一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法技术

本发明专利技术公开了一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，该方法包括：(1)利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类；(2)将IMF分类的样本熵作为信号的特征向量；(3)将CEEMD‑样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断。本发明专利技术将CEEMD与样本熵用于离心泵振动信号的特征提取，一方面尽可能的避免了EMD分解出现的模态混叠及端点效应等现象，另一方面，特征提取较为方便简洁，计算量小，并对数据长度及噪声不敏感，因而适用性强。本发明专利技术将随机森林分类器用于离心泵的故障模式识别，避免了传统分类器过于依赖训练样本而出现过拟合的现象。尽可能的提高了分类准确率。

【技术实现步骤摘要】

本专利技术涉及离心泵故障诊断的
，具体涉及一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition，CEEMD)与随机森林的离心泵故障诊断方法。
技术介绍
离心泵作为一种关键设备，广泛应用于各个工业领域。在旋转机械中，设备状态信息隐藏于转子振动信号中，包含了设备各种异常或故障的信息。因此，震动分析在旋转机械故障诊断领域应用广泛。一般来说诊断信号的分析步骤包含以下几个方面：(1)故障诊断信号的获取(2)故障特征提取(3)状态确认和故障模式识别。Huang提出的经验模态分解(EMD)可以自适应的用于处理此类的非平稳非线性的机械信号，将信号分解为有限个内禀尺度分量。但EMD分解方法，最重要的缺点之一是模态混叠的问题。Wu等人提出的总体平均经验模式分解(Ensemble Empiracal Mode Decomposition)方法，能有效解决经验模式分解方法的模态混叠问题，但是EEMD添加的白噪声不能被完全中和，不具备完备性。因此，完备总体经验模态分解方法被提出，其主要是通过向待分析的信号中添加连个相反的白噪声信号，并分别进行EMD分解。CEEMD在保证分解效果与EEMD相当的情况下，减小了由白噪声引起的重构误差。熵的概念近几年作为体征提取的方法进入到故障诊断领域。样本熵是对近似熵的改进，在脑电及心电等医学信号处理中得到广泛应用，样本熵可以量化时间序列的复杂度，并对数据长度和和噪声不敏感。不同的IMF分量的样本熵可以估计多重时间尺度的复杂性。因此，它能够增强故障诊断的准确度。在利用CEEMD-样本熵提取故障特征向量之后，需要分类器对其故障类型进行判断。随机森林在模式识别方面有卓越的表现力。然而，在故障诊断领域应用的却比较少。本文尝试利用随机森林分类器对离心泵故障模式进行识别并验证其准确性。
技术实现思路
本专利技术的目的在于：提供一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，可应用于其进行离心泵运行状态的监测与诊断。本专利技术采用的技术方案为：一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，该方法包括：(1)利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类；(2)将IMF分类的样本熵作为信号的特征向量；(3)将CEEMD-样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断。其中，步骤(1)中所述的利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类具体包括：加速度传感器安装在离心泵的电机外壳轴承座的正上方，对离心泵进行故障注入，并采集加速度传感器在各种故障模式下的离心泵振动信号，将所采集的每种故障模式下的若干组数据进行CEEMD分解，CEEMD可以将离心泵振动信号自适应分解为若干IMF分量。其中，步骤(2)中所述的将IMF分类的样本熵作为信号的特征向量具体包括：取CEEMD分解的前5个IMF分量，以样本熵作为衡量IMF复杂度的量化参数，并作为特征向量。其中，步骤(3)中所述的将CEEMD-样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断具体包括：将步骤(2)得到的所述的特征向量作为随机森林分类器进行故障模式识别，从每种故障模式下的若干组数据中任意选取部分组进行训练，其余组作为测试样本，得到结果后，将测试标签与实际标签进行比对，并计算准确率。本专利技术与现有技术相比的优点在于：(1)、将CEEMD与样本熵用于离心泵振动信号的特征提取，一方面尽可能的避免了EMD分解出现的模态混叠及端点效应等现象，另一方面，特征提取较为方便简洁，计算量小，并对数据长度及噪声不敏感，因而适用性强。(2)、将随机森林分类器用于离心泵的故障模式识别，避免了传统分类器过于依赖训练样本而出现过拟合的现象。尽可能的提高了分类准确率。附图说明图1为一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法流程；图2为随机森林分类器诊断流程；图3为内环故障CEEMD分解图。具体实施方式下面结合附图以及具体实施方式进一步说明本专利技术。如图1所示，本专利技术一种基于CEEMD-SampEn的随机森林的离心泵故障诊断方法流程介绍如下：该方法主要分为三个部分：(1)利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类；(2)将IMF分类的样本熵作为信号的特征向量；(3)将CEEMD-样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断。该方法流程如下：1.基于CEEMD-SampEn的特征提取过程1.1CEEMD方法CEEMD是在EMD算法基础上提出的一种改进方法。EMD是利用信号的局部特征自适应的将非线性非平稳信号分解成一系列IMF分量之和残余量，即： x ( t ) = Σ i = 1 N IMF i + r N ]]>式中：N代表在给定精度下IMF分类的个数，IMFi代表包含不同频率成分的IMF分量。rN是在N次分解后的残余量。从EMD分解所得的IMF分量从高频到低频排列。在EMD分解方法中，良好的IMF分量的取得与待分解信号的极值点有很大的关系。如果信号中极值点不够多，EMD分解将停止；如果待分解信号极值点不够均匀时，将会出现模态混叠的现象。但是，白噪声却可以弥补这一缺点，原因如下：同幅值随机高斯白噪声，如果进行多次试验，然后把各次实验结果叠加起来，就可以使添加的白噪声相互抵消。利用这一特性，在待分解信号中添加高斯白噪声，可以使信号连续性更好，极值点分布更加合理、均匀，更利于EMD分解的进行，得到最佳的IMF分量，最后通过叠加的方式消除所添加高斯白噪声的干扰。作为EMD的改进方法，CEEMD的分解流程如下：(1)在原始信号中加入不同的噪声并通过EMD重复分解过程I次，计算总体平均值并将其定义为目标信号x的第一个IMF分量，即： C 1 ( t ) = 1 N Σ i = 1 N E 1 [ x ( t ) + σω i ] ]]>这里，x(t)是原始信号，wi(t)是单位方差的零均值高斯白噪声，N是，N书，σ系数允许在每个阶段选择信噪比。(2)计算一阶残差：r1(t)＝x(t)-C1(t)，然后，将r1(t)+σE1[wi(t)](i＝1,2,…,N)作为新的信号并继续分解直到信号满足第一个IMF的条件，并定义总体平均值作为第二个IMF分量，定义其为C2(t)： C 2 ( 本文档来自技高网...

【技术保护点】
一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，其特征在于：该方法包括：(1)利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类；(2)将IMF分类的样本熵作为信号的特征向量；(3)将CEEMD‑样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断。

【技术特征摘要】
1.一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，其特征在于：该方法包括：(1)利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类；(2)将IMF分类的样本熵作为信号的特征向量；(3)将CEEMD-样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断。2.根据权利要求1所述的一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，其特征在于：步骤(1)中所述的利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类具体包括：加速度传感器安装在离心泵的电机外壳轴承座的正上方，对离心泵进行故障注入，并采集加速度传感器在各种故障模式下的离心泵振动信号，将所采集的每种故障模式下的若干组数据进行CEEMD分解，CEEMD可以将离心泵振...

【专利技术属性】
技术研发人员：吕琛，王洋，秦维力，周博，赵万琳，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11