【技術實現步驟摘要】
本專利技術涉及管道輸送設備故障診斷領域，具體涉及一種基于熵特征提取的單向閥故障診斷方法。
技術介紹
1、礦漿管道輸送為我國豐富礦產資源的長距離運輸提供便利。往復式高壓隔膜泵作為動力泵為礦漿管道輸送系統提供動力，做往復運動的單向閥是高壓隔膜泵眾多機械部件的主要核心部件。單向閥的運行狀態是影響隔膜泵安全高效運行的主要因素，從而對整個礦漿管道輸送系統的效率和安全運行造成影響。實際運行中的單向閥受諸多因素影響，單向閥故障信號因其實際運行環境、工況以及其他因素的干擾而呈現出非平穩性、非線性、多層次性等特性，且采集到大量噪聲信息，給故障檢測和故障識別加大了難度。
2、單向閥故障初期，受大量背景噪聲影響，單向閥的故障難以檢測，一般類似于脈沖以及峰值等指標對于單向閥故障初期的檢測不敏感。并且判斷單向閥故障后，還無法識別單向閥的故障類型。
技術實現思路
1、本專利技術的目的在于：針對上述存在的問題，提供一種基于熵特征提取的單向閥故障診斷方法，通過對含大量背景噪聲的單向閥振動信號進行最優參數nlm濾波處理后，計算基于spwvd的頻帶熵值，以頻帶熵最小值作為頻帶熵指標對單向閥的故障進行檢測；同時基于排列熵和散布熵共同構成的混合熵特征，以混合熵特征結合svm分類模型對單向閥故障類型進行識別。
2、本專利技術的技術方案如下：
3、本專利技術公開了一種基于熵特征提取的單向閥故障診斷方法，包括以下步驟：
4、步驟一：采集單向閥數據，選取單向閥不同狀態的數據；對于單
5、步驟二：經過濾波處理后的振動信號進行spwvd處理，得到單向閥振動信號能量的時頻分布，計算時頻分布中所有頻率分量的頻帶熵值；
6、步驟三：取整個頻帶的頻帶熵最小值作為頻帶熵指標，檢測單向閥是否發生故障；
7、步驟四：當檢測到單向閥發生故障，對步驟一nlm濾波后的信號按照排列熵和散布熵計算方式分別計算不同狀態下的頻帶熵值和散布熵值；
8、步驟五：以兩種熵值組成混合熵特征向量結合svm分類模型，識別單向閥故障類型。
9、進一步的，所述單向閥不同狀態指單向閥正常、卡閥故障和磨損擊穿故障的三種狀態。
10、進一步的，所述步驟四中，排列熵的計算方法：所述排列熵其中，m表示重構矩陣的嵌入維數，λ表示重構矩陣時間的延遲步長，p(si)表示重構分量對應的符號序列si＝[k1,k2,…,km]出現的概率
11、n表示第n個數據。
12、進一步的，在排列熵的計算中，當p(si)＝1/m！時，pe(m,λ)取最大值ln(m！)，以ln(m！)對其進行歸一化處理，
13、進一步的，所述步驟四中，散布熵的計算方法包括：
14、s41：對于長度為n的時間序列x＝{xi|i＝1,2,…,n}通過正態分布函數將x映射到y＝{yi|i＝1,2,…,n},yi∈(0,1)，則
15、式中σ，μ分別表示標準差和期望；
16、s42：對y中的每個元素進行線性變換將其映射為范圍[1,c]內的整數，即zic＝int(cyi+0.5)
17、式中，int(·)為取整函數；zic為分類序列zc的第i個元素；
18、s43：計算嵌入向量
19、式中m為嵌入維數，λ為時延步長；
20、s44：計算每個所對應的散布模式的概率：
21、
22、s45：按照香農熵形式對時間序列x的散布熵定義，得到散布熵
23、
24、進一步的，spwvd處理方法包括：
25、其中，h(τ)是窗函數，g(u)是平滑函數，τ是變量，t是時間變量，ω是頻率變量，u是積分變量，x*是x的共軛復數。
26、進一步的，所述步驟一中，最優參數nlm濾波處理具體包括：
27、s11：預先對粒子的初始位置、初始速度、迭代次數、種群規模、nlm參數m，p，h范圍進行設定；
28、s12：將nlm濾波后信號的包絡熵值作為目標函數，計算第一代個體極值和全局極值；
29、s13：對粒子的速度和位置不斷進行調整與更新，計算每一個粒子的適應度值并多次循環迭代獲得最優個體局部極值和種群全局極值；
30、s14：當迭代次數達到最大設定值且目標函數收斂，輸出nlm最優參數m，p，h。
31、進一步的，所述s13中，對粒子的速度和位置不斷進行調整與更新，依據以下公式進行：
32、
33、其中，c1，c2為加速度控制參數，w為慣性權重，η為隨機數且其取值范圍在0～1之間；k表示迭代次數，分別為第i個粒子在第k，k+1次迭代時的速度；分別為第i個粒子在第k，k+1次迭代時的位置；分別為第i個粒子在第k次迭代時的個體局部極值和種群全局極值。
34、進一步的，還包括:
35、以最優參數nlm濾波過程中的權值曲線作為處理信號；對權值曲線結合希爾伯特包絡解調分析提取其特征頻率，與理論特征頻率對比判斷單向閥發生故障。
36、綜上所述，由于采用了上述技術方案，本專利技術的有益效果是：
37、1、本專利技術實現了單向閥故障的檢測和故障類型的識別，將基于平滑偽wigner-ville分布的頻帶熵作為單向閥故障檢測指標，有效的檢測單向閥故障；并且基于混合熵特征準確識別單向閥的故障類型。
38、2、本專利技術解決了現有技術中峰值、脈沖等時域指標無法對其故障進行檢測的問題，通過提取單向閥的排列熵和散布熵值作為混合熵特征結合svm分類模型實現單向閥的故障類型的準確識別，識別精度大幅提升。
39、3、本專利技術解決了單向閥發生何種故障時，其呈現的能量會在部分頻帶上聚集，頻帶熵指標失效，頻帶熵不能有效的區分單向閥的故障類型的問題，提取單向閥更完備的特征信息，基于排列熵和散布熵共同構成的混合熵特征，以混合熵特征結合svm分類模型對單向閥故障類型進行識別。
40、4、本專利技術還優化了nlm算法，進行最優參數nlm濾波去除大量背景噪聲。
本文檔來自技高網...【技術保護點】
1.一種基于熵特征提取的單向閥故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于熵特征提取的單向閥故障診斷方法，其特征在于，所述單向閥不同狀態指單向閥正常、卡閥故障和磨損擊穿故障的三種狀態。
3.根據權利要求1所述的基于熵特征提取的單向閥故障診斷方法，其特征在于，所述步驟四中，排列熵的計算方法：所述排列熵其中，m表示重構矩陣的嵌入維數，λ表示重構矩陣時間的延遲步長，P(Si)表示重構分量對應的符號序列Si＝[k1,k2,…,km]出現的概率N表示第N個數據。
4.根據權利要求3所述的基于熵特征提取的單向閥故障診斷方法，其特征在于，在排列熵的計算中，當P(Si)＝1/m！時，PE(m,λ)取最大值ln(m！)，以ln(m！)對其進行歸一化處理，
5.根據權利要求1所述的基于熵特征提取的單向閥故障診斷方法，其特征在于，所述步驟四中，散布熵的計算方法包括：
6.根據權利要求1所述的基于熵特征提取的單向閥故障診斷方法，其特征在于，SPWVD處理方法包括：
【技術特征摘要】
1.一種基于熵特征提取的單向閥故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于熵特征提取的單向閥故障診斷方法，其特征在于，所述單向閥不同狀態指單向閥正常、卡閥故障和磨損擊穿故障的三種狀態。
3.根據權利要求1所述的基于熵特征提取的單向閥故障診斷方法，其特征在于，所述步驟四中，排列熵的計算方法：所述排列熵其中，m表示重構矩陣的嵌入維數，λ表示重構矩陣時間的延遲步長，p(si)表示重構分量對應的符號序列si＝[k1,k2,…...
【專利技術屬性】
技術研發人員：陳能慶，趙康，解天華，李妍，李娜，高紅娟，張濤，黃科，張賢照，鐘云濤，劉云春，
申請(專利權)人：云南大紅山管道有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。