剡昌鋒,易　程,吳黎曉,韋堯兵

(蘭州理工大學(xué) 機(jī)電工程學(xué)院,甘肅 蘭州 730050)

?

基于EEMD和ARIMA模型的汽輪機(jī)故障趨勢(shì)預(yù)測(cè)

剡昌鋒,易程,吳黎曉,韋堯兵

(蘭州理工大學(xué) 機(jī)電工程學(xué)院,甘肅 蘭州 730050)

由于汽輪發(fā)電機(jī)轉(zhuǎn)子振動(dòng)狀態(tài)監(jiān)測(cè)數(shù)據(jù)具有非線性和非平穩(wěn)性,采用普通時(shí)間序列預(yù)測(cè)模型時(shí)預(yù)測(cè)的精度較低。研究通過分析振動(dòng)信號(hào)的頻率成分,融合EEMD分解平穩(wěn)化處理和ARIMA預(yù)測(cè)模型的思想,建立一種混合預(yù)測(cè)模型。結(jié)果表明:該方法能夠適應(yīng)振動(dòng)狀態(tài)監(jiān)測(cè)數(shù)據(jù)特征,反映了振動(dòng)狀態(tài)的主要變化趨勢(shì),具有較高的預(yù)測(cè)精度以及更大的應(yīng)用范圍,其預(yù)測(cè)趨勢(shì)對(duì)進(jìn)一步進(jìn)行振動(dòng)狀態(tài)分析具有一定的參考價(jià)值。

EEMD;ARIMA;趨勢(shì)預(yù)測(cè);頻率成分

汽輪發(fā)電機(jī)組是電力生產(chǎn)的重要設(shè)備,通過狀態(tài)監(jiān)測(cè)實(shí)現(xiàn)實(shí)時(shí)故障診斷和設(shè)備預(yù)知性維修具有重要的實(shí)用價(jià)值[1,2]。轉(zhuǎn)子振動(dòng)狀態(tài)監(jiān)測(cè)數(shù)據(jù)反映了機(jī)械系統(tǒng)的主要變化規(guī)律,蘊(yùn)含著豐富的故障征兆信息,對(duì)其實(shí)時(shí)監(jiān)測(cè)有助于進(jìn)行故障趨勢(shì)預(yù)測(cè)[3]。同時(shí),由于機(jī)械系統(tǒng)結(jié)構(gòu)的復(fù)雜性和運(yùn)行環(huán)境的特殊性,導(dǎo)致了狀態(tài)監(jiān)測(cè)數(shù)據(jù)具有海量性、高維性、動(dòng)態(tài)性和復(fù)雜性等特點(diǎn),采用單一的狀態(tài)趨勢(shì)預(yù)測(cè)方法很難滿足在不同條件下取得較理想的預(yù)測(cè)效果。常用狀態(tài)趨勢(shì)預(yù)測(cè)方法有基于統(tǒng)計(jì)學(xué)的傳統(tǒng)方法、人工智能方法、傳統(tǒng)方法與人工智能結(jié)合的混合預(yù)測(cè)方法,其中時(shí)間序列自回歸滑動(dòng)平均(ARMA,auto-regressive and moving average)模型因其簡單直觀、運(yùn)算方便且執(zhí)行快速而被普遍使用。Box等[4]針對(duì)非平穩(wěn)隨機(jī)時(shí)間序列運(yùn)用累計(jì)差分的方法提出了差分自回歸滑動(dòng)平均(ARIMA,auto-regressive integrated moving average)時(shí)間序列預(yù)測(cè)模型。Babu等[5]將線性預(yù)測(cè)模型和非線性預(yù)測(cè)模型相結(jié)合建立了ARIMA-ANN模型,同時(shí)運(yùn)用移動(dòng)平均濾波器處理數(shù)據(jù),進(jìn)行單步或多步預(yù)測(cè)時(shí)都具有較高的預(yù)測(cè)精度,但是該方法需要大量數(shù)據(jù)來進(jìn)行模型參數(shù)的估計(jì)。

除了直接對(duì)狀態(tài)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)外,通過進(jìn)行數(shù)據(jù)預(yù)處理對(duì)預(yù)測(cè)效果也能起到很好的改善作用[6],例如基于經(jīng)驗(yàn)?zāi)B(tài)分解的時(shí)間序列預(yù)測(cè)方法[7]、基于離散小波分解的時(shí)間序列預(yù)測(cè)方法[8]等。這些方法試圖通過預(yù)處理過程,將狀態(tài)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪以及平穩(wěn)化處理,然后利用平穩(wěn)時(shí)間序列模型對(duì)其加以預(yù)測(cè),可以有效提高狀態(tài)趨勢(shì)預(yù)測(cè)的可靠性。

研究提出了一種基于集合經(jīng)驗(yàn)?zāi)７纸?EEMD,ensemble empirical mode decomposition)和ARIMA模型的振動(dòng)狀態(tài)趨勢(shì)預(yù)測(cè)方法,通過對(duì)狀態(tài)監(jiān)測(cè)數(shù)據(jù)運(yùn)用形態(tài)濾波器進(jìn)行降噪預(yù)處理,從分析振動(dòng)信號(hào)頻率成分的角度出發(fā),利用EEMD并計(jì)算互相關(guān)系數(shù)篩選出相關(guān)分量,對(duì)各分量建立ARIMA模型形成混合預(yù)測(cè)框架,預(yù)測(cè)非平穩(wěn)時(shí)間序列的趨勢(shì)變化。該方法能夠適應(yīng)狀態(tài)監(jiān)測(cè)的數(shù)據(jù)特征,提高了狀態(tài)趨勢(shì)預(yù)測(cè)質(zhì)量,同時(shí)具有較強(qiáng)的應(yīng)用價(jià)值。

1　混合趨勢(shì)預(yù)測(cè)模型

旋轉(zhuǎn)機(jī)械在運(yùn)行過程中,系統(tǒng)參數(shù)的觀測(cè)值之間具有顯著的關(guān)聯(lián)性,這種關(guān)聯(lián)性是機(jī)械系統(tǒng)內(nèi)部動(dòng)力學(xué)行為的外在表現(xiàn),也是狀態(tài)趨勢(shì)預(yù)測(cè)的基礎(chǔ)。但是,這種關(guān)聯(lián)性會(huì)隨著狀態(tài)參數(shù)頻率的增大而使不同時(shí)刻的數(shù)據(jù)相關(guān)性減小,如果直接對(duì)快速變化參數(shù)進(jìn)行趨勢(shì)預(yù)測(cè)也就意義不大,則需要轉(zhuǎn)換預(yù)測(cè)指標(biāo)來進(jìn)行有效地趨勢(shì)預(yù)測(cè)。通過對(duì)連續(xù)緩變的狀態(tài)監(jiān)測(cè)數(shù)據(jù)建立時(shí)間序列模型可以揭示數(shù)據(jù)之間的這種顯著關(guān)聯(lián)性,依據(jù)時(shí)間序列模型對(duì)有限的歷史數(shù)據(jù)進(jìn)行延拓,從而實(shí)現(xiàn)對(duì)狀態(tài)趨勢(shì)的預(yù)測(cè)來獲知復(fù)雜機(jī)械系統(tǒng)的運(yùn)行狀況。從試驗(yàn)現(xiàn)場(chǎng)采集到的振動(dòng)信號(hào)包含多種形式的隨機(jī)噪聲,減弱了這種關(guān)聯(lián)性,數(shù)據(jù)的預(yù)處理可以降低隨機(jī)噪聲而提高數(shù)據(jù)的可靠性和精確度。頻率成分反映了振動(dòng)信號(hào)的內(nèi)在結(jié)構(gòu)本質(zhì),運(yùn)用自適應(yīng)信號(hào)分解的方法并依據(jù)互相關(guān)系數(shù)篩選出最相關(guān)的分量和趨勢(shì)分量,因?yàn)樗鼈兪怯绊懻駝?dòng)狀態(tài)趨勢(shì)變化的決定性因素。研究提出基于EEMD和ARIMA模型相結(jié)合的混合趨勢(shì)預(yù)測(cè)方法,對(duì)轉(zhuǎn)子振動(dòng)狀態(tài)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。通過編程實(shí)現(xiàn)的流程如圖1所示。

圖1　混合趨勢(shì)預(yù)測(cè)框架Fig.1　Prediction frame of the mixed trend

具體步驟如下:(1)載入狀態(tài)監(jiān)測(cè)數(shù)據(jù),對(duì)數(shù)據(jù)的噪聲進(jìn)行評(píng)價(jià),采用組合形態(tài)濾波器濾除脈沖隨機(jī)噪聲,提高信噪比;(2)運(yùn)用EEMD方法將時(shí)間趨勢(shì)序列自適應(yīng)分解成為一系列不同尺度的本征模態(tài)函數(shù)(IMF,intrinsic mode function)分量和殘余分量,進(jìn)行平穩(wěn)化處理;(3)分別計(jì)算各分量的互相關(guān)系數(shù)篩選出有效IMF分量和趨勢(shì)分量;(4)對(duì)篩選出的每個(gè)IMF分量和趨勢(shì)分量進(jìn)行ARIMA建模預(yù)測(cè);(5)最后將預(yù)測(cè)結(jié)果相疊加,即可得到非平穩(wěn)振動(dòng)狀態(tài)趨勢(shì)序列的預(yù)測(cè)值。

2　混合預(yù)測(cè)方法的建立

2.1形態(tài)濾波器

數(shù)學(xué)形態(tài)學(xué)是1964年由法國Matheron G和Serra J在積分幾何研究成果的基礎(chǔ)上創(chuàng)立的,通過一定形態(tài)的結(jié)構(gòu)元素定量地描述圖像結(jié)構(gòu)特征來識(shí)別和分析圖像[9]?；跀?shù)學(xué)形態(tài)學(xué)理論的形態(tài)濾波器是通過一個(gè)結(jié)構(gòu)元素對(duì)圖像進(jìn)行卷積運(yùn)算,結(jié)構(gòu)元素大小和形狀的確定以及操作的選擇決定輸出的結(jié)果,作為一種重要的工具廣泛應(yīng)用于噪聲抑制、圖像分割等[10]。

為了避免由于開、閉運(yùn)算時(shí)對(duì)數(shù)值的擴(kuò)大或縮小,采用廣義開-閉和閉-開運(yùn)算的線性組合的形態(tài)濾波器進(jìn)行降噪處理,無需考慮信號(hào)的頻譜特征,算法簡單且執(zhí)行高效,能消除標(biāo)準(zhǔn)形態(tài)算子產(chǎn)生的偏差的同時(shí)較好地保持了數(shù)據(jù)的幾何結(jié)構(gòu)特征,有效濾除脈沖隨機(jī)噪聲,即可提高信噪比[11]。同時(shí),結(jié)構(gòu)元素在形態(tài)濾波器中的作用類似于一般信號(hào)處理時(shí)的滑動(dòng)窗,其形狀和大小對(duì)腐蝕、膨脹運(yùn)算產(chǎn)生很大的影響。待處理數(shù)據(jù)的形狀決定了結(jié)構(gòu)元素的形狀設(shè)計(jì),其結(jié)構(gòu)要盡可能接近待分析的圖形特點(diǎn)。我們選擇圓形結(jié)構(gòu)元素,其寬度主要由狀態(tài)監(jiān)測(cè)數(shù)據(jù)主要波形的周期和采樣頻率決定。

2.2EEMD分解

為了分析信號(hào)的頻率成分,Huang等[12]提出了一種將非線性、非平穩(wěn)的時(shí)間序列分解為一系列不同尺度的IMF之和的自適應(yīng)信號(hào)分解的方法,即經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒‥MD。如果時(shí)間序列數(shù)據(jù)中包含高頻間歇振蕩成分,EMD分解得到的IMF分量往往會(huì)存在模態(tài)混疊效應(yīng),從而影響了該方法自適應(yīng)分解信號(hào)的性能。針對(duì)EMD存在的不足,Wu等[13]提出將噪聲作為輔助信號(hào)處理的方法來解決模態(tài)混疊效應(yīng),即集合經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒‥EMD。EEMD的具體計(jì)算過程如下:

(1)參數(shù)設(shè)置:依據(jù)時(shí)間序列的標(biāo)準(zhǔn)偏差設(shè)置集成次數(shù)NE以及添加的白噪聲的幅值a,集成次數(shù)從1開始。集成次數(shù)NE、白噪聲的幅值a和標(biāo)準(zhǔn)差σ之間的關(guān)系可表示為[14]

(1)

通過大量模擬和試驗(yàn)后,提出了一個(gè)用來確定EEMD算法中參數(shù)的自適應(yīng)準(zhǔn)則[14]:白噪聲幅值常取為標(biāo)準(zhǔn)差的0.1～0.4倍之間,當(dāng)高頻成分占主導(dǎo)地位時(shí),添加白噪聲的幅值應(yīng)適當(dāng)減小;當(dāng)?shù)皖l成分占主導(dǎo)地位時(shí),添加白噪聲的幅值應(yīng)適當(dāng)增大;一般集成次數(shù)設(shè)置為100。

(3)循環(huán)重復(fù)步驟(2),直到預(yù)先設(shè)定的集成的次數(shù)NE。

(4)計(jì)算分解得到的IMF分量的均值,并將其作為EEMD分解的最終結(jié)果。

但是,由于插值誤差、邊界效應(yīng)等原因,EEMD在分解過程中會(huì)產(chǎn)生一些偽分量(即與原始信號(hào)無關(guān)的分量),這些偽分量沒有任何物理含義并容易對(duì)信號(hào)頻率成分分析造成干擾。通過計(jì)算各IMF分量與原始信號(hào)互相關(guān)系數(shù)的大小來判定IMF的真?zhèn)?計(jì)算公式為

(2)

其中:Rx,cj(τ)為各IMF分量與原始信號(hào)的互相關(guān)系數(shù);Rx(τ)為自相關(guān)系數(shù)。

雖然EEMD分解后殘余分量的互相關(guān)系數(shù)較小,但體現(xiàn)了狀態(tài)趨勢(shì)變化的長期走向,將其作為趨勢(shì)項(xiàng)進(jìn)行建模預(yù)測(cè)。這樣對(duì)復(fù)雜非線性、非平穩(wěn)信號(hào)通過EEMD分解成若干個(gè)簡單有效的非線性、非平穩(wěn)信號(hào),使趨勢(shì)序列數(shù)據(jù)進(jìn)行平穩(wěn)化處理,可以擴(kuò)大時(shí)間序列模型的應(yīng)用范圍,更加有利于應(yīng)用時(shí)間序列模型進(jìn)行狀態(tài)趨勢(shì)預(yù)測(cè)。

2.3ARIMA模型的建立

(1)模型描述ARMA模型是以時(shí)間序列的自相關(guān)分析為基礎(chǔ),用數(shù)學(xué)模型來近似描述這個(gè)隨機(jī)時(shí)間序列,通過系統(tǒng)辨識(shí)確定模型參數(shù),然后根據(jù)時(shí)間序列的歷史值和現(xiàn)在值來預(yù)測(cè)時(shí)間序列的未來值。ARMA模型可近似表示為

yt=φ1yt-1+φ2yt-2+…+φpyt-p+at-θ1at-1-θ2at-2-…-θqat-q,

(3)

其中:p為自回歸階數(shù);φ1,φ2,…,φp為自回歸系數(shù);q為滑動(dòng)平均階數(shù);θ1,θ2,…,θq為滑動(dòng)平均系數(shù);at是白噪聲序列服從正態(tài)分布,即at～N(0,σ2),則稱時(shí)間序列{yt}服從(p,q)階自回歸滑動(dòng)平均模型,簡記為ARMA(p,q)。

若{yt}為非平穩(wěn)時(shí)間序列,可以經(jīng)過d次差分后成為平穩(wěn)時(shí)間序列,即

φ(B)dyt=θ(B)at,

(4)

則稱式(4)為(p,d,q)階的差分自回歸滑動(dòng)平均模型,記ARIMA(p,d,q),其中d為差分次數(shù)。

(2)平穩(wěn)化處理與模型識(shí)別對(duì)時(shí)間序列歷史趨勢(shì)數(shù)據(jù)首先運(yùn)用時(shí)間序列平穩(wěn)性檢驗(yàn)函數(shù)進(jìn)行平穩(wěn)性檢驗(yàn),如果數(shù)據(jù)為非平穩(wěn)時(shí)間序列且存在一定的上升或下降趨勢(shì),則需要進(jìn)行差分平穩(wěn)化處理。

通過計(jì)算平穩(wěn)化后的時(shí)間序列的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)來進(jìn)行模型識(shí)別,揭示所研究的時(shí)間序列的特性來建立一個(gè)合適的模型[15]。具體計(jì)算公式有:

自協(xié)方差為

(5)

自相關(guān)函數(shù)為

(6)

偏相關(guān)函數(shù)為

(7)

表1　ARMA(p,q)模型識(shí)別原則

模型參數(shù)的最小二乘估計(jì)為

AIC=(n-d)logσ2+(p+q+1)logn,

(8)

其中:n為樣本數(shù);σ2為擬合殘差平方和;d、p、q為模型參數(shù)。

(4)模型的檢驗(yàn)與預(yù)測(cè)對(duì)所建立的模型要檢驗(yàn)其是否能夠滿足平穩(wěn)性和可逆性,即要求

(9)

(10)

的根在單位圓外[15]。

進(jìn)一步檢驗(yàn)?zāi)Ｐ偷臍埐钚蛄惺欠駷榘自肼?如果不是,則需要重新建立模型;如果是,則通過檢驗(yàn),得出時(shí)間序列趨勢(shì)預(yù)測(cè)模型。根據(jù)所建預(yù)測(cè)模型的外推預(yù)測(cè)性能進(jìn)行預(yù)測(cè),并考慮前面經(jīng)過了d次差分運(yùn)算,還原為原始趨勢(shì)序列數(shù)據(jù)yt的預(yù)測(cè)結(jié)果,并計(jì)算預(yù)測(cè)結(jié)果與原始趨勢(shì)序列的平均絕對(duì)誤差及均方差來進(jìn)行多角度的評(píng)價(jià)以及預(yù)測(cè)分析。

3　實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證基于EEMD和ARIMA混合預(yù)測(cè)模型的狀態(tài)趨勢(shì)預(yù)測(cè)效果,在汽輪發(fā)電機(jī)轉(zhuǎn)子故障模擬試驗(yàn)臺(tái)上進(jìn)行振動(dòng)狀態(tài)監(jiān)測(cè)的數(shù)據(jù)采集。選取轉(zhuǎn)子出現(xiàn)故障時(shí)的狀態(tài)監(jiān)測(cè)數(shù)據(jù)來建立時(shí)間序列模型進(jìn)行預(yù)測(cè),以1～3 996共3 996個(gè)點(diǎn)作為歷史狀態(tài)樣本數(shù)據(jù),3 997～4 096共100個(gè)點(diǎn)作為預(yù)測(cè)對(duì)比數(shù)據(jù)來檢驗(yàn)?zāi)Ｐ?。采用平均絕對(duì)誤差及均方差作為衡量模型預(yù)測(cè)精度的重要指標(biāo),計(jì)算公式有:

平均絕對(duì)誤差為

(11)

均方差為

(12)

3.1狀態(tài)監(jiān)測(cè)數(shù)據(jù)預(yù)處理

載入狀態(tài)監(jiān)測(cè)數(shù)據(jù)后,運(yùn)用組合形態(tài)濾波器濾除脈沖隨機(jī)噪聲進(jìn)行數(shù)據(jù)的預(yù)處理,時(shí)間序列趨勢(shì)如圖2所示。

圖2　時(shí)間序列趨勢(shì)Fig.2　Chart of time series trend

3.2EEMD分解

對(duì)降噪后的趨勢(shì)序列運(yùn)用EEMD進(jìn)行分解,共產(chǎn)生7個(gè)IMF分量和1個(gè)殘余分量,EEMD分解結(jié)果如圖3所示。各IMF分量與原始信號(hào)的互相關(guān)系數(shù)見表2。由表2可以看出,IMF4、IMF5和 IMF6這3個(gè)IMF分量的互相關(guān)系數(shù)較大,與原始信號(hào)呈顯著的相關(guān)性,IMF8為趨勢(shì)分量。篩選的這些相關(guān)分量反映了振動(dòng)狀態(tài)趨勢(shì)變化的幅值和頻率,相對(duì)于原始趨勢(shì)序列變化較為平穩(wěn),更加有利于建立準(zhǔn)確的時(shí)間序列模型,從而可以提高趨勢(shì)變化的預(yù)測(cè)精度,也擴(kuò)大了時(shí)間序列預(yù)測(cè)模型的應(yīng)用范圍。

圖3　EEMD分解結(jié)果Fig.3　EEMD decomposition results

IMFs12345678ρx,cj0.04440.11430.30900.59800.86130.53700.06380.0254

3.3建立ARIMA模型預(yù)測(cè)

對(duì)于篩選出來的各IMF分量和殘余分量分別建立ARIMA模型進(jìn)行狀態(tài)趨勢(shì)預(yù)測(cè),確定出合適的模型參數(shù),將所有分量的預(yù)測(cè)值疊加得到最終的狀態(tài)趨勢(shì)預(yù)測(cè)結(jié)果,如圖4所示。為了進(jìn)一步驗(yàn)證所提算法的可行性與有效性,采用 ARIMA 模型直接對(duì)該趨勢(shì)序列進(jìn)行了預(yù)測(cè),模型預(yù)測(cè)與實(shí)際值的對(duì)比如圖5所示。通過對(duì)比兩種算法的預(yù)測(cè)結(jié)果的誤差分析來評(píng)價(jià)預(yù)測(cè)模型的可靠性和算法性能,如表3所列。

由圖5可以看出所建模型能夠描述不對(duì)中故障狀態(tài)的趨勢(shì)變化規(guī)律且跟蹤速度較好,能夠快速響應(yīng)狀態(tài)監(jiān)測(cè)數(shù)據(jù)的急劇變化,使得預(yù)測(cè)趨勢(shì)曲線較好的反映了實(shí)測(cè)趨勢(shì)變化。表3的誤差分析指標(biāo)對(duì)比結(jié)果也表現(xiàn)了混合ARIMA模型有著較小的平均絕對(duì)誤差和均方差,趨勢(shì)預(yù)測(cè)效果優(yōu)于ARIMA模型。根據(jù)上述預(yù)測(cè)結(jié)果綜合對(duì)比分析可以得出,通過對(duì)非平穩(wěn)狀態(tài)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪預(yù)處理,運(yùn)用EEMD依據(jù)信號(hào)內(nèi)在頻率結(jié)構(gòu)特征將其分解為一系列平穩(wěn)且具有一定規(guī)律的單一分量并通過互相關(guān)系數(shù)篩選出有效分量和趨勢(shì)分量,建立混合預(yù)測(cè)模型,這樣建立的趨勢(shì)預(yù)測(cè)方法比直接應(yīng)用時(shí)間序列預(yù)測(cè)模型降低了預(yù)測(cè)誤差,更準(zhǔn)確地反映出振動(dòng)狀態(tài)趨勢(shì)變化,提高了狀態(tài)趨勢(shì)預(yù)測(cè)的準(zhǔn)確性。但是EEMD分解得到的分量比較多,同時(shí)需要確定的參數(shù)相對(duì)較多,復(fù)雜度有一定程度的提升,這樣就會(huì)在一定程度上影響混合預(yù)測(cè)模型的預(yù)測(cè)速度。

圖4　混合ARIMA模型預(yù)測(cè)結(jié)果與實(shí)際趨勢(shì)序列對(duì)比Fig.4　Comparison of mixed ARIMA model prediction results and actual tendency sequence

圖5　ARIMA模型預(yù)測(cè)結(jié)果與實(shí)際值對(duì)比Fig.5　Comparison of ARIMA model prediction results and actual values

誤差分析指標(biāo)MAEMSE混合ARIMA模型0.00430.00049ARIMA模型0.01000.00120

4　結(jié)論

由于旋轉(zhuǎn)機(jī)械振動(dòng)狀態(tài)監(jiān)測(cè)數(shù)據(jù)具有海量性、非線性和非平穩(wěn)性,直接建立時(shí)間序列預(yù)測(cè)模型會(huì)影響其預(yù)測(cè)精度。研究通過運(yùn)用形態(tài)濾波器進(jìn)行降噪預(yù)處理減小隨機(jī)脈沖因素的干擾,運(yùn)用EEMD分解并計(jì)算互相關(guān)系數(shù)篩選出有效分量和趨勢(shì)分量,進(jìn)行平穩(wěn)化處理后建立ARIMA模型。試驗(yàn)結(jié)果表明該混合預(yù)測(cè)方法的有效性和適應(yīng)性,能夠預(yù)測(cè)出振動(dòng)狀態(tài)主要變化趨勢(shì)且具有較高的預(yù)測(cè)精度以及更大的應(yīng)用范圍,其預(yù)測(cè)趨勢(shì)對(duì)振動(dòng)狀態(tài)分析具有一定的參考價(jià)值。同時(shí),由于狀態(tài)監(jiān)測(cè)數(shù)據(jù)變化的快慢程度以及模型參數(shù)適宜度的影響使少部分點(diǎn)的預(yù)測(cè)偏差較大,這就需要根據(jù)振動(dòng)狀態(tài)數(shù)據(jù)自身特點(diǎn)以及影響振動(dòng)狀態(tài)變化的物理因素,可以修正相關(guān)參數(shù)或者選擇其他連續(xù)緩變的狀態(tài)趨勢(shì)預(yù)測(cè)指標(biāo)以進(jìn)一步提高故障趨勢(shì)預(yù)測(cè)的準(zhǔn)確性和可靠性。

[1]Laws W C,Muszynska A.Periodic and Continuous Vibration Monitoring for Predictive Maintenance of Rotating Machinery[J].Journal of Engineering for Gas Turbines and Power,1987,109(2):159-167.

[2]王紅軍,徐小力.支持向量機(jī)理論在設(shè)備狀態(tài)趨勢(shì)預(yù)測(cè)上的應(yīng)用研究[J].蘭州理工大學(xué)學(xué)報(bào),2005,31(6):36-39.

[3]鐘掘,陳安華.機(jī)械系統(tǒng)狀態(tài)監(jiān)測(cè)與故障診斷的重要課題[J].世界科技研究與發(fā)展,1996,18(6):15-19.

[4]Box G E P,Jenkins G M.Time Series Analysis:Forecasting and Control,Revised[M].San Francisco:Holden-Day,1976.

[5]Babu C N,Reddy B E.A Moving-average Filter Based Hybrid ARIMA-ANN Model for Forecasting Time Series Data[J].Applied Soft Computing,2014,23:27-38.

[6]劉莉,徐玉生,馬志新.數(shù)據(jù)挖掘中數(shù)據(jù)預(yù)處理技術(shù)綜述[J].甘肅科學(xué)學(xué)報(bào),2003,15(1):117-119.

[7]祝志慧,孫云蓮,季宇.基于 EMD 和 SVM 的短期負(fù)荷預(yù)測(cè)[J].高電壓技術(shù),2007,33(5):118-122.

[8]Huajun W,Lei S,Hongying L.Adjustments Based on Wavelet Transform ARIMA Model for Network Traffic Prediction[C]//Computer Engineering and Technology,2010 2nd International Conference on.IEEE,2010.

[9]Maragos P,Schafer R W.Morphological Filters--Part I:Their Set-theoretic Analysis and Relations to Linear Shift-invariant Filters[J].Acoustics,Speech and Signal Processing,IEEE Transactions on,1987,35(8):1 153-1 169.

[10]Serra J,Vincent L.An Overview of Morphological Filtering[J].Circuits,Systems and Signal Processing,1992,11(1):47-108.[11]張文斌,周曉軍,林勇.廣義形態(tài)濾波器在振動(dòng)信號(hào)處理中的應(yīng)用研究[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(6):203-205.

[12]Huang N E,Shen Z,Long S R,etal.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis[J].Proceedings:Mathematical,Physical and Engineering Sciences,1998:903-995.

[13]Wu Z,Huang N E.Ensemble Empirical Mode Decomposition:A Noise-assisted Data Analysis Method[J].Advances in Adaptive Data Analysis,2009,1(1):1-4.

[14]Guo W,Peter W T,Djordjevich A.Faulty Bearing Signal Recovery from Large Noise Using a Hybrid Method Based on Spectral Kurtosis and Ensemble Empirical Mode Decomposition[J].Measurement,2012,45(5):1 308-1 322.

[15]Shumway R H,Stoffer D S.Time Series Analysis and Its Applications:With R Examples[M].New York:Springer Science & Business Media,2010.

[16]Akaike H.Information Theory and an Extension of the Maximum Likelihood Principle[M].New York:Springer,1998.

Turbine Fault Trend Prediction that Based on EEMD and ARIMA Models

Yan Changfeng,Yi Cheng,Wu Lixiao,Wei Yaobing

(College of Mechno-Electronic Engineering,Lanzhou University of Technology,Lanzhou 730050,China)

Because of the nonlinearity and non-stationarity of the vibration condition monitoring data of the steam-turbine generator rotor,it has the low accuracy if it takes ordinary time series prediction model to make prediction.This papers analyzes the frequency components of the vibration signal,and integrate the thought of EEMD decomposition stationary processing and ARIMA prediction model to establish a mixed prediction model.Experimental results show that this method can adapt to the data characteristics of vibration condition monitoring,which has reflected the main trends of vibration state.It has higher accuracy and greater range of applications,and its forecast trends has a certain reference value for further analysis of the vibration state.

EEMD;ARIMA;Trend prediction;Frequency components

10.16468/j.cnki.issn1004-0366.2016.04.020.

2015-05-08;

2015-05-28.

國家自然科學(xué)基金項(xiàng)目(51165018).

剡昌鋒(1974-),男,甘肅平?jīng)鋈?研究員,博士研究生導(dǎo)師,研究方向?yàn)樾D(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)及故障診斷.E-mail:changf_yan@163.com.

TH133

A

1004-0366(2016)04-0100-07

引用格式:Yan Changfeng,Yi Cheng,Wu Lixiao,etal.Turbine Fault Trend Prediction that Based on EEMD and ARIMA Models[J].Journal of Gansu Sciences,2016,28(4):100-106.[剡昌鋒,易程,吳黎曉,等.基于EEMD和ARIMA模型的汽輪機(jī)故障趨勢(shì)預(yù)測(cè)[J].甘肅科學(xué)學(xué)報(bào),2016,28(4):100-106.]