[发明专利]一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法

说明书

本发明涉及一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法，属于机械故障诊断及信号处理领域。本发明首先对高压隔膜泵单向阀振动信号进行VMD分解，通过中心频率来确定分解模态个数K，得到K个具有物理意义的IMF分量；然后计算IMF分量的MPE，组成多尺度的复杂性度量特征向量；最后将高维的特征矩阵输入基于遗传算法优化的支持向量机建立起来的分类器来识别高压隔膜泵单向阀的工作状态。本发明通过VMD算法对单向阀的振动信号进行去噪并分解成无模态混叠的IMF分量，计算各IMF分量的多尺度排列熵来收集分布在多重尺度上的故障特征信息，提高了单向阀故障识别的正确率，有较强实用性和工程意义。

技术领域

本发明涉及一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法，属于机械故障诊断及信号处理领域。

技术背景

往复式高压隔膜泵是矿浆管道输送的核心动力设备，广泛应用于输送高压、高温、高腐蚀、高浓度等复杂工况下的固液两相、单相介质。在矿浆管道输送系统中，高压隔膜泵大多依靠进口、造价高昂、且其运行于海拔差异较大、地势结构复杂的外部环境，恶劣的运行环境及人员非规范操作均会导致高压隔膜泵发生故障。一旦隔膜泵故障将造成矿浆沉降、管道堵塞，将会造成重大经济损失，甚至造成重大安全事故，故高压隔膜泵的工作运行状态是否正常对于矿浆管道输送的安全、稳定、高效运行至关重要的作用，直接影响到企业的生产效率。因此，对高压隔膜泵单向阀的故障诊断有着重要的意义。

高压隔膜泵工作环境恶劣，单向阀的振动信号受到噪声、其他激励源及耦合工况等因素的干扰，导致LCD、EMD等方法处理单向阀振动信号的效果不佳。高压隔膜泵机械系统精细复杂，单向阀的故障特征信息会分布在多尺度上，仅仅提取单一尺度上的特征会丢失重要的故障特征信息，很难对高压隔膜泵单向阀的故障进行有效地分类识别。支持向量机是一种解决小样本分类与预测的机器学习算法，在故障诊断中得到了广泛的应用。但支持向量机参数的选取会对最终的结果有着很大的影响，同样的训练样本训练出来的模型，会因为参数选择的不同而造成重大的差异，参数选择的不合适，会降低故障识别的正确率。

发明内容

针对上述问题，本发明提供了一种基于振动信号分析的高压隔膜泵单向阀的故障诊断方法，采用变分模态分解(VMD)分解信号，用多尺度排列熵(MPE)作为故障分类特征，最后利用遗传算法的支持向量机(GA-SVM)完成故障的识别。

本发明的技术方案是：一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法，所述方法具体步骤如下：

Step1.利用加速度传感器测量高压隔膜泵单向阀的振动信号，采集高压隔膜泵单向阀在正常状态、卡阀故障、磨损故障状态下的振动信号，得到各状态下的振动信号；

Step2.采用变分模态分解(VMD)算法对高压隔膜泵单向阀三种状态下的振动信号数据进行分解，通过中心频率来确定分解的模态个数，得到K个具有物理意义的本征模函数(IMF)分量；

(1)通过希尔伯特变换计算每个IMF分量u_k(t)的解析式，得到其单边频谱：

其中，δ(t)为脉冲函数，t为时间，j为虚数单位，*为卷积；

(2)用一个指数项与单边频谱相乘，将其频率混合，将各个IMF分量u_k(t)的频谱调制到相对应的基频带上，即为解调信号：

(3)计算解调信号的梯度，利用2范数的平方来估算各IMF分量u_k(t)的带宽，所有分量相加等于输入信号即振动信号x(t)作为约束条件，约束变分模型如下：

式中：各模态分量{u_k(t)}＝{u₁(t),…,u_K(t)}，模态分量对应的中心频{ω_k}＝{ω₁,…,ω_K}，为对t求偏导，s,t为约束条件的缩写；