CN109404285A - 一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法 - Google Patents
一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法 Download PDFInfo
- Publication number
- CN109404285A CN109404285A CN201811067643.2A CN201811067643A CN109404285A CN 109404285 A CN109404285 A CN 109404285A CN 201811067643 A CN201811067643 A CN 201811067643A CN 109404285 A CN109404285 A CN 109404285A
- Authority
- CN
- China
- Prior art keywords
- signal
- algorithm
- individual
- leapfrogs
- shuffled
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04C—ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT PUMPS
- F04C28/00—Control of, monitoring of, or safety arrangements for, pumps or pumping installations specially adapted for elastic fluids
- F04C28/28—Safety arrangements; Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04C—ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT PUMPS
- F04C2270/00—Control; Monitoring or safety arrangements
- F04C2270/80—Diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法,首先,将采集到的振动信号进行EEMD处理,计算各IMF分量的相关峭度值,拾取相关峭度值最大及次大的分量进行信号重构;其次对重构信号进行基于改进SFLA算法的自适应带通滤波处理,精准截取富含故障信息的高频段信号;最后将滤波后的信号进行希尔伯特包络解调分析,对解调信号进行频谱分析,最终诊断出压缩机故障。一方面利用相关峭度值进行IMF分量重构成新的信号,既保留了最多的故障信息又避免了噪声和伪分量对特征提取的影响;另一方面,基于改进的混洗蛙跳算法增强自适应带通滤波器,对重构信号进行自适应带通滤波,优化带通滤波的中心频率和带宽提高故障诊断的精准度。
Description
技术领域
本发明涉及机械设备故障诊断领域,具体是指螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法。
背景技术
螺杆式压缩机作为一种按容积变化原理而工作的双轴回转式压缩机,相比较于活塞式压缩机和离心式压缩机,螺杆式压缩机以其结构简单、工作可靠和容积效率好等一系列独特优点,在空气动力、制冷空调以及石油化工各种工艺流程中的使用量最多。作为大型压力系统中最为核心的部分,如果不能及时、准确地判断压缩机的运行状态,就会导致发生突发故障的概率增大,影响机组的正常运行及使用寿命,甚至造成更大的经济损失。因此,对螺杆压缩机进行故障诊断,对保证生产的正常运行,提高企业的经济效益都有重要的意义。
然而,压缩机部件配合间的间隙极小,运动较快,仅通过部分仪表的显示和实际经验来判断部件的损坏,其准确性和实效性极差。另外,压缩机的早期故障特征十分微弱,实际工况下,损伤故障、转子的原始质量偏心等周期性脉冲激励,会激发压缩机系统的各阶共振频率,且信号高频段夹杂着大量噪声,导致携带故障信息的脉冲成分易被噪声淹没。对于受自然周期性脉冲严重干扰的压缩机振动信号,若只进行单一的信号处理方法,解调效果差,降噪效果不佳,故障特征信息提取效果往往不够理想。因此,针对压缩机故障诊断,需要迫切解决的问题就是可靠的压缩机故障特征提取方法。
发明内容
本发明的目的是为了克服现有技术存在的缺点和不足,而提供一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法。该方法对重构信号进行自适应带通滤波,优化带通滤波的中心频率和带宽提高故障诊断的精准度。
为实现上述目的,本发明的技术方案是包括:
S1、将采集到的螺杆式压缩机的原始振动信号进行集合经验模态分解处理,拾取相关峭度值最大及次大的IMF分量进行信号重构,保留了最多的故障特征信息且避免了强噪声的干扰;
S2、其次对重构信号进行基于改进混洗蛙跳算法的自适应带通滤波处理,优化中心频率和带宽,进一步精准截取富含故障信息的高频段信号,并共振解调出故障信号包络谱;
S3、最后对故障信号包络谱进行故障特征频率的分析,诊断出螺杆式压缩机的故障。
进一步设置是所述步骤S1中具体为:
针对螺杆式压缩机的原始振动信号x(t),集合经验模态分解处理的具体步骤如下:
(1)对原始信号x(t)加入高斯白噪声序列,并对加噪后的待分析信号x(t)进行归一化处理;
(2)将信号进行经验模态分解,得到k个IMF分量cj(t)和一个余量r(t)(j=1...k)。
(3)每次加入幅值相同但正态分布不同的高斯白噪声序列,重复步骤(1)、(2)n次,即
式中,xi(t)为i次加入高斯白噪声后的信号,cij为第i次加入高斯白噪声后经验模态分解得到的第j个IMF分量,(j=1...k);
(4)计算每次分解得到对应IMF分量的均值,抑制或完全消除多次加入白噪声对真实IMF分量的影响,最终获得集合经验模态分解处理后的IMF分量为
式中,N为经验模态分解的集合次数,cij(t)为第i次经验模态分解所获得的第j个IMF分量;
(5)求解各IMF分量的相关峭度,选取相关峭度值最大和次大的IMF分量重构信号,该相关峭度的数学表达式为:
式中,xn为振动信号,T为感兴趣冲击信号的周期,N为采样长度,M为偏移的周期个数。
进一步设置是所述的步骤S2中的改进混洗蛙跳算法的具体步骤如下:
(1)初始化种群参数,包括青蛙种群大小N,青蛙个体Pi=(xi,1,xi,2,...,xi,d)xi,j∈[aj,bj],子群数m,子群迭代次数n及子群内迭代次数Ne,允许移动的最大步长Smax,建立适应度函数,确定最佳个体适应度为优化目标,建立停止计算条件;
(2)在原混洗蛙跳算法中青蛙跳跃步长更新公式Si=rand()×(Pb-Pw),Si∈[Smin,Smax],rand()为介于0到1之间的随机数,Pb为组内最优青蛙,Pw为组内最差青蛙的基础上,将公式更新为S′i=qSi+rand()×(Pb-Pw),S′i∈[Smin,Smax],其中,q取0到1之间的随机数,Pw更新公式为P′w=Pw+S′i,P′w∈[Pmin,Pmax]。经过更新后如果P′w优于Pw,则取代Pw,否则按公式S′i=rand()×(Pg-Pw)S′i∈[Smin,Smax]计算青蛙步长;
(3)基于确定的N个青蛙个体Pi,利用公式(1)
aj(t)=min(xj(t),bj(t)=max(xj(t))t为当前迭代次数
i=1,2,...,N;j=1,2,...,d;k=rand(0,1)
生成N个反向个体,将2N个个体按适应度升序排列,选出前N个个体组成新一代种群;
(4)将种群分为m个子群;利用步骤(2)中改进的更新公式在子群中进行Ne次迭代;
(5)将各个子群重新混合生成新的种群;
(6)基于新的种群个体生成对应的N个反向个体;
(7)将2N个个体按适应度降序排列,选出前N个个体组成新一代种群;
(8)计算个体的适应度,判断算法的终止条件是否满足,若满足则算法结束,否则转步骤(4),迭代次数为n。
进一步设置是所述的步骤S2中的基于改进混洗蛙跳算法进行自适应带通滤波的步骤为:
(1)初步指定带通滤波中心频率和带宽的变化范围;
(2)确定二维的青蛙个体其中fc:中心频率fb:带宽),初始化种群参数,建立适应度函数,确定最佳个体适应度为优化目标函数,建立停止计算条件,以优化目标函数值连续五次小于一定值时停止计算;
(3)进行基于改进的SFLA算法对重构信号进行自适应带通滤波的参数优化,寻优得出最佳适应度青蛙个体所对应的中心频率和带宽;
(4)获取最优中心频率和带宽所对应的最优共振解调包络谱。
本发明的创新机理是:
集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)本质上是一种噪声辅助信号分析方法,多次给待处理信号中添加一定幅值的高斯白噪声,利用高斯白噪声具有频率均匀分布的统计特性,使不同尺度的信号自动映射到适当的参考尺度上,从而避免了包络线的拟合误差,有效地解决了模态混叠问题。对多次分解得到的IMF分量进行总体平均,以达到抑制或完全消除噪声影响的效果。
改进SFLA算法是在SFLA算法基础上,对混洗蛙跳算法的改进中加入了记忆功能和反向学习(OBL)功能,记忆功能是指:每次个体更新时,最差青蛙个体更新时的步长被记忆,并将其引入到下一次个体更新中;反向学习功能是指:在种群初始化和进化过程中分别加入反向操作,将OBL应用到进化过程的每一次迭代中,使得个体围绕在由最优解构成的几何中心附近活动,提高了算法的收敛速度和寻优能力。
带通滤波器的作用是为了截取富含故障信息的信号,其中心频率和带宽是否合理将直接决定通过滤波后信号中的故障信息的多少(即信噪比大小)。中心频率值和带宽设计的越合理,通过滤波的信号信噪比就越高,在包络谱中故障特征频率处的峰值就会凸显。
本发明将改进SFLA算法用于自适应带通滤波,可精准确定滤波效果最佳的中心频率和带宽,有效提取出故障特征频率。为了解决压缩机故障特征信息难以提取的问题,提出一种基于EEMD与改进爬山算法增强自适应带通滤波相结合的螺杆式压缩机故障诊断方法,有关这方面研究,目前尚无报道。
本发明方法一方面利用相关峭度值进行IMF分量重构成新的信号,既保留了最多的故障信息又避免了噪声和伪分量对特征提取的影响;另一方面,基于改进的混洗蛙跳算法增强自适应带通滤波器,对重构信号进行自适应带通滤波,优化带通滤波的中心频率和带宽提高故障诊断的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1本发明的原理流程图;
图2本发明实施例的螺杆式压缩机振动信号处理流程图;
图3本发明实施例所采集的螺杆式压缩机的原始振动信号图,图3(a)为时域图;图3(b)是频域图;
图4本发明实施例的前4个IMF分量的时域波形图;
图5各IMF分量相关峭度值分布曲线;
图6重构信号时域波形图;
图7重构信号频域波形图;
图8重构信号的最优共振解调包络谱图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
名词说明:
本实施例中部分技术术语采用英文简称表达:
集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD);
改进混洗蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA);
带通滤波(Bandpass Filter,BF);
基本模态分量(IMF)。
如图1所示,为本发明的技术方案包括有以下步骤:
S1、将采集到的螺杆式压缩机的原始振动信号进行集合经验模态分解处理,拾取相关峭度值最大及次大的IMF分量进行信号重构,保留了最多的故障特征信息且避免了强噪声的干扰;
S2、其次对重构信号进行基于改进混洗蛙跳算法的自适应带通滤波处理,优化中心频率和带宽,进一步精准截取富含故障信息的高频段信号,并共振解调出故障信号包络谱;
S3、最后对故障信号包络谱进行故障特征频率的分析,诊断出螺杆式压缩机的故障。
本实施例包括以下步骤:
1、EEMD处理原始振动信号并基于相关峭度值进行信号重构。
EEMD为了有效抑制EMD方法中存在的模态混叠问题,在EMD的基础上提出了一种新的数据处理方法——集合经验模态分解。本质上是一种噪声辅助信号分析方法,多次给待处理信号中添加一定幅值的高斯白噪声,因为高斯白噪声具有频率均匀分布的统计特性,所以利用这一特性可以使不同尺度的信号自动映射到适当的参考尺度上,从而避免了包络线的拟合误差,有效地解决了模态混叠问题。
针对压缩机的原始振动信号x(t),EEMD处理的具体步骤如下:
(1)对原始信号x(t)加入高斯白噪声序列,并对加噪后的待分析信号x(t)进行归一化处理。
(2)将信号进行EMD分解,得到k个IMF分量cj(t)和一个余量r(t)(j=1...k)。
(3)每次加入幅值相同但正态分布不同的高斯白噪声序列,重复步骤(1)、(2)n次,即
式中,xi(t)为i次加入高斯白噪声后的信号,cij为第i次加入高斯白噪声后EMD分解得到的第j个IMF分量,(j=1...k)。
(4)计算每次分解得到对应IMF的均值,抑制或完全消除多次加入白噪声对真实IMF分量的影响,最终获得EEMD分解后的IMF为
式中,N为EMD的集合次数,cij(t)为第i次EMD所获得的第j个IMF。
(5)求解各IMF分量的相关峭度,选取相关峭度值最大和次大的IMF分量重构信号。
相关峭度兼备峭度与相关函数的特征,能有效反映信号中特定周期性冲击信号的强度。相关峭度值越大,表明信号中包含感兴趣冲击信号越多。相关峭度的数学表达式为:
式中,xn为振动信号,T为感兴趣冲击信号的周期,N为采样长度,M为偏移的周期个数。
2、基于改进SFLA算法的自适应带通滤波处理重构信号。
针对确定自适应带通滤波中心频率的问题,本发明提出采用在算法改进中增加记忆功能和反向学习(OBL)功能来提高收敛速度和寻优能力的改进SFLA算法,构造基于改进SFLA算法的自适应带通滤波器,在中心频率变化范围内搜寻滤波解调效果最佳所对应的全局最优解。
基于改进的SFLA算法的具体步骤如下:
(1)初始化种群参数,包括青蛙种群大小N,青蛙个体Pi=(xi,1,xi,2,...,xi,d)xi,j∈[aj,bj],子群数m,子群迭代次数n及子群内迭代次数Ne,允许移动的最大步长Smax,建立适应度函数,确定最佳个体适应度为优化目标,建立停止计算条件;
(2)在原混洗蛙跳算法中青蛙跳跃步长更新公式Si=rand()×(Pb-Pw),Si∈[Smin,Smax],rand()为介于0到1之间的随机数,Pb为组内最优青蛙,Pw为组内最差青蛙的基础上,将公式更新为Si′=qSi+rand()×(Pb-Pw),S′i∈[Smin,Smax],其中,q取0到1之间的随机数,Pw更新公式为P′w=Pw+S′i,P′w∈[Pmin,Pmax]。经过更新后如果P′w优于Pw,则取代Pw,否则按公式S′i=rand()×(Pg-Pw)S′i∈[Smin,Smax]计算青蛙步长;
(3)基于确定的N个青蛙个体Pi,利用公式(1)
aj(t)=min(xj(t),bj(t)=max(xj(t))t为当前迭代次数
i=1,2,...,N;j=1,2,...,d;k=rand(0,1)
生成N个反向个体,将2N个个体按适应度升序排列,选出前N个个体组成新一代种群。
(4)将种群分为m个子群;利用(2)中改进的更新公式在子群中进行Ne次迭代。
(5)将各个子群重新混合生成新的种群。
(6)基于新的种群个体生成对应的N个反向个体。
(7)将2N个个体按适应度降序排列,选出前N个个体组成新一代种群。
(8)计算个体的适应度,判断算法的终止条件是否满足,若满足则算法结束,否则转步骤(4),迭代次数为n。
压缩机系统中主要的故障特征频率分别为:轴承内圈故障频率fi、外圈故障频率fo、滚动体故障频率fb、螺杆转子啮合频率fr。故障特征频率的近似计算:
fr=n·fα (5)
式中,z为滚动体个数,d滚动体直径(mm),D为轴承节径(mm),α为压力角,fα为转频(Hz),n为螺杆转子的螺纹牙数。
令fmax=max(fi,fo,fb,fr),fmin=max(fi,fo,fb,fr),个体的适应度函数的建立过程为:
(1)按照每次迭代得出的最优个体对应的中心频率和带宽对重构信号进行共振解调,得到对应的包络谱曲线;
(2)在包络谱所有频率范围内搜索包络幅值的最大值ymax;
(3)在[fmin-ε,fmax+ε]范围内搜索频谱峰值y1max及其所在的频率值f1max;ε值可根据经验公式确定:
(4)对比ymax和y1max,若y1max<ymax,剔除y1max值,否则保留;
(5)分别在[2f1max-2ε,2f1max+2ε]和[3f1max-3ε,3f1max+3ε]范围内搜索峰值y2max和y3max及其所在的频率值f2max和f3max;
(6)根据式(6)计算个体的适应度函数;
式中mean为取括号中两数值的平均值,以故障敏感频率范围内前3阶有效峰值之间的相对差值和峰值大小作为优化目标,来优化中心频率的位置和带宽。其中,相对差值决定故障特征明显程度,峰值大小决定信号输出是否合理。若所得共振解调包络谱为理想状态,y1max为压缩机某一故障特征频率的基频幅值,y2max为2倍频幅值,y3max为3倍频幅值。
本发明基于改进的SFLA算法进行自适应带通滤波的步骤为:
(1)初步指定带通滤波中心频率和带宽的变化范围;
(2)确定二维的青蛙个体(fc:中心频率fb:带宽)初始化种群参数,建立适应度函数,确定最佳个体适应度为优化目标函数,建立停止计算条件,以优化目标函数值连续五次小于一定值时停止计算;
(3)进行基于改进的SFLA算法对重构信号进行自适应带通滤波的参数优化,寻优得出最佳适应度青蛙个体所对应的中心频率和带宽;
(4)获取最优中心频率和带宽所对应的最优共振解调包络谱。
3、频谱分析共振解调包络谱,诊断压缩机具体故障。
根据自适应共振解调所得到的最优包络谱图,找到频谱图中峰值及其对应的频率值,与压缩机故障特征频率近似计算所得的理论值对比,最终诊断出压缩机故障确定压缩机的故障位置。
基于集合经验模态分解与改进混洗蛙跳算法增强自适应带通滤波相结合的压缩机振动信号处理流程如图2所示。
实施案例1:阴阳转子啮合不良诊断
将本发明提出的方法用于诊断一个因阳转子导程超差导致阴阳转子啮合不良的双螺杆式压缩机,其故障表现为转子表面比较明显的转子之间相互摩擦的痕迹;
该压缩机阳转子螺纹牙数为4,阳转子旋转频率为29Hz,根据该压缩机公知结构、压缩机轴承公知结构、式(2)~(5)压缩机故障特征频率的近似计算,可得到表1中的压缩机故障特征频率。
表1压缩机故障特征频率
1、EEMD处理压缩机的振动信号并基于相关峭度值进行信号重构。
1)采集压缩机的振动信号,如图3。
2)截取0~0.7s的原始振动信号进行EEMD分解,得到14个IMF分量和1个余量,前4个IMF分量时域波形如图4所示。
3)依据公式(1),设定感兴趣冲击信号周期取偏移周期M=5,分别计算每个IMF分量的相关峭度值,其相关峭度值分布曲线如图5所示。
4)选取相关峭度值最大的IMF2和次大的IMF1进行信号重构,重构信号时域波形和频域波形如图6图7所示。
2、基于改进SFLA算法的自适应带通滤波处理重构信号。
根据重构信号的频域波形,基于改进SFLA算法的自适应带通滤波优化过程为:
(1)初步指定带通滤波中心频率和带宽的变化范围为[1000,10000],[100,2000]Hz;
(2)初始化种群参数,设置青蛙个体数量为i=100,共分为m=10个子群,每个子群中有n=10个青蛙个体,确定青蛙解空间为二维,即二维的青蛙个体(fc:中心频率fb:带宽),蛙跳步长限定范围为[-100,100]Hz,子群内迭代次数Ne=20,子群迭代次数n=50,建立适应度函数f,确定最佳个体适应度为优化目标函数,以优化目标函数值连续五次小于1×10-5为停止计算条件;
(3)进行基于改进的SFLA算法对重构信号进行自适应带通滤波的参数优化,寻优得出最佳适应度青蛙个体所对应的中心频率fc=7800Hz和带宽fb=500Hz;
(4)获取最优中心频率和带宽所对应的最优共振解调包络谱。
利用基于改进SFLA算法的自适应带通滤波对重构信号进行共振解调处理,所得的最优的共振解调包络谱如图8所示。
3、频谱分析共振解调包络谱,诊断压缩机具体故障。
根据自适应共振解调所得到的最优包络谱图,找到频谱图中峰值及其对应的频率值,如图8所示。峰值频率分别为116Hz、231.6Hz、348Hz、461.1Hz、576.5Hz、690.3Hz,将所得峰值与表1压缩机故障特征频率近似计算所得的理论值对比,发现这些特征频率都为阴阳转子的啮合频率及倍频,即可诊断出压缩机具体故障为阴阳转子的啮合不良。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法,其特征在于包括:
S1、将采集到的螺杆式压缩机的原始振动信号进行集合经验模态分解处理,拾取相关峭度值最大及次大的IMF分量进行信号重构,保留了最多的故障特征信息且避免了强噪声的干扰;
S2、其次对重构信号进行基于改进混洗蛙跳算法的自适应带通滤波处理,优化中心频率和带宽,进一步精准截取富含故障信息的高频段信号,并共振解调出故障信号包络谱;
S3、最后对故障信号包络谱进行故障特征频率的分析,诊断出螺杆式压缩机的故障。
2.根据权利要求1所述的一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法,其特征在于:所述步骤S1中具体为:
针对螺杆式压缩机的原始振动信号x(t),集合经验模态分解处理的具体步骤如下:
(1)对原始信号x(t)加入高斯白噪声序列,并对加噪后的待分析信号x(t)进行归一化处理;
(2)将信号进行经验模态分解,得到k个IMF分量cj(t)和一个余量r(t)(j=1...k);
(3)每次加入幅值相同但正态分布不同的高斯白噪声序列,重复步骤(1)、(2)n次,即
式中,xi(t)为i次加入高斯白噪声后的信号,cij为第i次加入高斯白噪声后经验模态分解得到的第j个IMF分量,(j=1...k);
(4)计算每次分解得到对应IMF分量的均值,抑制或完全消除多次加入白噪声对真实IMF分量的影响,最终获得集合经验模态分解处理后的IMF分量为
式中,N为经验模态分解的集合次数,cij(t)为第i次经验模态分解所获得的第j个IMF分量;
(5)求解各IMF分量的相关峭度,选取相关峭度值最大和次大的IMF分量重构信号,该相关峭度的数学表达式为:
式中,xn为振动信号,T为感兴趣冲击信号的周期,N为采样长度,M为偏移的周期个数。
3.根据权利要求2所述的一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法,其特征在于:所述的步骤S2中的改进混洗蛙跳算法的具体步骤如下:
(1)初始化种群参数,包括青蛙种群大小N,青蛙个体Pi=(xi,1,xi,2,...,xi,d)xi,j∈[aj,bj],子群数m,子群迭代次数n及子群内迭代次数Ne,允许移动的最大步长Smax,建立适应度函数,确定最佳个体适应度为优化目标,建立停止计算条件;
(2)在原混洗蛙跳算法中青蛙跳跃步长更新公式Si=rand()×(Pb-Pw),Si∈[Smin,Smax],rand()为介于0到1之间的随机数,Pb为组内最优青蛙,Pw为组内最差青蛙的基础上,将公式更新为S′i=qSi+rand()×(Pb-Pw),S′i∈[Smin,Smax],其中,q取0到1之间的随机数,Pw更新公式为P′w=Pw+S′i,P′w∈[Pmin,Pmax],经过更新后如果P′w优于Pw,则取代Pw,否则按公式S′i=rand()×(Pg-Pw)S′i∈[Smin,Smax]计算青蛙步长;
(3)基于确定的N个青蛙个体Pi,利用公式(1)
aj(t)=min(xj(t),bj(t)=max(xj(t))t为当前迭代次数
i=1,2,...,N;j=1,2,...,d;k=rand(0,1)
生成N个反向个体,将2N个个体按适应度升序排列,选出前N个个体组成新一代种群;
(4)将种群分为m个子群;利用步骤(2)中改进的更新公式在子群中进行Ne次迭代;
(5)将各个子群重新混合生成新的种群;
(6)基于新的种群个体生成对应的N个反向个体;
(7)将2N个个体按适应度降序排列,选出前N个个体组成新一代种群;
(8)计算个体的适应度,判断算法的终止条件是否满足,若满足则算法结束,否则转步骤(4),迭代次数为n。
4.根据权利要求2所述的一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法,其特征在于:所述的步骤S2中的基于改进混洗蛙跳算法进行自适应带通滤波的步骤为:
(1)初步指定带通滤波中心频率和带宽的变化范围;
(2)确定二维的青蛙个体其中fc:中心频率fb:带宽),初始化种群参数,建立适应度函数,确定最佳个体适应度为优化目标函数,建立停止计算条件,以优化目标函数值连续五次小于一定值时停止计算;
(3)进行基于改进的SFLA算法对重构信号进行自适应带通滤波的参数优化,寻优得出最佳适应度青蛙个体所对应的中心频率和带宽;
(4)获取最优中心频率和带宽所对应的最优共振解调包络谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811067643.2A CN109404285B (zh) | 2018-09-13 | 2018-09-13 | 一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811067643.2A CN109404285B (zh) | 2018-09-13 | 2018-09-13 | 一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109404285A true CN109404285A (zh) | 2019-03-01 |
CN109404285B CN109404285B (zh) | 2020-09-29 |
Family
ID=65464889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811067643.2A Active CN109404285B (zh) | 2018-09-13 | 2018-09-13 | 一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109404285B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261773A (zh) * | 2019-07-01 | 2019-09-20 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及系统 |
CN111276117A (zh) * | 2020-01-27 | 2020-06-12 | 西北工业大学 | 一种基于混合蛙跳算法的有源噪声控制方法 |
CN111985315A (zh) * | 2020-07-10 | 2020-11-24 | 合肥工业大学 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
CN113340995A (zh) * | 2021-05-11 | 2021-09-03 | 西安交通大学 | 一种激光冲击强化缺陷实时检测的声发射信号频段选择方法 |
CN113673468A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种输送机故障诊断方法、系统、电子设备及存储介质 |
CN114781466A (zh) * | 2022-06-21 | 2022-07-22 | 西安因联信息科技有限公司 | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002061591A (ja) * | 2000-08-18 | 2002-02-28 | Kobe Steel Ltd | スクリュ圧縮機の遠隔診断システム |
CN2795491Y (zh) * | 2005-05-18 | 2006-07-12 | 山东铝业股份有限公司 | 螺杆式压缩机组在线监测装置 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
CN105971901A (zh) * | 2016-05-03 | 2016-09-28 | 北京航空航天大学 | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 |
CN206468534U (zh) * | 2017-01-17 | 2017-09-05 | 好米动力设备有限公司 | 一种基于物联网的单螺杆压缩机故障诊断与监测系统 |
CN108168890A (zh) * | 2018-02-10 | 2018-06-15 | 北京工业大学 | 一种滚动轴承故障诊断的方法 |
-
2018
- 2018-09-13 CN CN201811067643.2A patent/CN109404285B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002061591A (ja) * | 2000-08-18 | 2002-02-28 | Kobe Steel Ltd | スクリュ圧縮機の遠隔診断システム |
CN2795491Y (zh) * | 2005-05-18 | 2006-07-12 | 山东铝业股份有限公司 | 螺杆式压缩机组在线监测装置 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
CN105971901A (zh) * | 2016-05-03 | 2016-09-28 | 北京航空航天大学 | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 |
CN206468534U (zh) * | 2017-01-17 | 2017-09-05 | 好米动力设备有限公司 | 一种基于物联网的单螺杆压缩机故障诊断与监测系统 |
CN108168890A (zh) * | 2018-02-10 | 2018-06-15 | 北京工业大学 | 一种滚动轴承故障诊断的方法 |
Non-Patent Citations (2)
Title |
---|
王宇等: "基于混合蛙跳优化神经网络的轴承故障诊断研究", 《机械传动》 * |
石远程等: "基于MEEMD的滚动轴承故障诊断方法", 《煤矿机械》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261773A (zh) * | 2019-07-01 | 2019-09-20 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及系统 |
CN110261773B (zh) * | 2019-07-01 | 2021-04-13 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及系统 |
CN111276117A (zh) * | 2020-01-27 | 2020-06-12 | 西北工业大学 | 一种基于混合蛙跳算法的有源噪声控制方法 |
CN111276117B (zh) * | 2020-01-27 | 2023-02-28 | 西北工业大学 | 一种基于混合蛙跳算法的有源噪声控制方法 |
CN111985315A (zh) * | 2020-07-10 | 2020-11-24 | 合肥工业大学 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
CN113340995A (zh) * | 2021-05-11 | 2021-09-03 | 西安交通大学 | 一种激光冲击强化缺陷实时检测的声发射信号频段选择方法 |
CN113340995B (zh) * | 2021-05-11 | 2024-05-07 | 西安交通大学 | 一种激光冲击强化缺陷实时检测的声发射信号频段选择方法 |
CN113673468A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种输送机故障诊断方法、系统、电子设备及存储介质 |
CN114781466A (zh) * | 2022-06-21 | 2022-07-22 | 西安因联信息科技有限公司 | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
CN114781466B (zh) * | 2022-06-21 | 2022-09-27 | 西安因联信息科技有限公司 | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109404285B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109404285A (zh) | 一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
Liu et al. | Recent advancements in empirical wavelet transform and its applications | |
CN108106830B (zh) | 一种基于时频谱分割的变速旋转机械故障诊断方法 | |
CN105424359B (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
CN103424258A (zh) | 一种滚动轴承的故障诊断方法 | |
CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
CN114705426A (zh) | 一种滚动轴承早期故障诊断方法 | |
CN105865794B (zh) | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 | |
CN103940612A (zh) | 一种滚动轴承故障特征提取方法及系统 | |
CN112674779B (zh) | 一种基于ecg信号的睡眠自动分期方法 | |
CN110160767A (zh) | 基于包络分析的冲击周期自动识别与提取方法及系统 | |
CN116873156B (zh) | 基于大数据的天然气船舶动力异常智能监控方法 | |
Wang et al. | Fault diagnosis of wind turbine bearing based on optimized adaptive chirp mode decomposition | |
CN113532848A (zh) | 一种行星齿轮箱故障诊断系统 | |
CN113654798A (zh) | 故障诊断方法、装置及电子设备 | |
Chen et al. | Fault identification method for planetary gear based on DT-CWT threshold denoising and LE | |
Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
CN113776837B (zh) | 基于ceemdan与gwo-nlm的滚动轴承故障诊断方法 | |
Zhen et al. | Rolling bearing fault diagnosis based on VMD reconstruction and DCS demodulation | |
Wang et al. | A novel hybrid approach for damage identification of wind turbine bearing under variable speed condition | |
CN109596354B (zh) | 基于自适应共振频带识别的带通滤波方法 | |
CN109441822B (zh) | 一种螺杆式压缩机故障诊断的多尺度自适应加权广义形态滤波方法 | |
Li et al. | Multi-fault diagnosis of rotating machinery via iterative multivariate variational mode decomposition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |