一种用于往复机械设备的故障诊断方法和装置与流程

1.本发明涉及往复机械设备故障诊断技术领域，具体而言涉及一种用于往复机械设备的故障诊断方法和装置。


背景技术：

2.往复机械是一种重要的动力机械，广泛应用于工农业生产中。往复机械具有零部件多、运动复杂、工作环境恶劣等特点，而动力传动部件冲击特征最明显。往复机械是一种多振源、宽频带、振动形态复杂的动力机械，当出现故障时，振动信号呈现出非线性，变得非平稳，其故障特征常常被其他零部件运行中的冲击特征和大量的随机噪声所淹没。
3.经验模态分解(emd)是一种自适应非线性和非平稳信号的分析方法，对于处理往复机械信号非常适合，但emd分解的主要缺点之一是模态混叠的问题。总体平均经验模态分解(eemd)法在原始信号中添加一个高斯白噪声信号再进行经验模式分解，可以有效抑制模态混叠现象，但会残留一定的白噪声，影响后续分析。完全自适应噪声集合经验模态分解(ceemdan)不仅可以抑制模态混叠，也可以消除白噪声的干扰。
4.专利号为cn114004091a的发明中提及一种基于ceemdan-bns的风力变桨距系统故障诊断方法，包括：在故障状态的样本时间序列信号中加入白噪声，进行ceemdan模态分解，获取多个模态分量信号的imf和余量信号；选取imf信号中信噪比高且相关系数大的模态分量，通过希尔伯特变换构建能量特征矩阵；对能量特征矩阵进行区间划分；根据划分后的能量特征矩阵及专家先验知识，构建贝叶斯网络拓扑结构；通过爬山算法搜索出贝叶斯网络的最优网络拓扑结构；训练贝叶斯网络，将待诊断信号输入训练好的贝叶斯网络获得故障诊断结果。该发明结合ceemdan算法通过特征提取构建贝叶斯网络，在改善准确性的同时，实现贝叶斯网络结构的简化和对网络训练速度的提升。但该发明并不适用于往复机械设备故障诊断。


技术实现要素：

5.本发明针对现有技术中的不足，提供一种用于往复机械设备的故障诊断方法和装置，利用完全自适应噪声集合经验模态分解与模糊熵相结合识别往复机械故障，大大提高了识别的效率和准确性。
6.为实现上述目的，本发明采用以下技术方案：
7.第一方面，本发明实施例提出了一种用于往复机械设备的故障诊断方法，所述故障诊断方法包括以下步骤：
8.一种用于往复机械设备的故障诊断方法，其特征在于，所述故障诊断方法包括以下步骤：
9.s1、针对待诊断的往复机械设备，设置至少一个测点，获取每个测点在不同工况下的多组原始加速度信号；
10.s2、对其中一个测点的原始加速度信号进行完全自适应噪声集合经验模态分解，
计算出每层本征模态函数分量与原始加速度信号的相关系数；
11.s3、将每层本征模态函数分量对应的相关系数与预设相关系数阈值进行逐一比对，如果大于预设相关系数阈值，则将该层本征模态函数分量作为当前测点的有效分量；
12.s4、计算出当前测点对应的每层有效分量的模糊熵；
13.s5、将每层有效本征模态函数分量的模糊熵组成一组向量，作为该测点的特征样本；
14.s6、重复步骤s2～s5，直至计算出所有测点的特征样本；
15.s7，构建在线诊断模型，将所有测点的特征样本导入在线诊断模型进行训练，利用训练完成的在线诊断模型对设备各测点进行实时监测。
16.进一步地，步骤s1中，获取的每个测点的原始加速度信号包括往复机械设备分别处于正常工作状态和各种典型故障状态时的原始加速度信号。
17.进一步地，步骤s1中，通过在每个测点设置振动传感器，以获取每个测点在不同工况下的原始加速度信号。
18.进一步地，步骤s3中，预设相关系数阈值为0.3。
19.进一步地，步骤s7中，所述在线诊断模型基于支持向量机构建。
20.第二方面，本发明实施例提出了一种用于往复机械设备的故障诊断装置，所述故障诊断装置包括：
21.原始加速度信号获取模块，用于针对待诊断的往复机械设备，设置至少一个测点，获取每个测点在不同工况下的多组原始加速度信号；
22.相关系数计算模块，用于对每个测点的原始加速度信号进行完全自适应噪声集合经验模态分解，计算出每层本征模态函数分量与原始加速度信号的相关系数；
23.有效分量确定模块，用于将每层本征模态函数分量对应的相关系数与预设相关系数阈值进行逐一比对，如果大于预设相关系数阈值，则将该层本征模态函数分量作为当前测点的有效分量；
24.模糊熵计算模块，用于计算出当前测点对应的每层有效分量的模糊熵；
25.特征样本生成模块，用于将每层有效本征模态函数分量的模糊熵组成一组向量，作为该测点的特征样本；
26.在线诊断模型，用于对导入的测点的实时加速度信号对应的特征向量进行处理，识别得到各个测点工况；
27.模型训练模块，用于结合各个测点的特征样本，对在线诊断模型中进行训练。
28.进一步地，所述在线诊断模型基于支持向量机构建。
29.本发明的有益效果是：
30.第一，本发明提出的用于往复机械设备的故障诊断方法和装置，运用相关性对信号进行去噪，提高了信号的分辨率，减弱噪声和其他振动信号的干扰、提高了高频分辨率，避免故障信号的丢失和模态重叠。
31.第二，本发明提出的用于往复机械设备的故障诊断方法和装置，运用模糊熵表征信号的特征，即是将信号的混乱程度通过数字表示出来。
32.第三，本发明提出的用于往复机械设备的故障诊断方法和装置，利用成熟支持向量机算法进行识别，相对于人工识别，大大提高了识别的效率和准确性。
附图说明
33.图1是本发明实施例的用于往复机械设备的故障诊断方法流程图。
34.图2为本发明实施例的振动传感器安装位置示意图。
35.图3为本发明实施例的原始信号的imf分量信号示意图。
36.图4为本发明实施例的信号识别率示意图。
具体实施方式
37.现在结合附图对本发明作进一步详细的说明。
38.需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
39.实施例一
40.图1是本发明实施例的用于往复机械设备的故障诊断方法流程图。参见图1，该故障诊断方法包括以下步骤：
41.s1、针对待诊断的往复机械设备，设置至少一个测点，获取每个测点在不同工况下的多组原始加速度信号。
42.s2、对其中一个测点的原始加速度信号进行完全自适应噪声集合经验模态分解，计算出每层本征模态函数分量与原始加速度信号的相关系数。
43.s3、将每层本征模态函数分量对应的相关系数与预设相关系数阈值进行逐一比对，如果大于预设相关系数阈值，则将该层本征模态函数分量作为当前测点的有效分量。
44.s4、计算出当前测点对应的每层有效分量的模糊熵。
45.s5、将每层有效本征模态函数分量的模糊熵组成一组向量，作为该测点的特征样本。
46.s6、重复步骤s2～s5，直至计算出所有测点的特征样本。
47.s7，构建在线诊断模型，将所有测点的特征样本导入在线诊断模型进行训练，利用训练完成的在线诊断模型对设备各测点进行实时监测。
48.为了验证该方法的有效性，我们进行了大量的数据分析，如图2所示，在往复压缩机左一气缸、左二气缸、右一气缸、右二气缸部位布置振动加速度传感器，分别获取往复压缩机左一正常、左二正常、右一正常、右二正常和左二故障等五种工况的加速度信号，每种工况采20组信号。
49.分别对这五种工况的信号进行完全自适应噪声集合经验模态分解分解，每个信号获得一系列分量信号，其中一种工况的分量信号如图3所示，图3(a)是imf1至imf7的分量信号示意图，图3(b)是imf8至imf15的分量信号示意图。
50.针对五种工况的原始加速度信号，按照步骤s2进行完全自适应噪声集合经验模态分解(ceemdan分解)，并分别计算出每种工况分解后的信号与原始工况信号的相关系数ρ，如下表1所示。
51.表1原始加速度信号和每层imf的相关系数
[0052] 左一正常左二正常右一正常右二正常左二异常imf10.70980.76010.87130.88550.6338
imf20.3360.35790.35790.34620.5907imf30.41240.36790.25060.16810.5572imf40.40820.23950.1280.11640.3858imf50.29710.20850.1120.08090.2385imf60.2420.39980.11020.0670.2119imf70.21070.33510.07030.08570.1995imf80.12030.19670.03280.12870.1231imf90.09810.11350.01760.0340.078imf100.04490.05360.02260.01640.0495imf110.03480.01190.01690.01990.0299imf120.01250.00590.00080.01360.0194imf130.01780.00790.00060.00990.0068imf140.0074
ꢀ‑
0.00280.00630.0101imf15
ꢀꢀꢀ
0.0023 [0053]
如表1所示，左一正常的imf1、imf2、imf3和imf4的相关系数大于0.3，所以左一正常的前四组分量是有效信号；左二正常的imf1、imf2和imf3的相关系数大于0.3，所以左二正常的前三组分量是有效信号；右一正常的imf1和imf2的相关系数大于0.3，所以右一正常的前二组分量是有效信号；右二正常的imf1和imf2的相关系数大于0.3，所以右二正常的前二组分量是有效信号；左二异常的imf1、imf2、imf3和imf4的相关系数大于0.3，所以左二异常的前四组分量是有效信号。
[0054]
由上述相关系数确定五种工况经过ceemdan分解后的有效分量，然后根据步骤s4，计算出每个工况有效分解信号imf的模糊熵，如表2所示。
[0055]
表2原始加速度信号ceemdan分解的模糊熵
[0056][0057][0058]
根据s5、s6，将五种工况的各层本征模态函数分量的模糊熵组成向量，作为特征样本，比如：由表1可知，左一正常的前四组分量是有效信号，计算出这四组分量的模糊熵，如表2所示，将四组模糊熵组成一列四行向量，即为左一正常工况的特征向量，这是一组数据的特征向量，本文左一正常工况获取的是20组数据，计算出20组数据特征向量，组成1列80行的特征向量。重复上述计算，左二正常工况组成1列60行的特征向量，右一正常工况组成1列40行的特征向量，右二正常工况组成1列40行的特征向量，左二异常工况组成1列80行的特征向量。
[0059]
将五种工况的特征样本放入支持向量机中进行训练，其中每种工况选取15组样本用于训练，共计75组，每种工况选取5组样本用于测试，共计25组，经过支持向量机训练后的
故障识别率如表3所示。应当理解，支持向量机只是本实施例的在线诊断模型的其中一种模型类型，也可以选择yolo-v4等能够实现智能分类的其他模型类型。
[0060]
表3故障识别率
[0061]
测试样本测点位置识别率t1～t20左一正常100％t21～t40左二正常100％t41～t60右一正常100％t61～t80右二正常100％t81～t100左二异常100％
[0062]
从图4和表3中可以发现，往复压缩机的5种工况都得到了识别，准确率达到了100％。验证结果表明该方法能够实现对往复机械故障的准确有效诊断。
[0063]
实施例二
[0064]
本发明实施例提出了一种用于往复机械设备的故障诊断装置，该故障诊断装置包括原始加速度信号获取模块、相关系数计算模块、有效分量确定模块、模糊熵计算模块、特征样本生成模块、在线诊断模型和在线诊断模型训练模块。
[0065]
原始加速度信号获取模块，用于针对待诊断的往复机械设备，设置至少一个测点，获取每个测点在不同工况下的多组原始加速度信号。
[0066]
相关系数计算模块，用于对每个测点的原始加速度信号进行完全自适应噪声集合经验模态分解，计算出每层本征模态函数分量与原始加速度信号的相关系数。
[0067]
有效分量确定模块，用于将每层本征模态函数分量对应的相关系数与预设相关系数阈值进行逐一比对，如果大于预设相关系数阈值，则将该层本征模态函数分量作为当前测点的有效分量。
[0068]
模糊熵计算模块，用于计算出当前测点对应的每层有效分量的模糊熵。
[0069]
特征样本生成模块，用于将每层有效本征模态函数分量的模糊熵组成一组向量，作为该测点的特征样本。
[0070]
在线诊断模型，用于对导入的测点的实时加速度信号对应的特征向量进行处理，识别得到各个测点工况。
[0071]
模型训练模块，用于结合各个测点的特征样本，对在线诊断模型中进行训练。
[0072]
优选的，在线诊断模型基于支持向量机构建。
[0073]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。