一种基于设备声信号和EMD的设备状态监测方法
技术领域
本发明涉及一种机械设备状态监测和故障诊断方法，尤其涉及一种对建筑设备，如风机、水泵、制冷机组等设备运行状态及能耗的监测和故障诊断的方法。
背景技术
自上世纪80年代以来，声学作为一门交叉性和基础性较强的学科，逐渐被应用到各个领域之中。由于声学测量的非接触性和实时传输特性，在使用中具有易于发现早期故障、无须事先粘贴传感器、可对目标设备进行在线监测等优势，在不易测量振动信号的场合得到广泛的应用和发展。在利用声学信号进行设备状态监测时，需要通过对声信号的分析，进行特征提取。目前对声信号进行分析的主要方法有FFT谱分析、短时傅里叶变换、小波变换等方法。FFT谱分析是对声信号的整体统计特性的反映，无法对声信号中的非平稳的时频细节进行描述和体现；短时傅里叶变换则通过对声信号进行分段截取来对时变信号进行分析，但仍将分段截取出的每一段信号认为是线性、平稳的信号；小波变换从本质上讲，是窗口可调的傅里叶变换，将小波窗内的信号视为平稳信号。而对于非平稳、非线性的声信号，上述方法存在着一定的局限性。
1998年,美国国家宇航局的华裔工程师Norden E.Huang等人提出了EMD方法。EMD方法是一种完全由数据驱动的自适应信号处理方法,克服了上述传统信号分析方法的诸多不足，适用于非线性、非平稳的信号处理中。EMD方法本质上是对一个信号进行平稳化处理,其结果是将信号中不同尺度的波动或趋势逐渐分解出来,产生一系列具有不同特征尺度的数据序列,每一个序列称为一个本征模式分量(Intrinsic Mode Function，IMF)。但是，在对声信号进行EMD分解时，由于采集到的声信号中混有的噪声成分，在EMD分解的结果中，会出现无明显物理意义的虚假本征模式分量，因此在对EMD分解产生的IMFs进行分析之前，需要对这些虚假IMFs进行筛选。
在暖通空调领域，为了能更好地制定节能控制策略，需要对暖通空调设备进行精细化的、实时的、动态传输的设备状态监测。目前，国内外的空调能耗监测系统一般仅对设备的耗电量进行分项计量，且每一项中包含多个设备，无法准确得知每一台设备的运行状态。在常规的设备状态监测系统中，如果对每一台设备单独计量，成本较高且管理复杂。因此传统的设备状态监测方法无法满足精细化、实时性、动态传输的监测要求。
发明内容
针对上述现有技术，本发明提出一种基于设备声信号和EMD的设备状态监测方法，采用该监测方法增强了设备状态监测的便捷性，另外，与传统的利用单台设备分项计电的设备状态监测方法相比，降低了成本。本发明适用设备种类广，对于利用变频改变设备运行状态的各类机械设备均具有一定的适用性。
为了解决上述技术问题，本发明提出的一种基于设备声信号和EMD的设备状态监测方法，用于建筑暖通、给排水设备的故障诊断及效率监测，主要包括对设备各状态下的运行声信号以及环境噪声的采集、设备运行声信号的归一化处理、归一化信号的经验模态分解、基于白噪声经验模态分解统计特性的有效模式分量筛选、根据筛选结果以有限个有效模式分量的能量密度构造特征向量训练神经网络模型以及利用该训练后的神经网络模型进行设备运行的监测和判断。
进一步讲，所述的基于设备声信号和EMD的设备状态监测方法，具体步骤如下：
步骤1、在采样设备稳定运行后，对设备各种运行状态下的设备运行声信号和设备未开启时的环境噪声分别进行采集，采样时长足够长，使得采样数据量的大小足以满足后续分析，选择无其他噪声源干扰的数据段进行下一步分析；
步骤2、对步骤1采集的设备各种运行状态下的设备声信号进行归一化处理，将设备未开启时的环境噪声记为A，则：
a＝max(A)
b＝min(A)
c＝mean(A)
利用式(1)对设备各种运行状态下的设备运行声信号I进行归一化处理：
I＝(B-c)/(a-b)(1)
步骤3、对归一化处理后的设备运行声信号进行EMD分解，得到分解后模式分量IMFs；
步骤4、利用白噪声的EMD统计特性，得到白噪声IMFs能量密度En与平均周期
白噪声的能量密度服从卡方分布，随着置信度Zα/2的不同，利用式(3)计算出不同置信度下的置信区间：
根据式(3)，绘制出以白噪声的能量密度为纵轴、平均周期为横轴的能量密度置信区间分布图，即为白噪声EMD统计特性，以此作为噪声信号有效模式分量筛选的依据；
依据白噪声EMD统计特性，对分解所得的模式分量进行有效本征模式分量的筛选，筛选时，落入置信区间内部的认为是无效模式分量，落入置信区间以外的则认为是有效模式分量；
步骤5、根据筛选结果，确定噪声信号有效分量的个数，利用3～6个有效本征模式分量的能量密度构造特征向量，将各运行状态下的设备运行声信号的特征向量作为神经网络的输入层，得到训练后的神经网络模型；
步骤6、利用该神经网络模型，判断、监测设备的运行状态，得出设备运行状态的判断结果。
在利用神经网络模型，判断、监测设备的运行状态过程中，同时，将采集到的设备运行声信号按照进行步骤2至5的过程处理，以该状态下的能量密度构造特征向量，并作为输入层进一步训练该神经网络，不断更新神经网络模型。
与现有技术相比，本发明的有益效果是：
首次提出利用设备声信号监测与EMD方法结合，利用神经网络来对设备运行状态进行判断和监测，是一种全新的设备状态监测方法。不需要提前安装多余的传感器，也不需要与运行中的设备直接接触，增强了设备状态监测的便捷性；此外，还能降低利用单台设备分项计电的设备状态监测方法的高成本。本发明适用设备种类广，对于利用变频改变设备运行状态的各类机械设备均具有一定的适用性。
附图说明
图1是本发明中基于设备声信号和EMD的设备状态监测方法的流程图；
图2是基于白噪声EMD统计特性所得到的置信度为99％时的En置信区间示意图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。
如图1所示，本发明提出的一种基于设备声信号和EMD的设备状态监测方法，用于建筑暖通、给排水设备的故障诊断及效率监测，可以广泛应用于建筑内的各种典型机械设备，如风机、水泵、制冷机组、发电机等，主要包括对设备各状态下的运行声信号以及环境噪声的采集、设备运行声信号的归一化处理、归一化信号的经验模态分解、基于白噪声经验模态分解统计特性的有效模式分量(IMFs)筛选、根据筛选结果以有限个有效模式分量的能量密度构造特征向量训练神经网络模型以及利用该训练后的神经网络模型进行设备运行的监测和判断。具体步骤如下：
(1)在采样设备稳定运行后，对设备各种运行状态下的设备运行声信号和设备未开启时的环境噪声分别进行采集，选择平稳的、受到较小外界干扰的数据段，即开机至少30秒，采样时长足够长，使得采样数据量的大小足以满足后续分析，选择无其他噪声源干扰的数据段进行下一步分析。
(2)对步骤(1)采集的设备各种运行状态下的设备声信号进行归一化处理，将设备未开启时的环境噪声记为A，则：
a＝max(A)
b＝min(A)
c＝mean(A)
对设备各种运行状态下的设备运行声信号I进行归一化处理，归一化公式如下：
I＝(B-c)/(a-b)
(3)对归一化处理后的设备运行声信号进行EMD分解，得到分解后的模式分量IMFs；
(4)利用白噪声的EMD统计特性，可以得到白噪声IMFs能量密度En与平均周期
白噪声的能量密度服从卡方分布，随着置信度Zα/2的不同，利用下式计算出不同置信度下的置信区间：
可以绘制出以白噪声的能量密度为纵轴、平均周期为横轴的能量密度置信区间分布图，利用足够多的归一化白噪声数据，可得到置信度取99％时的En置信区间，如图2所示，其中，黑色的线即为置信度取99％的置信区间。该分布图即为白噪声EMD统计特性，以此作为噪声信号有效模式分量筛选的依据；依据白噪声EMD统计特性，对分解所得的IMFs进行有效本征模式分量的筛选，筛选时，落入置信区间内部的认为是无效IMFs，落入置信区间以外的则认为是有效IMFs。
(5)根据筛选结果，确定噪声信号有效分量的个数，利用3～6个有效本征模式分量的能量密度构造特征向量。将各运行状态下的设备运行声信号的特征向量作为神经网络的输入层，进行判断设备运行状态的神经网络模型的训练，得到训练后的神经网络模型；
(6)利用该神经网络模型，判断、监测设备的运行状态，得出设备运行状态的判断结果。
在利用神经网络模型，判断、监测设备的运行状态过程中，同时，对需要进行运行状态判断的设备运行声信号按照进行步骤(2)至(5)的过程处理，得到该状态下的能量密度，以该状态下的能量密度构造特征向量，并作为输入层进一步训练该神经网络，不断更新神经网络模型，随着数据的更新利用更新后的神经网络，判断、监测设备的运行状态，得到设备运行状态的判断结果。
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。
