一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法与流程

本发明涉及一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法，属于机械故障诊断及信号处理领域。

技术背景

往复式高压隔膜泵是矿浆管道输送的核心动力设备，广泛应用于输送高压、高温、高腐蚀、高浓度等复杂工况下的固液两相、单相介质。在矿浆管道输送系统中，高压隔膜泵大多依靠进口、造价高昂、且其运行于海拔差异较大、地势结构复杂的外部环境，恶劣的运行环境及人员非规范操作均会导致高压隔膜泵发生故障。一旦隔膜泵故障将造成矿浆沉降、管道堵塞，将会造成重大经济损失，甚至造成重大安全事故，故高压隔膜泵的工作运行状态是否正常对于矿浆管道输送的安全、稳定、高效运行至关重要的作用，直接影响到企业的生产效率。因此，对高压隔膜泵单向阀的故障诊断有着重要的意义。

高压隔膜泵工作环境恶劣，单向阀的振动信号受到噪声、其他激励源及耦合工况等因素的干扰，导致LCD、EMD等方法处理单向阀振动信号的效果不佳。高压隔膜泵机械系统精细复杂，单向阀的故障特征信息会分布在多尺度上，仅仅提取单一尺度上的特征会丢失重要的故障特征信息，很难对高压隔膜泵单向阀的故障进行有效地分类识别。支持向量机是一种解决小样本分类与预测的机器学习算法，在故障诊断中得到了广泛的应用。但支持向量机参数的选取会对最终的结果有着很大的影响，同样的训练样本训练出来的模型，会因为参数选择的不同而造成重大的差异，参数选择的不合适，会降低故障识别的正确率。

技术实现要素：

针对上述问题，本发明提供了一种基于振动信号分析的高压隔膜泵单向阀的故障诊断方法，采用变分模态分解(VMD)分解信号，用多尺度排列熵(MPE)作为故障分类特征，最后利用遗传算法的支持向量机(GA-SVM)完成故障的识别。

本发明的技术方案是：一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法，所述方法具体步骤如下：

Step1.利用加速度传感器测量高压隔膜泵单向阀的振动信号，采集高压隔膜泵单向阀在正常状态、卡阀故障、磨损故障状态下的振动信号，得到各状态下的振动信号；

Step2.采用变分模态分解(VMD)算法对高压隔膜泵单向阀三种状态下的振动信号数据进行分解，通过中心频率来确定分解的模态个数，得到K个具有物理意义的本征模函数(IMF)分量；

(1)通过希尔伯特变换计算每个IMF分量uk(t)的解析式，得到其单边频谱：

其中，δ(t)为脉冲函数，t为时间，j为虚数单位，*为卷积；

(2)用一个指数项与单边频谱相乘，将其频率混合，将各个IMF分量uk(t)的频谱调制到相对应的基频带上，即为解调信号：

(3)计算解调信号的梯度，利用2范数的平方来估算各IMF分量uk(t)的带宽，所有分量相加等于输入信号即振动信号x(t)作为约束条件，约束变分模型如下：

式中：各模态分量{uk(t)}＝{u1(t),…,uK(t)}，模态分量对应的中心频{ωk}＝{ω1,…,ωK}，为对t求偏导，s,t为约束条件的缩写；

(4)为求取上述变分问题，引入二次惩罚因子α和Lagrange乘法算子λ(t)，二次惩罚因子α可在高斯噪声存在的情况下保证信号的重构精度，Lagrange乘法算子保证约束的严格性，扩展的Lagrange表达式如下：

通过反复迭代，寻找Lagrange表达式的鞍点求解最小值，获得最优解，最优解即为本征模态函数{uk}及各自的中心频率{ωk}。

Step3.计算IMF分量的多尺度排列熵，构造高维的故障特征矩阵；

(1)对于任意一个IMF分量{xi}＝{x1,x2,…,xN}，每一个IMF分量包含N个数据，在不同的尺度因子条件下，将其进行粗粒化处理，粗粒化的过程为：

式中：s为尺度因子，ya^(s)为粗粒化序列,表示向下取整；

当s＝1时，ya⁽¹⁾为原数据{xi}；当s＞1时，原数据被分割成s段长度不超过N/s的粗粒化序列ya^(s)；

(2)对得到的s个粗粒序列分别求其排列熵，构造成尺度因子s的函数，因此得到了时间序列的多尺度排列熵的表达式：

式中：m为排列熵的嵌入维数，λ为延迟时间。

Step4.将故障特征矩阵输入遗传算法优化的SVM分类器中进行训练，得到单向阀故障诊断模型并对单向阀进行故障诊断。

所述Step4中利用遗传算法对SVM的参数优化，优化的参数包括核函数参数g和误差项的惩罚函数c；在优化过程中，先将训练样本输入到SVM中进行训练，得到训练好的模型，再将训练样本输入到训练好的模型中进行测试，将测试的正确率作为自适应函数。

本发明的有益效果是：

1、利用VMD来处理高压隔膜泵单向阀的振动信号，可以对振动信号中存在的背景噪声进行去噪，能到得到比较全面的细节信息，改善了LCD、EMD等分解方法处理单向阀振动信号效果不佳的问题。

2、多尺度排列熵算法可以在多重尺度上检测单向阀振动信号的随机性和动力学突变，具有计算简单、抗噪声能力强等特点。利用多尺度排列熵作为故障分类的特征，可以很好的实现对高压隔膜泵单向阀的故障识别。

3、利用遗传算法来优化SVM的核函数参数g和误差项的惩罚函数c，避免了因参数选取不适，单向阀故障识别率较低的问题，保证了故障诊断率，可靠性较高。

附图说明

图1是本发明的方法流程图；

图2是单向阀卡阀故障的VMD分解结果图；

图3是不同时间延迟λ下的排列熵；

图4是遗传算法自适应函数的适应度曲线；

图5是基于VMD—MPE—GA-SVM的单向阀故障诊断结果；

图6是基于LCD—MPE—GA-SVM的单向阀故障诊断结果；

图7是基于VMD—MSE—GA-SVM的单向阀故障诊断结果；

图8是基于VMD—PE—GA-SVM的单向阀故障诊断结果；

图9是基于VMD—MPE—SVM的单向阀故障诊断结果。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步说明。

实施例1：如图1所示，一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法，所述方法的具体步骤如下：

Step1.利用加速度传感器测量高压隔膜泵单向阀的振动信号，采集高压隔膜泵单向阀在正常状态、卡阀故障、磨损故障状态下的振动信号，得到各状态下的振动信号；

Step2.采用变分模态分解(VMD)算法对高压隔膜泵单向阀三种状态下的振动信号数据进行分解，通过中心频率来确定分解的模态个数，得到K个具有物理意义的本征模函数(IMF)分量；

Step3.计算IMF分量的多尺度排列熵，构造高维的故障特征矩阵；

Step4.选择训练样本输入遗传算法优化的SVM分类器中进行训练，得到单向阀故障诊断模型。

Step5.将测试样本输入到训练好的SVM模型，通过SVM分类器输出结果，完成高压隔膜泵单向阀的故障诊断。

实施例2：本实施例采用云南大红山管道3号高压隔膜泵站单向阀的数据进行实验分析。具体步骤如下：

步骤1：以固定采样频率分别采集单向阀3种不同类型的振动信号(正常、卡阀故障、磨损故障)，采样频率为f＝2560,数据的长度为3072，每种状态采集25组数据用作总样本。

步骤2：任取一组数据信号，使用VMD算法分解振动信号，通过中心频率确定分解模态的个数K，得到K个具有物理意义的IMF分量。对于分解模态个数K来说，当模态分解个数较少时，由于VMD算法相当于自适应维纳滤波器组，原始信号中一些重要信息将会被滤掉丢失；当信号的分解个数较多时，相邻模态分量的频率中心则会相距较近，产生频率混叠。单向阀卡阀故障在不同K值下的中心频率如表1所示。

表1不同K值下的中心频率

由表1可知，当K＝4和K＝5时，中心频率0.3330Hz和0.3455Hz想接近，可能会出现模态混叠，故分解模态个数K为4比较适宜。当K＝4时，单向阀卡阀故障的分解结果如图2所示。

步骤3：计算各IMF分量的多尺度排列熵。多尺度排列熵算法在应用过程中，主要涉及四个参数：时间序列长度N、嵌入维数m、时间延迟λ和尺度因子s。不同的参数选取对熵值的计算会产生影响。本发明中数据的长度N取3072，尺度因子s取4。

为了研究不同时间延迟λ对排列熵计算数值的影响，以长度为3072，信噪比为1db的高斯白噪声信号为例，在不同的时间延迟λ下的排列熵与嵌入维数m的变化关系，如图3所示。由图3可知，当时间延迟λ在1-5变化时，信号的排列熵数值变化很小，说明时间延迟λ的值对于排列熵的值影响很小，在本发明中取时间延迟λ＝1。

根据已发表(CH RISTOPH B，BERND P.Permutation entropy:a naturalcomplexity measure for time series[J].Physical ReviewLetters，2002，88(17):174102.)的期刊论文可知，嵌入维数m的取值为3-7。因为，如果m＝1或m＝2时，重构向量状态个数较少，不能精确检测信号动力学突变；当m取值过大，相空间的重构将会均匀化时间序列,这时排列熵的计算量增大并且不宜反映时序列的微小变化。根据已发表(CAO Y H，TUNG W W，GAO J B，et al.Detectingdynamical changes in time series using the permutationentropy[J].Physical Review E，2004，70(4):174－195.)的期刊论文可知，Cao等研究指出当嵌入维数m＝5，m＝6或m＝7时，排列熵的值能够很好的表征时间序列的动态特性。本发明中，选取嵌入维数m＝5。

步骤4：每种状态选择15组样本作为训练样本，将得到的高维故障特征矩阵输入遗传算法优化的SVM分类器中进行训练，得到每种状态下的SVM训练模型。

在优化过程中，先将训练样本输入到SVM中进行训练，得到训练好的模型，再将训练样本输入到训练好的模型中进行测试，将测试的正确率作为自适应函数。优化的参数包括核函数参数g和误差项的惩罚函数c。本发明遗传算法中参数的设定为：种群的规模20，迭代次数为200，交叉概率为5，变异概率为0.9，函数参数g和误差项的惩罚函数c的取值范围为[0,100]。优化的自适应度曲线图如图4所示。由图4可知，c的最优值2.9182，g的最优值为1.6503。

步骤5：将10*3组的测试样本输入到SVM训练模型中，其输出的结果如图5所示。由图5可知，单向阀故障识别综合正确率为96.67％，仅仅把一个磨损故障错分为卡阀故障。所以，本发明的方法可以很好的识别出单向阀的故障，有很好的工程意义。

实施例3：为了验证VMD分解含有噪声信号的优越性，本实例将VMD分解方法将与局部特征尺度(LCD)分解方法相对比。实验过程中，选择前4个分解的分量，特征提取和故障分类的方法均与本发明一致。VMD与LCD分解方法的故障识别结果如图图5和图6所示，对比如表2所示。

由表2可知，当使用LCD分解方法时，正常状态的样本都被正确识别，但含有噪声的卡阀故障和磨损故障的识别正确率就很低，有8个卡阀故障被错分为磨损故障，3个磨损故障错分为正常，综合识别正确率仅仅为63.33，低于VMD分解方法的96.67％。所以，在振动信号存在背景噪声时，VMD的分解效果优于LCD。

表2 VMD与LCD分解方法的故障识别对比结果

实施例4：为了验证多尺度排列熵(MPE)可以在多尺度上提取单向阀的故障特征信息，并且具有抗噪声能力强的优点，本实例将提取多尺度熵(MSE)和排列熵(PE)特征与MPE相对比，实验的分解过程和故障识别方法均与本发明一致。其故障识别的结果如图7和图8所示，对比如表3所示。

由表3可知，提取单向阀MSE特征的故障综合识别率为93.33％，有一个卡阀故障错分为磨损故障，一个磨损故障错分为卡阀故障；提取单向阀MPE特征在故障识别中，仅仅只有一个磨损故障错分为卡阀故障，综合识别率为96.67。所以在单向阀的故障诊断过程中，由于噪声的干扰，提取MPE特征的识别效果优于MSE。

当提取单向阀PE特征进行单向阀的故障诊断时，有一个正常和一个磨损故障错分到卡阀故障，识别的综合正确率为93.33％，低于提取MPE特征的识别率。所以，当故障信息分布在多尺度上时，基于MPE的单向阀故障诊方法优于PE方法。

表3基于不同特征的单向阀故障识别对比结果

实施例5：为了验证遗传算法优化的支持向量机(GA-SVM)在单向阀分类中效果优于支持向量机(SVM)，本实例将二种分类器对单向阀的故障结果进行对比，结果如图9所示，如表4所示。

由表4可知，基于SVM分类器的单向阀故障识别的综合正确率为93.33低于基于GA-SVM方法，所以用遗传算法优化SVM参数，可以提高故障识别的正确率，避免SVM因参数选取不适导致的错分、误分问题，有较强的可靠性。

表4 GA-SVM和SVM的单向阀故障识别结果对比

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。