CN107908812A

CN107908812A - 一种基于hht和神经网络的气阀故障诊断方法

Info

Publication number: CN107908812A
Application number: CN201710932434.9A
Authority: CN
Inventors: 邵继业; 谢昭灵
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2017-10-10
Filing date: 2017-10-10
Publication date: 2018-04-13

Abstract

本发明公开了一种基于HHT和RBF神经网络的压缩机气阀故障诊断方法，在截断矩阵奇异值分解对振动信号预处理的基础上，利用希尔伯特‑黄变换(HHT)对信号进行分解与时频分析，然后利用径向基(RBF)网络对故障样本特征进行训练和识别。包括以下步骤：1、利用截断矩阵奇异值分解对气阀正常和故障状态下的振动信号进行降噪预处理；2、利用HHT算法获得降噪后的各状态下的EMD分解结果和Hilbert边际谱；3、基于EMD分解结果和Hilbert边际谱，提取气阀各运行状态下的特征向量，并作归一化处理；4、利用RBF网络训练各状态下的特征样本；对测试样本进行了识别，验证了该方法对气阀故障诊断的有效性。

Description

一种基于HHT和神经网络的气阀故障诊断方法

技术领域

本发明涉及往复压缩机气阀故障诊断技术，具体涉及一种基于HHT和RBF 神经网络的气阀故障诊断方法。

背景技术

往复机械结构复杂，其活塞、连杆、气阀等部件很容易发生故障，其中尤以气阀的故障多发、故障类型众多。以往复压缩机为例，气阀是否健康运行直接影响着压缩机的排气量、功率消耗以及运行的可靠性。气阀可分为吸气阀和排气阀，活塞每往复上下运动一次，吸气阀与排气阀各开启和关闭一次，从而使压缩机完成吸气、压缩、排气等工作过程。由于气阀在压缩机工作过程中，运动较多且受力复杂，往往成为压缩机的故障源，主要故障有：阀片损坏、气阀弹簧损坏、气阀漏气以及阀座失效等。因此，利用先进的诊断技术识别往复式压缩机的故障是故障诊断学的重要内容之一。

往复压缩机由电机驱动曲轴，通过连杆、十字头、活塞杆等部件将电机的旋转运动转换为活塞的往复运动。这样所采集到的信号为非平稳信号，其时域和频域的统计特性是随时间而变化的，存在一定的视频特性。傅里叶变换FFT是最通用的信号分析方法，通过把时域波形图转化为频谱图来分析频率和幅值的关系。然而FFT仅适用于平稳信号的分析，在分析非平稳信号时难以获得时频信息和频率、幅值信息，包括某些瞬时出现的频率信息。但实际上瞬态振动在往复压缩机的振动试信号中是很普遍的，因此采用传统的时频分析法无法分析瞬时幅值和瞬时频率等视频特性，从而难以进行有效的故障诊断。因此，目前针对往复压缩机进行状态监测和故障诊断时，面临着信号故障特征难以提取的问题。采用传统的信号分析技术，如基于傅里叶变换的频谱分析法和小波分析法等，是难以反映出信号所具有的时变、非平稳特性的。HHT(Hilbert Huang Transform)时频分析法是一种很适用于非平稳信号处理与分析的一种理论和计算方法，它是基于经验的模式分解方法EMD(Empirical Mode Decomposition)。EMD方法与一般的时频分析法、小波分析法有很大的不同，它是一种信号分解方法，能把复杂的数据序列分解成简单的有限数目的分量，称为基本模式分量，这些模式分量具有很好的 Hilbert变换特性，因此就很适于对非平稳信号的处理。

发明内容

本发明的目的在于提供一种基于HHT和RBF神经网络的气阀故障诊断方法，该方法具体为：通过利用截断矩阵奇异值分解方法对往复压缩机阀盖的振动信号进行降噪处理，通过希尔伯特-黄变换(HHT)信号处理理论对采集信号进行分解与时频分析，并提取基本模式分量信号能量特征与边际谱区域变化特征两种参数作为压缩机气阀故障诊断与识别的依据；最后利用径向基(RBF)神经网络对故障样本特征进行训练和识别。

本发明公开了一种基于HHT和RBF神经网络的气阀故障诊断方法，包括以下步骤：

步骤1：利用截断矩阵奇异值分解方法对采集的正常状态和故障状态下的压缩机气阀振动信号进行降噪预处理；

步骤2：利用HHT算法获得降噪后的气阀各工作状态下信号的EMD分解结果和Hilbert边际谱；

步骤3：基于上述振动信号的EMD分解结果和Hilbert边际谱，提取气阀各运行状态下的特征向量，并将特征向量进行归一化处理；

步骤4：利用RBF神经网络训练各状态下的训练样本特征数据；利用测试样本数据对该方法进行识别率的计算，验证该方法对压缩机气阀故障诊断的有效性。

附图说明

图1为本发明的流程图。

图2为气阀4种工作状态下的振动信号去噪前和去噪后的对比图。

图3为气阀4种工作状态下的振动信号的EMD分解结果。

图4为气阀4种工作状态下的HHT时频谱。

图5为气阀4种工作状态下的边际谱图。

图6为特征参数提取结果柱状图。

图7为RBF神经网络的训练曲线。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式对本发明作进一步地描述。

本发明所提供的一种基于HHT特征提取和RBF神经网络的压缩机气阀故障诊断方法，该方法的流程图如图1所示，包括如下步骤：

步骤1：利用截断矩阵奇异值分解方法对采集的正常状态和故障状态下的压缩机气阀振动信号进行降噪预处理。气阀四种工作状态一个周期(0.12s)降噪结果如图2所示。具体过程如下：

步骤1.1：选取往复式压缩机的振动数据包括正常工作状态数据和常见的三种故障状态数据，包括少弹簧故障、阀片断裂故障、阀片缺口故障，数据采样频率为20000Hz，每种状态采样点数80000个。

步骤1.2：将振动数据信号序列X＝(x(1),x(2),…,x(N))，构成m行n列截断矩阵形式的振动信号矩阵A，利用奇异值分解算法(SVD)可得：

式中：U为m×m阶酉矩阵；S＝[diag(σ₁,σ₂,…,σ_r):O]，σ₁≥σ₂≥…≥σ_r≥0 为振动信号矩阵A的奇异值序列，其中r＝min(m,n)，O为全零矩阵；V为n×n 阶酉矩阵，V＝[υ₁,υ₂,…,υ_n]。

步骤1.3：通过奇异值分解，原振动信号序列X被分解为r个相互正交的分量信号X_i：

计算奇异值序列[σ₁,σ₂,…,σ_r]的平均值，将大于平均值的奇异值构成新的奇异值序列为[σ₁,σ₂,…,σ_I]，即可得抑制噪声后的气阀振动信号S与噪声分量E分别为：

步骤2：利用HHT算法获得降噪后的气阀各工作状态下信号的EMD分解结果和Hilbert边际谱。具体过程如下：

步骤2.1：对步骤1中的降噪后的振动信号进行EMD分解，得到一系列固有模态函数IMF。图3分别为气阀正常工作状态、阀片断裂状态、阀片缺口状态、缺少弹簧状态的EMD分解结果。

步骤2.2：提取具有代表气阀各工作状态的IMF作为特征IMF，这里选取前 6阶的IMF。

步骤2.3：对步骤2.2中提取出来的特征IMF分量进行Hilbert变换得到具有实际意义的瞬时频率和瞬时幅值；再将IMF分量的Hilbert变换结果进行组合得到HHT时频谱；然后对HHT时频谱数据在信号时间内进行积分求和，得到信号的边际谱。图4分别为气阀四种工作状态的HHT时频谱；图5分别为气阀四种工作状态的边际谱。

步骤3：基于上述振动信号的EMD分解结果和Hilbert边际谱，提取气阀各运行状态下的特征向量，并将特征向量进行归一化处理。具体过程如下：

步骤3.1：IMF分量信号表征了故障信号在不同尺度下分解的能量特征，是信号固有的内在模态形式，因此提取前6个IMF分量的能量作为特征参数，并做能量归一化处理。

步骤3.1.1：计算前6个IMF分量的能量值E_i(i＝1,2,…,6)，根据计算公式：式中c_i第i个IMF分量信号。

步骤3.1.2：计算总能量并用作为能量归一化后的能量特征。

步骤3.2：根据对信号HHT时频谱数据在信号时间T内进行积分求和得到的边际谱进行分析，为准确提取故障信号的边际谱区域变化特征，即令每1000Hz为一个完整的能量分析区域，因此可以获得10个能量分析区域，并按频率从低到高顺序依次排列。然后，对第i个分析区域的边际谱能量求和得到该区域能量特征参数h_i，并以0～10000Hz区域的边际谱能量总和h₀作为标准进行特征尺度归一化，得到该区域的特征参数H_i＝h_i/h₀。

步骤3.3：根据步骤3.1和步骤3.2获得的特征参数构造特征矢量 T＝[H₁,H₂,…,H₁₀,e₁,e₂,…,e₆]，图6为特征参数提取结果柱状图。

步骤4：利用RBF神经网络训练各状态下的训练样本特征数据；利用测试样本数据对该方法进行识别率的计算，验证该方法对压缩机气阀故障诊断的有效性。样本数据集包含4种工况下的气阀振动信号，即正常、阀片断裂、阀片有缺口、缺少弹簧，气阀振动信号经上述步骤提取特征后，每类工作状态取33组样本，其中11组用于网络训练，其他的22组用于测试诊断效果。具体过程如下：

步骤4.1：创建RBF神经网络模型，根据步骤3.3获得特征矢量维数为16，并分别用[1 0 0 0]^T、[0 1 0 0]^T、[0 0 1 0]^T、[0 0 0 1]^T代表正常状态、阀片断裂、阀片有缺口、缺少弹簧4种判别结果，所以RBF神经网络的输入为16维，输出为4维。并设定目标误差为0.001。

步骤4.2：每类工作状态各11组，共44组训练样本，训练RBF神经网络。图7为RBF神经网络的训练曲线图。

步骤4.3：每类工作状态各22组，共88组测试样本，输入训练好的RBF神经网络进行测试，验证该方法对压缩机气阀故障诊断的有效性。具体测试结果如表1所示。

表1 RBF神经网络诊断测试结果

由图7可知，RBF神经网络在较少训练样本的情况下，经过34次迭代成功收敛到设定的目标误差；由表1可知，RBF神经网络一共识别样本数量为88个，正确识别样本个数84个，系统正确率为95.45％。因此，证明利用HHT算法提取压缩机气阀振动信号边际谱区域变化特征与部分IMF分量信号能量特征两种参数结合RBF神经网络对压缩机气阀故障诊断具有有效性。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims

1.一种基于HHT和RBF神经网络的气阀故障诊断方法，包括以下步骤：

2.根据权利要求1所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤1的具体步骤如下：

步骤1.1：选取往复式压缩机的振动数据包括正常工作状态数据和常见的三种故障状态数据，包括少弹簧故障、阀片断裂故障、阀片缺口故障；

步骤1.2：将振动数据信号序列X＝(x(1),x(2),…,x(N))，构成m行n列截断矩阵形式的振动信号矩阵A，利用奇异值分解算法(SVD)对矩阵A进行分解；

步骤1.3：通过奇异值分解，原振动信号序列X被分解为r个相互正交的分量信号计算奇异值序列[σ₁,σ₂,…,σ_r]的平均值，将大于平均值的奇异值构成新的奇异值序列为[σ₁,σ₂,…,σ_I]，即可得抑制噪声后的气阀振动信号S与噪声分量E。

3.根据权利要求1所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤2的具体步骤如下：

步骤2.1：对步骤1中的降噪后的振动信号进行EMD分解，得到一系列固有模态函数IMF；

步骤2.2：提取具有代表气阀各工作状态的IMF作为特征IMF，可以选取前5阶以及5阶之后的IMF；

步骤2.3：对步骤2.2中提取出来的特征IMF分量进行Hilbert变换得到具有实际意义的瞬时频率和瞬时幅值；再将IMF分量的Hilbert变换结果进行组合得到HHT时频谱；然后对HHT时频谱数据在信号时间内进行积分求和，得到信号的边际谱。

4.根据权利要求1所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤3的具体步骤如下：

步骤3.1：IMF分量信号表征了故障信号在不同尺度下分解的能量特征，是信号固有的内在模态形式，因此提取前n个IMF分量的能量作为特征参数，并做能量归一化处理；

步骤3.2：根据对信号HHT时频谱数据在信号时间T内进行积分求和得到的边际谱进行分析，为准确提取故障信号的边际谱区域变化特征，根据边际谱分析结果划分边际谱能量分析区域，因此可以获得n个能量分析区域，并按频率从低到高顺序依次排列。然后，对第i个分析区域的边际谱能量求和得到该区域能量特征参数h_i，并以边际谱能量总和h₀作为标准进行特征尺度归一化，得到该区域的特征参数H_i＝h_i/h₀；

步骤3.3：根据步骤3.1和步骤3.2获得的特征参数构造特征矢量T＝[H₁,H₂,…,H₁₀,e₁,e₂,…,e₆]。

5.根据权利要求4所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤3.1的具体步骤如下：

步骤3.1.1：计算前n个IMF分量的能量值E_i(i＝1,2,…,n)，根据计算公式：式中c_i第i个IMF分量信号；

步骤3.1.2：计算总能量并用作为能量归一化后的能量特征。

6.根据权利要求1所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤4的具体步骤如下：

步骤4.1：创建RBF神经网络模型，并设定网络目标误差；

步骤4.2：确定训练样本数量，训练RBF神经网络；

步骤4.3：确定测试样本数量，将测试样本输入训练好的RBF神经网络进行测试，验证该方法对压缩机气阀故障诊断的有效性。