高维变量下电机状态监测方法及系统与流程

1.本发明属于电机智能运维技术领域，尤其涉及一种高维变量下电机状态监测方法及系统。


背景技术：

2.电机作为工业设备的主要驱动机械，广泛应用于各行各业，其能否正常运转对生产设备和系统的运行效率、稳定性和可靠性起直接的决定作用。电机发生异常故障会损害电机本身、影响机电传动系统工作和危及人身安全，造成巨大的经济损失和社会影响。因此，电机运行状态的监测对保证生产过程的可靠性和安全高效具有重要意义。
3.早期的电机状态监测方法主要依赖工作人员的经验判断，但是该类方法对检测人员具有严格的高要求，且效率较低、及时性较差。随着大数据的时代化发展，传统的电机状态监测方法已经不足以满足其高安全性和高可靠性服役的重大需求。因此，开发准确有效的电机状态监测方法以及时诊断电机故障是目前电机智能运维面临的主要挑战之一。
4.振动信号作为电机状态的外在体现，其包含丰富的设备状态信息，基于振动信号的分析方法被广泛应用于电机状态监测。该方法信号特征明显，能够实时反映电机运行状态，避免传统方法过度依赖先验知识和工程经验的不足。但是，传统的振动信号监测方法通过采集单一通道的振动数据进行分析，信息的涵盖和可信度不足，容易因为传感器故障、偶然误差等因素导致错误的诊断结果。随着计算机和传感器技术的飞速发展，多通道振动信号能够涵盖更完整、更丰富的设备状态信息，且能够规避单通道误差引起的误判风险。因此，基于多通道振动信号的电机状态监测方法具有重要的工程应用价值。
5.在强噪声背景下从电机高维变量信号中提取出真实的状态信息和故障特征是基于多通道振动信号的电机状态监测方法的核心问题。目前的高维变量信号处理方法主要包括多元经验模态分解、多变量变分模式分解、多元快速迭代滤波等。其中，多变量变分模式分解是一种自适应信号分解方法，以维纳滤波、希尔伯特变换、频率混合等清晰的数学理论为基础，旨在通过非递归筛选分解出所有模式成分。但是其分解效果受到超参数的影响，需要一定的先验知识作为前提条件。另外在高维变量信号处理中还存在一个不可避免的问题，即分解高维变量信号得到的故障模式成分中包含的故障信息质量良莠不齐，不利于直接有效的故障诊断。因此，基于多变量变分模式分解思想，探究高维变量下无需先验知识的信号自动分解及高维特征提取方法具有很大的必要性。


技术实现要素：

6.为此，本发明所要解决的技术问题在于克服现有技术存在的电机多通道振动信号分析中多变量变分模式分解需要预设参数和电机高维故障成分中信息质量不均的问题，提出一种高维变量下电机状态监测方法及系统。
7.为解决上述技术问题，本发明提供一种高维变量下电机状态监测方法，包括如下步骤：
s1：基于采集的电机高维振动信号构建高维电机信号模式频率搜寻模型，根据高维电机信号模式频率搜寻模型在电机高维振动信号的整个分析频谱范围内确定模式频率；s2：设计模式频率驱动的高维变量单步分解准则，根据高维变量单步分解准则对搜寻到的所有模式频率执行高维变量单步分解操作，得到与模式频率相对应的高维模式成分；s3：建立电机高维故障特征提取机制，利用所述电机高维故障特征提取机制在所有高维模式成分中提取高维故障成分，并对高维故障成分进行流形融合，得到故障特征的流形结构，实现对电机状态的监测。
8.在本发明的一个实施例中，在s1中，根据高维电机信号模式频率搜寻模型在电机高维振动信号的整个分析频谱范围内确定模式频率的方法包括：s1.1：采集关于时间变量t的c维电机高维振动信号，其中下标c表示维度序号；s1.2：基于所述c维电机高维振动信号构建关于迭代次数为0的第i个起始模式频率的模式频率搜寻函数为：式中，为在傅里叶域的变换形式，为频率参数；s1.3：当起始模式频率时，自动更新下一个起始模式频率并计算出对应的模式频率搜寻函数的值，其中，为信号采样频率，更新起始模式频率的公式为：式中，为频率分辨率；s1.4：计算出电机高维振动信号分析频谱范围内所有起始模式频率对应的模式频率搜寻函数的值，确定其值从正变为负的第k个频率点为目标模式频率，得到所有的目标模式频率。
9.在本发明的一个实施例中，在s2中，根据高维变量单步分解准则对搜寻到的所有模式频率执行高维变量单步分解操作的方法包括：s2.1：构建高维变量单步分解模型为：
式中，为第c维第k个模式成分在傅里叶域的变换形式，k为高维模式成分总数目；s2.2：将所有模式频率输入到高维变量单步分解模型中，计算得到所有模式成分在傅里叶域的变换形式；s2.3：对进行快速傅里叶逆变换，得到所有高维模式成分的时域表示。
10.在本发明的一个实施例中，在s3中，利用所述电机高维故障特征提取机制在所有高维模式成分中提取高维故障成分，并对高维故障成分进行流形融合的方法包括：s3.1：根据高维故障系数均值在所有高维模式成分中定位出一组高维故障成分；s3.2：对高维故障成分执行局部切空间排列算法进行流形融合，得到故障特征的流形结构。
11.在本发明的一个实施例中，在s3.1中，根据高维故障系数均值在所有模式成分中定位出一组高维故障成分的方法包括：s3.1.1：计算模式成分的自相关函数为：式中，为希尔伯特变换后的时间序列，为时间滞后量；s3.1.2：基于自相关函数建立模式成分的高维故障系数为：式中，表示达到局部最大值时的时间滞后量，表示包络信号的总
能量；s3.1.3：根据高维故障系数计算第k组模式成分的高维故障系数均值为：式中，c表示维度总数；s3.1.4：根据最大值选取对应的高维模式成分作为高维故障成分数据集，其中n为数据长度。
12.在本发明的一个实施例中，在s3.2中，对高维故障成分执行局部切空间排列算法进行流形融合的方法包括：s3.2.1：确定高维故障成分数据集中第i个c维数据样本的m个近邻点，其中；s3.2.2：计算的前d个最大的右奇异向量作为构成的d维切空间正交基向量，其中，为的均值，为m维的单位向量；s3.2.3：计算对齐矩阵：式中，为第i个c维数据样本的0-1对齐矩阵，为第i个c维数据样本的系数矩阵，为矩阵转置；s3.2.4：计算对齐矩阵的第2个最小特征值对应的特征向量，作为高维故障特征的流形输出；s3.2.5：计算在范围所有m对应的流形输出的排列熵，选择最小排列熵值对应的流形输出作为最终的流形结构，其中，排列熵的计算公式为：式中，为重构的第i个排列的概率分布。
13.此外，本发明还提供一种高维变量下电机状态监测系统，包括：
模式频率确定模块，所述模式频率确定模块用于基于采集的电机高维振动信号构建高维电机信号模式频率搜寻模型，根据高维电机信号模式频率搜寻模型在电机高维振动信号的整个分析频谱范围内确定模式频率；高维变量分解模块，所述高维变量分解模块用于设计模式频率驱动的高维变量单步分解准则，根据高维变量单步分解准则对搜寻到的所有模式频率执行高维变量单步分解操作，得到与模式频率相对应的高维模式成分；故障监测模块，所述故障监测模块用于建立电机高维故障特征提取机制，利用所述电机高维故障特征提取机制在所有高维模式成分中提取高维故障成分，并对高维故障成分进行流形融合，得到故障特征的流形结构，实现对电机状态的监测。
14.在本发明的一个实施例中，所述模式频率确定模块用于：采集关于时间变量t的c维电机高维振动信号，其中下标c表示维度序号；基于所述c维电机高维振动信号构建关于迭代次数为0的第i个起始模式频率的模式频率搜寻函数为：式中，为在傅里叶域的变换形式，为频率参数；当起始模式频率时，自动更新下一个起始模式频率并计算出对应的模式频率搜寻函数的值，其中，为信号采样频率，更新起始模式频率的公式为：式中，为频率分辨率；计算出电机高维振动信号分析频谱范围内所有起始模式频率对应的模式频率搜寻函数的值，确定其值从正变为负的第k个频率点为目标模式频率，得到所有的目标模式频率。
15.在本发明的一个实施例中，所述高维变量分解模块用于：构建高维变量单步分解模型为：
式中，为第c维第k个模式成分在傅里叶域的变换形式，k为高维模式成分总数目；将所有模式频率输入到高维变量单步分解模型中，计算得到所有模式成分在傅里叶域的变换形式；对进行快速傅里叶逆变换，得到所有高维模式成分的时域表示。
16.在本发明的一个实施例中，所述故障监测模块用于：根据高维故障系数均值在所有高维模式成分中定位出一组高维故障成分；对高维故障成分执行局部切空间排列算法进行流形融合，得到故障特征的流形结构。
17.本发明的上述技术方案相比现有技术具有以下优点：（1）、本发明构建的高维电机信号模式频率搜寻模型能够在无需先验知识的条件下自动得到所有模式频率，克服了传统多变量变分模型人为预设参数的局限性；（2）、本发明设计的模式频率驱动的高维变量单步分解准则无需多次迭代，仅通过一次计算即可得到所有高维模式成分，大大提升了分解效率；（3）、本发明建立的电机高维故障特征提取机制克服了不同维度上故障信息质量差异问题，提取出真实的故障特征，有效提升了电机故障诊断与状态监测的准确性。
附图说明
18.为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
19.图1为本发明实施例所提出的一种高维变量下电机状态监测方法的流程示意图。
20.图2为采集的电机高维通道振动信号中第1、第5和第10信道信号的时域波形图。
21.图3为采集的电机高维通道振动信号中第1、第5和第10信道信号的包络谱图。
22.图4为高维电机信号模式频率搜寻模型的搜寻结果。
23.图5为根据模式频率驱动的高维变量单步分解准则得到的第1、第5和第10信道的模式成分。
24.图6为不同高维模式成分的高维故障系数均值结果。
25.图7为提取的高维故障特征流形结构，其中，（a）为时域波形图，（b）为频谱图，（c）为包络谱图。
具体实施方式
26.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
27.请参考图1所示，本发明实施例提供的一种高维变量下电机状态监测方法，包括如下步骤：s1：基于采集的电机高维振动信号构建高维电机信号模式频率搜寻模型，根据高维电机信号模式频率搜寻模型在电机高维振动信号的整个分析频谱范围内确定模式频率；s2：设计模式频率驱动的高维变量单步分解准则，根据高维变量单步分解准则对搜寻到的所有模式频率执行高维变量单步分解操作，得到与模式频率相对应的高维模式成分；s3：建立电机高维故障特征提取机制，利用所述电机高维故障特征提取机制在所有高维模式成分中提取高维故障成分，并对高维故障成分进行流形融合，得到故障特征的流形结构，实现对电机状态的监测。
28.本发明巧妙地构建了高维电机信号模式频率搜寻模型，根据高维电机信号模式频率搜寻模型在电机高维振动信号的整个分析频谱范围内自动确定高维振动信号中所有潜在模式成分的模式频率；进而，设计了模式频率驱动的高维变量单步分解准则，基于搜寻到的所有模式频率，仅需一次计算即可分解出与模式频率相对应的所有高维模式成分；进一步的，建立了电机高维故障特征提取机制，在分解得到的所有高维模式成分中根据高维故障系数均值对高维电机故障成分进行准确定位，并通过局部切空间排列算法对高维电机故障成分进行融合，得到故障特征的流形结构，实现对电机状态的有效监测。
29.具体地，在s1中，根据高维电机信号模式频率搜寻模型在电机高维振动信号的整个分析频谱范围内确定模式频率的方法包括：s1.1：采集关于时间变量t的c维电机高维振动信号，其中下标c表示维度序号，作为示例地，采集的电机高维通道振动信号中第1、第5和第10信道信号的时域波形图和包络谱图如图2和图3所示，不同信道中电机状态信息被不同程度的噪声干扰，无法直接识别状态特征；s1.2：基于所述c维电机高维振动信号构建关于迭代次数为0的第i个起始模式频率的模式频率搜寻函数为：式中，为在傅里叶域的变换形式，为频率参数；
s1.3：当起始模式频率时，自动更新下一个起始模式频率并计算出对应的模式频率搜寻函数的值，其中，为信号采样频率，更新起始模式频率的公式为：式中，为频率分辨率；s1.4：计算出电机高维振动信号分析频谱范围内所有起始模式频率对应的模式频率搜寻函数的值，确定其值从正变为负的第k个频率点为目标模式频率，得到所有的目标模式频率，作为示例地，高维电机信号模式频率搜寻模型的搜寻结果如图4所示。
30.具体地，在s2中，根据高维变量单步分解准则对搜寻到的所有模式频率执行高维变量单步分解操作的方法包括：s2.1：构建高维变量单步分解模型为：式中，为第c维第k个模式成分在傅里叶域的变换形式，k为高维模式成分总数目；s2.2：将所有模式频率输入到高维变量单步分解模型中，计算得到所有模式成分在傅里叶域的变换形式；s2.3：对进行快速傅里叶逆变换，得到所有高维模式成分的时域表示，作为示例地，模式频率驱动的高维变量单步分解准则得到的第1、第5和第10信道的模式成分如图5所示。
31.具体地，在s3中，利用所述电机高维故障特征提取机制在所有高维模式成分中提
取高维故障成分，并对高维故障成分进行流形融合，得到故障特征的流形结构的方法包括：s3.1：根据高维故障系数均值在所有高维模式成分中定位出一组高维故障成分，作为示例地，不同高维模式成分的高维故障系数均值结果如图6所示；s3.2：对高维故障成分执行局部切空间排列算法进行流形融合，得到故障特征的流形结构。作为示例地，提取的高维故障特征流形结构如图7所示。
32.具体地，在s3.1中，根据高维故障系数均值在所有模式成分中定位出一组高维故障成分的方法包括：s3.1.1：计算模式成分的自相关函数为：式中，为希尔伯特变换后的时间序列，为时间滞后量；s3.1.2：基于自相关函数建立模式成分的高维故障系数为：式中，表示达到局部最大值时的时间滞后量，表示包络信号的总能量；s3.1.3：根据高维故障系数计算第k组模式成分的高维故障系数均值为：式中，c表示维度总数；s3.1.4：根据最大值选取对应的高维模式成分作为高维故障成分数据集，其中n为数据长度。
33.具体地，在s3.2中，对高维故障成分执行局部切空间排列算法进行流形融合的方法包括：s3.2.1：确定高维故障成分数据集中第i个c维数据样本的m个近邻点，其中；s3.2.2：计算的前d个最大的右奇异向量作为构成的d维切空间正交基向量，其中，为的均值，为m维的单位向量；
s3.2.3：计算对齐矩阵：式中，为第i个c维数据样本的0-1对齐矩阵，为第i个c维数据样本的系数矩阵，为矩阵转置；s3.2.4：计算对齐矩阵的第2个最小特征值对应的特征向量，作为高维故障特征的流形输出；s3.2.5：计算在范围所有m对应的流形输出的排列熵，选择最小排列熵值对应的流形输出作为最终的流形结构，其中，排列熵的计算公式为：式中，为重构的第i个排列的概率分布。
34.本发明构建的高维电机信号模式频率搜寻模型能够在无需先验知识的条件下自动得到所有模式频率，克服了传统多变量变分模型人为预设参数的局限性。
35.本发明设计的模式频率驱动的高维变量单步分解准则无需多次迭代，仅通过一次计算即可得到所有高维模式成分，大大提升了分解效率。
36.本发明建立的电机高维故障特征提取机制克服了不同维度上故障信息质量差异问题，提取出真实的故障特征，有效提升了电机故障诊断与状态监测的准确性。
37.下面对本发明实施例公开的一种高维变量下电机状态监测系统进行介绍，下文描述的一种高维变量下电机状态监测系统与上文描述的一种高维变量下电机状态监测方法可相互对应参照。
38.本发明实施例还提供一种高维变量下电机状态监测系统，包括：模式频率确定模块，所述模式频率确定模块用于基于采集的电机高维振动信号构建高维电机信号模式频率搜寻模型，根据高维电机信号模式频率搜寻模型在电机高维振动信号的整个分析频谱范围内确定模式频率；高维变量分解模块，所述高维变量分解模块用于设计模式频率驱动的高维变量单步分解准则，根据高维变量单步分解准则对搜寻到的所有模式频率执行高维变量单步分解操作，得到与模式频率相对应的高维模式成分；故障监测模块，所述故障监测模块用于建立电机高维故障特征提取机制，利用所述电机高维故障特征提取机制在所有高维模式成分中提取高维故障成分，并对高维故障成分进行流形融合，得到故障特征的流形结构，实现对电机状态的监测。
39.在本发明的一个实施例中，所述模式频率确定模块用于：采集关于时间变量t的c维电机高维振动信号，其中下标c表示维度序号；基于所述c维电机高维振动信号构建关于迭代次数为0的第i个起始模式频率的模式频率搜寻函数为：式中，为在傅里叶域的变换形式，为频率参数；当起始模式频率时，自动更新下一个起始模式频率并计算出对应的模式频率搜寻函数的值，其中，为信号采样频率，更新起始模式频率的公式为：式中，为频率分辨率；计算出电机高维振动信号分析频谱范围内所有起始模式频率对应的模式频率搜寻函数的值，确定其值从正变为负的第k个频率点为目标模式频率，得到所有的目标模式频率。
40.在本发明的一个实施例中，所述高维变量分解模块用于：构建高维变量单步分解模型为：式中，为第c维第k个模式成分在傅里叶域的变换形式，k为高维模式成分总数目；将所有模式频率输入到高维变量单步分解模型中，计算得到所有模式成分在
傅里叶域的变换形式；对进行快速傅里叶逆变换，得到所有高维模式成分的时域表示。
41.在本发明的一个实施例中，所述故障监测模块用于：根据高维故障系数均值在所有高维模式成分中定位出一组高维故障成分；对高维故障成分执行局部切空间排列算法进行流形融合，得到故障特征的流形结构。
42.本实施例的高维变量下电机状态监测系统用于实现前述的高维变量下电机状态监测方法，因此该系统的具体实施方式可见前文中的高维变量下电机状态监测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
43.另外，由于本实施例的高维变量下电机状态监测系统用于实现前述的高维变量下电机状态监测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
44.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
45.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
46.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
47.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
48.显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。