[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

权利要求书

1.一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法，其特征在于：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.采用广义形态差值滤波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滤波处理，使提取到的特征能更好的反映设备运行状态，得到降噪后的振动信号；

Step3.计算降噪后信号的7个时域指标，作为设备状态的特征指标值，构造故障特征矩阵；

Step4.选择训练样本输入ELM分类器中进行训练，得到单向阀故障诊断模型；

Step5.将测试样本输入到训练好的ELM模型，通过ELM分类器输出结果，完成高压隔膜泵单向阀的故障诊断。

2.根据权利要求1所述的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，其特征在于：所述Step2中的广义形态差值滤波算法原理如下：

在形态滤波的基础上，利用两个不同大小的结构元素g₁和g₂构造开-闭和闭-开两个不同的广义形态滤波器，那么时间序列信号f(n)关于一维结构元素序列g(n)的开-闭和闭-开的广义形态滤波器的数学描述为:

式中：g₁(n)，g₂(n)为结构元素为g₁和g₂时对应的一维结构元素序列；

利用广义形态开-闭结构的滤波器与广义形态闭-开结构的滤波器分别使输出减小与增大的特点，将两种不同的广义形态滤波器进行加权操作，并对加权后的信号求取平均值，其数学描述如式(3)所示：

z(n)＝{GOC(f(n))+GCO(f(n))}/2 (3)

采用利用广义形态交替闭与广义形态交替开，如式(4)、式(5)所示，构建广义形态差值滤波器，如式(6)所示：

F(n)＝GFC(n)-GFO(n) (6)。

3.根据权利要求1所述的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，其特征在于：Step3中降噪后信号的7个时域指标包括峰峰值、方差、均方根、峭度值、波形因子、裕度因子和脉冲因子。

4.根据权利要求1所述的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，其特征在于：Step4中ELM分类器算法如下：

给定一个含有给G个样本的训练集{(x_i,t_i)}(i＝1,2,...,G)，式中x_i＝(x_i1,x_i2,...,x_in)^T∈Rⁿ,t_i＝(t_i1,t_i2,...,t_in)^T∈R^m；n为输入层的维度；m为输出层的维度；T的含义为转置；

对于标准的具有P个隐藏层神经元的单隐层前馈神经网络，可表示为

式中：x_i表示输入层神经元与隐层第i个神经元之间的输入权值；β_i＝(β_i1,β_i2,...,β_im)^T为隐层第i个神经元与层神经元之间的输出权值；a_i＝(a_i1,a_i2,...,a_im)^T为第i个隐层神经元和输入神经元的输入权值；b_i表示隐层第i个神经元的阈值；t_j为网络实际输出量；

式7也可以改写为Hβ＝S，其中：

H为神经网络的隐层输出矩阵；β为输出权值矩阵，S为目标矩阵，固定随机选择输入权值和隐层阈值，训练这个网络就等同于求Hβ＝S的最小二乘解，β＝H⁺S是所有最小二乘解中的最小值，H⁺是H的广义逆，总的来说，给定训练数据集{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,(i＝1,2,...,N)}，激励函数，隐藏层节点个数，极限学习机可以表述成以下的几个步骤：

1)随机产生参数(a_i,b_i),i＝1,2,...,G；

2)计算隐藏层输出矩阵H；

3)求解输出权值矩阵β＝H⁺S。