一种基于最优共振频带解调的单向阀早期故障诊断方法

技术领域

本发明涉及机械故障诊断及信号处理技术领域，尤其涉及一种基于最优共振频带解调的单向阀早期故障诊断方法。

背景技术

在隔膜泵输送矿浆过程中，浆体内混有的固态磨砺性颗粒会引起单向阀的磨损(泄露)故障，随着矿浆的持续冲刷，单向阀将从磨损故障演变为击穿故障，通常，从磨损故障到彻底失效往往在几十甚至几个小时内完成，若未能及时做出诊断直至出现击穿阀室等现象将会导致整个系统瘫痪甚至出现安全事故。因此，在单向阀故障早期对其进行有效地检测，对确定设备的维修和更换时间，保障整个管道系统的输送效率和运行安全都有着重要意义。

现有的共振解调技术通过将信号中的特定频率分量与噪声进行分离，为分析低信噪比信号中隐藏的周期性瞬态成分提供了一种有效的途径。其中，谱峭度是一种经典的共振解调方法，它通过计算信号在不同频段中的脉冲特性，可在二维频谱图中显示出敏感频段所在的位置。但由于其无法识别信号中的循环平稳信息，导致检测结果容易出现误判。同样的信息图方法虽然同时兼顾了脉冲特性和循环平稳特性，使得诊断精度有了大幅的提升，但是，由于信息图采用的Shannon熵对噪声有着较差的鲁棒性，且采用的树状等分频谱划分方式导致高值会出现在多个细窄频带中致使检测结果变得难以解释，这使得Infogram在处理强非线性、非平稳的工程数据时，其诊断性能很大程度上受到了限制。

因此本发明通过两个方面的改进来提升共振解调方法的有效性，一方面在沿用Infogram可兼顾脉冲特性和循环平稳特性的基础上将更加鲁棒的信号不规则衡量指标代替传统的Shannon熵，另一方面将更具物理意义的频谱划分方式用于改善树状等分方式，提出了一种基于最优共振频带解调的单向阀早期故障诊断方法。

发明内容

本发明的目的在于：针对现有技术的不足，现提出一种基于最优共振频带解调的单向阀早期故障诊断方法，以诊断和检测单向阀早期故障中的微弱冲击信号。

本发明的技术方案如下：

本发明公开了一种基于最优共振频带解调的单向阀早期故障诊断方法，包括如下具体步骤：

Step1：采集单向阀的振动信号，对振动信号执行离散傅里叶变换获得傅里叶频谱；

Step2：将傅里叶频谱应用尺度空间直方图表示，自适应获得傅里叶频谱边界信息，将傅里叶频谱边界信息应用于经验小波变换得到多个IMF分量；

Step3：计算各个IMF分量的平方包络散布负熵和平方包络谱散布负熵，将两者的标准化加权取平均得到平均散布负熵；

Step4：将平均散布负熵最高值对应的IMF分量选定为故障信息的中心频段；

Step5：计算平均散布负熵最高值对应的IMF分量与相邻的IMF分量的相关系数；

Step6：将满足条件的两个IMF分量合并，构成最优的共振频带，对最优频带进行解调分析以及检测到的特定周期脉冲信号，对单向阀早期故障进行诊断。

以上方法，通过在分割信号傅里叶谱时引入一种自适应方法，然后结合一种具有正交性质的小波滤波器组提取出具有紧支撑傅里叶谱的时频变换成分，有效解决了模态混叠和端点效应，在频谱划分部分通过引入尺度空间直方图的表示方法，可实现自适应地获取具有物理意义的频谱边界信息。

进一步地，所述step2中，具体方法为：利用尺度空间直方图将傅里叶频谱自适应的分割为多个区间，对区间进行经验小波变换提取出具有紧支撑傅里叶谱的时频变换成分。

进一步地，所述step2中，对傅里叶频谱进行无参数聚类尺度空间直方图分割时，通过K-means确定频谱边界。

进一步地，所述step3中，通过散布负熵来提取各个IMF分量的平方包络动态特征和平方包络谱动态特征得到平方包络散布负熵和平方包络谱散布负熵，分别表征该IMF分量包含的脉冲特性和循环平稳特性。

进一步地，所述散布负熵的计算步骤为：

对于长度为N的信号x＝x

Step4.1：利用正太分布函数将x映射到y＝{y

其中，σ和μ分别表示标准差和期望；

Step4.2：通过线性变换将y

其中，

Step4.3：嵌入向量通过下式求得：

通过嵌入维数m和时间延迟d来建立每个嵌入向量

Step4.4：每个嵌入向量

由于每个

Step4.5：对于c

其中，

Step4.6：根据信息熵计算公式

对于上述步骤中，散布熵设置的嵌入维数m＝2，类别数量c＝6，时间延迟d＝1。

进一步地，所述step6中满足的条件为两个IMF分量的相关系数大于0.25。

与现有的技术相比本发明的有益效果是：

1、本发明针对EWT在采用尺度空间聚类方法自适应分割频谱时，受到强噪声影响产生太多的无效边界个数，即存在难以有效、自适应地划分边界的问题，提出了一种先确定滤波中心再合并带宽的策略，首先采用无参数尺度空间方法对频谱进行分割；然后将改善的脉冲特性和循环平稳特性指标应用于选取EWT分解后的敏感模态分量中；最后，以该敏感模态分量为滤波中心，重构出最优的共振频带；该策略继承了EWT具有可靠数学推导过程及自适应的特点，以数据驱动的形式构建最佳共振解调频带，可以准确的检测出信号中隐藏的周期性冲击信息。

2、本发明在信息图的基础上，将散布熵用于改善传统信息熵对噪声敏感的问题，进一步提高了从强噪声信号中检测重复瞬变信息的有效性。

3、本发明通过在分割信号傅里叶谱时引入一种自适应方法，然后结合一种具有正交性质的小波滤波器组提取出具有紧支撑傅里叶谱的时频变换成分，有效解决了模态混叠和端点效应。

附图说明

图1为本发明方法的整体流程图；

图2为在不同信噪比下的熵值变化情况；

图3：(a)单向阀磨损故障信号；(b)单向阀彻底击穿故障信号；

图4为使用无参数尺度空间方法划分的频带边界；

图5为使用无参数尺度空间方法划分得到的IMF；

图6为各IMF的SE散布负熵、SES散布负熵和平均散布负熵；

图7为EWT的第7-11个IMF对应的平方包络谱；

图8为通过最佳共振频带重构的信号；

图9为EMD的前6个IMF波形；

图10为VMD的IMF波形；

图11为VMD各IMF对应的包络谱；

图12：(a)SE信息图；(b)SES信息图；(c)平均信息图；

图13：(a)基于平均信息图的滤波信号；(b)对应的平方包络谱

具体实施方式

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合实施例对本发明的技术方案做进一步的详细描述。

如图1所示，本发明公开一种基于最优共振频带解调的单向阀早期故障诊断方法，首先采用无参数尺度空间方法对频谱进行分割；然后将改善的脉冲特性和循环平稳特性指标应用于选取经验小波变换(EWT)分解后的敏感模态分量中；最后，以该敏感模态分量为滤波中心，重构出最优的共振频带。具体的操作步骤为：

步骤1：采集单向阀的振动信号x(t)，对振动信号x(t)执行离散傅里叶变换获得傅里叶频谱F(x)。

步骤2：对F(x)应用尺度空间直方图表示，自适应获得傅里叶频谱边界信息，并对其进行无参数k-means聚类算法检测边界，将傅里叶频谱边界信息应用于经验小波变换得到多个IMF分量。

步骤3：分别计算各个IMF分量的平方包络散布负熵

步骤4：将-ΔDE

步骤5：根据下式求取相邻IMF

其中X代表IMF

步骤6：将

经验小波变换基本原理：

经验小波变换是基于Shannon准则情况下展开的讨论，假设将傅里叶频谱限制在[0,π]的区间。首先，对信号的傅里叶频谱自适应地分割构造一组滤波器组，将傅里叶频谱在[0,π]上分段为代表不同振动模式的N个区间，则所需边界数为N+1个，每个段可以被记录为Λ

在确定分割区间Λ

在等式3-9和3-10中，ω表示角频率。其中，函数β(x)∈C

β(x)＝x

为了满足紧支撑框架的要求，参数γ必须满足等式3-12：

通过将傅立叶频谱段信息应用到方程组3-9和3-10中，构造经验小波滤波器组。然后可采用类似于传统的小波变换来定义经验小波变换，细节系数W

近似系数W

然后，可以通过式3-15对信号x(t)与进行重建：

最后，依据EWT的分解方式，信号x(t)提取的所有模态分量f

尺度空间直方图：

尺度空间方法概括来说是在数据分析时引入一个参数，并定义这个参数的尺度，然后通过不断变化的尺度参数来获取不同参数对应的数据信息，最后达到挖掘数据信息内在特征的目的。有限长度的离散时序振动信号x(t)的离散傅立叶变换X(f)可以通过某个核函数进行滤波，并且将核函数的某些参数作为尺度，其对应的离散尺度空间表示L(x,t)定义为下式：

其中

在实践中，为了获得一个有限的脉冲响应，将滤波范围从-∞至+∞减小到-M至+M。当M足够大时，其高斯近似误差可以忽略不计。对于M的一种常见设置如式3-19所示：

这表示滤波器的大小相对于t增加，其中C的选择为3

直方图的尺度空间表示赋予了一个关键的特性，即L(x,t)相对于x的最小值的数量是t和s的递减函数。因此，每个局部最小值都会产生不同长度的尺度-空间曲线L

散布熵(Dispersion Entropy，DE)：

DE是依据信息熵和符号动力学相关概念中推导而来，用于对信号的不规则性进行快速稳健的度量。符号动力学源于对测量值的粗粒度化，即将时间序列转换为只有几个不同元素的新信号，因此，信号动力学的研究被简化为符号序列的分布。尽管一些细节信息可能会丢失，但动力学中的一些不变的、健壮的特性仍会被保留下来。对于DE来说，当一个信号的所有元素被分配到同一类时，这个序列是完全可预测的，此时得到的熵值等于零。相反，如果所有可能的色散模式具有相等的概率分布，则序列的所有值均独立且随机分布从而导致最大的熵值。长度为N的信号x＝x

Step4.1：利用正太分布函数将x映射到y＝{y

其中，σ和μ分别表示标准差和期望；

Step4.2：通过线性变换将y

其中，

Step4.3：嵌入向量通过下式求得：

通过嵌入维数m和时间延迟d来建立每个嵌入向量

Step4.4：每个嵌入向量

由于每个

Step4.5：对于c

其中，

Step4.6：根据信息熵计算公式

对于上述步骤中，散布熵设置的嵌入维数m＝2，类别数量c＝6，时间延迟d＝1。

如图2所示，选取传统的Shannon熵、排列熵(m＝5，d＝1)、近似熵(m＝2，r＝0.2*标准差)和散布熵(m＝2，c＝6，d＝1)在不同信噪比下进行对比分析，随着信噪比在较高范围内逐渐的降低，传统Shannon熵值变化最明显，对噪声较为敏感；近似熵在噪声强度在100dB～45dB之间表现出了较好的稳定性，当小于45dB后则变化较为明显；排列熵和散布熵整体变化不大。相比之下，散布熵表现出最好的抗噪性能的同时还具有较好地稳定性和计算速度。

为了验证本发明方法的有效性，用试验验证，单向阀磨损(泄露)故障时的信号如图3(a)所示，采集到的彻底击穿信号(清晰的周期性冲击信号)如图3(b)所示，可以看出，在磨损故障信号的时域信号中无法捕捉到任何关于故障的有用信息，因此，将所提方法用于分析信号的微弱冲击成分中。

我们首先对图3(a)的信号傅里叶频谱进行无参数聚类尺度空间分割，频谱分割结果如图4所示，单向阀磨损故障信号的频谱更复杂，划分出的边界也相应的更多。对应的各个IMF时域波形在图5中示出，显然，逐个分析各个IMF所包含的信息将耗费大量的人力物力，因此，将所提的平均散布负熵应用于选取中心IMF当中。

所有IMF的SE散布负熵，SES散布负熵以及平均散布负熵的数值分析结果在图6中示出。可以看出，SE散布负熵和SES散布负熵的高值均出现在了多个频段中，这也表明在实际工况下采集到的隔膜泵磨损故障数据表现出了多层次性、非线性和复杂性等特点。通过综合计算的平均散布负熵最高值将第8个IMF选取为中心IMF。为了进一步分析该IMF的特征信息，图7显示了第6到第10个的包络谱。可以发现，在第8个平方包络谱中找到了击穿故障频率以及部分倍频信息。通过设置第8个IMF为中心频率并使用相关系数合并相邻的IMF，重构的信号如图8所示，可以看出，与图3(a)的原始信号相比，重构信号峭度值增加较大，表现出了明显的周期冲击特性，且展现出了与图3(b)击穿故障信号相同的周期频率。这表明所提方法通过构建最佳共振频带，有效提取到了强噪声信号中的微冲周期性冲击信息，因此，工程试验结果进一步验证了所提方法的有效性。

作为对比，选取经验模态分解(EMD)和变分模态分解(VMD)方法对相同信号进行时频变换分析。考虑到原始信号中的频率分量不会超出6个，方便起见，图9示出了使用EMD方法分解的前6个IMF。可以发现，在各个IMF的信号波形中未捕捉到任何周期性冲击信号信息的存在，表明受到模态混叠和端点效应的影响，EMD方法很难有效地解析出强噪声背景下的复杂信号。VMD方法分解的8个IMF波形在图10中示出。由于VMD在进行信号分解之前需要预先设置模态的个数，在没有先验知识的引导下，将模态数设置为8以尽量多的对原始信号进行分解，观察8个IMF的时域波形和对应的包络谱图11可以发现，各个IMF时域波形中的周期性不够清晰，包络谱中也未能有效捕捉到有关击穿故障频率和倍频谐波的存在。

同时，为了进一步验证所提方法相较于信息图在选取谐振频带中心位置方面的优越性，采用SE信息图、SES信息图以及平均信息图对测试信号进行解调分析：如图12所示，SE信息图和SES信息图分别确定了第7级别中心频率为1130Hz和第6.5级别中心频率为580Hz的频带，通过平均信息图所选频段与SE信息图相同，结合图4中第8个IMF所在的频带可以确定正确的频带范围应在400Hz附近，因此，可以推算得SE信息图和SES信息图均选择了错误的频带。

图13给出了通过平均信息图所选频段相应的滤波信号和对应的平方包络谱，可以观察到，所选频段滤波的信号不能提取到与击穿故障相关的重复性瞬变信号，平方包络谱中也未能提取到击穿故障特征频率以及倍频信息。

因此本发明通过对重构的最佳共振频带进行解调分析可以检测出信号中隐藏的周期性冲击信息，在信息图的基础上，将散布熵用于改善传统信息熵对噪声敏感的问题，进一步提高了从强噪声信号中检测重复瞬变信息的有效性。

本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。