生成函数φ
ξ
(ω)：
[0120][0121]
其中，e{
·
}表示数学期望，e为自然常数，中ξ为积分变量，ω
t
为本征模态函数分量的中心频率矩阵的转置。
[0122]
s503，针对的矩生成函数φ
ξ
(ω)取自然对数得到累积量生成函数，表示为：
[0123][0124]
s504，根据φ
ξ
(ω)和ψ
ξ
(ω)得到的k阶矩阵和k阶累积量可以包括：
[0125]
分别对φ
ξ
(ω)和ψ
ξ
(ω)求关于ω的偏导，同时令
[0126][0127][0128]
其中，k＝4。
[0129]
s505，采用上述方式可以得到传感器1#采集的振动信号、传感器2采集的振动信号和传感器3采集的振动信号分别对传感器4#采集的振动信号的三个处理后的传递熵，该三个处理后的传递熵为矢量，对三个矢量进行合成得到传感器4#对应敏感测点位置的vmtes损伤评价指标：
[0130][0131]
其中，代表其它传感器(传感器1#、传感器2#、传感器3#)采集的振动信号对传感器4#采集的振动信号的评判指标，为传感器1#采集的振动信号对传感器4#采集的振动信号的传递熵的高阶统计量，为传感器2#采集的振动信号对传感器4#采集的振动信号的传递熵的高阶统计量，为传感器3#采集的振动信号对传感器4#采集的振动信号的传递熵的高阶统计量。
[0132]
为进一步提高该传感器对应敏感测点位置的vmtes损伤评价指标的可靠性，还可以对vmtes损伤评价指标进行归一化，包括：
[0133]
s506，选取该敏感测点位置每一故障特征状态(即健康、磨损、断齿、点蚀、断齿磨损耦合和点蚀磨损耦合)中vmtes损伤指标的最大值作为待处理数据，同时对不同故障特征状态的vmtes损伤指标进行标准归一化。
[0134][0135]
其中，i为故障特征状态的需要，i＝1,...,6，为矩阵vmtes中的最小值，为矩阵vmtes中的最大值。
[0136]
在一些实施例中，上述s103中“根据旋转机械系统的vmtes损伤评价指标对旋转机械系统进行损伤检测”，可以包括：
[0137]
根据旋转机械系统的vmtes损伤评价指标确定旋转机械系统的损伤云图；
[0138]
根据旋转机械系统的损伤云图对旋转机械系统进行损伤检测。
[0139]
可选的，可以根据多个敏感测点位置的vmtes损伤指标建立旋转机械系统的损伤云图，基于损伤云图可以得到不同敏感测点位置的损伤的大小和方向。如可以根据损伤云图的颜色深浅判断旋转机械系统是否损伤，颜色越深代表越可能损伤，确定损伤位置后，可以根据损伤位置判断发生损伤的方向。
[0140]
示例性的，图4是本发明实施例提供的齿轮箱在不同状态全矢量损伤统计图，图5是本发明实施例提供的齿轮箱在不同状态下的损伤云图，根据图4和图5可以得出不同敏感测点位置的损伤的大小和方向。
[0141]
本发明实施例提供的旋转机械系统损伤检测方法可以区分齿轮箱不同故障，原因如下：
[0142]
s601，如图2所示，在齿轮箱的敏感测点位置分别布置4个传感器，同步采集x、y方向的振动加速度信号，传感器采集的y方向信号的振动加速度信号为待处理信号，时域图如图6和图7所示。
[0143]
s602，对传感器采集的y方向信号的振动加速度信号组成的时间序列分别进行vmd分解，去除外界传动激励和噪声，保留敏感特征分量进行进一步分析，实现对信号的降噪，如图8和图9所示。
[0144]
s603，分析传感器1#与传感器2#所采集的数据，取各状态齿轮系统(即健康、磨损、断齿、点蚀、断齿磨损耦合、点蚀磨损耦合)经vmd分解得到的前两个imf分量(即imf1、imf2)，将两传感器数据分别求和叠加，作为待处理数据，分别进行多尺度时延传递熵分析，计算各故障状态下传感器1#对传感器2#的传递熵vmte
1#
→
2#
、传感器2#对传感器1#的传递熵vmte
2#
→
1#
，如图10所示。
[0145]
如图10所示，与齿轮箱无故障状态的情况完全不同，传递熵在
‑
100≤τ≤100之间发生了明显的变化。具体来说，当时延
‑
100≤τ≤
‑
20时，信息传递微弱，传递熵的幅值稳定在0.05左右；当时延
‑
20≤τ≤20时，vmte
1#
→
2#
和vmte
2#
→
1#
缓慢单调上升，信息传递程度明显增强，信息流向明显，在τ＝1时分别取得最大值0.31和0.51，且vmte
2#
→
1#
大于vmte
1#
→
2#
说明传感器2#位置的振动信息不由自身的历史信息决定，而是受到传感器1#位置的影响较大，
且与传感器1#位置的振动信息发生了耦合；当时延
‑
20≤τ≤100时，vmte
1#
→
2#
和vmte
2#
→
1#
迅速趋于稳定，分别稳定在0.6和0.4左右。
[0146]
如图10所示，与齿轮箱无故障和断齿故障状态相比，齿轮磨损故障的频谱特征则更为复杂。具体来说，当时延
‑
100≤τ≤
‑
20时，信息传递微弱，这与齿轮箱无故障和断齿故障状态相似，幅值稳定在0.05左右；当时延
‑
20≤τ≤20时，vmte
1#
→
2#
和vmte
2#
→
1#
缓慢单调上升，信息传递程度明显增强，信息流向明显，分别在τ＝1和τ＝2时取得最大值1.04和1.75，幅值要远高于无故障和齿轮断齿状态，且vmte
2#
→
1#
大于vmte
1#
→
2#
说明传感器2#位置的振动信息不由自身的历史信息决定，而是受到传感器1#的影响较大，且与传感器1#位置的振动信息发生了耦合；与齿轮断齿状态相似，当时延
‑
20≤τ≤100时，vmte
1#
→
2#
和vmte
2#
→
1#
迅速趋于稳定，分别稳定在0.6和0.4左右。
[0147]
如图10所示，与齿轮磨损故障类似，齿轮齿面点蚀故障的振动特征和频谱特征比较复杂，因此，齿面点蚀故障vmte的与上述三种情况略有不同。具体来说，齿面点蚀故障的vmte在时延0≤τ≤100时，呈先升高再下降的趋势，vmte
1#
→
2#
和vmte
2#
→
1#
分别在τ＝33和τ＝27时取得最大值0.15和0.18，在τ＞20后，并未像上述三种情况的vmte那样稳定在某一值附近，而是继续下降。齿轮断齿磨损耦合故障和齿轮点蚀磨损耦合故障的vmte分析结果如图3所示，可以看出两种情况的vmte随时延τ的变化趋势较为接近。
[0148]
从图10可以看出，不同齿轮故障计算得到的vmte差异较大，这说明vmte可以很好地分析出齿轮箱故障信号流向和耦合关系。不同齿轮故障计算得到的vmte差异较大。六种状态的齿轮振动信号的vmte
max
大小关系是：
[0149]
vmte
max
(磨损)＞vmte
max
(断齿磨损耦合)＞vmte
max
(点蚀磨损耦合)＞vmte
max
(断齿)＞vmte
max
(点蚀)＞vmte
max
(无故障)
[0150]
齿轮磨损、断齿磨损耦合、点蚀磨损耦合和断齿故障得到的vmte相对较大，点蚀故障相对较小，证明了vmte可以实现齿轮不同故障的区分。
[0151]
s604，取各故障状态y方向信号经vmd技术分解后的所有imf分量，分别计算各故障状态下传感器1#与传感器2#信息之间的传递熵所得计算结果分别如图11所示。通过计算传递熵可以有效得到不同状态下齿轮箱故障振动信号和能力的流向和大小的关系，以及不同状态下齿轮箱故障振动信号在不同时间、在不同耦合方向上、不同频段间的耦合特征。
[0152]
具体的，无故障状态齿轮箱故障te
imfs
→
imfs
分析结果如图11(a)所示，此时，齿轮为健康状态。如图11(a)所示，前三个分量，没有能量的和信息的传递，仅在第四个imf分量，即含噪声比较多的低频分量处出现了信息的传递，而对不同频段信息传递较少。齿轮断齿故障的te
imfs
→
imfs
如图11(b)所示，此时，齿轮发生了断齿故障。如图11(b)所示，在前两个高频imf分量中，信息传递流向明显，耦合程度较高，te
imf1
→
imf1
和te
imf2
→
imf2
幅值分别为0.36和0.49，第四个imf分量中依然发生了信息传递，此时依然有强噪声和内部复杂激励的存在。齿轮磨损故障te
imfs
→
imfs
如图11(c)所示，te
imf1
→
imf1
和te
imf2
→
imf2
幅值分别高达为1.22和1.6。齿面点蚀故障信号的特征与齿轮断齿和磨损不同，如图11(d)所示，信息的传递集中在中高频段，且中频分量信号传递明显高于高频分量，te
imf1
→
imf1
、te
imf2
→
imf2
和te
imf3
→
imf3
幅值分别为0.21、0.11和0.39。当齿轮箱发生齿轮断齿和磨损耦合故障时振动信号的成分特征则更
为复杂，因此信息的流向、传递特性和耦合特征则更为复杂，如图11(e)和图11(f)所示，两传感器振动信号的和均发生了信号耦合，相对无故障振动信号的传递上，有故障信号的在频谱结构上明显更为复杂，传递过程更为明显，信号耦合性更强。
[0153]
本发明实施例提供的旋转机械系统损伤检测方法还可以实现齿轮箱全生命周期状态检测。
[0154]
示例性的，具体过程可以包括：
[0155]
智能维护系统(intranet management system，ims)进行了滚动轴承退化实验，实验同时对4个滚动轴承同时进行模拟退化实验。轴的转速为2000转/分，并通过弹簧机构向轴和轴承施加6000磅的径向载荷。振动信号的采样频率为20khz，每20分钟采样一次，共采集2156个样本，每个样本包含采样点数为20480。实验在传动设备关键位置安装了8个传感器，同步采集x和y方向的振动加速度信号，轴承全寿命实验总计用时35天左右，在其中滚动轴承经历了故障从无到有，从微小裂纹故障，小故障，中度故障，严重故障等阶段。
[0156]
s701，在轴承1和轴承2的敏感测点位置分别布置传感器7#和传感器8#，同步采集x，y方向的振动加速度信号，并将y方向的振动加速度信号作为待处理数据。
[0157]
s702，分别对传感器7#和传感器8#采集的y方向信号的振动加速度信号组成的时间序列分别进行vmd分解，去除外界传动激励和噪声，保留敏感特征分量进行进一步分析，实现对信号的降噪，即利用vmd对信号分解，去除外界传动激励和噪声，保留敏感特征分量。
[0158]
s703，分析7#传感器与8#传感器所采集的数据，分别取经vmd分解得到的前三个imf分量(即imf1、imf2、imf3)，将两传感器的数据分别求和叠加，作为待处理数据，分别进行多尺度时延传递熵分析，计算传感器7#与传感器8#之间信息的传递熵即计算传感器7#与传感器8#之间信息的传递熵。
[0159]
s704，对传感器7#与传感器8#之间信息的传递熵做四阶统计量处理，得到vmtes损伤评价指标，并对不同状态的vmtes损伤指标进行标准归一化。
[0160]
对滚动轴承全寿命周期监测数据进行vmtes分析，得到轴承损伤评价指标随时间变化的曲线，如图12所示，轴承在25天前运行较为平稳，vmtes稳定在0.17左右，说明此时未发生故障，当实验进行第27天左右，vmtes突然升高至0.45，说明轴承状态发生了动力学突变，发生了早期故障，在此之后，故障进一步发展，vmtes出现了剧烈的上下起伏，在29天vmtes达到最大值，此时故障已非常严重。
[0161]
本发明实施例提供的技术方案具有如下有益效果：
[0162]
第一，vmtes是一种用于定位和量化非线性旋转机械系统结构的故障的通用方法，建立了可视化的旋转机械系统的损伤云图。使用多通道振动信号，从测点与测点、频段与频段之间的信息流传递和耦合特征等多个角度对机械系统的结构健康状态进行全面分析，通过旋转机械系统非线性信号的历史与未来的传递与耦合特征，准确地评估系统动力学行为的微弱突变和状态变化。
[0163]
第二，基于传递熵方法通过结合系统信号之间的传递特性和耦合特征来表征齿轮传动系统的状态，可以全面准确的评估旋转机械系统的状态，同时具有噪声鲁棒性的优点。
[0164]
第三，基于vmtes的损伤评价指标可以精确地描述测点位置的损伤大小和方向，将
齿轮箱不同测点位置的损伤幅值进行离散化处理，可以得到旋转机械系统的损伤云图，解决了精确度量机械系统的微小能量传递变化，进而准确评估系统动力学行为的突变和状态评估的问题，可以方便直观地对故障的位置和大小就行精确评估，能有效地检测出多种工况下的齿轮和滚动轴承故障，同时可以准确地刻画了滚动轴承早期微弱故障从无到有，从小到大的整个演化发展历程，可以对进行非线性旋转机械系统状态识别和故障检测的提供可靠依据。
[0165]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0166]
对应于如上实施例的旋转机械系统的损伤检方法，本发明实施例还提供一种旋转机械系统的损伤检测装置，和如上实施例的旋转机械系统损伤检测方法具有相同的有益效果。参见图13，旋转机械系统的损伤检测装置10，可以包括获取模块110、预处理模块120和损伤检测模块130；
[0167]
获取模块110，用于获取多个传感器分别采集的振动信号；其中，多个传感器分别设置在旋转机械系统的多个敏感位置；
[0168]
预处理模块120，用于基于vmd方法，对多个传感器分别采集的振动信号进行预处理得到多个传感器分别对应的信号分量集；
[0169]
损伤检测模块130，用于根据多个传感器分别对应的信号分量集确定旋转机械系统的vmtes损伤评价指标，并根据旋转机械系统的vmtes损伤评价指标对旋转机械系统进行损伤检测。
[0170]
在一些实施例中，预处理模块包括分解单元和分量集确定单元；
[0171]
分解单元，用于针对每个传感器，对该传感器采集的振动信号进行vmd分解得到该传感器对应的单分量调幅调频信号，并根据该传感器对应的单分量调幅调频信号确定该传感器对应的vmd约束变分模型；
[0172]
分量集确定单元，用于针对每个传感器，基于迭代搜寻法确定该传感器对应的vmd约束变分模型的最优解，并根据该传感器对应的vmd约束变分模型的最优解确定该传感器对应的信号分量集。
[0173]
其中，上述模块或单元的具体作用或功能可以参照上述方法实施例中的具体描述，在此不再赘述。
[0174]
图14是本发明一实施例提供的终端的示意图。如图14所示，该实施例的终端20包括：处理器201、存储器202以及存储在存储器202中并可在处理器201上运行的计算机程序203。处理器201执行计算机程序203时实现上述各个旋转机械系统损伤检测方法实施例中的步骤，例如图1所示的s101至s103。或者，处理器201执行计算机程序203时实现上述各装置实施例中各模块/单元的功能，例如图13所示模块110至130的功能。
[0175]
示例性的，计算机程序203可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器202中，并由处理器201执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序203在终端20中的执行过程。例如，计算机程序203可以被分割成获取模块110、预处理模块120和损伤检测模块130。
[0176]
终端20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括，但不仅限于，处理器201、存储器202。本领域技术人员可以理解，图4仅仅是终端20的示例，并不构成对终端20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。
[0177]
所称处理器201可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0178]
存储器202可以是终端20的内部存储单元，例如终端20的硬盘或内存。存储器202也可以是终端20的外部存储设备，例如终端20上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器202还可以既包括终端20的内部存储单元也包括外部存储设备。存储器202用于存储计算机程序以及终端所需的其他程序和数据。存储器202还可以用于暂时地存储已经输出或者将要输出的数据。
[0179]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0180]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0181]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0182]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0183]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络
单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0184]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0185]
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0186]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。