本發(fā)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(fā)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(fā)現(xiàn)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(lián)軸器脫開及錐齒輪脫開。

高速線材軋機狀態(tài)故障診斷是在監(jiān)測設備的運行狀態(tài)信息并進行故障識別，避免故障擴大帶來的巨大經(jīng)濟損失。因而需提高檢測裝置的靈敏度及可靠性，而在現(xiàn)有的檢測裝置基礎上，通過對所檢測信號的數(shù)字化處理，可實現(xiàn)低成本、高可靠性的高速線材軋機狀態(tài)故障診斷。

采集的高速線材軋機振動信號中往往同時存在隨機噪聲干擾和電源工頻干擾，常規(guī)方法對信號的判斷存在對真實運行狀態(tài)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干擾是高速線材軋機旋轉(zhuǎn)振動信號處理的重要內(nèi)容。

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

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

假設采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(shù)滿足：1<n<N。令m＝N-n+1，則有A∈R^m×n。

向量u_i及v_i滿足如下關系：

式(3)中，u_i∈R^m×1，v_i∈R^n×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＝A_z+A_s+A_ξ (5)

其中，A_z為根據(jù)直流分量信號z(j)構造的Hankel矩陣，A_s為根據(jù)交流分量信號s(j)構造的Hankel矩陣，A_ξ為根據(jù)噪聲分量ξ(j)構造的Hankel矩陣，并且上述三個矩陣均滿足A_z、A_s、A_ξ∈R^m×n。

在Hankel矩陣中，每一行都是從原信號中截取的一段，并且相鄰向量僅滯后一個點，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，其秩遠小于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σ_i(Y)、矩陣X的奇異值σ_i(X)、矩陣W的奇異值σ_i(W)三者之間滿足如下關系：

σ_i(X)≤σ_i(Y)≤σ_i(X)+σ_i(W) (6)

式(6)表明，由含噪信號y所生成的奇異值中，前r個值要遠遠大于后面的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：

b_i＝σ_i-σ_i+1

其中，i＝1,2,3,…,m-1。由于上式中的定義，則由b_i構成的序列b稱為奇異值差分譜。根據(jù)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征信號的較大奇異值，然后將較小奇異值部分置零，保留較大奇異值部分，從而達到降噪和特征提取的目的。

但是，發(fā)明人在對現(xiàn)有的基于SVD的特征提取過程的研究過程中，發(fā)現(xiàn)上述的現(xiàn)有方式的降噪效果并不是很好，主要表現(xiàn)在并沒有考慮到噪聲的頻域特征，因而并不能準確的完成故障特征信號的提取。

技術實現(xiàn)要素：

針對上述技術問題，本發(fā)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征識別方法，以提高故障特征信號的信噪比，實現(xiàn)高速線材軋機故障的準確診斷。

本發(fā)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征識別方法，所述方法包括：

對采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(jù)所述奇異值向量構造奇異值差分譜，并根據(jù)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范圍內(nèi)，對所述奇異值向量進行快速傅里葉變換FFT；

搜索FFT結果序列中具有工頻及其倍頻特征的幅值，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，以獲得故障特征信號。

本發(fā)明實施例提供的高速線材軋機的故障信號降噪重構特征識別方法，通過對采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(jù)所述奇異值向量構造奇異值差分譜，并根據(jù)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范圍內(nèi)，對所述奇異值向量進行快速傅里葉變換FFT，搜索FFT結果序列中具有工頻及其倍頻特征的幅值，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(xiàn)了故障特征信號的提取，提高了故障特征信號的信噪比，實現(xiàn)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(fā)明的其它特征、目的和優(yōu)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系圖；

圖4是奇異值與頻率的關系圖；

圖5是奇異值與相位的關系圖；

圖6是分量奇異值與幅值的關系圖；

圖7是信號奇異值與矩陣列數(shù)的關系圖；

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

圖9A是本發(fā)明實施例提供的工程采集信號的信號波形圖；

圖9B是本發(fā)明實施例提供的工程采集信號的信號頻譜圖；

圖10是本發(fā)明實施例提供的工程采集信號的奇異值譜圖；

圖11是本發(fā)明實施例提供的工程采集信號的奇異值差分譜；

圖12A是本發(fā)明實施例提供的重構信號的波形圖；

圖12B是本發(fā)明實施例提供的重構信號的頻譜圖；

圖13是本發(fā)明實施例提供的的工程采集信號重構后的信號部分左奇異向量頻譜；

圖14A是本發(fā)明實施例提供的的工程采集信號重構降噪后的信號波形圖；

圖14B是本發(fā)明實施例提供的工程采集信號重構降噪后的頻譜圖。

具體實施方式

下面結合附圖和實施例對本發(fā)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于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關的部分而非全部結構。

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

式(3)中，令設A_i的第一個行向量為P_i,1，V_i,n為A_i最后一個列向量去掉其第一個元素后的子列向量，將P_i,1和V_i,n的轉(zhuǎn)置首尾相接形成分量信號P_i，即：

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

A_i用行向量P_i,1,P_i,2,…,P_i,m表示，P_i,m∈R^(m-1)×1；矩陣A用行向量表示X₁,X₂,…,X_m，X_m∈R^1×n，則A的行向量等于所有A_i的相應行向量的疊加，即：

X₁＝P_1,1+P_2,1+…+P_r,1 (9)

設A中列向量用V_n表示，V_n∈R^(m-1)×1，V_n等于所有A_i中相應列向量V_i,n的疊加，其轉(zhuǎn)置也同樣成立，即：

信號X用向量形式表示，而分量信號P_i用向量形式表示，則所有分量信號和為：

也就有：

P₁+P₂+…+P_r＝X (11)

將原始信號構造為Hankel矩陣并進行奇異值分解，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(xiàn)對信號特征信息的提取。

根據(jù)式(8)，可計算分量信號Pi的能量為：

式(12)中，u_i1是向量u_iui的第1個坐標，u_i1<1；v_i,n是向量v_i的第n個坐標，v_i,n<1。由式(12)可知：即：

|P_i|∝σ_i (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P_i＝asin(2πft+φ)，則：

由于P_i為周期信號，周期為T(數(shù)據(jù)點數(shù))，采樣數(shù)N中包含的信號周期數(shù)為N₀(為整數(shù))，如果N＝TN₀，則ε為0；如果N≠TN₀，則|ε|<N-TN₀<T/2，當采樣數(shù)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：

σ_i∝a (17)

σ_i∝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，奇異值與信號采樣數(shù)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系。

取仿真信號s＝s₀+ξ(n)，s₀＝a₁sin(2πf₁t+φ₁)+a₂sin(2πf₂t+φ₂)為測試信號；參數(shù)為a₁＝3，f₁＝50，φ₁＝0.2π，a₂＝2，f₂＝115，φ₂＝1.3π；采樣率f_s＝1024，采樣數(shù)f_N＝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)奇異值與信號間關系

構造Hankel矩陣，行數(shù)m＝512，列數(shù)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，其余奇異值代表噪聲。

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(guī)律，刪除噪聲分量ξ(n)，分析s₀的變化規(guī)律。

奇異值同幅值之間的變化規(guī)律：只改變信號s₀中參數(shù)a₁，其余參數(shù)不變，奇異值與幅值a₁的關系如圖3所示，其中奇異值同幅值a₁成正比。

奇異值同頻率的關系：只改變信號s₀中參數(shù)f₁，其余參數(shù)不變，f₁在信號最高分析頻率內(nèi)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(shù)不變，奇異值同相位之間的關系如圖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系。即a₁＝a₂，信號s₀中其它參數(shù)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系如圖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(jù)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(xiàn)相應干擾分量的消除。

(2)奇異值與矩陣結構的關系

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

將采樣數(shù)N依次設置為：500，760，1000，1500，1800，2000，然后構造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(shù)同奇異值之間的關系，如圖7所示。圖中兩個分量的奇異值都隨著Hankel矩陣列數(shù)的變化而線性變化，在各信號分量保持不變時，奇異值與信號采樣數(shù)成正比。

根據(jù)上文的結論，本發(fā)明將奇異值和奇異向量二者結合起來，基于SVD的統(tǒng)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(jīng)SVD后，首先根據(jù)奇異值分布規(guī)律確定有效奇異值階次，以降低信號中的隨機噪聲，然后對該階次范圍內(nèi)的奇異向量進行快速傅里葉變換，搜索具有工頻及其倍頻特征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，用其余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(fā)明方法可在獲得的檢測信號中消除工頻及其他噪聲，便于顯性提取故障特征信號。

本發(fā)明實施例提供了高速線材軋機的故障信號降噪重構特征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，對采集的模擬振動信號進行數(shù)字化。

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

S82，根據(jù)數(shù)字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，對采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。

將采集到的信號構造Hankel矩陣并進行奇異值和奇異向量復合處理，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(jù)所述奇異值向量構造奇異值差分譜，并根據(jù)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(jù)如下公式構造奇異值差分譜：

b_i＝σ_i-σ_i+1 (19)

式(19)中，b_i為所述奇異值差分譜中的第i個差分值，σ_i為所述奇異值向量中的第i個奇異值，σ_i+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(jù)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(fā)現(xiàn)，隨機噪聲有了極大降低。

S85，在有效奇異值階次的范圍內(nèi)，對所述奇異值向量進行快速傅里葉變換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征的幅值，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(jù)上文的分析，應該將U₄、U₅、U₁₂、U₁₃對應的FFT變換后的奇異值由變換后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，以獲得故障特征信號。

時域信號的重構是由采集信號數(shù)字化至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σ_i(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(fā)現(xiàn)，不但降噪后的信號中的隨機噪聲得以去除，工頻干擾也得以消除，得到干凈的轉(zhuǎn)子基頻及其倍頻信號，從而有利于后續(xù)對轉(zhuǎn)子運行狀態(tài)的分析和診斷。

本發(fā)明實施例將奇異值及奇異值向量結合起來，并利用FFT變換后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變換后的奇異值向量中剔除，根據(jù)剔除后的奇異值向量重構時域信號，提高了故障特征信號的信噪比，實現(xiàn)了高速線材軋機故障的準確診斷。

以上所述僅為本發(fā)明的優(yōu)選實施例，并不用于限制本發(fā)明，對于本領域技術人員而言，本發(fā)明可以有各種改動和變化。凡在本發(fā)明的精神和原理之內(nèi)所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。