一种基于emd-svd与mts的机械磨损件性能评估与预测方法
【专利摘要】本发明提供了一种基于EMD-SVD与MTS的机械磨损件性能评估与预测方法，属于机械磨损件故障诊断【技术领域】。首先对采集的被监测对象的信号进行降噪处理，然后对信号进行EMD分解，选取有效的IMF分量和剩余函数组成初始矩阵，对初始矩阵进行奇异值分解，对得到的特征值进行归一化处理得到特征向量；然后利用MTS方法计算马氏距离，并利用田口方法对特征向量进行优化和约减；将马氏距离转化为置信值，通过跟踪置信值的趋势对机械磨损件的性能进行评估，通过被监测对象置信值与工况的关系模型或匹配矩阵，对故障进行预测。本发明避免了现有方法处理非线性非平稳信号易出现错误的问题，适合应用于工业实时监测，减少故障发生几率。
【专利说明】—种基于EMD-SVD与MTS的机械磨损件性能评估与预测方法
【技术领域】
[0001]本发明涉及一种机械磨损件的性能评估与预测的技术，属于机械磨损件故障诊断【技术领域】。
【背景技术】
[0002]随着科技的发展，现代工业向着自动化的方向迅猛发展，工业自动化的普及程度越来越高。工业自动化不仅要求机器、设备等生产制造过程能自动运行，同时，与之配套的控制过程也必不可少。控制过程主要用来监测设备的运行状态，保证其正常运行，以实现对最终的产品质量的控制。机械磨损件如数控车床、数控铣床等机床中的刀具，以及普遍使用的齿轮、轴承等，作为各类设备的关键部件，其性能评估和预测技术也就成为了控制过程不可缺少的技术。
[0003]在工业过程中，停机检测会对生产造成一定损失，而在线监测则可实时地显示设备状态，从而在故障发生前做出预警，以便对维修和更换工作进行安排，减小因停机造成的损失。在线监测一般通过采集相关部件的信号，通过对信号进行分析、降噪、提取特征信息，从而对信号的来源部件进行性能评估和预测。
[0004]机械磨损件如刀具、轴承和齿轮等，其故障一般表现在振动信号中，而且故障信号一般呈现非线性非平稳的特性，用常用的时域或频域分解方法难以得到有效信息。
[0005]由Ν.E.Huang等人于1998年提出的经验模态分解(Empirical ModeDecomposition,简称EMD),适合分析非线性、非平稳信号序列,具有很高的信噪比。它能将复杂信号分解为有限个本征模函数(Intrinsic Mode Function,简称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，由于分解是基于信号序列自身时间尺度的特性，因此具有自适应性。EMD能使非平稳数据进行平稳化处理，与短时傅立叶变换、小波分解等方法相比，这种方法是直观的、直接的、后验的和自适应的。
[0006]奇异值分解(Singular Value Decomposition,简称SVD)是一种数学上提取矩阵特征值的方法，它能较好的保存矩阵的特征信息，现在已广泛用于信号处理领域。
[0007]马田系统(Mahalanobis-Taguchi System,简称MTS)由日本著名质量管理专家田口玄一(Genichi Taguchi)博士于上世纪90年代发展出的模式识别技术。马田系统基于马氏距离(Mahalanobis Distance,简称MD),以马氏距离信噪比(Signal to Noise Ratio,简称SNR)为优化指标，应用二水平正交表进行有效特征的选择，并在此基础上进行数据分类与判别分析。与目前常用的模式识别技术相比，马田系统具有优化特征向量的功能，而且与基于迭代思想的神经网络相比，其计算过程简单，适合于工业应用。此外，马氏距离基准空间的建立仅需要机械磨损件正常状态下的数据，从而解决了在部件运行初期，较难获得全寿命数据的问题。
[0008]置信值(Confidence Value,简称CV)是由Jay Lee团队提出的衡量部件健康度的参数。本发明中，通过相应的归一化函数，马田系统得出的马氏距离将被归一化为置信值来最终表征部件的健康度。
[0009]在工业控制过程中，传统机械磨损件健康评估与预测方法存在对非平稳非线性信号处理比较困难，健康评估不准确的问题，且现有采用的基于神经网络、混沌等方法存在实时性差、不适合工业应用等问题。
【发明内容】
[0010]本发明的目的是为了解决在工业控制过程中，传统机械磨损件健康评估与预测方法存在对非平稳非线性信号处理比较困难，健康评估不准确的问题，解决现有的基于神经网络、混沌等方法存在实时性差、不适合工业应用问题，在使用EMD有效对信号进行处理的基础上，使用SVD保存信号的特征，并使用MTS对特征进行判别，形成了一套基于EMD-SVD与MTS的机械磨损件性能评估与预测方法。
[0011]本发明提供的一种基于EMD-SVD与MTS的机械磨损件性能评估与预测方法，包括如下步骤:
[0012]步骤一、采集被监测对象信号，对采集的信号进行降噪处理；
[0013]步骤二、对步骤一得到的信号进行特征提取，具体是:首先，对信号进行经验模态分解，得到η个MF分量和剩余函数；其次，选取有效的MF分量和剩余函数组成初始矩阵A ;然后，对初始矩阵A进行奇异值分解，得到信号的特征值；最后，对特征值进行归一化处理，得到信号归一化后的特征向量；
[0014]步骤三、利用被监测对象正常状态下得到的特征向量构建马氏距离基准空间，然后利用测试数据计算马氏距离；并利用田口方法对特征向量进行优化和约减；
[0015]步骤四、将马氏距离通过归一化函数转化为置信值，置信值表征了被监测对象的性能状态，通过跟踪置信值的趋势对机械磨损件的性能进行评估；
[0016]步骤五、机械磨损件故障预测:收集被监测对象全寿命的马氏距离、置信值数据及工况信息，建立起对应关系模型或匹配矩阵；通过所建立的关系模型或匹配矩阵，对被监测对象的马氏距离及置信值趋势做出预测，从而对故障进行预测；
[0017]步骤六、实时采集被监测对象信号，将所采集的信号进行降噪处理后，经过步骤二进行特征提取，经过步骤三计算对应的马氏距离，在步骤四中，根据该马氏距离对被监测对象的性能进行评估，在步骤五中对故障进行预测。
[0018]所述的步骤一中，采集被监测对象正常状态和故障状态下各两组以上的信号。
[0019]所述的步骤二中，初始矩阵A表示为:A = (c1； c2,..., cn，r)T,其中，c2,..., cn为n个IMF分量q (t)，c2 (t)，...，cn(t)的简写，r为r(t)的简写,上角标T表不转置。
[0020]本发明的机械磨损件性能评估与预测方法，其优点与积极效果在于:
[0021](1)采用EMD方法，避免了现有方法处理非线性非平稳信号易出现错误的问题；
[0022](2)采用SVD方法，有效的保存了原始信号的数学特征，且提高了方法的实时性；
[0023](3)采用马田系统，其中马氏距离的计算过程简单，适合应用于工业实时监测；
[0024](4)采用田口方法对系统进行优化，提高了判别的准确性，对特征向量维度的约减也使得计算更加简便；
[0025](5)实现了对机械磨损件的性能评估与预测，减少故障发生的几率，保证工业安全。【专利附图】
【附图说明】
[0026]图1是本发明的机械磨损件性能评估与预测方法的流程图；
[0027]图2是原始信号与EMD分解结果示意图；
[0028]图3是置信值的趋势图；
[0029]图4是刀具的故障预测时建立关系模型的结构示意图。
【具体实施方式】
[0030]下面将结合附图和实施例对本发明作进一步的详细说明。
[0031]本发明是一种针对机械磨损件的性能状态，采用EMD-SVD与MTS进行性能评估与预测的方法，针对工作中的机械磨损件，安装振动、声发射、力学等传感器，采集信号并研究信号特征，将頂F分量组成的矩阵进行奇异值分解，提取其奇异值，将归一化后的奇异值组成特征向量，利用马田系统对信号进行状态识别，利用置信值对当前状态进行评估，并综合历史数据建立关系模型进行趋势预测。
[0032]本发明的基于EMD-SVD与MTS的机械磨损件性能评估与预测方法，整体流程如图1所示，下面对各步骤进行具体说明。
[0033]步骤一、采集被监测对象正常状态信号和故障状态信号，并对采集的信号进行降噪处理。
[0034]根据机械磨损件的特征，安装相应的传感器，采集振动、声发射或力学信号，并对采集的信号进行初步降噪处理。一般，对正常状态和故障状态下的信号都采集多组。
[0035]步骤二、对步骤一处理后的信号进行特征提取。
[0036]对步骤一中采集并经降噪处理后的信号进行EMD，分解为MF分量和剩余函数，选取有效的IMF分量和剩余函数组成初始矩阵，将初始矩阵进行奇异值分解得出特征值，对特征值进行归一化处理并组成特征向量。
[0037]对步骤一得到的信号进行EMD分解的过程如下:设待处理的原始信号序列为x(t),t为采集时间，则通过下面步骤进行EMD分解:
[0038]步骤2.1:将原始信号序列x(t)作为待处理序列X' (t)，并设剩余信号序列r(t)为X (t)，设置计数器P的初始值为1 ;
[0039]步骤2.2:找出待处理序列X' (t)所有的极大值点和极小值点，并用三次样条函数对所有极大值点和极小值点分别拟合，得到待处理序列X' (t)的上下包络线；
[0040]步骤2.3:计算待处理序列X1 (t)的上下包络线的均值μ (t)，并将待处理序列X' (t)减去均值μ (t)，得到一个去掉低频的新数据序列y(t):y(t) = x' (t) - μ (t)；
[0041]步骤2.4:判断y(t)是否满足MF分量条件，若否，则将序列y (t)作为待处理序列X, (t)，然后转步骤2.2执行；若是，则得到第P个IMF分量cp (t)，然后继续执行步骤
2.5o
[0042]得到的第一个IMF分量Cl(t)代表信号x(t)中最高频率的分量。
[0043]IMF分量条件是:在整个时间范围内，极值点和过零点的数目必须相等，或最多相差一个；在任意时刻点，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)的平均值必须为零。[0044]步骤2.5:更新剩余信号序列r (t)，将当前的剩余信号序列与第ρ个IMF分量cp(t)相减，得到更新后的剩余信号序列:r(t) = r(t)-cp(t)；
[0045]并更新ρ的值:ρ=ρ+1。
[0046]步骤2.6:判断剩余信号序列r(t)是否为单调函数，若不是，将剩余信号序列r (t)作为待处理序列x, (t)，然后转步骤2.2执行。若是，则分解结束，得到原始信号序列x(t)的η个IMF分量和剩余函数，原始信号序列可以表示为:
【权利要求】
1.一种基于经验模态分解(EMD)-奇异值分解(SVD)与马田系统(MTS)的机械磨损件性能评估与预测方法，其特征在于，包括如下步骤:步骤一、采集被监测对象信号，对采集的信号进行降噪处理；步骤二、对步骤一得到的信号进行特征提取，具体是:首先，对信号进行经验模态分解，得到η个本征模函数(IMF)分量和剩余函数；其次，选取有效的IMF分量和剩余函数组成初始矩阵A ;然后，对初始矩阵A进行奇异值分解，得到信号的特征值；最后，对特征值进行归一化处理，得到信号归一化后的特征向量；步骤三、利用被监测对象正常状态下得到的特征向量构建马氏距离基准空间，然后利用测试数据计算马氏距离；并利用田口方法对特征向量进行优化和约减；步骤四、将马氏距离通过归一化函数转化为置信值，通过跟踪置信值的趋势对机械磨损件的性能进行评估；步骤五、收集被监测对象全寿命的马氏距离、置信值数据及工况信息，建立对应的关系模型或匹配矩阵；通过所建立的关系模型或匹配矩阵，对被监测对象的马氏距离及置信值趋势做出预测，实现对故障的预测；步骤六、实时采集被监测对象信号，将所采集的信号进行降噪处理后，经过步骤二进行特征提取，经过步骤三计算对应的马氏距离，在步骤四中，根据该马氏距离对被监测对象的性能进行评估，在步骤五中对故障进行预测。
2.根据权利要求1所述的机械磨损件性能评估与预测方法，其特征在于，所述的步骤一中，采集被监测对象正常状态和故障状态下各两组以上的信号。
3.根据权利要求1所述的机械磨损件性能评估与预测方法，其特征在于，所述的步骤二中，初始矩阵A表示为:Α = (ο1； c2,..., cn, r)T,其中，q，c2,...，cn为n个IMF分量c^t), c2(t),..., cn(t)的简写，r为r(t)的简写,上角标T表示转置。
4.根据权利要求1或3所述的机械磨损件性能评估与预测方法，其特征在于，所述的步骤二中，在信号归一化后的特征向量中加入信号的有限值、峰值和裕度，得到最终的特征向量。
5.根据权利要求1或3所述的机械磨损件性能评估与预测方法，其特征在于，所述的步骤三中，利用田口方法对特征向量进行优化和约减，具体是:选择二水平正交表La(2b)，a为行数，表示试验次数，b为列数，表示因素个数，特征向量中的每个元素作为一个因素；2表示水平数，定义水平1为“使用该因素”，水平2为“不使用该因素”;对于某个因素，设A和t2分别是该因素在水平1和水平2下的信噪比的平均值；设影响因子At = t1-t2，若At< 0，表明该因素指标具有负的作用，将该因素舍弃；若At > 0，保留该因素；最终由保留下的因素重构为优化后的基准空间，对优化后的基准空间进行有效性检验，重新计算马氏距离。
6.根据权利要求1所述的机械磨损件性能评估与预测方法，其特征在于，所述的步骤四中，当被监测对象为刀具时，归一化函数CV表示为:
7.根据权利要求1或6所述的机械磨损件性能评估与预测方法，其特征在于，所述的步骤五中，当被监测对象为刀具时，建立的关系模型为:CV⑴=(α.V+ β.D+ λ.ω).t+ θ其中，CV(t)为t时刻刀具的置信值，V为进给速度，D为切削深度，ω为转速；α、β、λ和Θ为影响因子参数，通过历史数据与置信值的关系得出。
【文档编号】G01M13/00GK103674511SQ201310553759
【公开日】2014年3月26日 申请日期:2013年11月8日 优先权日:2013年3月18日
【发明者】贝继坤, 吕琛, 王志鹏, 王自力 申请人:北京航空航天大学