CN109707615A - 基于精细多重分形的往复压缩机故障诊断方法 - Google Patents
基于精细多重分形的往复压缩机故障诊断方法 Download PDFInfo
- Publication number
- CN109707615A CN109707615A CN201910143461.7A CN201910143461A CN109707615A CN 109707615 A CN109707615 A CN 109707615A CN 201910143461 A CN201910143461 A CN 201910143461A CN 109707615 A CN109707615 A CN 109707615A
- Authority
- CN
- China
- Prior art keywords
- signal
- fractal
- max
- fine
- reciprocating compressor
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及的基于精细多重分形的往复压缩机故障诊断方法,它包括采集往复压缩机敏感测点的机体表面振动加速度信号;使用参数优化时变滤波经验模式分解算法对选取的信号进行分解,提取本征模态函数分量;计算所得本征模态函数分量的峭度值优选出主要本征模态函数分量,进行信号重构,实现采集的振动加速度信号降噪处理;对重构后信号进行精细多重分形计算,通过多重分形奇异谱描述信号的结构特征和局部动力学行为;提取精细多重分形奇异谱参数,形成精细多重分形奇异谱特征向量,对往复压缩机故障进行诊断;将振动信号特征向量输入到支持向量机识别器中,判断振动信号的故障类型。本发明能更细致描述信号的分形特性,可更准确地诊断出故障类型。
Description
技术领域:
本发明涉及的是往复机械故障诊断技术领域,具体涉及的是基于精细多重分形的往复压缩机故障诊断方法。
背景技术:
往复压缩机是一种压力范围适用性广的压缩和输送气体的机械设备,其结构复杂,内部激励源众多,长期处于交变载荷的作用,导致往复压缩机振动信号呈现剧烈地非线性非平稳冲击与不连续时变等耦合特征。由于往复压缩机不间断运行,导致往复压缩机动力传动和运动等典型部件长期处于摩擦与碰撞状态,易发生十字头、滑动轴承摩擦磨损产生的间隙故障和气阀断裂磨损等失效故障,这些典型故障严重影响往复压缩机的安全运行,因此,有效地诊断评估往复压缩机故障状态对往复压缩机的预知维护和安全运行具有重要的经济和理论意义。
往复压缩机与旋转机械的故障机理和振动信号特性有所不同,旋转机械相对成熟的故障诊断技术和典型信号处理技术为基础的传统故障诊断方法对其并不一定适用,如傅里叶变换、时序模型分析和频域相干分析等,相比传统故障诊断方法,信号自适应分解方法以其适用于非平稳信号特征提取的特性,被广泛应用于机械故障诊断中;然而,经验模态分解、局部均值分解、变分模态分解等方法都存在着一些局限性,比如经验模态分解、局部均值分解方法均受到模态混叠现象的影响,变分模态分解等方法虽然起到了抑制模态混叠现象,但不能很好的保留信号的时变特征;时变滤波经验模态分解方法是一种新的自适应分解方法,该方法采用时变滤波器,不但能解决模态混叠问题,而且能保留信号的时变特征,且不要求上下包络是对称的,在低采样率下具有良好的性能,同时该方法中的参数具有明确的物理意义且容易选取,从而有效消除往复压缩机故障信号中掺杂的大量噪声,提取出往复压缩机显著故障特征。
上述方法在往复压缩机故障特征提取上均取得了一定效果,但难以对往复压缩机各故障进行准确地状态特征描述,多重分形去趋势波动分析方法是Kantelhardt提出的一种分析非平稳信号多重分形特性的方法,在揭示复杂系统非平稳性、非线性等方面具有独特之处,可定量描述非线性行为。对信号的局部尺度行为进行更精细的表征,可更细致地描述了信号的分形特性,适用于复杂系统的非线性行为定量描述。然而,多重分形去趋势波动分析方法在计算时因对整个序列进行等分割导致相邻分割区间线性拟合产生新的伪波动误差,没有体现序列的形态特征,进而影响波动函数的产生,使得估计的多重分形奇异谱失真,无法准确定量描述信号非线性特征。
发明内容:
本发明的目的是提供基于精细多重分形的往复压缩机故障诊断方法,这种基于精细多重分形的往复压缩机故障诊断方法用于解决目前难以对往复压缩机各故障进行准确地状态特征描述的问题。
本发明解决其技术问题所采用的技术方案是:这种基于精细多重分形的往复压缩机故障诊断方法包括以下步骤:
步骤一:采集往复压缩机敏感测点的机体表面振动加速度信号;
步骤二:使用参数优化时变滤波经验模式分解算法对选取的信号进行分解,提取本征模态函数分量;
利用遗传算法对时变滤波经验模式分解方法进行参数优化,设置遗传算法所需参数,种群数量为50,最大遗传代数为200,交叉概率为0.3,变异概率为0.01,选取峭度值作为适应度函数,通过每次更新计算的适应度值进行比较更新,以峭度值最大化作为参数优化的目标,确定时变滤波经验模式分解信号的最佳影响参数:带宽阈值ξ和B样条次序n,记为[ξ0,n0];
1)初始化遗传算法参数:种群数量为50,最大遗传代数为200,交叉概率为0.3,变异概率为0.01,选取峭度值作为适应度函数;
式中,xi为信号值,为信号均值,N为信号长度,σi为标准差;
2)利用时变滤波经验模式分解方法分解采集的加速度信号,计算各本征模态函数分量的峭度值,保存此次遗传算法计算后的最大适应度函数K0;
2.1)时变滤波经验模式分解的实现步骤为:
2.1.1)对采集的加速度信号x(t)使用希尔伯特变换,计算其瞬时幅值A(t)和瞬时频率
2.1.2)分别确定A(t)的局部最小、最大值所对应的时刻{tmin}和{tmax};
2.1.3)通过估计局部最小、最大值A({tmin})和A({tmin})的插值线β1(t)和β2(t),计算得到瞬时包络函数a1(t)和a2(t)
a1(t)=[β1(t)+β2(t)]/2
a2(t)=[β2(t)-β1(t)]/2
2.1.4)然后,计算和分别通过对和进行插值估计得到η1(t)和η2(t),
2.1.5)计算局部截止频率得到:
2.1.6)重排具体如下:
a)确定信号x(t)的局部最大值ui,i=1,2,3...;
b)找出所有的间歇时刻ej,j=1,2,3...,即满足如果时间点ui被认为是间歇时刻,则ej=ui;
如果ej是的上升边缘。如果ej是的下降边缘;
c)如果ej处于上升边缘,那么被认为是基层,如果ej处于下降边缘,那么被认为是基层,的剩余部分被认为是峰值;
d)在峰值间进行插值获得局部截止频率;
2.1.7)得到局部截止频率后,信号h(t)可通过下式重新获得
然后,通过取h(t)的节点作为极值点,即h(t)的{tmin}和{tmax},构造时变滤波器(即B样条近似滤波器),通过这种方式滤波器截止频率与一致。近似逼近结果表示为m(t);
2.1.8)定义计算停止条件θ(t):
对于给定的带宽阈值ξ和n,如果θ(t)≤ξ,该信号可以被看作是局部窄带的,被记为一个本征模态函数,否则,x1(t)=x(t)-m(t),重复2.1.1)~2.1.7)步骤直至停止循环;加权平均瞬时频率和Loughlin瞬时带宽BLoughlin分别是由下式计算得出;
3)确定是否满足迭代终止条件:若K≤K0时,迭代停止,否则K=K+1,继续进行迭代运算;
4)确定最大适应度函数值Kmax,及对应时变滤波经验模式分解信号的最佳影响参数[ξ0,n0];
5)再使用具有最佳影响参数[ξ0,n0]的时变滤波经验模式分解方法分解原始信号,获得若干本征模态函数分量;
步骤三:计算所得本征模态函数分量的峭度值优选出主要本征模态函数分量,进行信号重构,从而实现采集的往复压缩机振动加速度信号降噪处理效果;
步骤四:对重构后信号进行精细多重分形计算,通过多重分形奇异谱描述信号的结构特征和局部动力学行为;
步骤五:提取精细多重分形奇异谱参数,形成精细多重分形奇异谱特征向量,用于对往复压缩机故障进行诊断。
上述方案步骤四中,对重构后信号进行精细多重分形计算的具体步骤如下:
1)假设参数优化时变滤波经验模式分解重构后的信号为y(t),采用重要点分段法确定信号y(t)分段数,具体过程如下:
1.1)记为有序集合Q=(Y1,Y2,Y3,...,Yn),其中Yi=y(ti);
1.2)对于任意Yi,i∈[1,n],若Yi与相邻两重要点Yp与Yq连线的垂直距离最大,那么Yi就为该集合的重要点,式中点Yp与Yq已确定为重要点,若则Yi即为重要点,可构成两个子序列(Yp,Yi)和(Yi,Yq);
1.3)确定重要点Q后,对各子序列yi(t)内的s个点进行灰色GM(1,1)模型拟合,得到:
y(t)=(y1(t),y2(t),y3(t),...,yi(t)),i∈[1,n-1]
1.4)计算各子序列均方误差F2(s,v)
1.5)计算q阶波动函数Fq(s)
1.6)Fq(s)随着s增大呈幂律关系增加,即Fq(s)∝sh(q),故有
经简化处理后,可得到精细多重分形奇异谱函数f(a):
上述方案步骤五中提取精细多重分形奇异谱参数具体方法如下:
奇异指数a反映系统在其动力学过程中辐射出的信息,amax、amin反映大、小概率测度区域的性质,那么Δa=amax-amin描述了奇异强度分布范围内概率测度分布的不均匀程度;精细多重分形奇异谱f(a)反映被考察的物理量在分形结构上不均匀分布的性质;精细多重分形奇异谱的峰值fmax表示相同概率的单元数随观察尺度的变化速度;小、大概率测度的比值B=(αmax-α(fmax))/(α(fmax)-αmin),描述的是大、小概率子集在分形结构中占的比例大小;最大、最小概率子集分形维数之差Δf=f(αmax)-f(αmin),描述的是最大与最小概率子集中元素个数的差异;
上述参数可从不同区域、层次全面描述分形结构特性,故选取Δα、α(fmax)、fmax、Δf和B构成精细多重分形奇异谱特征向量。
上述方案步骤六的具体方法:将形成的各振动信号特征向量输送到支持向量机中,通过支持向量机进行训练与测试,其中支持向量机以径向基函数作为核函数。
本发明具有以下有益效果:
1、本发明克服了多重分形去趋势波动分析方法相邻等分割区间线性拟合产生伪波动误差,严重导致多重分形奇异谱失真,无法准确定量描述信号非线性特征的难题,并且采用了参数优化时变滤波经验模式分解方法对往复压缩机振动加速度信号进行预处理,在降噪的同时增强振动信号的冲击特征成分,便于实现往复压缩机振动信号的特征提取,为往复压缩机故障信号的表征和识别提供可靠的数据支撑。
2、本发明通过采用参数优化时变滤波经验模式分解方法对往复压缩机振动加速度信号进行处理,可以得到一系列本征模态函数分量,通过计算各分量的峭度值,优选出主要本征模态函数分量,进行信号重构,在降噪的同时增强了信号的冲击成分,以及通过精细多重分形分析,定量描述振动信号的非线性行为,其绘制的精细多重分形奇异谱参数对信号的局部特征具有更精细的表征,能更细致地描述信号的分形特性,形成精细多重分形奇异谱参数特征向量,可更准确地诊断出故障类型。
四、附图说明:
图1为本发明的诊断方法流程图。
图2为原始往复压缩机一级连杆大头轴瓦正常和间隙故障振动加速度信号。
图3为参数优化时变滤波经验模态分解方法流程图。
图4为原始往复压缩机一级连杆大头轴瓦正常振动加速度信号参数优化时变滤波经验模式分解。
图5为原始往复压缩机一级连杆大头轴瓦间隙故障振动加速度信号参数优化时变滤波经验模式分解。
图6为本征模式分量优选重构后往复压缩机一级连杆大头轴瓦正常和间隙故障信号。
图7为经参数优化时变滤波经验模式分解降噪后的精细多重分形奇异谱。
具体实施方式
下面结合附图对本发明做进一步的说明:
这种基于精细多重分形的往复压缩机故障诊断方法,包括如下内容:如图1所示:
步骤一:采集往复压缩机敏感测点的机体表面振动加速度信号;
步骤二:使用参数优化时变滤波经验模式分解算法对选取的信号进行分解,提取本征模态函数分量,包括如下步骤:
利用遗传算法对时变滤波经验模式分解方法进行参数优化,设置遗传算法所需参数,种群数量为50,最大遗传代数为200,交叉概率为0.3,变异概率为0.01,选取峭度值作为适应度函数,通过每次更新计算的适应度值进行比较更新,以峭度值最大化作为参数优化的目标,确定时变滤波经验模式分解信号的最佳影响参数:带宽阈值ξ和B样条次序n,记为[ξ0,n0]。
1)初始化遗传算法参数:种群数量为50,最大遗传代数为200,交叉概率为0.3,变异概率为0.01,选取峭度值作为适应度函数;
式中,xi为信号值,为信号均值,N为信号长度,σi为标准差;
2)利用时变滤波经验模式分解方法分解采集的加速度信号,计算各本征模态函数分量的峭度值,保存此次遗传算法计算后的最大适应度函数K0;
2.1)时变滤波经验模式分解的实现步骤为:
2.1.1)对采集的加速度信号x(t)使用希尔伯特变换,计算其瞬时幅值A(t)和瞬时频率
2.1.2)分别确定A(t)的局部最小、最大值所对应的时刻{tmin}和{tmax};
2.1.3)通过估计局部最小、最大值A({tmin})和A({tmin})的插值线β1(t)和β2(t),计算得到瞬时包络函数a1(t)和a2(t)
a1(t)=[β1(t)+β2(t)]/2
a2(t)=[β2(t)-β1(t)]/2
2.1.4)然后,计算和分别通过对和进行插值估计得到η1(t)和η2(t),
2.1.5)计算局部截止频率得到:
2.1.6)重排具体如下:
a)确定信号x(t)的局部最大值ui,i=1,2,3...;
b)找出所有的间歇时刻ej,j=1,2,3...,即满足如果时间点ui被认为是间歇时刻,则ej=ui。
如果ej是的上升边缘。如果ej是的下降边缘;
c)如果ej处于上升边缘,那么被认为是基层,如果ej处于下降边缘,那么被认为是基层,的剩余部分被认为是峰值;
d)在峰值间进行插值获得局部截止频率;
2.1.7)得到局部截止频率后,信号h(t)可通过下式重新获得
然后,通过取h(t)的节点作为极值点,即h(t)的{tmin}和{tmax},构造时变滤波器(即B样条近似滤波器),通过这种方式滤波器截止频率与一致。近似逼近结果表示为m(t);
2.1.8)定义计算停止条件θ(t):
对于给定的带宽阈值ξ和n,其中ξ∈(0,0.8],n∈[5,30]。如果θ(t)≤ξ,该信号可以被看作是局部窄带的,被记为一个本征模态函数,否则,x1(t)=x(t)-m(t),重复2.1.1)~2.1.7)步骤直至停止循环。这里,加权平均瞬时频率和Loughlin瞬时带宽BLoughlin分别是由下式计算得出。
3)确定是否满足迭代终止条件:若K≤K0时,迭代停止,否则K=K+1,继续进行迭代运算;
4)确定最大适应度函数值Kmax,及对应时变滤波经验模式分解信号的最佳影响参数[ξ0,n0];
5)再使用具有最佳影响参数[ξ0,n0]的时变滤波经验模式分解方法分解原始信号,获得若干本征模态函数分量。
步骤三:计算所得本征模态函数分量的峭度值优选出主要本征模态函数分量,进行信号重构,从而实现采集的往复压缩机振动加速度信号降噪处理效果:对经参数优化时变滤波经验模式分解后的信号,分别计算所得本征模态函数分量的峭度值,确定合理阈值,优选出主要本征模态函数分量,进行信号重构,从而实现信号降噪处理;
步骤四:对重构后信号进行精细多重分形计算,通过多重分形奇异谱定量描述信号的结构特征和局部动力学行为,具体步骤如下:
1)假设参数优化时变滤波经验模式分解重构后的信号为y(t),采用重要点分段法确定信号y(t)分段数,具体过程如下:
1.1)记为有序集合Q=(Y1,Y2,Y3,...,Yn),其中Yi=y(ti);
1.2)对于任意Yi,i∈[1,n],若Yi与相邻两重要点Yp与Yq连线的垂直距离最大,那么Yi就为该集合的重要点,式中点Yp与Yq已确定为重要点。若则Yi即为重要点,可构成两个子序列(Yp,Yi)和(Yi,Yq);
1.3)确定重要点Q后,对各子序列yi(t)内的s个点进行灰色GM(1,1)模型拟合,得到:
y(t)=(y1(t),y2(t),y3(t),…,yi(t)),i∈[1,n-1]
1.4)计算各子序列均方误差F2(s,v)
1.5)计算q阶波动函数Fq(s)
1.6)Fq(s)随着s增大呈幂律关系增加,即Fq(s)∝sh(q),故有
经简化处理后,可得到精细多重分形奇异谱函数f(a):
a=h(q)+qh(q)
f(a)=q(a-h(q))+1
步骤五:提取精细多重分形奇异谱参数,形成精细多重分形奇异谱特征向量,用于对往复压缩机故障进行诊断,选取的精细多重分形奇异谱参数具体如下:
奇异指数a反映系统在其动力学过程中辐射出的信息,amax、amin反映大、小概率测度区域的性质,那么Δa=amax-amin描述了奇异强度分布范围内概率测度分布的不均匀程度;精细多重分形奇异谱f(a)反映被考察的物理量在分形结构上不均匀分布的性质;精细多重分形奇异谱的峰值fmax表示相同概率的单元数随观察尺度的变化速度;小、大概率测度的比值B=(αmax-α(fmax))/(α(fmax)-αmin),描述的是大、小概率子集在分形结构中占的比例大小;最大、最小概率子集分形维数之差Δf=f(αmax)-f(αmin),描述的是最大与最小概率子集中元素个数的差异;
上述参数可从不同区域、层次全面描述分形结构特性,故选取Δα、α(fmax)、fmax、Δf和B构成精细多重分形奇异谱特征向量;
步骤六:将振动信号特征向量输入到识别器中,判断振动信号的故障类型:将形成的各振动信号特征向量输送到支持向量机中,通过支持向量机进行训练与测试,其中支持向量机以径向基函数作为核函数,主要参数设置为:惩罚参数C=2.78与核参数γ=3.06;
以一组具体数据对本发明作进一步说明:结合往复压缩机运动特性,分别采集往复压缩机一级连杆大头轴瓦正常和间隙故障的振动加速度信号,采样频率和时间分别为50kHz和10s。截选出2个周期信号作为分析数据见图2,每种信号状态各60组分析数据构成实验原始序列。
分别对往复压缩机一级连杆大头轴瓦正常和间隙故障的原始序列,进行参数优化时变滤波经验模式分解方法分析,可分别得到正常状态和间隙故障的时变滤波经验模式分解的最佳影响参数[ξ0=0.15,n0=30]和[ξ0=0.12,n0=25],提取各状态本征模态函数分量,见图4,表1为各状态所得本征模态函数分量的峭度值,选取峭度值大于6的IMF1、和IMF2分量进行信号重构,实现对原始信号的降噪处理如图5。
表1各本征模态函数分量的峭度值
对各状态重构后信号进行精细多重分形计算,并绘制各状态精细多重分形奇异谱图如图6,通过分析精细多重分形奇异谱,提取反映信号结构特征和局部动力学行为的精细多重分形奇异谱参数见表2,形成精细多重分形奇异谱特征向量。按照上述方法,对每种信号状态的60组数据进行分析,构成往复压缩机一级连杆大头轴瓦正常和间隙故障特征矩阵,输入到支持向量机中进行状态识别分析,判断振动信号的故障类型。
表2各状态精细多重分形奇异谱参数
信号状态 | Δα | α(f<sub>max</sub>) | f<sub>max</sub> | Δf | B |
正常状态 | 4.19 | 2.9606 | 0.9850 | 0.0153 | 0.1257 |
间隙故障 | 0.5160 | 1.6926 | 0.9998 | 0.2560 | 0.8437 |
诊断结果对比分析:
为了比较和分析精细多重分形方法与多重分形去趋势分析方法对往复压缩机故障诊断结果准确性的影响,采用以下方法进行分析和比较:
用参数优化时变滤波经验模式分解和精细多重分析方法(PO-TVF-EMD和FM)、参数优化时变滤波经验模式分解方法和多重分形去趋势分析方法(PO-TVF-EMD和MF-DFA)、经验模式分解和精细多重分析方法(EMD和FM)和经验模式分解和多重分形分析方法(EMD和MF-DFA)四种方法,分别对往复压缩机一级连杆大头轴瓦正常和间隙故障60组信号数据进行分析,其中30组作为训练数据,30组作为测试数据,惩罚参数C=2.78与核参数γ=3.06。其结果如表3所示。
表3四种诊断方法的故障诊断率
通过表3可以判定,基于本发明的故障诊断方法相比较其他方法具有较高的故障识别率,验证了本发明方法的有效性和优越性。
本发明结合往复压缩机振动信号特点,提出采用重要点分段法曲线拟合替代等分割区间线性拟合的精细多重分析方法,有效解决多重分形奇异谱失真问题。
以上所述,仅为本发明的最优具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于精细多重分形的往复压缩机故障诊断方法,其特征在于包括以下步骤:
步骤一:采集往复压缩机敏感测点的机体表面振动加速度信号;
步骤二:使用参数优化时变滤波经验模式分解算法对选取的信号进行分解,提取本征模态函数分量;
利用遗传算法对时变滤波经验模式分解方法进行参数优化,设置遗传算法所需参数,种群数量为50,最大遗传代数为200,交叉概率为0.3,变异概率为0.01,选取峭度值作为适应度函数,通过每次更新计算的适应度值进行比较更新,以峭度值最大化作为参数优化的目标,确定时变滤波经验模式分解信号的最佳影响参数:带宽阈值ξ和B样条次序n,记为[ξ0,n0];
1)初始化遗传算法参数:种群数量为50,最大遗传代数为200,交叉概率为0.3,变异概率为0.01,选取峭度值作为适应度函数;
式中,xi为信号值,为信号均值,N为信号长度,σi为标准差;
2)利用时变滤波经验模式分解方法分解采集的加速度信号,计算各本征模态函数分量的峭度值,保存此次遗传算法计算后的最大适应度函数K0;
2.1)时变滤波经验模式分解的实现步骤为:
2.1.1)对采集的加速度信号x(t)使用希尔伯特变换,计算其瞬时幅值A(t)和瞬时频率
2.1.2)分别确定A(t)的局部最小、最大值所对应的时刻{tmin}和{tmax};
2.1.3)通过估计局部最小、最大值A({tmin})和A({tmin})的插值线β1(t)和β2(t),计算得到瞬时包络函数a1(t)和a2(t)
a1(t)=[β1(t)+β2(t)]/2
a2(t)=[β2(t)-β1(t)]/2
2.1.4)然后,计算和分别通过对和进行插值估计得到η1(t)和η2(t),
2.1.5)计算局部截止频率得到:
2.1.6)重排具体如下:
a)确定信号x(t)的局部最大值ui,i=1,2,3...;
b)找出所有的间歇时刻ej,j=1,2,3...,即满足如果时间点ui是间歇时刻,则ej=ui;
如果ej是的上升边缘,如果ej是的下降边缘;
c)如果ej处于上升边缘,那么是基层,如果ej处于下降边缘,那么是基层,的剩余部分是峰值;
d)在峰值间进行插值获得局部截止频率;
2.1.7)得到局部截止频率后,信号h(t)可通过下式重新获得
然后,通过取h(t)的节点作为极值点,即h(t)的{tmin}和{tmax},构造时变滤波器,时变滤波器为B样条近似滤波器,通过这种方式滤波器截止频率与一致,结果表示为m(t);
2.1.8)定义计算停止条件θ(t):
对于给定的带宽阈值ξ和n,如果θ(t)≤ξ,该信号是局部窄带的,被记为一个本征模态函数,否则,x1(t)=x(t)-m(t),重复2.1.1)~2.1.7)步骤直至停止循环;加权平均瞬时频率和Loughlin瞬时带宽BLoughlin分别是由下式计算得出;
3)确定是否满足迭代终止条件:若K≤K0时,迭代停止,否则K=K+1,继续进行迭代运算;
4)确定最大适应度函数值Kmax,及对应时变滤波经验模式分解信号的最佳影响参数[ξ0,n0];
5)再使用具有最佳影响参数[ξ0,n0]的时变滤波经验模式分解方法分解原始信号,获得若干本征模态函数分量;
步骤三:计算所得本征模态函数分量的峭度值优选出主要本征模态函数分量,进行信号重构,从而实现采集的往复压缩机振动加速度信号降噪处理效果;
步骤四:对重构后信号进行精细多重分形计算,通过多重分形奇异谱描述信号的结构特征和局部动力学行为;
步骤五:提取精细多重分形奇异谱参数,形成精细多重分形奇异谱特征向量,用于对往复压缩机故障进行诊断。
2.根据权利要求1所述的基于精细多重分形的往复压缩机故障诊断方法,其特征在于:所述的步骤四中,对重构后信号进行精细多重分形计算的具体步骤如下:
1)假设参数优化时变滤波经验模式分解重构后的信号为y(t),采用重要点分段法确定信号y(t)分段数,具体过程如下:
1.1)记为有序集合Q=(Y1,Y2,Y3,...,Yn),其中Yi=y(ti);
1.2)对于任意Yi,i∈[1,n],若Yi与相邻两重要点Yp与Yq连线的垂直距离最大,那么Yi就为该集合的重要点,式中点Yp与Yq已确定为重要点,若则Yi即为重要点,构成两个子序列(Yp,Yi)和(Yi,Yq);
1.3)确定重要点Q后,对各子序列yi(t)内的s个点进行灰色GM(1,1)模型拟合,得到:
y(t)=(y1(t),y2(t),y3(t),...,yi(t)),i∈[1,n-1]
1.4)计算各子序列均方误差F2(s,v)
1.5)计算q阶波动函数Fq(s)
1.6)Fq(s)随着s增大呈幂律关系增加,即Fq(s)∝sh(q),故有
经简化处理后,可得到精细多重分形奇异谱函数f(a):
3.根据权利要求2所述的基于精细多重分形的往复压缩机故障诊断方法,其特征在于:所述的步骤五中提取精细多重分形奇异谱参数具体方法如下:
奇异指数a反映系统在其动力学过程中辐射出的信息,amax、amin反映大、小概率测度区域的性质,那么Δa=amax-amin描述了奇异强度分布范围内概率测度分布的不均匀程度;精细多重分形奇异谱f(a)反映被考察的物理量在分形结构上不均匀分布的性质;精细多重分形奇异谱的峰值fmax表示相同概率的单元数随观察尺度的变化速度;小、大概率测度的比值B=(αmax-α(fmax))/(α(fmax)-αmin),描述的是大、小概率子集在分形结构中占的比例大小;最大、最小概率子集分形维数之差Δf=f(αmax)-f(αmin),描述的是最大与最小概率子集中元素个数的差异;
上述参数从不同区域、层次全面描述分形结构特性,故选取Δα、α(fmax)、fmax、Δf和B构成精细多重分形奇异谱特征向量。
4.根据权利要求1所述的基于精细多重分形的往复压缩机故障诊断方法,其特征在于:所述的步骤六的具体方法:将形成的各振动信号特征向量输送到支持向量机中,通过支持向量机进行训练与测试,其中支持向量机以径向基函数作为核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143461.7A CN109707615B (zh) | 2019-02-26 | 2019-02-26 | 基于精细多重分形的往复压缩机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143461.7A CN109707615B (zh) | 2019-02-26 | 2019-02-26 | 基于精细多重分形的往复压缩机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109707615A true CN109707615A (zh) | 2019-05-03 |
CN109707615B CN109707615B (zh) | 2019-11-19 |
Family
ID=66265138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910143461.7A Expired - Fee Related CN109707615B (zh) | 2019-02-26 | 2019-02-26 | 基于精细多重分形的往复压缩机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109707615B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN111142020A (zh) * | 2019-12-26 | 2020-05-12 | 东北石油大学 | 通过多结构方式进行风力发电机故障诊断的方法和装置 |
CN111665050A (zh) * | 2020-06-04 | 2020-09-15 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
CN111738155A (zh) * | 2020-06-23 | 2020-10-02 | 东北石油大学 | 往复压缩机轴承间隙故障诊断方法 |
CN111980902A (zh) * | 2019-05-23 | 2020-11-24 | 睿捷国际股份有限公司 | 往复式压缩机的监测系统及监测方法 |
CN112287752A (zh) * | 2020-09-22 | 2021-01-29 | 国家电网有限公司 | 一种水力发电机转轴早期故障特征的提取方法 |
CN112597958A (zh) * | 2020-12-29 | 2021-04-02 | 哈工大机器人(合肥)国际创新研究院 | 一种滚动轴承故障自动识别方法及系统 |
CN112633121A (zh) * | 2020-12-18 | 2021-04-09 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与多重分形维数特征的辐射源识别方法 |
CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
CN113281617A (zh) * | 2021-06-08 | 2021-08-20 | 中国民航大学 | 一种飞机线缆微弱故障诊断方法 |
CN113390640A (zh) * | 2021-05-20 | 2021-09-14 | 上海电机学院 | 基于vmd与多重分形相结合的轴承故障识别方法 |
CN114718793A (zh) * | 2022-04-22 | 2022-07-08 | 西安理工大学 | 贯流式水轮机空化状态识别方法 |
CN114994517A (zh) * | 2022-07-04 | 2022-09-02 | 哈尔滨理工大学 | 一种用于模拟电路的软故障诊断方法 |
CN117367570A (zh) * | 2023-11-02 | 2024-01-09 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004211582A (ja) * | 2002-12-27 | 2004-07-29 | Tokico Ltd | 往復動型圧縮機 |
JP2005241089A (ja) * | 2004-02-25 | 2005-09-08 | Mitsubishi Electric Corp | 機器診断装置、冷凍サイクル装置、機器診断方法、機器監視システム、冷凍サイクル監視システム |
CN105628381A (zh) * | 2016-01-13 | 2016-06-01 | 东北石油大学 | 一种基于改进的局部均值分解的往复压缩机轴承故障诊断方法 |
CN108168924A (zh) * | 2017-12-20 | 2018-06-15 | 东北石油大学 | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 |
-
2019
- 2019-02-26 CN CN201910143461.7A patent/CN109707615B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004211582A (ja) * | 2002-12-27 | 2004-07-29 | Tokico Ltd | 往復動型圧縮機 |
JP2005241089A (ja) * | 2004-02-25 | 2005-09-08 | Mitsubishi Electric Corp | 機器診断装置、冷凍サイクル装置、機器診断方法、機器監視システム、冷凍サイクル監視システム |
CN105628381A (zh) * | 2016-01-13 | 2016-06-01 | 东北石油大学 | 一种基于改进的局部均值分解的往复压缩机轴承故障诊断方法 |
CN108168924A (zh) * | 2017-12-20 | 2018-06-15 | 东北石油大学 | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
周浩,贾民平: "基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析", 《机电工程》 * |
林近山,窦春红,寇兴磊: "基于时变滤波经验模式分解的齿轮箱故障诊断", 《机械传动》 * |
陈桂娟,王金东,刘耀芳,赵海洋: "基于多重分形与奇异值分解的往复压缩机智能故障诊断技术", 《压缩机技术》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111980902A (zh) * | 2019-05-23 | 2020-11-24 | 睿捷国际股份有限公司 | 往复式压缩机的监测系统及监测方法 |
CN111980902B (zh) * | 2019-05-23 | 2022-08-12 | 睿捷国际股份有限公司 | 往复式压缩机的监测系统及监测方法 |
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN111142020B (zh) * | 2019-12-26 | 2021-11-23 | 东北石油大学 | 通过多结构方式进行风力发电机故障诊断的方法和装置 |
CN111142020A (zh) * | 2019-12-26 | 2020-05-12 | 东北石油大学 | 通过多结构方式进行风力发电机故障诊断的方法和装置 |
CN111665050B (zh) * | 2020-06-04 | 2021-07-27 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
CN111665050A (zh) * | 2020-06-04 | 2020-09-15 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
CN111738155A (zh) * | 2020-06-23 | 2020-10-02 | 东北石油大学 | 往复压缩机轴承间隙故障诊断方法 |
CN112287752A (zh) * | 2020-09-22 | 2021-01-29 | 国家电网有限公司 | 一种水力发电机转轴早期故障特征的提取方法 |
CN112287752B (zh) * | 2020-09-22 | 2024-04-12 | 国家电网有限公司 | 一种水力发电机转轴早期故障特征的提取方法 |
CN112633121A (zh) * | 2020-12-18 | 2021-04-09 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与多重分形维数特征的辐射源识别方法 |
CN112597958A (zh) * | 2020-12-29 | 2021-04-02 | 哈工大机器人(合肥)国际创新研究院 | 一种滚动轴承故障自动识别方法及系统 |
CN112597958B (zh) * | 2020-12-29 | 2023-04-07 | 哈工大机器人(合肥)国际创新研究院 | 一种滚动轴承故障自动识别方法及系统 |
CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
CN113092083B (zh) * | 2021-02-03 | 2023-06-13 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
CN113390640A (zh) * | 2021-05-20 | 2021-09-14 | 上海电机学院 | 基于vmd与多重分形相结合的轴承故障识别方法 |
CN113281617A (zh) * | 2021-06-08 | 2021-08-20 | 中国民航大学 | 一种飞机线缆微弱故障诊断方法 |
CN113281617B (zh) * | 2021-06-08 | 2022-09-27 | 中国民航大学 | 一种飞机线缆微弱故障诊断方法 |
CN114718793B (zh) * | 2022-04-22 | 2024-02-06 | 西安理工大学 | 贯流式水轮机空化状态识别方法 |
CN114718793A (zh) * | 2022-04-22 | 2022-07-08 | 西安理工大学 | 贯流式水轮机空化状态识别方法 |
CN114994517A (zh) * | 2022-07-04 | 2022-09-02 | 哈尔滨理工大学 | 一种用于模拟电路的软故障诊断方法 |
CN117367570A (zh) * | 2023-11-02 | 2024-01-09 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
CN117367570B (zh) * | 2023-11-02 | 2024-04-12 | 中国人民解放军海军工程大学 | 一种基于单点声信号的空气压缩机智能故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109707615B (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109707615B (zh) | 基于精细多重分形的往复压缩机故障诊断方法 | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN103674511B (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
CN105971901A (zh) | 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 | |
CN104832418B (zh) | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 | |
CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN107908812A (zh) | 一种基于hht和神经网络的气阀故障诊断方法 | |
CN110044623A (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
CN111414893B (zh) | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 | |
CN106153179A (zh) | 中速磨煤机振动故障诊断方法 | |
CN108168924B (zh) | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 | |
Lin et al. | Instantaneous frequency estimation for wheelset bearings weak fault signals using second-order synchrosqueezing S-transform with optimally weighted sliding window | |
CN102901630A (zh) | 基于自适应冗余提升小波降噪分析的轴承故障识别方法 | |
CN111414703A (zh) | 一种滚动轴承剩余寿命预测方法及装置 | |
CN109212503A (zh) | 一种基于ar谱分形相关特征的海上目标检测方法及装置 | |
CN103528820B (zh) | 一种基于距离评估因子势能函数的滚动轴承故障诊断方法 | |
CN114371009A (zh) | 基于改进随机森林的高速列车轴承故障诊断方法 | |
Soares et al. | Unsupervised machine learning techniques to prevent faults in railroad switch machines | |
CN107463872A (zh) | 一种旋转机械转轴裂纹故障诊断方法 | |
CN113670611A (zh) | 一种轴承早期退化评估方法、系统、介质及电子设备 | |
CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
CN117828447A (zh) | 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法 | |
CN117454081A (zh) | 一种机械振动信号的去噪处理方法及装置 | |
CN114692695A (zh) | 基于多指标融合的故障特征选择及分类方法研究 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191119 |