基于EMD-Hilbert...降维的电机故障信号特征提取_张能文.pdf

工业控制计算机2023年第36卷第1期基于 EMD-Hilbert 和主成分降维的电机故障信号特征提取张能文1姜天尚2杨凯铭1承敏钢1江冰2（1江苏新道格自控科技有限公司，江苏 无锡214433；2河海大学物联网工程学院，江苏 常州213022）摘要：电机是旋转机械的驱动机，电机故障将导致整套设备系统或生产线瘫痪。故障信号特征提取是电机故障诊断的基础，提出了一种基于EMD-Hilbert包络谱分解技术的旋转电机故障特征提取方法，利用EMD将原始信号分解成若干个固有模态函数余量，利用Hilbert包络谱法提取故障特征，通过主成分分析方法实现故障特征的降维，提高故障信号特征提取的精度和。最后通过MCDS平台采集数据进行故障特征识别，实验结果表明该方法的准确性和有效性，为旋转电机故障特征提取和识别提供了一种可靠的方法。关键词：故障特征；经验模态分解；旋转电机；包络谱电机作为旋转机械的驱动机构，一旦电机发生故障其风险将不可估量，因此，开展旋转机械电机的故障诊断意义重大1。传统电机故障诊断是通过提取电机电磁、电压、电流、温度、振动等信号参数，利用数据转换得到电机故障特征，进而判断电机故障的故障类别2。近年来，随着人工智能、数据挖掘技术的发展，从海量的数据信息中通过数据挖掘技术提取能够表征具体电机故障的特殊数据信息，再利用数据分析、深度学习和模式识别等实现电机故障诊断成为可能3。文献4提出了一种分析感应电机空间与时间相关的电磁特性机理的有限元分析方法，实现电机转子不对称性的缺陷的检测；文献5使用FKM法预测电机关键部件的疲劳寿命，发现磁极和磁轭的结合处是转子最危险位置；文献6采用有限元方法分析了环境温度和热粘弹性滞回对电机定子和无衬套内衬热失效的影响；文献7提出了一种永磁同步电机驱动系统，通过对零序电压分量检测实现电机的缺相故障诊断；文献8通过红热外成像检测技术诊断励磁感应电机中的各种故障状态；文献9提出了从电机声音中分离出混沌信号分量分析电机故障特征方法；文献10提出了一种基于极点对称模态分解和快速谱峭度联合分析的诊断方法，通过进行带通滤波、解调分析在平方包络谱中分析出电机故障特征。文献11提出了基于频域振动和电流信号的电机在线诊断系统，针对采用插值和外插策略实现支持向量机的数据分类，检测感应电机的电气故障；文献12提出了基于经验小波变换的CNN感应电机故障诊断系统，使用卷积神经网络从灰度图像中自动提取鲁棒特性，可以有效地诊断感应电机中的故障；文献13提出了变分模态分解方法，计算分解固有模态分量的能量熵，分析电机故障特征的诊断方法；文献14提出了基于卷积神经网络框架技术实现电机故障检测。1基于EMD-Hilbert的电机故障提取1.1 EMD基本原理经验模态分解（Empirical Mode Decomposition，EMD）是美国国家宇航局Huang等人于1998年提出的一种自适应信号分析技术。经验模态分解将电机振动信号分解成若干个固有模态函数（Intrinsic Mode Function，IMF）和没有频率成分的残余量，IMF可以准确捕捉信号中的特征信息。任何复杂信号都可以表征为若干个IMF相互交叠混合而成，并且在任意特征时间尺度，一个复杂信号都会包含若干个IMF。一般的，任何振动信号都是复杂信号且存在多个极大值点和多个极小值点。通过极大值点和极小值点可以构建振动信号的波动线，每一个波动线就相当于振动信号数据的数据原子。IMF通过平稳化方式处理电机振动信号，按照振动幅值逐层分解波动信号，将其拆分成若干数据集，每个数据集包含的信号特征不相同，并能够进行信号特征识别。给定一个复杂的信号x（t），其IMF方法分解如下所示：1）找出信号x（t）的所有极值点；2）用插值法对极大值点形成上包络Emax（t），对极小值形成下包络Emax（t）；3）计算均值mo（t）=（Emax（t）+Emin（t）/2；4）抽离细节ho（t）=x（t）-mo（t），得到第一个IMF，记c1（t）=h1k（t）；5）对残余的ro（t）重复步骤1）4）的操作。1.2 Hilbert变换原理Hilbert变换包络分析是一种有效的数据处理方法，本质是将原始信号与一段数据做卷积，相当于原始数据的过滤器。EMD方法通过对电机振动信号不断剥离低幅值信号，将其分解为若干个IMF和没有频率成分的残余量，对于得到的任一IMF通过Hilbert变换计算出其存在的瞬时频率与幅值。对固有模态函数Ci（t）作Hilbert变换如式（1）所示：Hci（t）=1-ci（t）t-dt（1）经过Hilbert变换构造对应的解析信号zi（t），如式（2）：zi（t）-ci（t）+jHci（t）=ai（t）ei（t）（2）从而得到相应的幅值函数，即E包络谱ai（t）和相位函数i（t），如式（3）和式（4）：ai（t）=c2i（t）+H2ci（t）（3）i（t）=arctanHci（t）ci（t）（4）由Hilbert变换可知，经过EMD分解得到的若干IMF是可以进行幅度解调，并利用幅度解调得到频率解调。通过对电机包络信号进行频谱分析，可以有效地提取电机在运转过程中产生的各种故障信息，当其边界误差较小，故障信息提取的效果越好。1.3基于EMD-Hilbert的电机故障包络谱分析电机振动频率远高于旋转频率，因此通过高频振动信号来分析电机异常故障特征是有效的。本文利用磁电式速度传感器采集电机旋转振动物理信号，通过模数转化获得振动数字信号，并对振动数字信号采用EMD分解，计算IMF分量和残余量。分解步骤如下所示：53基于EMD-Hilbert和主成分降维的电机故障信号特征提取图4电机振动信号故障特征样本1）通过MCDS机械故障综合实验台采集电机振动故障信号，每个样本取2048个点进行采样，记为x（t）；2）对振动信号x（t）进行EMD方法分解操作，得到若干个IMF，记为c1，c2，cn；3）得到的每一个IMF计算出其存在的瞬时频率与瞬时幅值，然后对所需要的各个ci作Hilbert变换得到bi；4）求出相应的包络信号qi：qi=c2i+b2i（5）5）求出包络信号qi的功率谱，同时确认和电机在振动数据中存在故障信息对应。2基于PCA的电机故障特征信号降维主成分分析方法（Principal Components Analysis，PCA）是一种常用的线性降维方法，通过线性投影将高维数据信息投射到低维数据信息空间中，将高维特征信息通过线性组合压缩为低维特征信息，实现特征信息样本点的缩减。主成分分析方法要求低维空间数据方差尽可能大，以此降低计算成本，使得低维信息能保留原始数据的特征。由于PCA降维方法完全依赖原始数据成分，所以获得的原始数据成分是否准确对分析结果影响特别重要。在电机故障特征应用中，PCA降维是通过建立特征向量的方式进行数据统计，对电机振动信号数据进行矩阵特征分解，进而得出数据的特征向量和特征值，实现数据维度从高维的降至低维。PCA降维方法主要步骤包括：1）将电机振动信号数据按列组成n行m列矩阵Z；2）将Z的每一行减去其均值；3）求出协方差矩阵Y，如式（6）：Y=1mZZT（6）4）求出Y对应的特征值以及它的特征向量；5）将特征向量按对应的特征值大小从上到下按行排列成矩阵，取前x行数据成分组成矩阵Q；6）把矩阵Z和矩阵Q相乘，即求得降维后的数据G，如式（7）：G=ZQ（7）3算例分析3.1数据采集系统本文使用的电机振动信号采集实验平台是由美国Spec-traQuest公司生产的MCDS机械故障综合实验台，如图1所示。通过开展定绕组故障、电压不平稳、缺相、转子断条等多种故障模拟实验，使用磁粉制动器对测试故障电机增加负载，通过设置标准化电机故障，将电机故障数据通过磁电式速度传感器采集和处理。图1MCDS机械故障综合实验台本实验使用灵敏度为50 mV/mm/s、方向为水平或垂直的磁电式速度传感器。同时为增加对电机振动的检测准确度，并且不受其他额外的干扰信号影响，对电机中心点距离地面的高度不大于450 mm的电机可选用弹性装置，对电机中心点距离地面的高度大于450 mm的电机选用刚性装置。3.2故障特征提取基于MCDS实验台模拟各类电机正常和故障环境，监测电机旋转产生的时域振动信号，运行故障分为空载情况和带载10种场景振动信号。为了保证信号采集的独立性，给磁粉制动器设置为电流1.5 A的负载，数据采样频率为3000 Hz，每一个振动信号随机取2048个点形成电机故障样本，每种电机故障采集100个样本作为电机故障数据集。部分信号采集情况如图2所示：图2电机振动信号时域图从图2中可以看出由于电机在旋转期间振动频率远远高于旋转频率，因此，对于高频信号的提取和分析至关重要。利用磁电式速度传感器得到的振动故障数据进行EMD分解，得到多个IMF和残余量。经过傅里叶变换和归一化方法把数据映射到0到1范围内处理，得到的模态分解函数如图3，可以看出在第一个固有模态函数IMF1中存在明显的幅值调制现象，另外对比前后模态在IMF1中含有的频率最高。随着信号分解层数的增加，信号含有频率成分逐渐递减，最后形成不能分解且没有频率成分的残余量。图3电机振动信号IMF1包络谱图4给出了5个IMF组成的包络谱作为电机故障特征样本，从图4中可以看出样本的特征数达到5120个特征样本点数，利用PCA对故障特征样本进行降维，起到删除冗余信息的54工业控制计算机2023年第36卷第1期（上接第52页）位号等信息数据形成的配料单，录入到微控制器软件中至关重要。系统启动后，无论是任务初装，还是元件续料，操作员只需要移动“0#天线”读取元件料盘上的标签，随后根据各栈位指示灯的状态进行操作即可。一旦操作有误，系统发出声光告警，引导操作员排除异常，达到智能供料的目的。该系统能够大大降低供料时因人工疲劳疏误而导致的误操作，减少后续维检修的工作量，提高产品的质量，缩短交货期，因此该智能供料系统在SMT生产线贴装供料生产方面具有很好的应用前景。参考文献1李烈强.印制线路板表面贴装生产线质量管理研究D.重庆：重庆大学，20192聂国健，谢宽，张棠清，等.SMT生产线的智能质量优化技术应用与进展J.电子产品可靠性与环境试，2020，38（5）：1-63李春芳.关于SMT生产线数据采集技术研究J.山西电子技术，2020（4）：88-904王文丰.论SMT生产中的常见问题及解决办法J.山西电子技术，2021（5）：50-51，545徐婧.H公司SMT工序质量跟踪与控制方法研究D.大连：大连理工大学，20206孙景.基于MES的SMT生产线智能制造改进D.廊坊：北华航天工业学院，20197王楚豫，谢磊，赵彦超，等.基于RFID的无源感知机制研究综述J.软件学报，2022，33（1）：297-3238颜谦和，颜珍平.基于RFID的短距离无线寻物系统的研究J.电子设计工程，2020，28（2）：44-479曹善甫，李珺涛.基于RFID技术的加工制造车间数据采集方法的研究J.化工管理，2020（18）：114-11510缪燕，王和平，喻翠微，等.浅谈SMT车间数据采集技术研究J.现代制造技术与装备，2019（1）：39，4111欧书云.一种基于射频识别的数据中心智能管理系统和方法：CN202486829UP.2012101012鲁学海.一种RFID天线阵列读写器：CN207731282UP.2018-08-1413陈娟.小面积NFC天线设计J.国外电子测量技术，2020，39（4）：144-14814郭宗鑫，张丕状，姚金杰，等.基于RFID新型抗金属标签设计J.国外电子测量技术，2019，38（12）：115-119收稿日期：2022-06-08作用。图5给出了PCA降维贡献率分布图，由图5可知故障特征数据降至10维就能保存故障特征数据中95%的有效信息，大大降低了系统数据容量。图5PCA贡献率图4结束语旋转电机故障诊断是保证电机正常运行的必要手段，故障特征提取是故障诊断的基础。本文提出了一种基于经验模态分解和Hilbert包络谱分解技术的旋转电机故障特征提取方