一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法技术

本发明专利技术公开了一种基于PICA‑VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法，该方法的步骤如下：采集轴向柱塞泵壳体处的振动信号并构建初始样本集；采用小波包自适应阈值对原始信号进行去噪；对去噪后的信号进行PICA‑VMD变换得出对应的Hilbert边际谱，提取边际谱中的边际谱幅值作为故障特征并构建特征集；采用PCA法对提取的故障特征进行降维；最后将降维后的故障特征集输入到多分类SVM模型内完成空化等级的识别。本发明专利技术方法能有效地识别出轴向柱塞泵的空化等级，Hilbert边际谱幅值能够较好地反映微弱的轴向柱塞泵空化故障特征。

An identification method of cavitation level of axial piston pump based on pica-vmd and Hilbert marginal spectrum

【技术实现步骤摘要】
一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法
本专利技术涉及一种轴向柱塞泵空化等级识别方法，属于工业过程故障诊断与模式识别领域。
技术介绍
空化是广泛存在于流体机械的一种流体力学现象，尤其在泵类中更为普遍，随着轴向柱塞泵的转速的提高，空化现象出现的频率和程度也会随之提高。空化是指轴向柱塞泵内部局部压力下降至空气分离压力时，溶解于液体的空气开始大量析出，形成气泡或空穴的现象。空化现象不仅降低了轴向柱塞泵的容积效率，气泡在溃灭时产生的瞬间冲击力也会对轴向柱塞泵内部元件产生极大的破坏作用。因此，有必要对液压泵内部的空化现象进行诊断，提前做好预防措施。轴向柱塞泵在不同空化等级下的故障特征不明显，需要利用信号处理方法来提取振动信号中微弱的空化特征，传统的信号处理方法有STFT变换、小波变换、Winger-Ville分布等，但这些方法都不具备自适应的分解特性，无法从非线性、非平稳的振动信号中提取出微弱的空化特征信息，因此无法准确有效地识别出轴向柱塞泵的空化等级。
技术实现思路
针对轴向柱塞泵空化故障特征提取不丰富导致的空化等级识别率低的问题，本专利技术提供了一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法。为了有效解决上述问题，对本专利技术提供的技术方案进行详细说明：一种基于扰动帝国竞争—变分模态分解(PICA-VMD)和Hilbert边际谱的轴向柱塞泵空化等级识别方法，该方法包括以下步骤：步骤1：采集不同空化等级下轴向柱塞泵壳体的振动信号，构建初始样本集；步骤2：采用小波包自适应阈值去噪法去除原始振动信号中的噪声干扰；步骤3：对去噪后的信号进行PICA-VMD变换得出对应的边际谱，具体为：采用扰动帝国竞争算法PICA优化变分模态分解VMD的两个参数：惩罚因子α和IMF分量个数K，采用参数优化后的VMD方法得出信号的边际谱；提取边际谱中的幅值作为故障特征，并在样本集内构建出故障特征集；步骤4：采用主成分分析(PCA)法对所提取的故障特征进行特征降维；步骤5：将经降维后的故障特征集进行预处理，包括空化等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成多分类SVM模型的训练；步骤6：根据上述步骤得到待识别的轴向柱塞泵壳体振动信号的降维后的故障特征集，将故障特征集进行数据标准化后，输入到训练好的多分类SVM模型中，完成空化等级的识别。进一步地，所述步骤1中，使用加速度传感器分别采集不同空化等级下相同信号长度的轴向柱塞泵壳体振动信号，并将m个采样点(m大于一个信号周期内包含的采样点)划分为一个样本，从而构建出初始样本集。进一步地，所述步骤2中，自适应阈值的选择规则选用无偏似然估计函数，阈值类型选择软阈值，小波包分解层数为4层，小波基选择为db4。进一步地，所述步骤3中，特征提取过程如下：步骤3-1：采用扰动帝国竞争算法PICA优化变分模态分解VMD的两个参数：惩罚因子α和IMF分量个数K；步骤3-2：采用参数优化后的VMD方法将信号分解成相互独立的若干固有模态函数IMF；步骤3-3：对每个IMF函数进行Hilbert变换，得到第i个IMF分量的瞬时频率fi(t)和瞬时幅值φi(t)，两者均为关于时间t的函数；步骤3-4：根据所有IMF函数的瞬时频率和瞬时幅值求出Hilbert时频谱H(f,t)；步骤3-5：将Hilbert时频谱对时间t进行积分，得到信号的Hilbert边际谱H(f)；步骤3-6：将Hilbert边际谱均匀划分为N个频带，并提取出每个频带内的中心频率的边际谱幅值作为故障特征，从而在整个样本集内构建出M×N维故障特征集，其中M为样本数，N为特征数。进一步地，惩罚因子α和IMF分量个数K对于VMD分解结果有着很大的影响，且IMF分量包含故障特征信息越多，其稀疏特性越强，包络熵值越小；为达到最优分解效果，将K个IMF分量中最小的包络熵值—局部极小包络熵Emin作为适应度函数，以Emin最小化作为寻优目标；步骤3-1中，基于扰动帝国竞争算法的参数优化过程如下：步骤3-1-1：初始化算法参数，国家个数Npop＝100，帝国个数Nimp＝10，迭代次数Niter＝100，改革概率pr＝0.2，竞争概率pc＝1；步骤3-1-2：随机产生初始国家群体，每个国家对应一组参数组合[K,α]；步骤3-1-3：以IMF分量的局部极小包络熵Emin作为适应度函数Emin＝f(K,α)，计算每个国家的适应度，根据适应度创建初始帝国；步骤3-1-4：对于每个帝国，分别进行殖民地同化、竞争、改革、合并来更新殖民地的适应度，当某个帝国内只剩一个殖民地时，该帝国灭亡；步骤3-1-5：当只剩一个帝国或者达到最大迭代次数时，算法终止，得出VMD分解的最优参数组合[K0,α0]。进一步地，所述步骤4中，PCA降维维数选择为保留99％原始特征信息时的维数。进一步地，所述步骤5中，所述空化等级标记具体为，将不同空化等级下的振动样本分别标记为类别1～q，q为空化等级的总数。进一步地，所述步骤5中，所述数据标准化具体为，将特征值缩放在0～1之间，以避免异常值和极端值对分类结果的影响。进一步地，所述步骤5中，利用随机种子数打乱预处理后的故障特征集的顺序，之后作为训练数据进行模型训练。进一步地，所述步骤5中，所述多分类SVM模型的核函数为RBF核，构造多分类SVM模型的方法为一对一法(OVO)。与现有技术相比，本专利技术具有如下优点：第一，PICA-VMD方法克服了其他信号处理方法很难提取出隐藏在振动信号中的故障特征信息的问题；第二，相较于其他常见的时域与频域特征，Hilbert边际谱幅值作为故障特征有着更高的识别准确率；第三，采用智能分类的方法，对故障信息的类型和程度进行判断，避免了人工分类的繁琐和计算耗时等问题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法流程图；图2为本专利技术从原始振动信号中提取边际谱幅值的流程图；图3为本专利技术实施例轴向柱塞泵空化试验的流程图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参考图1，一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法，包括以下步骤：...

【技术保护点】
1.一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法，其特征在于，包括以下步骤：/n步骤1：采集不同空化等级下轴向柱塞泵壳体的振动信号，构建初始样本集；/n步骤2：采用小波包自适应阈值去噪法去除原始振动信号中的噪声干扰；/n步骤3：对去噪后的信号进行PICA-VMD变换得出对应的边际谱，具体为：采用扰动帝国竞争算法PICA优化变分模态分解VMD的两个参数：惩罚因子α和IMF分量个数K，采用参数优化后的VMD方法得出信号的边际谱；/n提取边际谱中的幅值作为故障特征，并在样本集内构建出故障特征集；/n步骤4：采用PCA方法对所提取的故障特征进行特征降维；/n步骤5：将经降维后的故障特征集进行预处理，包括空化等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成多分类SVM模型的训练；/n步骤6：根据上述步骤得到待识别的轴向柱塞泵壳体振动信号的降维后的故障特征集，将故障特征集进行数据标准化后，输入到训练好的多分类SVM模型中，完成空化等级的识别。/n

【技术特征摘要】
1.一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法，其特征在于，包括以下步骤：
步骤1：采集不同空化等级下轴向柱塞泵壳体的振动信号，构建初始样本集；
步骤2：采用小波包自适应阈值去噪法去除原始振动信号中的噪声干扰；
步骤3：对去噪后的信号进行PICA-VMD变换得出对应的边际谱，具体为：采用扰动帝国竞争算法PICA优化变分模态分解VMD的两个参数：惩罚因子α和IMF分量个数K，采用参数优化后的VMD方法得出信号的边际谱；
提取边际谱中的幅值作为故障特征，并在样本集内构建出故障特征集；
步骤4：采用PCA方法对所提取的故障特征进行特征降维；
步骤5：将经降维后的故障特征集进行预处理，包括空化等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成多分类SVM模型的训练；
步骤6：根据上述步骤得到待识别的轴向柱塞泵壳体振动信号的降维后的故障特征集，将故障特征集进行数据标准化后，输入到训练好的多分类SVM模型中，完成空化等级的识别。


2.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法，其特征在于，所述步骤1中，使用加速度传感器分别采集不同空化等级下相同信号长度的轴向柱塞泵壳体振动信号，并将m个采样点(m大于一个信号周期内包含的采样点)划分为一个样本，从而构建出初始样本集。


3.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法，其特征在于，所述步骤2中，自适应阈值的选择规则选用无偏似然估计函数，阈值类型选择软阈值，小波包分解层数为4层，小波基选择为db4。


4.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法，其特征在于，所述步骤3中，特征提取过程如下：
步骤3-1：采用扰动帝国竞争算法PICA优化变分模态分解VMD的两个参数：惩罚因子α和IMF分量个数K；
步骤3-2：采用参数优化后的VMD方法将信号分解成相互独立的若干固有模态函数IMF；
步骤3-3：对每个IMF函数进行Hilbert变换，得到第i个IMF分量的瞬时频率fi(t)和瞬时幅值φi(t)，两者均为关于时间t的函数；
步骤3-4：根据所有IMF函数的瞬时频率和瞬时幅值求出Hilbert时频谱H(f,t)；
步骤3-5：将Hilbert时频谱对时间t...

【专利技术属性】
技术研发人员：刘成良，潮群，王立尧，陶建峰，覃程锦，魏晓良，
申请(专利权)人：上海交通大学，上海智能制造功能平台有限公司，
类型：发明
国别省市：上海;31