蘭夏燕 萬(wàn)舟 許有才 陶然 王家忠 和杰 楊春宇
摘要:針對(duì)電梯導(dǎo)靴振動(dòng)信號(hào)采用經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)難以直接提取早期微弱故障特征的問(wèn)題,提出基于奇異值分解(Singular Value Decomposition,SVD)優(yōu)化經(jīng)驗(yàn)?zāi)B(tài)分解的電梯導(dǎo)靴振動(dòng)信號(hào)故障特征提取方法。該方法首先對(duì)原始信號(hào)進(jìn)行SVD分解,通過(guò)奇異值貢獻(xiàn)率原則來(lái)確定相空間重組的最佳Hankel矩陣結(jié)構(gòu),利用曲率譜原則與奇異值貢獻(xiàn)率原則相結(jié)合來(lái)確定有效奇異值的階次;篩選出包含主要故障信息的奇異值進(jìn)行信號(hào)重構(gòu),得到剔除噪聲信號(hào)與光滑信號(hào)的突變信號(hào);然后對(duì)突變信號(hào)進(jìn)行EMD分解,得到信號(hào)的本征模態(tài)函數(shù)(Intrinsic Mode Fimction,IMF)分量?最后,對(duì)IMF分量作Hilbert變換,求得其Hilbert邊際譜,
從而獲得電梯導(dǎo)靴故障特征頻率信息。仿真結(jié)果表明該方法有效改善了EMD難以直接提取早期微弱故障特征的問(wèn)題,更準(zhǔn)確地提取了振動(dòng)信號(hào)的故障特征頻率,驗(yàn)證了所述方法的有效性。
引言
電梯導(dǎo)靴是電梯機(jī)械設(shè)備中最常用、最易損壞的部件之一,其狀態(tài)監(jiān)測(cè)和故障診斷一直是一個(gè)研究熱點(diǎn)。電梯導(dǎo)靴是電梯導(dǎo)軌與轎廂之間的可以滑動(dòng)的尼龍塊,它可以將轎廂固定在導(dǎo)軌上,讓轎廂只可以上下移動(dòng)。在電梯長(zhǎng)期高頻率的運(yùn)行過(guò)程中,難免導(dǎo)致電梯導(dǎo)靴的磨損,電梯導(dǎo)靴的優(yōu)劣程度及磨損程度直接影響到人們乘坐電梯的舒適度,甚至導(dǎo)靴有脫出導(dǎo)軌的危險(xiǎn)。因此尋找適當(dāng)?shù)墓收显\斷、識(shí)別方法,對(duì)于有效地控制電梯導(dǎo)靴故障具有重要意義。其中,故障特征提取是故障診斷中最重要、最關(guān)鍵的問(wèn)題之一。
事實(shí)上,當(dāng)電梯導(dǎo)靴產(chǎn)生故障時(shí),由于受到剛度非線性、摩擦力、間隙和外載荷等因素的影響,電梯導(dǎo)靴的振動(dòng)信號(hào)往往會(huì)表現(xiàn)出非平穩(wěn)特性,因此,如何從非平穩(wěn)信號(hào)中提取故障特征信息,在電梯導(dǎo)靴的故障診斷中就顯得尤為重要。信號(hào)處理是提取故障特征信息最常用的方法,快速傅里葉變換使用一個(gè)固定的窗函數(shù),窗函數(shù)一旦確定了以后,其形狀就不再發(fā)生改變,但是對(duì)于非平穩(wěn)信號(hào),當(dāng)信號(hào)變化劇烈時(shí),要求窗函數(shù)有較高的時(shí)間分辨率,快速傅里葉變換不能兼顧頻率與時(shí)間分辨率的需求。小波變換能夠同時(shí)提供信號(hào)在時(shí)域和頻域的局部化信息,但其本質(zhì)是窗口可調(diào)的Fourier變換,由于小波基長(zhǎng)度有限,因此在對(duì)信號(hào)進(jìn)行時(shí)頻分析時(shí),會(huì)產(chǎn)生能量泄漏。EMD方法摒棄了加窗的觀念,避免了由加窗造成的頻譜泄露,而且其基函數(shù)是調(diào)頻一調(diào)幅形式,故在處理非線性非平穩(wěn)信號(hào)時(shí)顯示較大優(yōu)勢(shì),但對(duì)于早期微弱故障特征存在難以提取的問(wèn)題。
SVD是一種具有良好的數(shù)值穩(wěn)健性與自適應(yīng)性的信號(hào)處理方法,通過(guò)對(duì)奇異值分析能夠有效識(shí)別噪聲分量和故障特征分量。本文提出一種采用SVD優(yōu)化EMD的方法來(lái)提取電梯導(dǎo)靴故障特征信息,將SVD的降噪濾波優(yōu)勢(shì)與EMD的故障特征提取優(yōu)勢(shì)相結(jié)合應(yīng)用于電梯導(dǎo)靴的故障診斷。通過(guò)對(duì)比試驗(yàn)表明,該方法有效提取了電梯導(dǎo)靴振動(dòng)信號(hào)的早期微弱故障特征信息,為電梯導(dǎo)靴的故障診斷提供了一個(gè)有效的參考方法。
1 EMD與SVD簡(jiǎn)介
1.1 EMD原理
EMD是Huang首先提出的信號(hào)處理時(shí)頻分析方法,它是一種自適應(yīng)的、高效的信號(hào)分解方法,主要適合于處理非線性、非平穩(wěn)信號(hào)[2G]。EMD算法的目的在于將性能不好的信號(hào)分解為一組性能較好的本征模態(tài)函數(shù),它通過(guò)一個(gè)“篩選”過(guò)程從被分析信號(hào)中提取IMF,以下為EMD的分解過(guò)程:
(1)找出信號(hào)的所有極大值點(diǎn)和極小值點(diǎn),將其用三次樣條函數(shù)分別擬合為原序列的上和下包絡(luò)線;上下包絡(luò)線的均值為m1;將信號(hào)減去可得到新序列,即外;如果滿足IMF條件,那么就是的第1個(gè)IMF分量。一般不一定是平穩(wěn)數(shù)據(jù)序列,為此需對(duì)它重復(fù)上述過(guò)程。得到上、下包絡(luò)線的平均值,再判斷是否滿足IMF的條件,重復(fù)上述過(guò)程,這樣就得到第一個(gè)本征模函數(shù)分量。
(2)用減去,得到一個(gè)去掉第一個(gè)本征模態(tài)分量的新數(shù)據(jù)序列,對(duì)再進(jìn)行上述分解,得到第二個(gè)本征模函數(shù)分量。如此重復(fù)直到最后一個(gè)數(shù)據(jù)序列不可被分解,此時(shí),代表信號(hào)的趨勢(shì)或均值。分解結(jié)果可以這樣表示:
其中稱為殘余函數(shù),代表信號(hào)的平均趨勢(shì)。而各IMF分量而分別包含了信號(hào)從高到低不同頻率段的成分,每一頻率段所包含的頻率成分都是不同的,且隨信號(hào)本身的變化而變化。通常,EMD方法分解出來(lái)的前幾個(gè)IMF分量集中了原信號(hào)中主要的信息。
l. 2SVD分解與重構(gòu)
在奇異值理論中,任何階的矩陣A(其中m>n)的奇異值分解都可以表示為,式中,U和V分別是mxm階和階正交矩陣,為對(duì)角矩陣,其對(duì)角元素為的奇異值,并按降序排列。由SVD理論可知,對(duì)角矩陣特征值所含比重越大,代表所含信息量越多,
通常用貢獻(xiàn)率來(lái)衡量,定義奇異值貢獻(xiàn)率為:
通過(guò)奇異值貢獻(xiàn)率來(lái)確定去噪聲后的矩陣維數(shù),若取行向量為值,逐漸增加,若從某一開(kāi)始,其特征值貢獻(xiàn)率開(kāi)始都趨于零,則表示之后的奇異值沒(méi)有什么意義,此時(shí)可以確定矩陣的行數(shù)為,而對(duì)于列數(shù),第一種矩陣為,第二種矩陣為。保留前面?zhèn)€有效奇異值而其他奇異值置零,再利用奇異值分解的逆過(guò)程得到重構(gòu)矩,將依據(jù)相空間重構(gòu)的方法進(jìn)行逆變換,就可以得到降噪后的信號(hào),然而要想得到剔除噪聲和光滑信號(hào)之后的突變信號(hào),還需要對(duì)重構(gòu)后的信號(hào)進(jìn)行篩選,利用曲譜率原則,定義各點(diǎn)奇異值的曲譜率為:
曲率譜的最大峰值坐標(biāo)位置為有效奇異值和噪聲奇
異值的分界點(diǎn),如果奇異值曲線在點(diǎn)是凸出的,
則有效奇異值為前個(gè);如果奇異值曲線在點(diǎn)是
凹進(jìn)的,則有效奇異值為前。為了提取出可靠的突變信號(hào),本文將結(jié)合奇異值曲譜率和貢獻(xiàn)率對(duì)奇異值進(jìn)行再次篩選。
1.3 Hilbert譜和Hilbert邊際譜
對(duì)EMD分解得到的每個(gè)本征模態(tài)函數(shù)序列進(jìn)行Hilbert變換,然后計(jì)算其瞬時(shí)頻率。則突變信號(hào)便可表示為如下形式:
式(4)中Re表示實(shí)部,在推導(dǎo)中省去了,
因?yàn)樗且粋€(gè)單調(diào)函數(shù)或是一個(gè)常量。式(4)可以把信號(hào)幅度在三維空間表示成時(shí)間-瞬時(shí)頻率的函數(shù)。經(jīng)過(guò)這些處理后的時(shí)間-頻率平面上的幅度分布稱為Hilbert時(shí)頻譜H(co,t),簡(jiǎn)單稱為Hilbert譜。定義邊際譜為:
邊際譜是對(duì)信號(hào)中各個(gè)頻率成分的幅值的整體度量,它表示了信號(hào)在概率意義上的累積幅值,反應(yīng)了信號(hào)的幅值在整個(gè)頻率段上隨頻率的變化情況。傅里葉頻譜的幅值只能反映頻率在信號(hào)中實(shí)際存在的可能性大小,而邊際譜的幅值則能真實(shí)反映頻率在信號(hào)中是否存在間。本文正是利用邊際譜幅值的這種特性,提出了基于SVD優(yōu)化EMD和HHT邊際譜的分析方法。
2 基于SVD優(yōu)化EMD的電梯導(dǎo)靴故障特征提取方法
本文提出基于SVD優(yōu)化EMD的電梯導(dǎo)靴振動(dòng)信號(hào)故障特征提取方法,采用SVD從原始信號(hào)中分離出含有故障特征信息的分量;然后采用EMD從故障突變信號(hào)中提取電梯導(dǎo)靴故障特征。該方法具體步驟如下:
(1)對(duì)原始振動(dòng)信號(hào)構(gòu)造所xw維Hankel矩陣d,對(duì)d進(jìn)行SVD得到奇異值矩陣求奇異值貢獻(xiàn)率
(2)令m=w+l,若從某一開(kāi)始,其特征值貢獻(xiàn)率開(kāi)始都趨于零,則循環(huán)結(jié)束,此時(shí)可以
確定矩陣的行數(shù)為m及相應(yīng)的列數(shù),保留前面m個(gè)有效奇異值而其他奇異值置零,再利用奇異值分解的逆過(guò)程得到重構(gòu)矩Xs,將Xs依據(jù)相空間重構(gòu)的方法進(jìn)行逆變換,就可以得到降噪后的信號(hào)。否則繼續(xù)進(jìn)行第(2)步循環(huán),直到滿足循環(huán)結(jié)束條件;(3)采用奇異值曲率譜方法與奇異值貢獻(xiàn)率原則自適應(yīng)剔除噪聲奇異值、光滑信號(hào)奇異值(奇異值置為零)保留突變信號(hào)有效奇異值;然后對(duì)突變信號(hào)奇異值矩陣采用SVD逆運(yùn)算方法進(jìn)行重構(gòu),得到突變信號(hào);
(4)對(duì)進(jìn)行EMD,得到突出原始信號(hào)振動(dòng)特征的分量IMF;
(5)通過(guò)式(4)計(jì)算得到HHT邊際譜H(co);(6)通過(guò)對(duì)HHT邊際譜H(co)幅值的分析確定故障頻率或頻率段。
3 實(shí)驗(yàn)分析
電梯導(dǎo)靴是電梯機(jī)械設(shè)備中的關(guān)鍵部件,其故障對(duì)設(shè)備的工作狀態(tài)具有嚴(yán)重影響。依據(jù)本文提出方法的原理,對(duì)電梯導(dǎo)靴的振動(dòng)信號(hào)進(jìn)行SVD優(yōu)化EMD分解,再對(duì)分解得到的本征模態(tài)函數(shù)進(jìn)行HHT譜分析,就可以突顯導(dǎo)靴故障的特征頻率。研究中,本文采用上述原理和方法分別對(duì)電梯轎廂的上導(dǎo)靴故障信號(hào)、下導(dǎo)靴故障信號(hào)進(jìn)行分析。
3.1 數(shù)據(jù)采集
本文采用的數(shù)據(jù)來(lái)源于云南省特種設(shè)備安全檢測(cè)研究院。實(shí)驗(yàn)采用B22型電梯導(dǎo)靴,其具體參數(shù)如表1所示。在不影響導(dǎo)靴正常使用性能的情況下,用磨砂分別在上、下導(dǎo)靴側(cè)面制作間隙為1.9mm,轎廂為空載運(yùn)行,米樣頻率為800Hz。該電梯的額定載重量為lOOOKg,額定運(yùn)行速度為1.0m/s。根據(jù)GB7588-2003《電梯制造與安裝安全規(guī)范》第14.2.1.3條規(guī)定電梯檢修運(yùn)行控制時(shí)的轎廂速度不應(yīng)大于0.63m/s。為了清楚地闡述兩種方法對(duì)比的效果,本文是電梯在檢修運(yùn)行控制狀態(tài)下以0.6m/s檢修速度運(yùn)行時(shí)采集數(shù)據(jù)。由計(jì)算可知,電梯下導(dǎo)靴故障征頻率為24.4HZ,電梯上導(dǎo)靴故障特征頻率為36.5HZ。
本文的振動(dòng)信號(hào)采集裝置為三維陀螺儀加速度傳感器,將其固定在轎廂與導(dǎo)靴相互接觸的地面上進(jìn)行檢測(cè),采用動(dòng)態(tài)卡爾曼濾波算法。當(dāng)導(dǎo)靴兩側(cè)出現(xiàn)磨損時(shí),轎廂在與導(dǎo)靴兩側(cè)垂直方向的振動(dòng)信號(hào)會(huì)產(chǎn)生沖擊特性。
3.2 信號(hào)處理與分析
本文采集轎廂導(dǎo)靴正常運(yùn)行時(shí)的振動(dòng)信號(hào)如圖1所示,轎廂下導(dǎo)靴故障振動(dòng)信號(hào)如圖2所示。對(duì)比圖1,圖2可以看出,導(dǎo)靴在正常運(yùn)行情況運(yùn)行時(shí),振動(dòng)信號(hào)比較平穩(wěn)。當(dāng)電梯下導(dǎo)靴發(fā)生故障時(shí),其時(shí)域波形在2s-3s之間表現(xiàn)出了微弱的沖擊特征,但是僅從這一點(diǎn),很難辨別故障的存在和故障特征頻率。對(duì)于下導(dǎo)靴故障信號(hào),我們米用SVD對(duì)信號(hào)進(jìn)行初步處理,為了驗(yàn)證本文提出方法的有效性,本文將分別采用SVD優(yōu)化EMD方法與EMD方法對(duì)轎廂下導(dǎo)靴故障特征進(jìn)行提取。
采用對(duì)轎廂下導(dǎo)靴故障信號(hào)構(gòu)造維Hankel矩陣方法,得到的奇異值序列的貢獻(xiàn)率如圖3所示。由圖可知當(dāng)時(shí),逐漸趨向于零。因此,本文選取構(gòu)造Hankel矩陣。
為了從原始故障信號(hào)中將噪聲與光滑信號(hào)剔除,得到突變信號(hào),本文采用2.2節(jié)所述的奇異值曲率譜方法對(duì)奇異值進(jìn)行篩選,得到的奇異值曲率譜和奇異值序列譜如圖4所示。由圖4可見(jiàn),奇異值曲率譜峰值出現(xiàn)在第2個(gè)奇異值,根據(jù)奇異值曲率譜準(zhǔn)則再結(jié)合奇異值貢獻(xiàn)率原則,第2個(gè)和第3個(gè)奇異值含有故障特征信息幾乎為零,為光滑信號(hào)對(duì)應(yīng)的奇異值,第1個(gè)奇異值為包含主要故障特征信息的奇異值,所以取第1個(gè)奇異值進(jìn)行信號(hào)重構(gòu)。
對(duì)第1個(gè)奇異值重構(gòu)信號(hào)進(jìn)行EMD分解,結(jié)果如圖5所示。
得到的IMF分量中,含有原始信號(hào)振動(dòng)特征最多的分量是IMF1,其次是IMF2,IMF3IMFi。因此,本文主要對(duì)IMF1進(jìn)行處理。將IMF1分量經(jīng)Hilbert變換后使其轉(zhuǎn)變?yōu)橛幸饬x的瞬時(shí)頻率,然后進(jìn)行積分得到局部ffilbert邊際譜。電梯下導(dǎo)靴故障的局部Hilbert邊際譜如圖6所示。由圖6可清晰地看出,電梯下導(dǎo)靴的故障特征頻率清楚地顯現(xiàn)出來(lái),即24.38HZ(視為24HZ),二倍頻為48.35HZ(視為48HZ),從Hilbert邊際譜可以發(fā)現(xiàn),SVD優(yōu)化EMD電梯下導(dǎo)靴故障信號(hào)采用EMD方法得到的IMF1經(jīng)Hilbert變換后,然后進(jìn)行積分得到局部Hilbert邊際譜如圖7。由圖可得,EMD方法雖然提取到了故障信號(hào)中的故障特征頻率,但是從Hilbert邊際譜可以發(fā)現(xiàn),該方法只提取到發(fā)生故障時(shí)產(chǎn)生的特征頻率約為24HZ,與SVD優(yōu)化EMD之后的局部Hilbert邊際譜稍微有些差距,且二倍頻不明顯。
由圖6和圖7的分析可以得到,SVD優(yōu)化EMD方法有效提取到了故障信號(hào)中的故障特征頻率。使電梯導(dǎo)靴的故障特征分量得到了完整的提取,有利于后期電梯導(dǎo)靴的故障識(shí)別。
3.3 實(shí)驗(yàn)驗(yàn)證
當(dāng)電梯上導(dǎo)靴發(fā)生故障時(shí),其時(shí)域波形如圖8,從圖8可得,其振動(dòng)信號(hào)Os到Is之間表現(xiàn)出了沖擊特征。采用SVD優(yōu)化EMD方法對(duì)其進(jìn)行特征提取,得到的IMF1的Hilbert邊際譜如圖9所示。從圖9可以發(fā)現(xiàn),該方法有效提取了上導(dǎo)靴的故障特征頻率。即36.47HZ(約36HZ),二倍頻為72.32HZ(約為72HZ),從Hilbert邊際譜可以發(fā)現(xiàn),SVD優(yōu)化EMD方法有效提取到了故障信號(hào)中的故障特征頻率。
電梯上導(dǎo)靴故障信號(hào)采用EMD方法得到的IMF1經(jīng)Hilbert變換后,然后進(jìn)行積分得到局部Hilbert邊際譜如圖10。由圖可得,EMD方法雖然提取到了故障信號(hào)中的故障特征頻率,但是從mibert邊際譜可以發(fā)現(xiàn),該方法只提取到發(fā)生故障時(shí)產(chǎn)生的特征頻率大約為36HZ,但二倍頻不明顯。
4 結(jié)論
本文提出了一種基于SVD優(yōu)化EMD并利用Hilbert變換邊際譜的信號(hào)處理方法,并將其應(yīng)用于電梯導(dǎo)靴故障診斷。通過(guò)SVD分解后重構(gòu),提取去除噪聲和平穩(wěn)信號(hào)之后的突變信號(hào),再運(yùn)用EMD算法,電梯導(dǎo)靴的振動(dòng)信號(hào)能夠被分解為有限數(shù)目的本征模態(tài)函數(shù),取其包含信息量最大的IMF1,再通過(guò)邊際譜圖,電梯導(dǎo)靴的故障特征頻率就能夠被更清晰的發(fā)現(xiàn)。通過(guò)對(duì)應(yīng)用實(shí)例的分析結(jié)果表明:
(1)該方法解決了EMD難以直接提取早期微弱故障信息的問(wèn)題,有效提高了EMD的提取效率。
(2)SVD及SVD逆重構(gòu)能夠在強(qiáng)噪聲背景下有效降低噪聲信號(hào)對(duì)故障特征信號(hào)的影響,從而得到高信噪比信號(hào)。
(3)SVD優(yōu)化EMD的故障特征提取方法優(yōu)于單純EMD的故障特征提取的準(zhǔn)確性,為電梯導(dǎo)靴的故障診斷提供了一條有效的途徑。