洗煤廠機械設備健康模式庫的建立

王晴晴，肖湘萍，馬萬敏

（1.貴州師范學院數學與計算機科學學院，貴州 貴陽550018；2.青島市開發(fā)區(qū)農機監(jiān)理管理站，山東 青島266555）

0 引 言

希爾伯特黃變換 （Hilbert－Huang transform，HHT）在處理信號時能夠比較理想地分解出原信號的頻率成分，受到了廣大學者的青睞[1]。HHT變換處理信號的基本過程分為兩部分：經驗模態(tài)分解 （empirical mode decomposition，EMD）和Hilbert譜分析。首先利用EMD方法將給定的信號分解為若干個內稟模態(tài)函數，然后再將譜分析作用在每個IMF上，得到Hilbert譜。在本文中，根據研究內容的需要只分析經驗模態(tài)分解方法。復雜的振動信號數據很難清晰地反映設備運行狀況，設備在同一狀態(tài)下的特征向量數據有一定的相似性，因此判斷設備處在正常狀態(tài)或是處在故障狀態(tài)，可以轉化成比較設備的特征向量。采集到設備不同工作狀態(tài)清晰的特征向量，并建立起健康模式庫，可為工作人員的判斷提供更方便的依據。

1 EMD變換方法的實現

HHT為了獲得具有實際物理意義的瞬時頻率，引入基于信號局部時間特性的IMF[2，3]。它主要由兩部分組成：EMD和Hilbert變換。EMD是一種依據數據自身的時間尺度特征來進行信號分解且無須預先設定任何基函數的信號分析方法。適合于分析非線性、非平穩(wěn)信號序列，具有很高的信噪比。該方法的關鍵是經驗模式分解，它能使復雜信號分解為有限個本征模函數 （intrinsic model function，IMF），所分解出來的各IMF分量包含了原信號的不同時間尺度的局部特征信號。

Huang等人提出了通過限制標準差S的大小來確定，如下式所示：

EMD分解的過程可以描述如下：

確定信號x（t）所有的局部極值點，然后用三次樣條線將所有的局部極大值點連接起來形成上包絡線u（t）；

用同樣的方法，把所有極小值點連接起來形成下包絡線v（t）。

上下包絡線的平均曲線為m（t），求出h1。

理論上，如果h1是一個IMF，那么h1就是x（t）的第一個IMF分量。

如果h1不滿足IMF的條件，用h1代替x（t），重復步驟 （1）～ （3），重復K次，直到得到滿足IMF條件的h1k。記c1＝h1k，則c1為信號x（t）的第一個滿足IMF條件的分量。

對剩余的信號r1（t）繼續(xù)進行EMD分解，得到的剩余部分為單調信號或者其值小于預先給定的值時，分解便可終止。最終將分解得到所有的IMF分量及余量。

原始的信號可以表示為所有的IMF分量及余量之和。

其中rn（t）稱為殘余函數，代表信號的平均趨勢。

EMD方法從特征時間角度出發(fā)，首先把信號中特征時間尺度最小的模態(tài)分離出來，然后分離特征時間尺度大的模態(tài)函數，最后分離特征時間尺度更大的分量。

2 算法模型

本文主要目的是對振動信號進行分析處理，方便指導工作人員進行設備監(jiān)控，及時發(fā)現設備故障，及時診治。在筆者參與的項目中已經提取出了振動信息，為下一步的工作提供了數據來源。算法的步驟可以描述如下：

1）對采集的振動信號進行預處理，抑制噪聲，提高信噪比；

2）利用EMD方法把健康狀態(tài)下和非健康狀態(tài)下的振動信號分解成從高頻到低頻的分量；

3）利用EMD對總能量E進行頻率域能量的自動劃分，即分別計算出高頻到低頻分量的能量；

4）比較健康狀態(tài)下和非健康狀態(tài)下的特征向量的不同，當儲存了大量的數據后，可以通過對比特征向量的不同，判斷設備的狀態(tài)；

5）當設備運行了一定時間，經歷了各種狀態(tài)后，儲備了大量的各種狀態(tài)下的特征向量，把收集的特征向量當做訓練樣本，利用支持向量機進行訓練分類；

6）當設備再次發(fā)生特定的故障后，利用支持向量機分類機就可以順利地識別出設備的故障狀態(tài)，智能化指導工作人員對設備進行維修。

接下來的內容，主要圍繞以上步驟展開相關的工作。

3 基于EMD的洗煤廠機械設備特征參數提取和分析[4－9]

3.1 振動信號數據準備

根據實際情況，選擇設備89A矸石篩作為這次振動信號采集的設備，以此為例作為分析對象。它位于主洗車間的主廠房3層。采集的信號為振動加速度信號，采樣頻率為1 024Hz。其原始信號分布特點如圖1所示。

對振動信號進行EMD分解，分解結果從圖2可以看出，從IMF1到IMF6頻率逐次降低。每個IMF分量代表了不同的頻率成分。

圖1 原始的振動信號

圖2 原始信號與EMD分解結果

3.2 振動信號數據預處理

由于原始的信號中包含多種噪聲，會給分析帶來很大的影響。為了準確識別波形、分析故障，必須抑制噪聲，提高信噪比。本文選用EMD方法對振動信號進行預處理，將EMD分解出的各層IMF分為噪聲起主導作用層和有用信號起主導作用層，去掉噪聲信號成分起主導作用層，重構信號。

圖3 重建后的信號

圖4 重建后信號的IMF分解

3.3 利用EMD方法提取振動信號特征向量及數值分析

利用EMD方法對振動信號x（t）進行分解后得到各IMF分量，各分量分別為C1，C2…，Cn和一個殘余分量rn（t）。各IMF分量的能量分別為E1，E2，…En，這里各個分量的能量就是要提取的特征向量，n個IMF分量的能量總和就等于原始信號的總能量。利用EMD做到了對總能量E的一種頻率域能量自動劃分[3]。

經EMD分解后的各內稟模態(tài)函數代表了一種特征尺度下的平穩(wěn)信號，各頻帶能量的變換就能反映出設備振動情況的變化，分析出設備運行的狀況。

特征向量提取步驟：

利用EMD對原始振動信號進行分解，選取包含主要信息的前n個IMF分量。

求每個IMF分量的能量Ei。

對Ei進行歸一化處理：

當89A矸石篩設備在健康狀態(tài)下運行時，對采集到的振動信號進行處理，EMD分解如圖5所示：

圖5 健康狀態(tài)下振動信號的EMD分解結果

圖6 非健康狀態(tài)下振動信號的EMD分解結果

當89A矸石篩處于非健康狀態(tài)時，對采集到的數據進行處理，EMD分解如圖6所示：

比較兩種情況下分解得到的EMD圖，可以發(fā)現，健康狀態(tài)下分解得到的IMF6和非健康狀態(tài)下得到的IMF6明顯不同。因此可以通過分析EMD分解結果來判斷設備的運行狀態(tài)。

健康狀態(tài)下和非健康狀態(tài)下的特征向量結果如表1所示。從表中可以看出，健康狀態(tài)下IMF5～IMF6的能量分布較高，而非健康狀態(tài)下IMF5～IMF6的能量分布較小。

從IMF1～IMF6，頻率是逐漸降低的，即IMF1反應的是高頻模態(tài)，而IMF6反應的是低頻模態(tài)。

觀察在非健康狀態(tài)下采集的原始振動信號數據發(fā)現，大概每隔10個采樣點，所采的數據較健康狀態(tài)下采集的數據大小對比有2～3倍的變化。IMF5～IMF6結果正好對應著原始數據所反應的情況。說明使用EMD對振動信號進行分析是合理的、科學的。能更方便、快速地了解振動信號信息，及時掌握設備的運行狀況，為實時監(jiān)控提供了可行的依據。

表1 各層分解的特征向量

4 結 論

利用EMD方法提出了振動信號的特征向量，并比較了健康和非健康狀態(tài)下的特征向量值，從特征向量值中可以看出兩種狀態(tài)下的不同結果。說明利用EMD對洗煤廠的振動信號進行分析是合理的、科學的、有效的，可依此建立設備的健康模式庫。

[1]張學工.關于統(tǒng)計學習理論與支持向量機[J].自動化學報，2000，26（01）：32－42.

[2]程軍圣，于德介，楊宇.基于內稟模態(tài)奇異值分界和支持向量機的故障診斷方法[J].自動化學報，2006，32（03）：475－480.

[3]謝芳芳，章兢，鄭劍.基于支持向量機故障診斷方法[J].傳感器世界，2006，12（04）：42－44.

[4]Ussivakual N，Kijsirikul B.Multi－class support vector machines using adaptive directed acyclicgraph[A].IEEE／INNS＇Int Joint Conf Neural Networks[C].IEEE，（IJCNN－2002），2002.

[5]馬笑瀟，黃席樾，柴毅.基于SVM的二叉樹分類算法及其在故障診斷中的應用[J].控制與決策，2003，18（03）：272－273.

[6]Vapnik V.The Nature of statistical learning theory[M].New York：Springer，1995.

[7]Adankon M M，Cheriet M.New Formulation of SVM for Model Selection[A]IEEE／IJCNN’Int Joint Conf[C].IEEE，2006：1900－1907.

[8]周建國.大型鼓風機的振動分析與診斷[J].風機技術，1990，（04）：43－46.

[9]郭小薈，馬小平.基于粗糙集－神經網絡集成的故障診斷控制工程[J].控制工程，2007，14（01）：53－57.