洗煤厂机械设备健康模式库的建立

王晴晴，肖湘萍，马万敏

（1.贵州师范学院数学与计算机科学学院，贵州 贵阳550018；2.青岛市开发区农机监理管理站，山东 青岛266555）

0 引 言

希尔伯特黄变换 （Hilbert－Huang transform，HHT）在处理信号时能够比较理想地分解出原信号的频率成分，受到了广大学者的青睐[1]。HHT变换处理信号的基本过程分为两部分：经验模态分解 （empirical mode decomposition，EMD）和Hilbert谱分析。首先利用EMD方法将给定的信号分解为若干个内禀模态函数，然后再将谱分析作用在每个IMF上，得到Hilbert谱。在本文中，根据研究内容的需要只分析经验模态分解方法。复杂的振动信号数据很难清晰地反映设备运行状况，设备在同一状态下的特征向量数据有一定的相似性，因此判断设备处在正常状态或是处在故障状态，可以转化成比较设备的特征向量。采集到设备不同工作状态清晰的特征向量，并建立起健康模式库，可为工作人员的判断提供更方便的依据。

1 EMD变换方法的实现

HHT为了获得具有实际物理意义的瞬时频率，引入基于信号局部时间特性的IMF[2，3]。它主要由两部分组成：EMD和Hilbert变换。EMD是一种依据数据自身的时间尺度特征来进行信号分解且无须预先设定任何基函数的信号分析方法。适合于分析非线性、非平稳信号序列，具有很高的信噪比。该方法的关键是经验模式分解，它能使复杂信号分解为有限个本征模函数 （intrinsic model function，IMF），所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。

Huang等人提出了通过限制标准差S的大小来确定，如下式所示：

EMD分解的过程可以描述如下：

确定信号x（t）所有的局部极值点，然后用三次样条线将所有的局部极大值点连接起来形成上包络线u（t）；

用同样的方法，把所有极小值点连接起来形成下包络线v（t）。

上下包络线的平均曲线为m（t），求出h1。

理论上，如果h1是一个IMF，那么h1就是x（t）的第一个IMF分量。

如果h1不满足IMF的条件，用h1代替x（t），重复步骤 （1）～ （3），重复K次，直到得到满足IMF条件的h1k。记c1＝h1k，则c1为信号x（t）的第一个满足IMF条件的分量。

对剩余的信号r1（t）继续进行EMD分解，得到的剩余部分为单调信号或者其值小于预先给定的值时，分解便可终止。最终将分解得到所有的IMF分量及余量。

原始的信号可以表示为所有的IMF分量及余量之和。

其中rn（t）称为残余函数，代表信号的平均趋势。

EMD方法从特征时间角度出发，首先把信号中特征时间尺度最小的模态分离出来，然后分离特征时间尺度大的模态函数，最后分离特征时间尺度更大的分量。

2 算法模型

本文主要目的是对振动信号进行分析处理，方便指导工作人员进行设备监控，及时发现设备故障，及时诊治。在笔者参与的项目中已经提取出了振动信息，为下一步的工作提供了数据来源。算法的步骤可以描述如下：

1）对采集的振动信号进行预处理，抑制噪声，提高信噪比；

2）利用EMD方法把健康状态下和非健康状态下的振动信号分解成从高频到低频的分量；

3）利用EMD对总能量E进行频率域能量的自动划分，即分别计算出高频到低频分量的能量；

4）比较健康状态下和非健康状态下的特征向量的不同，当储存了大量的数据后，可以通过对比特征向量的不同，判断设备的状态；

5）当设备运行了一定时间，经历了各种状态后，储备了大量的各种状态下的特征向量，把收集的特征向量当做训练样本，利用支持向量机进行训练分类；

6）当设备再次发生特定的故障后，利用支持向量机分类机就可以顺利地识别出设备的故障状态，智能化指导工作人员对设备进行维修。

接下来的内容，主要围绕以上步骤展开相关的工作。

3 基于EMD的洗煤厂机械设备特征参数提取和分析[4－9]

3.1 振动信号数据准备

根据实际情况，选择设备89A矸石筛作为这次振动信号采集的设备，以此为例作为分析对象。它位于主洗车间的主厂房3层。采集的信号为振动加速度信号，采样频率为1 024Hz。其原始信号分布特点如图1所示。

对振动信号进行EMD分解，分解结果从图2可以看出，从IMF1到IMF6频率逐次降低。每个IMF分量代表了不同的频率成分。

图1 原始的振动信号

图2 原始信号与EMD分解结果

3.2 振动信号数据预处理

由于原始的信号中包含多种噪声，会给分析带来很大的影响。为了准确识别波形、分析故障，必须抑制噪声，提高信噪比。本文选用EMD方法对振动信号进行预处理，将EMD分解出的各层IMF分为噪声起主导作用层和有用信号起主导作用层，去掉噪声信号成分起主导作用层，重构信号。

图3 重建后的信号

图4 重建后信号的IMF分解

3.3 利用EMD方法提取振动信号特征向量及数值分析

利用EMD方法对振动信号x（t）进行分解后得到各IMF分量，各分量分别为C1，C2…，Cn和一个残余分量rn（t）。各IMF分量的能量分别为E1，E2，…En，这里各个分量的能量就是要提取的特征向量，n个IMF分量的能量总和就等于原始信号的总能量。利用EMD做到了对总能量E的一种频率域能量自动划分[3]。

经EMD分解后的各内禀模态函数代表了一种特征尺度下的平稳信号，各频带能量的变换就能反映出设备振动情况的变化，分析出设备运行的状况。

特征向量提取步骤：

利用EMD对原始振动信号进行分解，选取包含主要信息的前n个IMF分量。

求每个IMF分量的能量Ei。

对Ei进行归一化处理：

当89A矸石筛设备在健康状态下运行时，对采集到的振动信号进行处理，EMD分解如图5所示：

图5 健康状态下振动信号的EMD分解结果

图6 非健康状态下振动信号的EMD分解结果

当89A矸石筛处于非健康状态时，对采集到的数据进行处理，EMD分解如图6所示：

比较两种情况下分解得到的EMD图，可以发现，健康状态下分解得到的IMF6和非健康状态下得到的IMF6明显不同。因此可以通过分析EMD分解结果来判断设备的运行状态。

健康状态下和非健康状态下的特征向量结果如表1所示。从表中可以看出，健康状态下IMF5～IMF6的能量分布较高，而非健康状态下IMF5～IMF6的能量分布较小。

从IMF1～IMF6，频率是逐渐降低的，即IMF1反应的是高频模态，而IMF6反应的是低频模态。

观察在非健康状态下采集的原始振动信号数据发现，大概每隔10个采样点，所采的数据较健康状态下采集的数据大小对比有2～3倍的变化。IMF5～IMF6结果正好对应着原始数据所反应的情况。说明使用EMD对振动信号进行分析是合理的、科学的。能更方便、快速地了解振动信号信息，及时掌握设备的运行状况，为实时监控提供了可行的依据。

表1 各层分解的特征向量

4 结 论

利用EMD方法提出了振动信号的特征向量，并比较了健康和非健康状态下的特征向量值，从特征向量值中可以看出两种状态下的不同结果。说明利用EMD对洗煤厂的振动信号进行分析是合理的、科学的、有效的，可依此建立设备的健康模式库。

[1]张学工.关于统计学习理论与支持向量机[J].自动化学报，2000，26（01）：32－42.

[2]程军圣，于德介，杨宇.基于内禀模态奇异值分界和支持向量机的故障诊断方法[J].自动化学报，2006，32（03）：475－480.

[3]谢芳芳，章兢，郑剑.基于支持向量机故障诊断方法[J].传感器世界，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]马笑潇，黄席樾，柴毅.基于SVM的二叉树分类算法及其在故障诊断中的应用[J].控制与决策，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]周建国.大型鼓风机的振动分析与诊断[J].风机技术，1990，（04）：43－46.

[9]郭小荟，马小平.基于粗糙集－神经网络集成的故障诊断控制工程[J].控制工程，2007，14（01）：53－57.