[发明专利]高维变量下电机状态监测方法及系统

说明书

本发明涉及一种高维变量下电机状态监测方法及系统，方法包括基于采集的电机高维振动信号构建高维电机信号模式频率搜寻模型，根据模式频率搜寻模型在电机高维振动信号的整个分析频谱范围内确定模式频率；设计模式频率驱动的高维变量单步分解准则，根据高维变量单步分解准则对搜寻到的模式频率执行高维变量单步分解操作，得到与模式频率相对应的高维模式成分；建立电机高维故障特征提取机制，利用电机高维故障特征提取机制在高维模式成分中提取高维故障成分，并对高维故障成分进行流形融合，得到故障特征的流形结构。本发明克服了传统电机多通道振动信号分析中多变量变分模式分解需要预设参数和电机高维故障成分中信息质量不均的问题。

技术领域

本发明属于电机智能运维技术领域，尤其涉及一种高维变量下电机状态监测方法及系统。

背景技术

电机作为工业设备的主要驱动机械，广泛应用于各行各业，其能否正常运转对生产设备和系统的运行效率、稳定性和可靠性起直接的决定作用。电机发生异常故障会损害电机本身、影响机电传动系统工作和危及人身安全，造成巨大的经济损失和社会影响。因此，电机运行状态的监测对保证生产过程的可靠性和安全高效具有重要意义。

早期的电机状态监测方法主要依赖工作人员的经验判断，但是该类方法对检测人员具有严格的高要求，且效率较低、及时性较差。随着大数据的时代化发展，传统的电机状态监测方法已经不足以满足其高安全性和高可靠性服役的重大需求。因此，开发准确有效的电机状态监测方法以及时诊断电机故障是目前电机智能运维面临的主要挑战之一。

振动信号作为电机状态的外在体现，其包含丰富的设备状态信息，基于振动信号的分析方法被广泛应用于电机状态监测。该方法信号特征明显，能够实时反映电机运行状态，避免传统方法过度依赖先验知识和工程经验的不足。但是，传统的振动信号监测方法通过采集单一通道的振动数据进行分析，信息的涵盖和可信度不足，容易因为传感器故障、偶然误差等因素导致错误的诊断结果。随着计算机和传感器技术的飞速发展，多通道振动信号能够涵盖更完整、更丰富的设备状态信息，且能够规避单通道误差引起的误判风险。因此，基于多通道振动信号的电机状态监测方法具有重要的工程应用价值。

在强噪声背景下从电机高维变量信号中提取出真实的状态信息和故障特征是基于多通道振动信号的电机状态监测方法的核心问题。目前的高维变量信号处理方法主要包括多元经验模态分解、多变量变分模式分解、多元快速迭代滤波等。其中，多变量变分模式分解是一种自适应信号分解方法，以维纳滤波、希尔伯特变换、频率混合等清晰的数学理论为基础，旨在通过非递归筛选分解出所有模式成分。但是其分解效果受到超参数的影响，需要一定的先验知识作为前提条件。另外在高维变量信号处理中还存在一个不可避免的问题，即分解高维变量信号得到的故障模式成分中包含的故障信息质量良莠不齐，不利于直接有效的故障诊断。因此，基于多变量变分模式分解思想，探究高维变量下无需先验知识的信号自动分解及高维特征提取方法具有很大的必要性。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术存在的电机多通道振动信号分析中多变量变分模式分解需要预设参数和电机高维故障成分中信息质量不均的问题，提出一种高维变量下电机状态监测方法及系统。

为解决上述技术问题，本发明提供一种高维变量下电机状态监测方法，包括如下步骤：

S1：基于采集的电机高维振动信号构建高维电机信号模式频率搜寻模型，根据高维电机信号模式频率搜寻模型在电机高维振动信号的整个分析频谱范围内确定模式频率；

S2：设计模式频率驱动的高维变量单步分解准则，根据高维变量单步分解准则对搜寻到的所有模式频率执行高维变量单步分解操作，得到与模式频率相对应的高维模式成分；

S3：建立电机高维故障特征提取机制，利用所述电机高维故障特征提取机制在所有高维模式成分中提取高维故障成分，并对高维故障成分进行流形融合，得到故障特征的流形结构，实现对电机状态的监测。