[发明专利]一种基于HHT和神经网络的气阀故障诊断方法

权利要求书

1.一种基于HHT和RBF神经网络的气阀故障诊断方法，包括以下步骤：

步骤1：利用截断矩阵奇异值分解方法对采集的正常状态和故障状态下的压缩机气阀振动信号进行降噪预处理；

步骤2：利用HHT算法获得降噪后的气阀各工作状态下信号的EMD分解结果和Hilbert边际谱；

步骤3：基于上述振动信号的EMD分解结果和Hilbert边际谱，提取气阀各运行状态下的特征向量，并将特征向量进行归一化处理；

步骤4：利用RBF神经网络训练各状态下的训练样本特征数据；利用测试样本数据对该方法进行识别率的计算，验证该方法对压缩机气阀故障诊断的有效性。

2.根据权利要求1所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤1的具体步骤如下：

步骤1.1：选取往复式压缩机的振动数据包括正常工作状态数据和常见的三种故障状态数据，包括少弹簧故障、阀片断裂故障、阀片缺口故障；

步骤1.2：将振动数据信号序列X＝(x(1),x(2),…,x(N))，构成m行n列截断矩阵形式的振动信号矩阵A，利用奇异值分解算法(SVD)对矩阵A进行分解；

步骤1.3：通过奇异值分解，原振动信号序列X被分解为r个相互正交的分量信号计算奇异值序列[σ₁,σ₂,…,σ_r]的平均值，将大于平均值的奇异值构成新的奇异值序列为[σ₁,σ₂,…,σ_I]，即可得抑制噪声后的气阀振动信号S与噪声分量E。

3.根据权利要求1所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤2的具体步骤如下：

步骤2.1：对步骤1中的降噪后的振动信号进行EMD分解，得到一系列固有模态函数IMF；

步骤2.2：提取具有代表气阀各工作状态的IMF作为特征IMF，可以选取前5阶以及5阶之后的IMF；

步骤2.3：对步骤2.2中提取出来的特征IMF分量进行Hilbert变换得到具有实际意义的瞬时频率和瞬时幅值；再将IMF分量的Hilbert变换结果进行组合得到HHT时频谱；然后对HHT时频谱数据在信号时间内进行积分求和，得到信号的边际谱。

4.根据权利要求1所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤3的具体步骤如下：

步骤3.1：IMF分量信号表征了故障信号在不同尺度下分解的能量特征，是信号固有的内在模态形式，因此提取前n个IMF分量的能量作为特征参数，并做能量归一化处理；

步骤3.2：根据对信号HHT时频谱数据在信号时间T内进行积分求和得到的边际谱进行分析，为准确提取故障信号的边际谱区域变化特征，根据边际谱分析结果划分边际谱能量分析区域，因此可以获得n个能量分析区域，并按频率从低到高顺序依次排列。然后，对第i个分析区域的边际谱能量求和得到该区域能量特征参数h_i，并以边际谱能量总和h₀作为标准进行特征尺度归一化，得到该区域的特征参数H_i＝h_i/h₀；

步骤3.3：根据步骤3.1和步骤3.2获得的特征参数构造特征矢量T＝[H₁,H₂,…,H₁₀,e₁,e₂,…,e₆]。

5.根据权利要求4所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤3.1的具体步骤如下：

步骤3.1.1：计算前n个IMF分量的能量值E_i(i＝1,2,…,n)，根据计算公式：式中c_i第i个IMF分量信号；

步骤3.1.2：计算总能量并用作为能量归一化后的能量特征。

6.根据权利要求1所述的基于HHT和RBF神经网络的气阀故障诊断方法，所述步骤4的具体步骤如下：

步骤4.1：创建RBF神经网络模型，并设定网络目标误差；

步骤4.2：确定训练样本数量，训练RBF神经网络；

步骤4.3：确定测试样本数量，将测试样本输入训练好的RBF神经网络进行测试，验证该方法对压缩机气阀故障诊断的有效性。