基于精细多重分形的往复压缩机故障诊断方法技术

本发明专利技术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。本发明专利技术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。

Fault Diagnosis Method of Reciprocating Compressor Based on Fine Multifractal

The invention relates to a fault diagnosis method for reciprocating compressors based on fine multifractal, which includes collecting vibration acceleration signals of the body surface at sensitive measuring points of reciprocating compressors, decomposing the selected signals by using parameter optimization time-varying filtering empirical mode decomposition algorithm, extracting the components of the eigenmode function, and selecting the main components by calculating the kurtosis values of the components of the eigenmode function. The components of eigenmode function are reconstructed to reduce the noise of the collected vibration acceleration signal; the reconstructed signal is calculated by fine multifractal, and the structural characteristics and local dynamic behavior of the signal are described by multifractal singular spectrum; the parameters of fine multifractal singular spectrum are extracted to form a fine multifractal singular spectrum eigenvector, which can be used for fault diagnosis of reciprocating compressor. Diagnosis; Vibration signal eigenvector is input into support vector machine (SVM) recognizer to judge the fault type of vibration signal. The invention can describe the fractal characteristics of the signal more carefully, and can diagnose the fault type more accurately.

【技术实现步骤摘要】
基于精细多重分形的往复压缩机故障诊断方法
：本专利技术涉及的是往复机械故障诊断
，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。
技术介绍
：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。
技术实现思路
：本专利技术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。本专利技术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)]/2a2(t)＝[β2(t)-β1(t)]/22.1.4)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本文档来自技高网...

【技术保护点】
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；

【技术特征摘要】
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)]/2a2(t)＝[β2(t)-β1(t)]/22.1.4)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...

【专利技术属性】
技术研发人员：李颖，王金东，赵海洋，李云峰，阎浩然，高鹏超，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：黑龙江,23