[发明专利]一种基于改进排列熵的单向阀故障特征提取方法

说明书

本发明涉及一种基于改进排列熵的单向阀故障特征提取方法，属于机械故障诊断及信号处理技术领域。首先，针对排列熵算法只考虑信号的排列顺序而忽略信号幅值的问题，通过给重构分量添加一个加权系数来改进排列熵，进而提出改进排列熵算法；然后，直接采用改进排列熵算法提取强噪声背景下的单向阀故障特征，完成单向阀的故障诊断。本发明提出利用排列熵提取单向阀的故障特征，并针对排列熵的不足进行改进，提高它抵抗噪声干扰的能力，省略信号的预处理步骤，缩短了程序运行时间，提高了诊断效率。

技术领域

本发明涉及一种基于改进排列熵的单向阀故障特征提取方法，属于机械故障诊断及信号处理技术领域。

背景技术

高压隔膜泵是矿浆管道输送的核心设备，用于输送高浓度、高腐蚀的矿浆物料。而单向阀作为隔膜泵的主要零部件，在实际工作中最容易发生故障，其故障直接影响整个隔膜泵系统的运行状态。因此，对单向阀的故障诊断尤其重要。但由于隔膜泵机械系统复杂，信号的激励源较多，而且单向阀信号又存在很强的背景噪声，导致单向阀的故障特征提取困难。

在目前的研究中，很多都会先对单向阀信号进行预处理然后再提取单向阀的故障特征，预处理的方法包括常见的降噪、分解等，虽然这些方法通常都可以取得不错的效果，但对于一些预处理方法，如VMD、CEEMDAN等方法，它们的运行时间较长，在数据样本极大时，耗时尤明显，这也极大地影响了单向阀的诊断效率。

排列熵(permutation entropy，PE)可以有效地检测信号突变，衡量信号复杂度，在机械故障诊断中被广泛应用。但PE对噪声比较敏感，通常需要结合滤波降噪、模态分解等方法联合使用，影响了诊断效率；而且，在提取机械故障特征时，PE只考虑信号的排列顺序而忽略了信号幅值间的差异，丢失了包含在信号幅值中的信息。

发明内容

本发明要解决的技术问题是提供一种基于改进排列熵的单向阀故障特征提取方法，针对PE的不足，通过给重构分量添加一个加权系数(平均偏差)来改进排列熵，利用元素与平均值之间的偏离程度来考虑信号幅值间的差异，再将其进行平均处理提高对噪声的抗干扰能力，进而提出改进排列熵(improved permutation entropy，IPE)算法；然后，直接利用IPE提取强噪声背景下的单向阀故障特征，完成单向阀的故障诊断，以便解决上述问题。

本发明的技术方案是：一种基于改进排列熵的单向阀故障特征提取方法，首先，针对排列熵算法只考虑信号的排列顺序而忽略信号幅值的问题，通过给重构分量添加一个加权系数来改进排列熵，进而提出改进排列熵算法；然后，直接采用改进排列熵算法提取强噪声背景下的单向阀故障特征，完成单向阀的故障诊断。

具体步骤为：

Step1：利用加速度传感器在单向阀正常、卡阀故障、磨损故障状态下进行采样，得到单向阀各状态下的振动数据；

Step2：通过给排列熵的重构分量增添一个加权系数(平均偏差)来改进排列熵，提出改进排列熵算法；

Step3：利用改进排列熵直接提取强噪声背景下的单向阀故障特征，实现单向阀的故障诊断。

进一步的，所述Step2中排列熵算法具体步骤为：

Step2.1：将长度为T的离散时间序列进行相空间重构，得到重构矩阵其中m为嵌入维数，τ为时间延迟，i＝1,2,…,T-(m-1)τ；

Step2.2：原时间序列重构后共有T-(m-1)τ行，将每行的重构分量按照升序排列，如式(1)所示：

式中，k₁,k₂,…,k_m为重构分量中元素所在列的索引，若出现元素幅值相等的情况，则按照元素索引位置k的大小进行排序；