[发明专利]一种科里奥利质量流量计的挂壁故障检测方法

权利要求书

1.一种科里奥利质量流量计的挂壁故障检测方法，其特征在于步骤如下：

步骤1：利用外附加振动传感器采集得到科里奥利质量流量计不同状态下的70组振动外传信号，其中，50组作为训练样本数据，另外20组作为测试样本数据，所述的不同状态包括正常状态、单点挂壁状态、单管两点挂壁状态、双管两点挂壁状态、三点挂壁状态和四点挂壁状态；然后，采用EMD-FastICA盲源分离算法对振动外传信号进行分离，得到其源信号；

所述的采用EMD-FastICA盲源分离算法对信号进行分离的具体过程为：

步骤1.1：利用EMD方法将振动外传信号x(t)分解为若干本征模态信号X₁(t),X₂(t),…,X_n(t)，其中，X_i(t)表示第i个本征模态信号，i＝1,…,n，n表示分解得到的本征模态信号个数；

步骤1.2：所有本征模态信号与原信号重构组成多通道观测信号X(t)＝[x(t),X₁(t),X₂(t),…,X_n(t)]^T，其中，X(t)表示重构得到的多通道观测信号；

步骤1.3：按照R_XX＝[X(t)^HX(t)]/N计算得到多通道观测信号的协方差矩阵R_XX，其中，N表示振动外传信号的总采样数；

步骤1.4：对协方差矩阵R_XX进行KL分解，得到N个特征值，设有m个特征值之和达到所有特征值之和的99％，则估计的源信号个数为m；

步骤1.5：采用FastICA算法对步骤1.2重构得到的多通道观测信号进行分离，得到m个源信号；

步骤2：提取不同状态下各个源信号的样本熵；

步骤3：以所有状态下训练样本振动外传信号的各个源信号的样本熵为信号特征向量组成训练样本集，将训练样本集输入到BP神经网络输入层，利用BP算法对BP神经网络的模型进行学习训练，确定BP神经网络模型的各单元之间的连接权重，得到训练好的BP神经网络模型；

步骤4：以所有状态下测试样本振动外传信号的各个源信号的样本熵为信号特征向量组成测试样本集，将测试样本集输入到步骤3训练好的BP神经网络，输出得到测试样本数据的状态及是否存在故障。