Nothing Special   »   [go: up one dir, main page]

CN111289800A - 一种基于广义回归神经网络的小电阻振动监测方法 - Google Patents

一种基于广义回归神经网络的小电阻振动监测方法 Download PDF

Info

Publication number
CN111289800A
CN111289800A CN202010147768.7A CN202010147768A CN111289800A CN 111289800 A CN111289800 A CN 111289800A CN 202010147768 A CN202010147768 A CN 202010147768A CN 111289800 A CN111289800 A CN 111289800A
Authority
CN
China
Prior art keywords
vibration
signal
small
neural network
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010147768.7A
Other languages
English (en)
Other versions
CN111289800B (zh
Inventor
叶远波
陈实
王吉文
贾雅君
谢民
王同文
汪胜和
程小平
王薇
项忠华
陈晓东
魏立新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Junshi Electrical Technology Co ltd
State Grid Anhui Electric Power Co Ltd
Siyuan Electric Co Ltd
Original Assignee
Shanghai Junshi Electrical Technology Co ltd
State Grid Anhui Electric Power Co Ltd
Siyuan Electric Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Junshi Electrical Technology Co ltd, State Grid Anhui Electric Power Co Ltd, Siyuan Electric Co Ltd filed Critical Shanghai Junshi Electrical Technology Co ltd
Priority to CN202010147768.7A priority Critical patent/CN111289800B/zh
Publication of CN111289800A publication Critical patent/CN111289800A/zh
Application granted granted Critical
Publication of CN111289800B publication Critical patent/CN111289800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/08—Measuring resistance by measuring both voltage and current
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于广义回归神经网络的小电阻振动监测方法，包括：采集小电阻待监测的振动信号；对采集的振动信号进行预处理，去除干扰信号，进一步得到所述振动信号在时域和频域上的数据；根据小电阻故障的特征，采用广义回归神经网络GRNN建立小电阻故障诊断模型，采用粒子群算法与人工免疫融合算法的结合进行广义回归神经网络GRNN的训练优化，利用小电阻的运行数据训练此模型；基于所述振动信号在时域和频域上的数据和训练得到的小电阻故障诊断模型，进行振动信号特征分析，当小电阻故障诊断模型预测的振动特征与实测信号发生偏差达到一阈值时，则判断小电阻故障，进行报警。

Description

一种基于广义回归神经网络的小电阻振动监测方法
技术领域
本发明涉及小电阻技术领域，具体地说，涉及一种基于广义回归神经网络的小电阻振动监测方法，用于小电阻的故障诊断。
背景技术
振动信号作为小电阻振动法在线监测系统的研究对象，在进行仿真实验时，信号含量单一，频谱分布清晰，非常便于进行信号分析和故障判断。而实际采集到的小电阻振动信号，其复杂程度不亚于其他任何动态信号，因此，针对采集到的小电阻振动信号，采用适当的信号处理方法进行分析是非常重要的。
目前故障振动信号的分析处理方法主要有频域分辨率很高的傅里叶分析方法和诸如短时傅里叶分析、小波分析和Wigner-Vile分布等传统时频分析方法。振动信号的傅里叶谐波表示尽管在数学上是正确的，但由于表示谐波的基函数是事先给定的，这种谐波不具有明确的物理意义，不能真实准确地表征振动信号的自然特征。此外受到Heisenberg不确定原理的限制，传统时频分析方法无法同时提高时域和频域的分辨率，在分析非线性非平稳信号时都存在不足。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于广义回归神经网络的小电阻振动监测方法，对小电阻的振动信号数据在时域上和频域上做出分析和处理，为小电阻故障诊断提供理论依据。
为实现上述目的，本发明采用以下技术方案：
一种基于广义回归神经网络的小电阻振动监测方法，包括：
采集小电阻待监测的振动信号；
对采集的振动信号进行预处理，去除干扰信号，进一步得到所述振动信号在时域和频域上的数据；
根据小电阻振动的特征，通过样本获取模块和模型建立模块得到标本数据，采用广义回归神经网络GRNN通过模型建立模块建立小电阻振动诊断模型，包括：
将所述标本数据分成建模标本数据和检验标本数据；
根据所述建模标本数据，确定振动因子；
根据所述建模标本数据，确定非振动参数；
根据所述建模标本数据、所述振动因子和所述非振动参数，采用广义回归神经网络方法，建立振动计算模型；
根据所述检验标本数据，对所述振动计算模型进行验证；
采用粒子群算法与人工免疫融合算法的结合进行广义回归神经网络GRNN的训练优化，利用小电阻的运行数据训练此模型；
基于所述振动信号在时域和频域上的数据和训练得到的小电阻故障诊断模型，进行振动信号特征分析，当小电阻故障诊断模型预测的振动特征与实测信号发生偏差达到一阈值时，则判断小电阻故障，进行报警。
优选地，模型建立模块包括：
振动因子确定单元，用于根据所述建模标本数据，确定振动因子；
非振动参数确定单元，用于根据所述建模标本数据，确定非振动参数；
模型建立单元，用于根据所述建模标本数据、所述振动因子和所述非振动参数，采用广义回归神经网络方法，建立振动计算模型；
验证单元，用于根据所述检验标本数据，对所述振动计算模型进行验证。
优选地，所述广义回归神经网络GRNN在结构上由四层构成，分别为输入层、模式层、求和层和输出层。
优选地，所述粒子群算法与人工免疫融合算法结合，是指：先执行粒子群算法，得到的结果作为人工免疫融合算法的输入，最终得到最优解。
与现有技术相比，本发明具有如下的有益效果：
本发明提供的基于GRNN的小电阻振动监测方法，对小电阻产生振动的信号进行处理，从振动信号中提取的小电阻的故障特征进行监测，处理速度快，性能稳定，提高了监测的效果。
进一步的，本发明采用EEMD算法对振动信号进行分析、分解，对于EMD的模态混叠问题有不错的改善效果，对调频调幅的振动信号有着比较好的适用性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例方法的流程图；
图2为本发明一实施例电压、电流及振动信号图；
图3为本发明一实施例去除低频分量的振动信号及频谱图；
图4为本发明一实施例去除低频分量的振动信号及频谱图；
图5为本发明一实施例x(t)的仿真波形；
图6为本发明一实施例无信号延拓EEMD分解结果；
图7为本发明一实施例自适应波形延拓EEMD分解结果；
图8为本发明一实施例中仿真信号；
图9为本发明一实施例EEMD分解结果；
图10为本发明一实施例EEMD时频图；
图11为本发明一实施例粒子群算法与人工免疫融合算法结合的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示，为本发明基于GRNN的小电阻振动监测方法一实施例的流程图，其中：采集小电阻待监测的振动信号；对采集的振动信号进行预处理，去除干扰信号，进一步得到所述振动信号在时域和频域上的数据；根据小电阻故障的特征，采用广义回归神经网络GRNN建立小电阻故障诊断模型，采用粒子群算法与人工免疫融合算法的结合进行广义回归神经网络GRNN的训练优化，利用小电阻的运行数据训练此模型；基于所述振动信号在时域和频域上的数据和训练得到的小电阻故障诊断模型，进行振动信号特征分析，当小电阻故障诊断模型预测的振动特征与实测信号发生偏差达到一阈值时，则判断小电阻故障，进行报警。比如在具体实施例中，小电阻振动信号数据进行建模，判断小电阻是否处于故障状态，通过采集实时的小电阻电流电压等参数，输入小电阻故障诊断模型中，将小电阻故障诊断模型输出的100Hz振动分量与振动传感器实际采集的100Hz振动分量相对比，若二者幅值相差过大，则判断小电阻发生了故障。
另外，将EEMD算法用于上述方法的小电阻振动信号分析，作为一种新型的噪声辅助数据分析方法，利用添加白噪声，改善EMD分解存在的模态混叠问题。EEMD 算法对信号作预处理，例如消除趋势相，高频谐波滤除等，可以提高信号分解的有效性。在EEMD算法中，使用了自适应波形延拓法，可以解决了EEMD分解存在的端点效应。
为了更好的说明本发明技术方案，以下对涉及的几个重要技术特征的实现进行详细的说明。
1、广义回归神经网络(GeneralizedRegression Neural Network，GRNN)
本发明中，广义回归神经网络是径向基神经网络的一个分支，其获取数据之间关系的方法不同于插值和拟合，该神经网络能在同一结构下直接以采样或计算得来的数据对网络进行修改，不需要重新计算参数。与典型的BP网络相比，广义回归神经网络模拟效果比BP网络好，预测效果相当，且计算快、结果稳定，仅需要提供合适的散布参数，不必进行循环的训练过程，该方法比较适合有大量小电阻振动数据的预测模型。
2、粒子群算法与人工免疫融合算法的结合
本发明中，GRNN的初始化就是对训练样本的学习过程，训练样本确定，则网络结构和各神经元之间的连接权值也随之确定。GRNN的训练优化是通过改变散布常数从而调整各单元的传递函数。考虑到散布常数的分布区域通常较广，因此，若使用相关优化算法求取散布常数，可获得最佳的回归估计结果。而采用粒子群算法与人工免疫融合算法的结合具有较强的搜索能力，收敛速度快且不易陷入局部最优的特点，相较于其他算法，更适合用于散布常数最优值的搜索。
如图11所示，粒子群算法与人工免疫融合算法结合的流程图，图中流程显示：首先初始化，然后读取训练样本数据文件，提取数据中特征量，产生初始种群，计算每个例子的适应度，初始化个体最优与全局最优，如满足终止条件，则输出最优解，如不满足终止条件，则更新每个粒子的速度以及位置，再计算每个粒子的适应度，更新个体最优与全局最优，是否启动人工免疫，如是，则输出最优解，如否，则计算基于抗体浓度的替换概率，替换概率大的粒子，如满足终止条件，则输出最优解，如不满足终止条件，返回更新每个粒子的速度以及位置，循环。
仿真实验和理论研究发现小电阻箱壁振动信号的100Hz分量与电压、电流信号的平方线性相关。据此，可建立小电阻的箱壁振动模型即小电阻故障诊断模型为
Figure BDA0002401361870000041
式中，vtank,100Hz为小电阻振动信号的100Hz分量；i50Hz和u50Hz为小电阻电流与电压的50Hz分量；α和β为复参数。
若仅考虑向量幅值，可将上式简化为
Figure BDA0002401361870000051
式中，
Figure BDA0002401361870000052
为功率因数；γ为复参数。
当给定一定量的输入与输出数据，即可通过数学方法拟合出箱壁振动模型的参数α,β,γ。随后，结合α,β,γ参数以及输入量即可计算出小电阻一定机械状态下的振动输出。在日常的在线监测中，通过对比该预估振动输出与实际振动输出，即可判断小电阻组合电阻片的状态。
如图2，是来自于原实验采集截取的一段电压、电流以及振动信号的时域图。由上图看出，在小电阻正常运行时，小电阻的电压、电流以及振动信号都比较稳定(其它相、其它时刻同样稳定)。电网正常运行状态下，小电阻电压电流波形质量很好，经分析，电压电流信号THD均在1％以内，可直接进行分析无须预处理。而采集到的振动信号数据，由于零点漂移和传感器在低频性能的不稳定性以及传感器周围的环境干扰等诸多因素存在，可能会产生偏离零轴的现象，偏离程度可能随时间发生变化，因此需要对振动信号进行去除趋势项的处理。在这里采用基于最小二乘拟合的多项式法进行趋势项的处理工作，以去除振动信号中的低频干扰分量。
如图3和图4，为去除振动信号低频分量的两相振动信号及其频谱图。由图可见，小电阻箱壁振动主要成分为100Hz分量以及100Hz的倍频分量即200Hz、300Hz、400Hz、 500Hz、600Hz等。与理论分析结果相符合，同时，由于振动源的非线性振动和振动传递过程中的非线性因素，导致箱壁上的振动信号含有100Hz的倍频分量。
同时，A、B、C三相振动信号的各频率幅值的大小分布情况各不相同，从一定程度上说明了振动传递的非线性对振动信号的影响。
粒子群算法的基本思想是通过群体中个体之间的协作和信息贡献来寻找最优解。同其它优化算法相比，PSO的优点在于算法简单、易于实现和较强的局部和全局优化能力，因此，本发明在此选用粒子群优化算法来对小电阻箱壁振动模型中的参数进行辨识。具体的，可以选取一个月的数据用来对小电阻振动模型中的参数进行辨识，以前20天的数据作为分析数据，拟合出小电阻箱壁振动模型的参数；以后10天的数据作为预估比较，判断该拟合方法和箱壁振动模型的正确性。在小电阻组合电阻片正常运行的状况下，以前面20天运行数据拟合出的参数预估后续几天的振动信号，与后续几天的实测振动信号相差很小。
为通过公式
Figure BDA0002401361870000061
进行计算，由数据计算得到箱壁振动模型参数的辨识结果为α＝6.58×10-22，β＝1.22×10-16和γ＝-2.95×10-21，可通过上述参数判断实时小电阻振动信号的100Hz分量(vtank,100Hz)与计算所得是否一致，从而判断小电阻是否处于故障状态。
本发明针对EMD的不足，采用噪声辅助数据分析方法EEMD用于进行混合信号的处理：
xi(t)＝x(t)+ωi(t)
其中，xi(t)为每次观察收集到的数据，x(t)为纯信号，ωi(t)为每次收集到的数据中含有的噪声。人为地加入白噪声ωi(t)来模拟这种多样性，虽然加入的噪声会造成更小的信噪比，但是加入的白噪声可以提供一个相对均匀的尺度分布来帮助EMD分解，因此较低的信噪比反而不会影响分解方法的有效性，并能进一步帮助避免模态混叠。
因此，添加的白噪声就显得比较重要。在自然信号中，白噪声是非常常见的一种信号。白噪声的功率谱密度函数在整个频域内是常数，也就是其功率谱密度函数是服从均匀分布的。与光学中包含了全部可见光频率在内的白光类似，它包含了全部的频率，故而称之为“白噪声"。除了白噪声之外其它的噪声都称为有色噪声。白噪声的功率谱密度函数通常被定义为
Figure BDA0002401361870000062
其中，n0为常数，单位为w/Hz。如果采用频率在0～∞的范围内的频谱，即单边频谱，则白噪声的功率谱密度函数又常写成
Pn(ω)＝n0(0＜ω＜∞)
由数据分析的有关理论可以知道，信号的功率谱密度与其自相关函数R(t)互为傅氏变换对，因此白噪声的自相关函数为
Figure BDA0002401361870000063
该式表明只有在
Figure BDA0002401361870000064
时，白噪声才相关。相反的，在任意两个不同时刻上的随机取值白噪声都是不相关的。实际上功率谱密度完全符合均匀分布的理想白噪声是不存在的，通常只要噪声功率谱密度函数均匀分布的频率范围超过信号系统工作频率范围很多时，就可以近似地认为其是白噪声。
EEMD算法在原信号中加入若干次白噪声，再分别进行EMD处理，最后求取平均。EEMD分解原理为：往信号中加进去高斯白噪声使之成为由信号和噪声组成的一个“整体”，加进原信号的白噪声将遍布整个时频空间跟被滤波分离的不同尺度分量相一致，形成一个类似幕布的白色背景。当信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去。每个独立的测试中噪声是不同的，当使用足够测试的全体均值时，噪声将会被消除。加噪声的次数越多，平均后的结果所含的剩余噪声越小，结果就越接近原信号的真实值。全体的均值最后会被认为是真正的结果，唯一持久稳固的部分是信号本身，所加入的多次测试是为了消除附加的噪声。
具体的，EEMD算法可以参照以下过程：
1)在目标信号上加入白噪声序列；
X(t)＝x(t)+ω(t)
2)将加入白噪声的信号利用EMD分解为IMF；
Figure BDA0002401361870000071
3)每次加入不同的白噪声序列，反复重复步骤1)、步骤2)：
Xi(t)＝x(t)+ωi(t)
分解成：
Figure BDA0002401361870000072
式中，rin为在加入i次白噪声时，分解出n个IMF信号所产生的剩余信号；hij为为在加入i次白噪声时，分解出的IMF序列中的第j个分量；n为该次分解所分解出的IMF 信号的数量。
分解得到的各个IMF的均值作为最终结果
Figure BDA0002401361870000073
式中，hij(t)为经过加入i次白噪声后，经过EEMD分解得到的第j个IMF分量；hj(t)'表示对原始信号进行EEMD分解得到的第j个IMF分量；N为加入白噪声的次数。
EEMD算法利用白噪声频谱均匀分布的特点，用白噪声来均衡信号中的间歇区域，可以较为理想地去除模态混合，是对EMD法的巨大改进。
在工程实际中，采集的振动信号不可避免地受到各种噪声与干扰的影响，在对信号进行分析之前，往往进行必要的信号预处理，以提高信号分析的可靠性和精度。采用EEMD算法进行信号预处理，主要内容包括:
1)信号本征模态的提取。主要是剔除由于突然发生的传感器异常、干扰等原因而在信号中产生的突变点，并将所需的100Hz频段信号从全频段信号中提取出来。
2)趋势项的提取和消除。趋势项表现为时间序列上的线性或缓慢变化的趋势误差；
3)信噪比的提高。信噪比是衡量信号与噪声比例关系的指标，提高信号的信噪比是信号预处理的核心问题。
由于环境影响和具体实验操作关系，采集到的振动加速度信号往往含有高频干扰信号，而这个区别于EEMD添加的白噪声干扰，采用合适的去噪方法把信号中的主要噪声除掉，再运用EMD分离的功能，就会一定程度上减少干扰项的出现，甚至使之不出现干扰项。
在振动测试过程中，采集到的振动信号数据由于采集系统的放大器随温度变化产生的零点漂移、传感器频率范围外的低频性能的不稳定以及传感器周围的环境干扰往往会偏离基线，甚至偏离基线的大小还会随时间变化。偏离基线随时间变化的整个过程被称为信号的趋势项。趋势的存在，会使时域中的相关分析和频率中的功率谱分析产生大的误差，甚至使低频谱完全失去真实性。因此测试信号分析中常要消除趋势项，这也是信号预处理中一个重要步骤。趋势项的消除方法有多种，比如最小二乘法。
设实测振动信号的采样数据为xi，时间序列为ti，采样为等时间间隔，设一个多项式函数为
Figure BDA0002401361870000081
确定该方程的各个待定系数aj(j＝0,1...,n)，需要使得yi和xi的误差平方和为最小，即
Figure BDA0002401361870000082
为满足E具有极小值，依次对aj求偏导数，并取为零，得(n+1)元线性方程组
Figure BDA0002401361870000083
有方程可以求解出待定系数aj(j＝0,1...,n),当n＝0时，趋势相的为信号采样数据的算术平均值，即
Figure BDA0002401361870000084
这时消除常数趋势相的计算方法为
x’i＝xi-yi＝xi-a0
当n≥1时，可用相同方法得出待定各系数，计算去除趋势相后的振动数据，在一实施例中，可以采用三次多项式来消除趋势相。
在实际信号中，常会有信号频带和噪声干扰的频带重叠在一起的情况，随机脉冲更是具有很宽的频率范围，常用的数字滤波方法显然难以取得良好的滤波效果。数学形态学(Mathematical Morphology)是基于积分几何和随机集论建立起来的有别于基于时域、频域的数学方法。该方法进行信号处理时只取决于待处理信号的局部形状特征，通过数学形态变换将一个复杂的信号分解为具有物理意义的各个部分，将其与背景剥离，同时保持信号主要的形状特征，要比传统的滤波方法更为有效。数学形态学是一种非线性图像(信号)处理和分析工具，全部形态变换包括7种基本运算，即腐蚀、膨胀、开运算、闭运算、击中、细化和粗化等。其中腐蚀(erosion)、膨胀(dilation)是两个基本运算，以此为基础可以引出其他常用的数学形态运算。
EEMD算法对有限长信号的分析一般都会遭遇边界处理问题，如小波分解等。但小波分解中的边界处理误差如果采用直接时间算法不会在各小波分量间传递，而自适应波形延拓法(HHT)的分解过程注定了其边界处理结果将在分解过程中一直传播下去，引出结果的较大摆动。EEMD算法是利用多次添加噪声信号，采用EMD分解而来，EMD 分解需要求取上下包络函数，因此用到信号序列局部极值点，然而数据的两端点值不一定是信号的极值点，因此这样得到的上下包络函数在数据的两端是失真的，很容易造成分解出来的IMF分量在两端点出现虚假成分，即形成端点效应。为了能最大限度的维护原始信号的变化趋势并实现延拓波形与原信号的光滑过渡，本发明实施例采用了自适应波形匹配法，从原始信号内部找出最符合信号趋势的波形对信号进行延拓，最大限度维护信号的内在趋势，而对内在规律较弱，边界数据变化异常的信号则采用镜像延拓法缓解端点效应的影响。
具体的，自适应波形延拓法，可以参照以下说明：
以延拓信号左端点为例，设信号左端点数据为x(1)，先出现信号极大值点eb1，再出现信号极小值点es1，则以x(1)，eb1，es1构成的这段信号xs1(t)为特征数据段，沿着原信号x(t)去搜索与xs1(t)最为接近的匹配波形，然后将匹配波形前的(右延拓为匹配波形后的)数据作为x(t)的延拓波形，这样便会符合信号的自然趋势。具体步骤如下：
(1)以xs1(t)为特征信号，以eb1为特征点(若左端点后先出现极小值点，则为es1)，找寻匹配波形，以第二个极大值点eb2为匹配点，前后选取与xs1(t)相同长度的信号段 xs2(t)；
(2)计算特征波形与匹配波形的匹配度，xs2(t)所有数据点加上误差α1＝(eb1-eb2)，即该段的极大值点与信号分别变化如下
xs2(t)'＝xs2(t)+(eb1-eb2)
随后计算匹配度值，公式为
e1＝∑(xs1(t)-xs2(t))2
沿着原信号x(t)搜寻匹配度值最小的匹配段信号xsi(t)直到无极大值点或者无法提供与xsi(t)相同长度的信号段；
(3)若xsi(t)的匹配度值最小为emin，该值与设定阈值比较，若不满足条件，采用镜像法延拓数据，若满足条件，则该段为匹配段，取ebi之前的两个极大值点ebi-1和ebi-2，与之前的两个极小值点esi-1和esi-2，加上αi-1＝(eb1-ebi)，得到ebi-1'，ebi-2'，esi-1'和esi-2'，并求出相对应的时间关系，然后按照顺序添加到原极大值点集与原极小值点集的最左端作为延拓
(4)对于右端点使用相同方法处理；
(5)利用三次样条插值法在原信号的时间长度上插值，获取改善过端点效应的上下包络线，进行EEMD分解。
为了验证前述改进筛选方法的有效性，构造仿真信号x(t)，如下式所示：
x(t)＝5*sin(200πt)+4*sin(400πt)+3*sin(800πt)
此信号除了包含为100Hz的频率分量，还包含200Hz和400Hz的频率分量。
图5为x(t)的仿真波形，自适应波形延拓法使用与否的EEMD分解结果分别如图6、图7所示。具体分解时，由于该仿真信号规律性比较强，故在停止标准上阈值可以设置较低，本次取为0.1。
由图6可见，无任何端点效应处理的EEMD算法在两端点处有严重的端点效应，并逐层向内污染，导致低频率信号端点效应更加明显，信号分解失真。图7中，利用自适应波形延拓法的各IMF分量，端点效应明显下降，分解结果比较理想。由此可见，自适应波形延拓法可有效地抑制EEMD算法中固有的端点效应问题。
为了验证EEMD算法的有效性，构造函数
Figure BDA0002401361870000101
如图8所示仿真信号，本信号出现了一个跳变，即在0.15秒时，突然出现了400Hz频率分量的谐波，分别利用EEMD和EMD算法分解，得到如下结果。
如图9、图10所示EEMD分解结果、EEMD时频图，结果表明，EMD出现了模态混叠的问题，在IMF1中，原来只应该含有400Hz分量的波形中混叠了200Hz的分量，同时导致下一步分解中IMF2，IMF3中均不同程度含有混叠的问题，而EEMD分解中的IMF2、IMF3、IMF4很清晰的分别代表400Hz、200Hz、100Hz分量，同时也清晰的表明400Hz分量是出现在整个时间序列的后半段。观察EMD分解的Hilbert谱也可以发现在100Hz的中间出现了比较明显的断裂，这个就是由于混叠造成的，而 EEMD这个问题则不是很明显。因此可以证明，改进后的EEMD算法对于EMD的模态混叠问题有不错的改善效果，对调频调幅的振动信号有着比较好的适用性。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (9)

1.一种基于广义回归神经网络的小电阻振动监测方法，其特征在于，包括：
采集小电阻待监测的振动信号；
对采集的振动信号进行预处理，去除干扰信号，进一步得到所述振动信号在时域和频域上的数据；
根据小电阻振动的特征，通过样本获取模块和模型建立模块得到标本数据，采用广义回归神经网络GRNN通过模型建立模块建立小电阻振动诊断模型，包括：
将所述标本数据分成建模标本数据和检验标本数据；
根据所述建模标本数据，确定振动因子；
根据所述建模标本数据，确定非振动参数；
根据所述建模标本数据、所述振动因子和所述非振动参数，采用广义回归神经网络方法，建立振动计算模型；
根据所述检验标本数据，对所述振动计算模型进行验证；
采用粒子群算法与人工免疫融合算法的结合进行广义回归神经网络GRNN的训练优化，利用小电阻的运行数据训练此模型；
基于所述振动信号在时域和频域上的数据和训练得到的小电阻故障诊断模型，进行振动信号特征分析，当小电阻故障诊断模型预测的振动特征与实测信号发生偏差达到一阈值时，则判断小电阻故障，进行报警。
2.根据权利要求1所述的基于广义回归神经网络的小电阻振动监测方法，其特征在于，模型建立模块包括：
振动因子确定单元，用于根据所述建模标本数据，确定振动因子；
非振动参数确定单元，用于根据所述建模标本数据，确定非振动参数；
模型建立单元，用于根据所述建模标本数据、所述振动因子和所述非振动参数，采用广义回归神经网络方法，建立振动计算模型；
验证单元，用于根据所述检验标本数据，对所述振动计算模型进行验证。
3.根据权利要求1所述的基于广义回归神经网络的小电阻振动监测方法，其特征在于，所述广义回归神经网络GRNN在结构上由四层构成，分别为输入层、模式层、求和层和输出层。
4.根据权利要求1所述的基于广义回归神经网络的小电阻振动监测方法，其特征在于，所述方法进一步包括：采用EEMD算法对小电阻的振动信号进行分解处理，即：将从箱壁上提取到的原始振动信号进行分解，从复杂的信号中将信号的基本模式提取出来，再对其进行分析处理。
5.根据权利要求4所述的基于广义回归神经网络的小电阻振动监测方法，其特征在于，所述方法所述EEMD算法，采用自适应波形延拓法解决边界处理问题：
以延拓信号左端点为例，设信号左端点数据为x(1)，先出现信号极大值点eb1，再出现信号极小值点es1，则以x(1)，eb1，es1构成的这段信号xs1(t)为特征数据段，沿着原信号x(t)去搜索与xs1(t)最为接近的匹配波形，然后将匹配波形前的(右延拓为匹配波形后的)数据作为x(t)的延拓波形,这样便会符合信号的自然趋势。具体步骤如下：
(1)以xs1(t)为特征信号，以eb1为特征点(若左端点后先出现极小值点，则为es1)，找寻匹配波形，以第二个极大值点eb2为匹配点，前后选取与xs1(t)相同长度的信号段xs2(t)；
(2)计算特征波形与匹配波形的匹配度，xs2(t)所有数据点加上误差α1＝(eb1-eb2)，即该段的极大值点与信号分别变化如下
xs2(t)'＝xs2(t)+(eb1-eb2)
随后计算匹配度值，公式为
e1＝∑(xs1(t)-xs2(t))2
沿着原信号x(t)搜寻匹配度值最小的匹配段信号xsi(t)直到无极大值点或者无法提供与xsi(t)相同长度的信号段；
(3)若xsi(t)的匹配度值最小为emin，该值与设定阈值比较，若不满足条件，采用镜像法延拓数据，若满足条件，则该段为匹配段，取ebi之前的两个极大值点ebi-1和ebi-2，与之前的两个极小值点esi-1和esi-2，加上αi-1＝(eb1-ebi)，得到ebi-1'，ebi-2'，esi-1'和esi-2'，并求出相对应的时间关系，然后按照顺序添加到原极大值点集与原极小值点集的最左端作为延拓
(4)对于右端点使用相同方法处理；
利用三次样条插值法在原信号的时间长度上插值，获取改善过端点效应的上下包络线，进行EEMD分解。
6.根据权利要求1-4任一项所述的基于广义回归神经网络的小电阻振动监测方法，其特征在于，所述小电阻故障诊断模型是小电阻的箱壁振动模型：
Figure FDA0002401361860000031
式中，vtank,100Hz为小电阻振动信号的100Hz分量；i50Hz和u50Hz为小电阻电流与电压的50Hz分量；α和β为复参数。
若仅考虑向量幅值，则可将上式简化为
Figure FDA0002401361860000032
式中，
Figure FDA0002401361860000033
为功率因数；γ为复参数；
当给定一定量的输入与输出数据，即可通过数学方法拟合出箱壁振动模型的参数α,β,γ，随后，结合α,β,γ参数以及输入量即可计算出小电阻一定机械状态下的振动输出，在日常的在线监测中，通过对比该预估振动输出与实际振动输出，即可判断小电阻组合电阻片的状态。
7.根据权利要求1-4任一项所述的基于广义回归神经网络的小电阻振动监测方法，其特征在于，所述粒子群算法与人工免疫融合算法结合，是指：先执行粒子群算法，得到的结果作为人工免疫融合算法的输入，最终得到最优解。
8.根据权利要求1-4任一项所述的基于广义回归神经网络的小电阻振动监测方法，其特征在于，所述方法采用EEMD算法进行信号预处理，包括:
1)信号本征模态的提取：将100Hz频段的振动信号从全频信号中提取出来。
2)趋势项的提取和消除：趋势项表现为时间序列上的线性或缓慢变化的趋势误差；
3)信噪比的提高：对比其他信号预处理方法，有效降低了模态混叠现象，提高了提取信号的信噪比。
9.根据权利要求1-4任一项所述的基于广义回归神经网络的小电阻振动监测方法，其特征在于，所述方法通过数学形态变换将一个复杂的信号分解为具有物理意义的各个部分，将其与背景剥离，同时保持信号主要的形状特征，全部形态变换包括7种基本运算，即腐蚀、膨胀、开运算、闭运算、击中、细化和粗化，其中腐蚀(erosion)、膨胀(dilation)是两个基本运算，以此为基础可以引出其他常用的数学形态运算。
CN202010147768.7A 2020-03-05 2020-03-05 一种基于广义回归神经网络的小电阻振动监测方法 Active CN111289800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010147768.7A CN111289800B (zh) 2020-03-05 2020-03-05 一种基于广义回归神经网络的小电阻振动监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147768.7A CN111289800B (zh) 2020-03-05 2020-03-05 一种基于广义回归神经网络的小电阻振动监测方法

Publications (2)

Publication Number Publication Date
CN111289800A true CN111289800A (zh) 2020-06-16
CN111289800B CN111289800B (zh) 2022-04-26

Family

ID=71030896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147768.7A Active CN111289800B (zh) 2020-03-05 2020-03-05 一种基于广义回归神经网络的小电阻振动监测方法

Country Status (1)

Country Link
CN (1) CN111289800B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692692A (zh) * 2022-04-02 2022-07-01 河海大学 一种基于微波衰减信号融合核极限学习机的降雪识别方法
CN116122977A (zh) * 2022-09-23 2023-05-16 烟台哈尔滨工程大学研究院 一种基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1012613B1 (de) * 1997-09-11 2002-04-24 Fraunhofer-Gesellschaft Zur Förderung Der Angewandten Forschung E.V. Verfahren und vorrichtung zur gepulsten hochstrombelastung integrierter schaltungen und strukturen
CN102998545A (zh) * 2011-09-16 2013-03-27 河南电力试验研究院 一种变压器绕组工作状态的在线监测方法
CN103713229A (zh) * 2013-12-25 2014-04-09 陕西海泰电子有限责任公司 一种电缆虚焊检测系统及检测方法
CN110320467A (zh) * 2019-06-19 2019-10-11 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） 一种低压直流断路器故障诊断方法
CN110487547A (zh) * 2019-07-31 2019-11-22 中国特种设备检测研究院 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1012613B1 (de) * 1997-09-11 2002-04-24 Fraunhofer-Gesellschaft Zur Förderung Der Angewandten Forschung E.V. Verfahren und vorrichtung zur gepulsten hochstrombelastung integrierter schaltungen und strukturen
CN102998545A (zh) * 2011-09-16 2013-03-27 河南电力试验研究院 一种变压器绕组工作状态的在线监测方法
CN103713229A (zh) * 2013-12-25 2014-04-09 陕西海泰电子有限责任公司 一种电缆虚焊检测系统及检测方法
CN110320467A (zh) * 2019-06-19 2019-10-11 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） 一种低压直流断路器故障诊断方法
CN110487547A (zh) * 2019-07-31 2019-11-22 中国特种设备检测研究院 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐国宾等: "基于FOA-GRNN的水电站厂房结构振动响应研究", 《水力发电学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692692A (zh) * 2022-04-02 2022-07-01 河海大学 一种基于微波衰减信号融合核极限学习机的降雪识别方法
CN114692692B (zh) * 2022-04-02 2023-05-12 河海大学 一种基于微波衰减信号融合核极限学习机的降雪识别方法
CN116122977A (zh) * 2022-09-23 2023-05-16 烟台哈尔滨工程大学研究院 一种基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法

Also Published As

Publication number Publication date
CN111289800B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN113642484B (zh) 一种基于bp神经网络的大地电磁信号噪声压制方法及系统
CN110503075B (zh) 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统
CN110967599A (zh) 一种电能质量扰动检测与定位算法
Luo et al. Interpolated DFT algorithms with zero padding for classic windows
CN111289800B (zh) 一种基于广义回归神经网络的小电阻振动监测方法
Makowski et al. A procedure for weighted summation of the derivatives of reflection coefficients in adaptive Schur filter with application to fault detection in rolling element bearings
CN110244202A (zh) 基于同步压缩小波变换域变压器局部放电去噪方法
CN109470135A (zh) Csamt数据静态校正方法
CN109598175B (zh) 一种基于多小波基函数和超正交前向回归的时频分析方法
CN103119848B (zh) 数据处理方法及装置
CN114970646B (zh) 一种人工源电磁伪随机信号去趋势和噪声识别方法
CN111274911B (zh) 基于无线微波衰减特征迁移学习的浓雾监测方法
Matania et al. Algorithms for spectrum background estimation of non-stationary signals
CN110333054B (zh) 一种针对白车身焊接设备的缓变微小故障检测方法
JP3885297B2 (ja) 異音判定装置及び異音判定方法
CN112766224B (zh) 畸变信号中提取真实信号的方法、装置、设备和存储介质
Novak et al. Analysis, synthesis, and classification of nonlinear systems using synchronized swept-sine method for audio effects
Volosnikov et al. Dynamic measurement error evaluation and minimization based on FIR-filter
González et al. Period estimation using minimum entropy deconvolution (MED)
WO2017044011A1 (ru) Способ обработки гармонического сигнала.
Lopac et al. On optimal parameters for ICI-based adaptive filtering applied to the GWs in high noise
Sinha et al. A deep autoencoder approach to bird call enhancement
Duan et al. A novel adaptive fault diagnosis method for wind power gearbox
Baziw Implementation of the principle phase decomposition algorithm
Lee et al. Bandpass variable-bandwidth filter for reconstruction of signals with known boundary in time-frequency domain

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant