[发明专利]一种基于HHT和神经网络的气阀故障诊断方法

说明书

技术领域

本发明涉及往复压缩机气阀故障诊断技术，具体涉及一种基于HHT和RBF 神经网络的气阀故障诊断方法。

背景技术

往复机械结构复杂，其活塞、连杆、气阀等部件很容易发生故障，其中尤以气阀的故障多发、故障类型众多。以往复压缩机为例，气阀是否健康运行直接影响着压缩机的排气量、功率消耗以及运行的可靠性。气阀可分为吸气阀和排气阀，活塞每往复上下运动一次，吸气阀与排气阀各开启和关闭一次，从而使压缩机完成吸气、压缩、排气等工作过程。由于气阀在压缩机工作过程中，运动较多且受力复杂，往往成为压缩机的故障源，主要故障有：阀片损坏、气阀弹簧损坏、气阀漏气以及阀座失效等。因此，利用先进的诊断技术识别往复式压缩机的故障是故障诊断学的重要内容之一。

往复压缩机由电机驱动曲轴，通过连杆、十字头、活塞杆等部件将电机的旋转运动转换为活塞的往复运动。这样所采集到的信号为非平稳信号，其时域和频域的统计特性是随时间而变化的，存在一定的视频特性。傅里叶变换FFT是最通用的信号分析方法，通过把时域波形图转化为频谱图来分析频率和幅值的关系。然而FFT仅适用于平稳信号的分析，在分析非平稳信号时难以获得时频信息和频率、幅值信息，包括某些瞬时出现的频率信息。但实际上瞬态振动在往复压缩机的振动试信号中是很普遍的，因此采用传统的时频分析法无法分析瞬时幅值和瞬时频率等视频特性，从而难以进行有效的故障诊断。因此，目前针对往复压缩机进行状态监测和故障诊断时，面临着信号故障特征难以提取的问题。采用传统的信号分析技术，如基于傅里叶变换的频谱分析法和小波分析法等，是难以反映出信号所具有的时变、非平稳特性的。HHT(Hilbert Huang Transform)时频分析法是一种很适用于非平稳信号处理与分析的一种理论和计算方法，它是基于经验的模式分解方法EMD(Empirical Mode Decomposition)。EMD方法与一般的时频分析法、小波分析法有很大的不同，它是一种信号分解方法，能把复杂的数据序列分解成简单的有限数目的分量，称为基本模式分量，这些模式分量具有很好的 Hilbert变换特性，因此就很适于对非平稳信号的处理。

发明内容

本发明的目的在于提供一种基于HHT和RBF神经网络的气阀故障诊断方法，该方法具体为：通过利用截断矩阵奇异值分解方法对往复压缩机阀盖的振动信号进行降噪处理，通过希尔伯特-黄变换(HHT)信号处理理论对采集信号进行分解与时频分析，并提取基本模式分量信号能量特征与边际谱区域变化特征两种参数作为压缩机气阀故障诊断与识别的依据；最后利用径向基(RBF)神经网络对故障样本特征进行训练和识别。

本发明公开了一种基于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。

附图说明

图1为本发明的流程图。

图2为气阀4种工作状态下的振动信号去噪前和去噪后的对比图。

图3为气阀4种工作状态下的振动信号的EMD分解结果。

图4为气阀4种工作状态下的HHT时频谱。

图5为气阀4种工作状态下的边际谱图。

图6为特征参数提取结果柱状图。

图7为RBF神经网络的训练曲线。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式对本发明作进一步地描述。

本发明所提供的一种基于HHT特征提取和RBF神经网络的压缩机气阀故障诊断方法，该方法的流程图如图1所示，包括如下步骤：

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。气阀四种工作状态一个周期(0.12s)降噪结果如图2所示。具体过程如下：