一种离心泵转子系统故障诊断的方法技术方案

本发明专利技术公开了一种离心泵转子系统故障诊断的方法，具体涉及一种基于变分模态分解和核极限学习机的离心泵转子系统故障诊断的方法，属于旋转机械故障诊断领域。该方法主要包括步骤S1：获取离心泵转子系统正常状态与故障状态下的振动加速度信号(正常、转子不对中、转子不平衡、轴承内圈故障、轴承外圈故障、轴承滚动体故障)，得到时域信号样本集。步骤S2：对得到的时域信号样本集进行变分模态分解，得到本征模函数分量。步骤S3：对每个本征模函数分量求取能量值、波形因子、脉冲指标、裕度系数、峰值因子和峭度值。步骤S4：构建特征矩阵，归一化处理数据。步骤S5：采用训练样本对离心泵转子系统故障诊断系统进行训练。步骤S6：将测试样本或者实时样本输入到离心泵转子系统故障诊断模型中，对故障进行诊断。

A method of fault diagnosis for rotor system of centrifugal pump

【技术实现步骤摘要】
一种离心泵转子系统故障诊断的方法
本专利技术属于旋转机械故障诊断领域，具体涉及一种基于变分模态分解和核极限学习机的离心泵转子系统故障诊断方法。
技术介绍
离心泵作为一种通用的旋转机械产品，广泛应用于各行各业，包括石油化工、给排水、农业灌溉等。据统计，约21％的电力应用于各类泵的驱动，而离心泵是泵类中使用最多的一种。离心泵转子系统主要包括叶轮、滚动轴承、轴和联轴器等部件，转子是离心泵出现故障率最高的部分。因此，对离心泵转子系统进行状态监测和故障诊断，进而保证其安全可靠地运行，对提高生产的安全性能有重要意义。目前对离心泵的状态监测和诊断最常用的方法是监测离心泵机组流量压力等仪表来判断故障，但准确高效的诊断其故障需要采集离心泵随机振动信号，然后对随机振动信号进行时频分析。由于实测振动信号故障信息成分复杂，故障特征信息微、信噪比低等特点，难以高效准确判断。经验模态分解(简称EMD)是一种适于处理非线性、非平稳信号的新方法，其本质是对信号进行平稳化处理，把复杂的信号分解为一系列固有模态分量。与其他的分析方法相比，经验模态分解是一种无需任何先验知识的自适应时频分析方法，具有自适应的信号分解和降噪能力，目前已在离心泵、风机等旋转机械故障诊断领域得到了成功的应用。但是，经验模态分解的分解过程中存在分解不稳定和端点效应等问题。为解决这个问题，有人提出局域均值分解(简称LMD)这个方法。他将原始信号自适应的分解成若干函数乘积之和的形式，不仅能够得到信号的视频分布，还能得到具有物理意义的瞬时频率。但在含噪信号，故障早期信号的分解中仍无法彻底解决端点效应、模态混叠的问题。为了解决此问题有人提出变分模态分解(简称VMD)，采用频域迭代方式搜寻变分模型最优解来确定每个分量的中心频率及带宽，通过对频域的自适应剖分实现分离各分量，在机械故障诊断中得到应用，变分模态分解方法能够将频率接近的谐波信号，频率突变信号进行有效分离，适于多分量非平稳信号的分离。此方法相比于之前的自适应分解方法的优点在于解决了包络线估计误差不断累积的问题，同时能够有效地克服端点效应。现在使用变分模态模态分解方法，大部分是对信号进行分解后，筛选出有价值的本征模函数后，在进行信号重构。提出一种对每个本征模函数提取信息的方法，所提出的每个信息组合成故障特征，用来进行下一步的故障诊断。极限学习机是一类基于前馈神经网络构建的机器学习系统或方法，适用于监督学习和非监督学习问题，该方法已成功应用于计算机视觉和生物学信息等。传统的前馈神经网络采用梯度下降的迭代算法去挑战权重参数，这有着明显的缺陷：学习速度缓慢，从而系统计算时间增多；学习率难以确定且易陷入局部最小值；易出血过度训练，引起泛化性能下降。这些缺陷成为制约使用迭代算法的前馈神经网络的应用瓶颈。针对这些问题，极限学习机算法应运而生。同样也可以解决支持向量机小样本分类局限性的问题。通过对和函数的引入，可以使极限学习机算法改进为核极限学习机，其无需反复调整隐层参数，并且将传统单隐层前馈神经网络参数训练问题转化为求解线性方程组，利用求得的最小范数最小二乘解作为网络输出权值，整个训练过程一次完成。因此，训练速度得到极大的提高，且泛化性能更好。
技术实现思路
针对离心泵转子系统的故障类型多、故障信号呈现非平稳非线性特点且不易识别，本专利技术提出一种基于变分模态分解和核极限学习机的离心泵转子系统故障诊断方法。本专利技术采用的技术方案为变分模态分解和核极限学习机模式识别的故障诊断方法，该离心泵转子系统故障诊断方法包括以下步骤：步骤S1：分别获取离心泵转子系统在正常、转子不平衡、转子不对中、轴承内圈故障、轴承外圈故障、轴承滚动体故障共6种状态下各n组振动加速度信号，n>＝50，这六种状态分别得到n组时域信号样本集，分别记为xmn(t)，其中m＝1，2，3，4，5，6；n＝1，2，3，·······，n。步骤S2：对六种状态下的每组振动时域信号样本集进行变分模态分解(VMD)，分别得到i个本征模函数即IMF分量。将每个IMF分量记为cmni(t)，则其中，i为IMFmn分量的序号数，j为IMFmn分量的个数。步骤S3：对每个IMFmn分量的j个cmni(t)求取能量值、波形因子、脉冲指标、裕度系数、峰值因子和峭度值，分别记为Emnj、Smnj、Imnj、Lmnj、Cmnj、Kmnj。其中，Xrms为IMF分量均方根；为IMF分量平均幅值；Xp为IMF分量峰值；为IMF分量均值；Xr为IMF分量方根幅值；β为IMF分量峭度。步骤S4：构建特征矩阵。步骤S4.1：将能量值Emnj、波形因子Smnj、脉冲指标Imnj、裕度系数Lmnj、峰值因子Cmnj、峭度值Kmnj组成一个(mn)×j的故障特征矩阵Z，Z＝[ZE，ZS，ZI，ZL，ZC，ZK，]步骤S4.2：将特征矩阵Z数据归一化处理。采用最大-最小标准化是对矩阵数据进行线性变换将原始值通过最大-最小标准化映射到区间[0,1]。其中x′是归一化后新数据；x是原始数据；minA是数据组中最小值；maxA是数据组中最大值。步骤S4.3：将归一化处理后的特征矩阵分为训练样本和测试样本。步骤S5：采用训练样本对离心泵转子系统故障诊断系统进行训练。步骤S5.1：使用训练样本对极限学习机模型进行训练。步骤S5.2：采用核函数对极限学习机模型进行优化，优化后的训练模型成为核极限学习机。步骤S6：将测试样本或者实时样本输入到离心泵转子系统故障诊断模型中，对故障进行诊断。本专利技术提出了一种基于变分模态分解和核极限学习机的离心泵转子系统故障诊断方法，该方法采用变分模态分解将原始离心泵振动信号分解为一组本征模函数分量，并求取每个本征模函数分量的能量值、波形因子、脉冲指标、裕度系数、峰值因子和峭度值，并组成特征向量，归一化处理后，作为极限学习机的训练集和测试集，提高了故障诊断的准确率。本专利技术采用核函数优化极限学习机模型，核极限学习机模型有更高的故障诊断率，缩短了诊断时间，提高了模型的泛化性。附图说明图1是本专利技术的整体步骤流程图。具体实施方式为了更进一步阐述本专利技术为实现预定目的所采取的技术手段，请参阅以下本专利技术的详细说明与附图，附图仅提供参考与说明用，并非用来对本专利技术加以限制。如图1所示，为一种基于变分模态分解和核极限学习机的离心泵转子系统故障诊断方法的流程图，包括获取振动加速度信号、变分模态分解、计算本征模函数分量计算、构建故障特征矩阵、建立基于核极限学习机的离心泵转子系统故障诊断模型、故障诊断等几部分。具体步骤如下：步骤S1：分别获取离心泵转子系统在正常、转子不平衡、转子不对中、轴承内圈故障、轴承外圈故障、轴承滚动体故障共6种状态下各n组振动加速度信号，n>＝50，这六种状态分别得到n组时域信号样本集，分别记为xmn(t)，其中m＝1，2，3，4，5，6；n＝1，2，3，·······，n。本文档来自技高网...

【技术保护点】
1.一种离心泵转子系统故障诊断的方法，其特征在于：该方法包括以下步骤，/n步骤S1；分别获取离心泵转子系统在正常、转子不平衡、转子不对中、轴承内圈故障、轴承外圈故障、轴承滚动体故障共六种状态下各n组振动加速度信号，n>＝50，这六种状态分别得到n组时域信号样本集，分别记为x

【技术特征摘要】
1.一种离心泵转子系统故障诊断的方法，其特征在于：该方法包括以下步骤，
步骤S1；分别获取离心泵转子系统在正常、转子不平衡、转子不对中、轴承内圈故障、轴承外圈故障、轴承滚动体故障共六种状态下各n组振动加速度信号，n>＝50，这六种状态分别得到n组时域信号样本集，分别记为xmn(t)，其中m＝1，2，3，4，5，6；n＝1，2，3，·······，n；
步骤S2：对六种状态下的每组振动时域信号样本集进行变分模态分解VMD，分别得到i个本征模函数即IMF分量；
步骤S3：对每个IMFmn分量的j个cmni(t)求取能量值、波形因子、脉冲指标、裕度系数、峰值因子和峭度值，分别记为Emnj、Smnj、Imnj、Lmnj、Cmnj、Kmnj；
步骤S4：构建特征矩阵；
步骤S5：采用训练样本对离心泵转子系统故障诊断系统进行训练；
步骤S6：将测试样本或者实时样本输入到离心泵转子系统故障诊断模型中，对故障进行诊断。


2.根据权利要求...

【专利技术属性】
技术研发人员：付胜，王赫，井睿权，匡佳峰，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11