【技术实现步骤摘要】
本专利技术涉及空气压缩机故障诊断，尤其是涉及一种基于单点声信号的空气压缩机智能故障诊断方法。
技术介绍
1、工业领域中，旋转机械设备产生的故障会导致生产能力下降和人员安全受到威胁，因此对于旋转机械的故障进行自动识别成为一个重要的研究领域。空气压缩机作为一种经典的旋转机械设备，在工作中容易产生磨损，进而导致损坏并产生危险的后果，为克服设备的进一步损坏、保障生产环境的安全，对其进行状态监测和智能故障诊断具有重要的理论和工程意义。
2、l.c.james等开发了基于压力、温度、电压和水流量等不同参数特征的高压空气压缩机的故障诊断系统，该系统运用到声发射(ae)传感器,ae信号具有对结构阻力和机械背景噪声相对不敏感，可以提供良好的趋向参数。w.lijun等在振动信号上使用了提升小波变换，用于诊断往复式空气压缩机的转子不平衡的故障诊断和叶片故障诊断。y.j.xu等采用了svm对轴承进行了故障分类，b.s.yang等使用了ann和svm为小型往复式空气压缩机开发状态监控系统。
3、上述方法采用了多种参数对空气压缩机进行故障诊断，实施操作难度大，并且诊断方法计算量大做不到实时在线诊断。
技术实现思路
1、本专利技术的目的是提供一种基于单点声信号的空气压缩机智能故障诊断方法，改进了传统空气压缩机工作状态评估和故障诊断技术，提出了不受被诊断设备结构体几何外形限制且仅通过麦克风采集声学信号即可对空气压缩机进行智能状态检测和故障诊断，该故障诊断方法准确率高且计算量小，可编译成c代
2、为实现上述目的，本专利技术提供了一种基于单点声信号的空气压缩机智能故障诊断方法，包括以下步骤：
3、s1、数据采集：采用单向传声器的麦克风采集声学信号，通过ni usb4431模块对麦克风输出的模拟量进行采集并转换为数字量，再利用labview接口将采集到的信号储存在计算机上；
4、s2、敏感位置分析：使用经验模态分解法emd对采集的声学信号进行信号降噪，再对从不同位置采集到的声学信号进行筛选排序，排序依据为峰值、绝对平均值、标准偏差和均方根4个统计参数的高低；
5、s3、数据预处理：使用预处理模块对信号进行滤波、剪辑、平滑化和标准化处理；
6、s4、特征提取：从时域、频域、时频域三种特征领域中得到143个特征；
7、s5、特征选择：利用最大相关最小冗余算法mrmr，从输入的特征集合中去除很少或不提供预测信息的特征，得到一个与目标分类c相关性最大的最优特征子集s；
8、s6、故障分类：使用训练好的一对一svm多分类算法诊断模型，进行实时故障诊断。
9、优选的，步骤s1中，麦克风放在距离压缩机1-2厘米处，以50khz的频率进行采样，采样时间为5-10秒，录音以24bitpcm格式进行存储。
10、优选的，步骤s2中，经验模态分解法emd的降噪过程为：
11、s201、识别原始声学信号x(t)的局部最大值和局部最小值；
12、s202、通过三次样条插值法提取信号的上包络面和下包络面，计算两个包络面的平均值m1(t)；
13、s203、原始信号x(t)和包络面平均值m1(t)之差为细节信号
14、d1(t)＝x(t)-m1(t)
15、dk(t)＝dk-1(t)-mk(t)
16、重复上述过程，直到极值和零交叉数之间的差变为0或1，并且连续细节信号的差求和sdk小于0.1，停止迭代，最后一个细节信号为imfs
17、
18、r1(t)＝x(t)-c1(t)
19、其中，r1(t)为残差信号，利用残差信号计算下一个imfs。
20、优选的，步骤s2中，敏感位置的排序过程为：
21、对不同位置麦克风采集的声信号执行步骤s21至s24；
22、s21、对原始声信号进行预处理，并使用emd将原始信号分解为imfs；
23、s22、根据阈值，采用相关性大于阈值的imfs构建新信号；
24、s23、对重建的新信号进行hilbert变换，得到包络线；
25、s24、根据包络线计算所有采集点信号的4个统计参数：峰值、绝对平均值、标准偏差和均方根；
26、s25、按照单个参数降序排列所有位置的采集信号；
27、s26、对4个统计参数求和，按照升序排列，排名最高的为最敏感的采集点位置。
28、优选的，步骤s3中，
29、1)滤波：采用截止频率为500hz的高通fir滤波器过滤声音信号中的冷却风扇噪声，采用截止频率为12khz的18阶低通滤波器过滤高频噪声；
30、2)剪辑：将采集到的时长为5-10秒的声音信号分为9-19个片段，每个片段时长为1秒，重叠率为50％，取具有最小标准偏差值的片段作为输出信号；
31、3)平滑：计算当前样本和两侧连续样本的统计平均值，移动平均平滑；
32、4)归一化：采用最大-最小归一化进行声学信号的归一化。
33、优选的，步骤s4中，
34、时域特征包括绝对统计平均值、最大峰值、均方根、方差、峰度、波峰因子、形状因子、偏度7个特征；
35、频域特征取10个，对信号做fft变换，将频谱按频率等分为10段，每一段为能量仓，各个仓的能量占总能量的比率作为频域的特征；
36、时频域特征通过对信号做小波包变换wpt，将信号分解为6层，共有127个节点，每个节点利用小波包系数计算能量并作为特征，除去根节点得到126个特征。
37、优选的，步骤s5中，最大相关最小冗余算法mrmr的选择步骤为：
38、s51、找出与目标分类c相关性最大的m个特征，特征集s与类c的相关性为特征xi和类c之间的所有信息值的平均值；
39、s52、消除m个特征之间的冗余；
40、s53、根据以上步骤求出最大相关度-最小冗余度的特征集合s。
41、因此，本专利技术采用一种基于单点声信号的空气压缩机智能故障诊断方法，实现的有益效果为：
42、(1)本专利技术利用mrmr进行特征降维，采用通用的oao-svms分类算法，大大减小了故障诊断的计算量，实现了实时计算，同时matlab coder将故障诊断算法自动生成代码并部署到嵌入式边缘设备可实现实时故障诊断。
43、(2)采用emd算法进行声信号测点位置敏感性分析，能够对任意几何形状空气压缩机进行智能故障诊断，增大了故障诊断算法的适用范围。
44、(3)本专利技术只需要在一个测点进行声学测量，无需建立覆盖整个被测对象的测点网格；降低了实施难度和测量成本，具有更高的实用价值。
45、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于：步骤S1中，麦克风放在距离压缩机1-2厘米处，以50kHz的频率进行采样，采样时间为5-10秒，录音以24BitPCM格式进行存储。
3.根据权利要求2所述的一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于：步骤S2中，经验模态分解法EMD的降噪过程为：
4.根据权利要求3所述的一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于：步骤S2中，敏感位置的排序过程为：
5.根据权利要求4所述的一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于：步骤S3中，
6.根据权利要求5所述的一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于：步骤S4中，
7.根据权利要求6所述的一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于：步骤S5中，最大相关最小冗余算法mRMR的选择步骤为：
【技术特征摘要】
1.一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于：步骤s1中，麦克风放在距离压缩机1-2厘米处，以50khz的频率进行采样，采样时间为5-10秒，录音以24bitpcm格式进行存储。
3.根据权利要求2所述的一种基于单点声信号的空气压缩机智能故障诊断方法，其特征在于：步骤s2中，经验模态分解法emd的降噪过程为：
4.根据权利...
【专利技术属性】
技术研发人员：常广晖，李雁飞，张亚超，冯巧莲，苏永生，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：
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。