[发明专利]一种旋转机械的状态预测和模式分类方法及系统

说明书

本发明涉及一种旋转机械的状态预测和模式分类方法及系统，所述方法包括：获取旋转机械的时间序列振动信号并利用变分模态分解算法进行分解，得到时间序列本征模态函数；将时间序列本征模态函数输入到ARMA‑ANN混合模型中，得到时间序列本征模态函数的预测数据；根据时间序列本征模态函数中的每个模态的能量占比筛选出所述能量占比大于预设值的本征模态函数，记为敏感模态；对每个敏感模态提取时域特征和频域特征；根据提取的时域特征和所述频域特征以及对应的工况模式训练支持向量机，得到训练后的支持向量机用于识别旋转机械的工况模式。因此，本发明的方案能够实现旋转机械状态的准确预测和工况模式的准确识别。

技术领域

本发明涉及旋转机械状态预测和模式分类领域，特别是涉及一种旋转机械的状态预测和模式分类方法及系统。

背景技术

在实际运行中，机械控制技术、故障诊断和状态监测受到了广泛的研究。振动分析已被证明是工业运行中旋转机械状态监测的有力工具。在时域或频域有丰富的信息反映机器状态的特征，但有些信息不适合直接应用。另外，振动信号具有典型的时间序列特征。时间序列预测的动机是探索可能的函数关系和发现潜在时间序列的统计观察的统计规律，以便可以提前做出有用的决策。然而，在实际问题中，准确可靠地预测未来趋势通常是困难和费力的。并且，基于时间序列模型的方法在振动信号处理和机器健康状况评估方面具有广阔的应用前景。有效的时间序列预测模型是工业设备状态监测的关键。因此，急需一种能够实现准确状态预测和模式识别的方法及系统。

发明内容

本发明的目的是提供一种旋转机械的状态预测和模式分类方法及系统，能够实现旋转机械状态的准确预测和工况模式的准确识别。

为实现上述目的，本发明提供了如下方案：

一种旋转机械的状态预测和模式分类方法，所述方法包括：

获取旋转机械的时间序列振动信号；

利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数；

将所述时间序列本征模态函数输入到ARMA-ANN混合模型中，得到所述时间序列本征模态函数的预测数据；

根据所述时间序列本征模态函数中的每个模态的能量占比筛选出所述能量占比大于预设值的本征模态函数，记为敏感模态；

对每个所述敏感模态提取时域特征和频域特征；

根据提取的所述时域特征和所述频域特征以及对应的工况模式训练支持向量机，得到训练后的支持向量机；

根据所述训练后的支持向量机识别所述旋转机械的工况模式。

一种旋转机械的状态预测和模式分类系统，所述系统包括：

信号获取模块，用于获取旋转机械的时间序列振动信号；

信号分解模块，用于利用变分模态分解算法对所述时间序列振动信号进行分解，得到时间序列本征模态函数；

预测模块，用于将所述时间序列本征模态函数输入到ARMA-ANN混合模型中，得到所述时间序列本征模态函数的预测数据；

敏感模态提取模块，用于根据所述时间序列本征模态函数中的每个模态的能量占比筛选出所述能量占比大于预设值的本征模态函数，记为敏感模态；

时频域特征提取模块，用于对每个所述敏感模态提取时域特征和频域特征；

工况模式识别模块，用于根据提取的所述时域特征和所述频域特征以及对应的工况模式训练支持向量机，得到训练后的支持向量机；并根据所述训练后的支持向量机识别所述旋转机械的工况模式。

根据本发明提供的具体实施例，本发明公开了以下技术效果：