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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。