高速線材軋機的故障信號降噪重構特徵識別方法與流程

2023-11-08 03:02:52 1

本發明實施例涉及軋機故障診斷技術領域，尤其涉及一種高速線材軋機的故障識別方法。

背景技術：

隨著科學技術的不斷進步，冶金設備正向高速、高負載和高自動化程度的方向發展，但由設備故障所導致事故的嚴重程度也大幅增加。如何保證設備的安全運行，及時發現隱患，消除和避免故障，已成為一個非常迫切的問題。常見的高速線材軋機故障包括：軋機軋輥軸軸向竄動、錐齒輪打齒、軋輥軸斷、聯軸器脫開及錐齒輪脫開。

高速線材軋機狀態故障診斷是在監測設備的運行狀態信息並進行故障識別，避免故障擴大帶來的巨大經濟損失。因而需提高檢測裝置的靈敏度及可靠性，而在現有的檢測裝置基礎上，通過對所檢測信號的數位化處理，可實現低成本、高可靠性的高速線材軋機狀態故障診斷。

採集的高速線材軋機振動信號中往往同時存在隨機噪聲幹擾和電源工頻幹擾，常規方法對信號的判斷存在對真實運行狀態的誤判。因此消除或降低振動信號中的隨機噪聲和工頻噪聲幹擾是高速線材軋機旋轉振動信號處理的重要內容。

現有技術中，可以採用奇異值分解(Singular value decomposition,SVD)的方式完成上述對隨機噪聲及工頻噪聲的消除。下面著重說明採用SVD技術的噪聲消除過程。

用SVD進行信號處理前，需要將採集的離散信號構造為矩陣形式，如Hankel矩陣等。

假設採集的離散信號有如下形式：

X＝[x(1),x(2),…,x(N)] (1)

可將其構造為如下形式的Hankel矩陣A：

式(2)中的參數滿足：1<n<N。令m＝N-n+1，則有A∈Rm×n。

向量ui及vi滿足如下關係：

式(3)中，ui∈Rm×1，vi∈Rn×1，i＝1,2,3,…,q，q＝min(m,n)。

如果將信號x(i)表示為直流分量、交流分量及噪聲分量的組合，則有：

x(j)＝z(j)+s(j)+ξ(j) (4)

式(4)中，j＝1,2,3,…,N，z(j)表示x(j)對應的直流分量信號，s(j)表示x(j)對應的交流分量信號，ξ(j)表示x(j)對應的交流分量信號。因而，由x(j)構造的Hankel矩陣A可以表示為：

A＝Az+As+Aξ (5)

其中，Az為根據直流分量信號z(j)構造的Hankel矩陣，As為根據交流分量信號s(j)構造的Hankel矩陣，Aξ為根據噪聲分量ξ(j)構造的Hankel矩陣，並且上述三個矩陣均滿足Az、As、Aξ∈Rm×n。

在Hankel矩陣中，每一行都是從原信號中截取的一段，並且相鄰向量僅滯後一個點，因此，由周期性成分構成的Hankel矩陣的相鄰兩行信息密切相關，其秩遠小於q＝min(m,n)。由隨機噪聲序列所構造的Hankel矩陣的兩行信息則相干性弱。

重構矩陣A中，重構階次k的選擇至關重要，階次值過小會使得信號失真嚴重，其值過大則導致較多的噪聲。由標準的正弦信號x和弱噪聲w疊加形成的信號為y，由y所構造的Hankel矩陣Y的奇異值σi(Y)、矩陣X的奇異值σi(X)、矩陣W的奇異值σi(W)三者之間滿足如下關係：

σi(X)≤σi(Y)≤σi(X)+σi(W) (6)

式(6)表明，由含噪信號y所生成的奇異值中，前r個值要遠遠大於後面的m-r個值，r即為重構階次k值。

由此引出奇異值差分譜的概念。假設矩陣Y的奇異值序列為，定義：

bi＝σi-σi+1

其中，i＝1,2,3,…,m-1。由於上式中的定義，則由bi構成的序列b稱為奇異值差分譜。根據奇異值差分譜中最大值所對應的序號確定重構階次k，選取前k個分量進行信號重構。也就是說，重構信號具有如下形式：

應用SVD方法進行信號降噪處理的一般方法是將奇異值分解所得的奇異值分為兩部分，一部分是反映噪聲的較小奇異值，另一部分是反映有用特徵信號的較大奇異值，然後將較小奇異值部分置零，保留較大奇異值部分，從而達到降噪和特徵提取的目的。

但是，發明人在對現有的基於SVD的特徵提取過程的研究過程中，發現上述的現有方式的降噪效果並不是很好，主要表現在並沒有考慮到噪聲的頻域特徵，因而並不能準確的完成故障特徵信號的提取。

技術實現要素：

針對上述技術問題，本發明實施例提供了一種高速線材軋機的故障信號降噪重構特徵識別方法，以提高故障特徵信號的信噪比，實現高速線材軋機故障的準確診斷。

本發明實施例提供了一種高速線材軋機的故障信號降噪重構特徵識別方法，所述方法包括：

對採集的振動信號矩陣進行奇異值分解，以生成對應的奇異值向量；

根據所述奇異值向量構造奇異值差分譜，並根據所述奇異值差分譜確定有效奇異值階次，以降低隨機噪聲；

在有效奇異值階次的範圍內，對所述奇異值向量進行快速傅立葉變換FFT；

搜索FFT結果序列中具有工頻及其倍頻特徵的幅值，以得到對應的噪聲奇異值；

用剔除所述噪聲奇異值的奇異值向量重構時域信號，以獲得故障特徵信號。

本發明實施例提供的高速線材軋機的故障信號降噪重構特徵識別方法，通過對採集的振動信號矩陣進行奇異值分解，以生成對應的奇異值向量，根據所述奇異值向量構造奇異值差分譜，並根據所述奇異值差分譜確定有效奇異值階次，在有效奇異值階次的範圍內，對所述奇異值向量進行快速傅立葉變換FFT，搜索FFT結果序列中具有工頻及其倍頻特徵的幅值，以得到對應的噪聲奇異值，用剔除所述噪聲奇異值的奇異值向量重構時域信號，從而通過奇異值及奇異值向量相結合的方式實現了故障特徵信號的提取，提高了故障特徵信號的信噪比，實現高速線材軋機故障的準確診斷。

附圖說明

通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本發明的其它特徵、目的和優點將會變得更明顯：

圖1A是原始信號的波形圖；

圖1B是原始信號的頻譜圖；

圖2是信號的前30個奇異值；

圖3是奇異值與幅值的關係圖；

圖4是奇異值與頻率的關係圖；

圖5是奇異值與相位的關係圖；

圖6是分量奇異值與幅值的關係圖；

圖7是信號奇異值與矩陣列數的關係圖；

圖8是本發明實施例提供的高速線材軋機的故障信號降噪重構特徵識別方法的流程圖；

圖9A是本發明實施例提供的工程採集信號的信號波形圖；

圖9B是本發明實施例提供的工程採集信號的信號頻譜圖；

圖10是本發明實施例提供的工程採集信號的奇異值譜圖；

圖11是本發明實施例提供的工程採集信號的奇異值差分譜；

圖12A是本發明實施例提供的重構信號的波形圖；

圖12B是本發明實施例提供的重構信號的頻譜圖；

圖13是本發明實施例提供的的工程採集信號重構後的信號部分左奇異向量頻譜；

圖14A是本發明實施例提供的的工程採集信號重構降噪後的信號波形圖；

圖14B是本發明實施例提供的工程採集信號重構降噪後的頻譜圖。

具體實施方式

下面結合附圖和實施例對本發明作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用於解釋本發明，而非對本發明的限定。另外還需要說明的是，為了便於描述，附圖中僅示出了與本發明相關的部分而非全部結構。

首先介紹本發明實施例提供的高速線材軋機的故障信號降噪重構特徵識別方法的基本原理。

式(3)中，令設Ai的第一個行向量為Pi,1，Vi,n為Ai最後一個列向量去掉其第一個元素後的子列向量，將Pi,1和Vi,n的轉置首尾相接形成分量信號Pi，即：

式(8)中，Pi,n∈R1×n，Vi,n∈R(m-1)×1。所有分量構成原始信號X的一個分解。

Ai用行向量Pi,1,Pi,2,…,Pi,m表示，Pi,m∈R(m-1)×1；矩陣A用行向量表示X1,X2,…,Xm，Xm∈R1×n，則A的行向量等於所有Ai的相應行向量的疊加，即：

X1＝P1,1+P2,1+…+Pr,1 (9)

設A中列向量用Vn表示，Vn∈R(m-1)×1，Vn等於所有Ai中相應列向量Vi,n的疊加，其轉置也同樣成立，即：

信號X用向量形式表示，而分量信號Pi用向量形式表示，則所有分量信號和為：

也就有：

P1+P2+…+Pr＝X (11)

將原始信號構造為Hankel矩陣並進行奇異值分解，可將原始信號分解為分量信號的線性疊加的形式。從原信號中分離出來的各分量信號在原信號中的相位不變，即具有零相位偏移特性。選取檢測頻率的幾個分量進行簡單的線性疊加，從而可以實現對信號特徵信息的提取。

根據式(8)，可計算分量信號Pi的能量為：

式(12)中，ui1是向量uiui的第1個坐標，ui1<1；vi,n是向量vi的第n個坐標，vi,n<1。由式(12)可知：即：

|Pi|∝σi (13)

若信號X由直流分量、交流分量及噪聲構成，交流分量表示為Pi＝asin(2πft+φ)，則：

由於Pi為周期信號，周期為T(數據點數)，採樣數N中包含的信號周期數為N0(為整數)，如果N＝TN0，則ε為0；如果N≠TN0，則|ε|<N-TN0<T/2，當採樣數N包含多個信號周期，則T/2<<N，可得：

也即：

由式(13)及式(16)可得：

σi∝a (17)

σi∝N (18)

由此得出結論：周期性分量信號的奇異值同其幅值成正比，而跟信號頻率和相位無關；在周期性分量信號不變時，奇異值與信號採樣數成正比。

為了進一步的說明問題，還通過仿真驗證了奇異值與信號幅值、頻率以及相位之間的關係。

取仿真信號s＝s0+ξ(n)，s0＝a1sin(2πf1t+φ1)+a2sin(2πf2t+φ2)為測試信號；參數為a1＝3，f1＝50，φ1＝0.2π，a2＝2，f2＝115，φ2＝1.3π；採樣率fs＝1024，採樣數fN＝1024。ξ(n)為強度為1的高斯白噪聲。仿真信號波形和頻譜如圖1A及圖1B所示。

(1)奇異值與信號間關係

構造Hankel矩陣，行數m＝512，列數n＝N-m+1＝513。對Hankel矩陣進行SVD分解，生成的奇異值如圖2所示，SVD處理生成的奇異值共512個，圖中給出了前30個奇異值。第1、2個奇異值代表頻率為50Hz的分量，第3、4個奇異值代表頻率為115Hz的分量，其餘奇異值代表噪聲。

在有噪聲條件下，前8個奇異值依次為：759.74，758.00，511.88，510.74，47.59，47.57，46.02，45.97。第1和第2個奇異值大小接近，第3和第4個奇異值大小接近，第5～8奇異值大小接近。為分析方便，在兩個大小接近的奇異值中只取前一個奇異值。

為了更精確地觀察奇異值同幅值、頻率和相位的變化規律，刪除噪聲分量ξ(n)，分析s0的變化規律。

奇異值同幅值之間的變化規律：只改變信號s0中參數a1，其餘參數不變，奇異值與幅值a1的關係如圖3所示，其中奇異值同幅值a1成正比。

奇異值同頻率的關係：只改變信號s0中參數f1，其餘參數不變，f1在信號最高分析頻率內均勻取值，得到圖4。從圖可以看出，奇異值基本上不隨頻率變化而變化。

相位變化對奇異值的影響：只改變相位φ1，其它參數不變，奇異值同相位之間的關係如圖5所示。相位變化，奇異值保持不變，說明奇異值跟相位無關。

a1＝3，f1＝50，φ1＝0.2π保持不變，改變a2，f2或φ2可得出相同的結論。

研究兩個分量取相同幅值時，奇異值隨幅值變化關係。即a1＝a2，信號s0中其它參數不變：f1＝50，φ1＝0.2π；f2＝115，φ2＝1.3π。兩個分量幅值和奇異值的變化關係如圖6所示，分量幅值相同時奇異值相同，兩者呈線性變化。

上述結果表明，周期性信號的奇異值與其幅值成正比，而與信號頻率及相位無關。

因此，根據分量幅值的大小可以確定其相應的奇異值在奇異值序列中的位置，進而可提取該奇異值實現相應幹擾分量的消除。

(2)奇異值與矩陣結構的關係

信號s0中參量設置如下：a1＝3，f1＝50，φ1＝0.2π；a2＝2，f2＝115，φ2＝1.3π。

將採樣數N依次設置為：500，760，1000，1500，1800，2000，然後構造Hankel矩陣：列為n＝N/2，行為m＝N-n+1。進行SVD分解，得到矩陣列數同奇異值之間的關係，如圖7所示。圖中兩個分量的奇異值都隨著Hankel矩陣列數的變化而線性變化，在各信號分量保持不變時，奇異值與信號採樣數成正比。

根據上文的結論，本發明將奇異值和奇異向量二者結合起來，基於SVD的統一理論框架，同時消除振動信號中的隨機噪聲和工頻噪聲。信號經SVD後，首先根據奇異值分布規律確定有效奇異值階次，以降低信號中的隨機噪聲，然後對該階次範圍內的奇異向量進行快速傅立葉變換，搜索具有工頻及其倍頻特徵的幅值譜以得到對應的奇異向量，因為奇異值和奇異向量是一一對應的，進而得到奇異值，用其餘的奇異值和奇異向量重構時域信號，從而進一步去除工頻噪聲。這種發明方法可在獲得的檢測信號中消除工頻及其他噪聲，便於顯性提取故障特徵信號。

本發明實施例提供了高速線材軋機的故障信號降噪重構特徵識別方法的一種技術方案。參見圖1，所述高速線材軋機的故障識別方法包括：

S81，對採集的模擬振動信號進行數位化。

在一次測試試驗中，測試軸的轉速為3500轉/分，以1000Hz採樣率連續採集60秒，截取中間1000個信號進行分析，採集的信號如圖9A及圖9B所示。

S82，根據數位化得到的振動信號構造所述振動信號矩陣。

在本實施例中，通過構造Hankel矩陣完成對振動信號矩陣的構造。

S83，對採集的振動信號矩陣進行奇異值分解，以生成對應的奇異值向量。

將採集到的信號構造Hankel矩陣並進行奇異值和奇異向量複合處理，生成的奇異值譜如圖10所示，圖中列出了前50個奇異值。

S84，根據所述奇異值向量構造奇異值差分譜，並根據所述奇異值差分譜確定有效奇異值階次，以降低隨機噪聲。

在本實施例中，根據如下公式構造奇異值差分譜：

bi＝σi-σi+1 (19)

式(19)中，bi為所述奇異值差分譜中的第i個差分值，σi為所述奇異值向量中的第i個奇異值，σi+1為所述奇異值向量中的第i+1個奇異值。

奇異值差分譜，也即圖11中，從右往左的第一個極大值為21，因此確定有效奇異值階次為21。依據這個有效奇異值階次重構信號，重構的信號波形和頻譜如圖12A及圖12B所示。比較圖9和圖12可以發現，隨機噪聲有了極大降低。

S85，在有效奇異值階次的範圍內，對所述奇異值向量進行快速傅立葉變換FFT。

對左奇異向量U1―U21作FFT處理，圖13中顯示了前6個幅值譜及U12和U13的頻譜。

S86，搜索FFT結果序列中具有工頻及其倍頻特徵的幅值，以得到對應的噪聲奇異值。

在圖13中，U1的頻率為零，代表直流分量；U2和U3的頻率為64Hz，這是主軸的基頻分量；而U4和U5的頻率為50Hz，這是工頻分量，而U12和U13的頻率為150Hz，表明存在3倍的工頻分量；U6及其它向量代表主軸的其它頻譜分量。

根據上文的分析，應該將U4、U5、U12、U13對應的FFT變換後的奇異值由變換後的奇異值向量中剔除。

S87，用剔除所述噪聲奇異值的奇異值向量重構時域信號，以獲得故障特徵信號。

時域信號的重構是由採集信號數位化至FFT的逆過程。而且，上述時域信號的重構過程包含IFFT變換操作。

用奇異值σi(i＝1,2,3,6,…,11,14,…,21)和奇異向量重構時域信號，波形及頻譜如圖14A及圖14B所示。比較圖12和圖14可以發現，不但降噪後的信號中的隨機噪聲得以去除，工頻幹擾也得以消除，得到乾淨的轉子基頻及其倍頻信號，從而有利於後續對轉子運行狀態的分析和診斷。

本發明實施例將奇異值及奇異值向量結合起來，並利用FFT變換後的奇異值向量確定工頻噪聲對應的噪聲奇異值，且將噪聲奇異值從FFT變換後的奇異值向量中剔除，根據剔除後的奇異值向量重構時域信號，提高了故障特徵信號的信噪比，實現了高速線材軋機故障的準確診斷。

以上所述僅為本發明的優選實施例，並不用於限制本發明，對於本領域技術人員而言，本發明可以有各種改動和變化。凡在本發明的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。