亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于EEMD與ELM的單向閥故障診斷

        2019-03-18 05:29:24張慶宇范玉剛
        關(guān)鍵詞:隔膜泵單向閥特征向量

        張慶宇, 范玉剛

        (昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院, 云南 昆明 650500;云南省礦物管道輸送工程技術(shù)研究中心, 云南 昆明 650500)

        在礦漿管道輸送過程中,往復(fù)式高壓隔膜泵是其核心動(dòng)力設(shè)備,單向閥是高壓隔膜泵的關(guān)鍵部件。受工作環(huán)境和工作強(qiáng)度等外界因素影響,導(dǎo)致單向閥容易發(fā)生故障。一旦發(fā)生故障,會(huì)對(duì)礦漿管道的輸送造成重大損失。

        通過時(shí)頻域方法對(duì)振動(dòng)信號(hào)進(jìn)行分析,是監(jiān)測(cè)高壓泵運(yùn)行狀態(tài)的有效方法,例如徐長(zhǎng)航等[1]利用經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)和Wigner-Ville分別對(duì)泵閥振動(dòng)信號(hào)進(jìn)行信號(hào)分解。EMD是一種經(jīng)典的信號(hào)處理方法,適用于非線性、非平穩(wěn)信號(hào)的分解[2]。但EMD方法存在模態(tài)混疊的問題[3],為了解決該問題,Wu等[4-5]在EMD方法的基礎(chǔ)上,提出總體平均經(jīng)驗(yàn)?zāi)B(tài)分解方法(Ensemble Empirical Mode Decomposition,EEMD),振動(dòng)信號(hào)通過EEMD的分解有效地減少了噪聲的影響。如靳行等[6]利用EEMD結(jié)合Teager能量算子(Teager Energy Operator,TEO)解決高速列車軸承早期故障中低頻信號(hào)的類間分離性較弱、保持架故障難以識(shí)別的問題。陳虹屹等[7]利用EEMD奇異熵特征提取的方法減小了道岔的裂紋傷損信息的不確定性,有效提高了裂紋傷損識(shí)別率。但以上方法存在信號(hào)特征單一,難以完整表征信號(hào)特征的問題,為此本文對(duì)振動(dòng)信號(hào)進(jìn)行EEMD分解,得到本征模函數(shù)(Intrinsic Mode Function,IMF)分量信號(hào),采用近似熵[8]、能量熵[9]、峭度[10]以及均方根[11]提取IMF特征,建立特征向量集,用于建立故障診斷模型,監(jiān)測(cè)單向閥的運(yùn)行狀態(tài)。

        建立故障診斷模型的本質(zhì)是對(duì)故障類型進(jìn)行識(shí)別。文獻(xiàn)[12-13]摒棄了傳統(tǒng)的多次調(diào)整神經(jīng)網(wǎng)絡(luò)輸入權(quán)值和隱元偏置的策略,提出了極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)算法,而ELM作為一種自適應(yīng)分類方法,更加適用于實(shí)際的應(yīng)用,可以應(yīng)用于建立單向閥故障診斷模型。結(jié)合EEMD與ELM的優(yōu)點(diǎn),本文提出一種基于EEMD與ELM的單向閥故障診斷方法。

        1 振動(dòng)信號(hào)EEMD分析

        由于單向閥的工作環(huán)境復(fù)雜,其振動(dòng)信號(hào)受噪聲影響,消除振動(dòng)信號(hào)中的噪聲對(duì)特征提取具有重要的意義。EEMD方法通過加入頻率均勻分布的高斯白噪聲,使信號(hào)在不同尺度上具有連續(xù)性,減小模態(tài)混疊的程度。分析步驟如下:

        1)在單向閥的振動(dòng)信號(hào)x(t)中加入幅值均值為0.1~0.4倍x(t)的標(biāo)準(zhǔn)差的白噪聲ni(t),即

        xi(t)=x(t)+ni(t),

        (1)

        式中xi(t)為第i次加入高斯白噪聲的信號(hào);

        2)對(duì)xi(t)進(jìn)行EMD分解,得到k個(gè)IMF分量cj(t)和1個(gè)余項(xiàng)r(t)(j=1,2,…,k);

        3)重復(fù)上述兩步n次,并計(jì)算每次分解得到IMF分量的總體均值,以消除高斯白噪聲對(duì)真實(shí)IMF分量的影響,最終得到EEMD分解后的IMF分量和余項(xiàng)r(t)分別為

        (2)

        (3)

        式中cj(t)為對(duì)原始振動(dòng)信號(hào)進(jìn)行EEMD分解后得到的第j個(gè)IMF分量;

        4)經(jīng)過EEMD分解,單向閥的原始振動(dòng)信號(hào)x(t)可表示為

        (4)

        通過以上步驟,將單向閥進(jìn)行EEMD分解,得到若干個(gè)IMF分量,并提取各個(gè)分量的特征,建立表征單向閥運(yùn)行狀態(tài)的特征集。

        2 構(gòu)建振動(dòng)信號(hào)特征集

        在振動(dòng)信號(hào)通過EEMD分解成若干個(gè)IMF分量的基礎(chǔ)上,通過近似熵、能量熵、峭度和均方根提取故障特征,并利用計(jì)算得到特征向量構(gòu)建特征向量集,用于ELM故障診斷模型的建立。

        2.1 近似熵

        近似熵是一種用于量化時(shí)間序列波動(dòng)的規(guī)律性和不可預(yù)測(cè)性的非線性動(dòng)力學(xué)參數(shù),可反映時(shí)間序列中新信息發(fā)生的可能性。具體算法如下:

        1)定義m為整數(shù),表示原信號(hào)分解后的IMF分量長(zhǎng)度。按順序提取IMF分量構(gòu)成的時(shí)間序列{x(1),x(2),…,x(n)}中的元素并構(gòu)成m維向量X(i),

        X(i)=[x(i),x(i+1),…,x(i+m-1)],i=1,2,…,n-m+1。

        (5)

        2)將d[X(i),X(j)]定義為X(i)與X(j)中最大差值元素的距離,即

        (6)

        (7)

        4)定義Φm(r)為x(i)的自相關(guān)度,并構(gòu)建一組m+1維的向量重復(fù)上述步驟得到Φm+1(r),通過對(duì)Φm(r)和Φm+1(r)的計(jì)算得到近似熵ApEn,具體計(jì)算步驟如下:

        (8)

        (9)

        2.2 能量熵

        能量熵表示單個(gè)IMF分量在所有IMF分量能量中的能量占比,定義G(x)為能量熵,

        (10)

        式中P(xi)為總能量中第i個(gè)IMF分量所具有的能量占比。

        2.3 峭 度

        峭度是無量綱參數(shù),其對(duì)沖擊信號(hào)非常敏感,十分適用于故障診斷。定義峭度值K為

        (11)

        式中x為被分析的振動(dòng)信號(hào),μ為x的均值,σ為x的標(biāo)準(zhǔn)差。

        2.4 均方根

        對(duì)比單向閥在正常與故障的運(yùn)行情況下,經(jīng)過EEMD分解得到的各個(gè)IMF分量的均方根值之間存在著明顯的變化,因此選用均方根值作為單向閥的故障特征指標(biāo)。設(shè)xrms為均方根值,xi為某一個(gè)IMF分量,

        (12)

        以上4種方法可用來表征振動(dòng)信號(hào)IMF分量的特征,并構(gòu)建特征向量集,用于建立高壓隔膜泵的故障診斷模型。

        3 基于ELM的故障診斷模型

        ELM是一種快速學(xué)習(xí)算法,它通過計(jì)算輸入層和隱含層的鏈接權(quán)值,就可得到最優(yōu)解[14]。并且在其訓(xùn)練過程中無需做出調(diào)整,只要設(shè)置隱含層的神經(jīng)元個(gè)數(shù)即可,對(duì)比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),特別是單隱層前饋神經(jīng)網(wǎng)絡(luò),ELM在保證學(xué)習(xí)精度下速度更快。

        ELM的學(xué)習(xí)方法:給定任意N個(gè)不同的樣本{(xi,ti)}∈Rn×Rm,隱層神經(jīng)元數(shù)目L,激勵(lì)函數(shù)選擇一個(gè)連續(xù)函數(shù)G(ai,bi,xi),隨機(jī)選取隱層參數(shù)ai,bi,i=1,2,…,L,ELM能以ε誤差逼近任意的N個(gè)樣本,表示為

        (13)

        按照以上方法可以建立ELM分類模型,即故障診斷模型。高壓隔膜泵在運(yùn)行過程當(dāng)中積累大量的振動(dòng)信號(hào)數(shù)據(jù),分析振動(dòng)信號(hào),提取信號(hào)特征,建立基于振動(dòng)信號(hào)特征的ELM故障診斷模型,是監(jiān)測(cè)高壓隔膜泵運(yùn)行狀態(tài)的有效方法。

        4 實(shí)驗(yàn)分析

        云南大紅山管道三號(hào)高壓隔膜泵站為本文實(shí)驗(yàn)數(shù)據(jù)來源,站中高壓隔膜泵型號(hào)為TZPM系列的三缸曲軸驅(qū)動(dòng)活塞式隔膜泵,運(yùn)行時(shí)最高壓力為24.44 MPa?,F(xiàn)場(chǎng)采用型號(hào)為PCB-ICP的3組振動(dòng)加速度傳感器和型號(hào)為46AE的1組GRAS傳聲器,分別采集高壓隔膜泵單向閥4組運(yùn)行過程中的振動(dòng)數(shù)據(jù)。采集的振動(dòng)信號(hào)幅值為0.2,采樣頻率為42 560 Hz,采樣點(diǎn)數(shù)為76 800點(diǎn),其中噪聲強(qiáng)度為10。

        圖1是故障診斷流程圖。第一步采用EEMD對(duì)振動(dòng)信號(hào)進(jìn)行分解,由于EEMD方法是根據(jù)信號(hào)自身特征將信號(hào)自適應(yīng)地分解成具有不同時(shí)間尺度的若干IMF分量,使其能很好地反映出故障信息的本質(zhì)信息。如圖2所示,在0~0.2 s、0.6~0.8 s和1.2~1.4 s時(shí),圖2(a)原始信號(hào)的頻率較大,而圖2(c)中原始信號(hào)的頻率較小。在0~1.8 s時(shí)可明顯看出,圖2(a)、(b)中正常狀態(tài)下的IMF3、IMF7、IMF8、IMF9、IMF10和IMF11分量信號(hào)的大部分頻率較大,而圖2(c)、(d)中故障狀態(tài)下的IMF3、IMF7、IMF8、IMF9、IMF10和IMF11分量信號(hào)的大部分頻率較低。由圖2(a)、(b)可看出,IMF1和IMF2保留了原信號(hào)的強(qiáng)特征信息,IMF11和IMF12保留了原信號(hào)的弱特征信息;由圖2(c)、(d)可以看出,IMF1、IMF2和IMF3保留原信號(hào)的強(qiáng)特征信息,IMF7和IMF8保留了原信號(hào)的弱特征信息。為了避免冗余信息對(duì)重要信息的淹沒和干擾,因此省略了次要信息的圖片,文中只附上了部分具有代表性的IMF分量圖片。

        圖1 故障診斷流程

        圖2 EEMD信號(hào)分解

        第二步利用近似熵、峭度、能量熵和均方根分別對(duì)正常和故障狀態(tài)下的IMF分量提取特征。正常和故障每種工作情況下的4類特征樣本總數(shù)為40個(gè),每類特征20個(gè),然后建立一個(gè)40×4的特征矩陣,即4維特征向量集。訓(xùn)練集由2×4×15個(gè)數(shù)構(gòu)成,即為8×15的矩陣,其中2代表正常和故障兩種運(yùn)行狀態(tài),4代表特征標(biāo)準(zhǔn)的數(shù)量,15為每類特征的數(shù)量和訓(xùn)練集。測(cè)試集由2×4×5個(gè)數(shù)構(gòu)成,即為8×5的矩陣,其中2代表正常和故障兩種運(yùn)行狀態(tài),4代表特征標(biāo)準(zhǔn)的數(shù)量,5為每類特征的數(shù)量和訓(xùn)練集。測(cè)試結(jié)果如圖3所示,故障狀態(tài)下的1個(gè)樣本錯(cuò)分到正常狀態(tài)下,實(shí)驗(yàn)測(cè)試的正確率為90%。

        圖3 ELM測(cè)試結(jié)果圖

        5總結(jié)

        本文方法通過近似熵、能量熵、峭度和均方根對(duì)高壓隔膜泵單向閥的故障信號(hào)進(jìn)行特征提取,利用4種提取的特征建立特征向量集達(dá)到保留原故障信號(hào)中的故障信息,并結(jié)合ELM的優(yōu)點(diǎn)可準(zhǔn)確地識(shí)別高壓隔膜泵單向閥的故障類型,正確率可以達(dá)到90%??傮w來說,由于機(jī)械設(shè)備的振動(dòng)信號(hào)在特征提取的時(shí)不易保留故障信息,因此難以準(zhǔn)確地進(jìn)行故障診斷,而本文提出的通過建立故障特征向量集并結(jié)合ELM的方法可在類似情況中有一定的使用空間。

        猜你喜歡
        隔膜泵單向閥特征向量
        二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計(jì)——以特征值和特征向量為例
        一種微型隔膜泵的結(jié)構(gòu)設(shè)計(jì)及流量驗(yàn)證分析
        克羅內(nèi)克積的特征向量
        隔膜泵動(dòng)力端結(jié)構(gòu)改造研究
        軟管式液壓隔膜泵的研發(fā)與應(yīng)用
        一種手動(dòng)雙腔隔膜泵的設(shè)計(jì)與研究
        一類特殊矩陣特征向量的求法
        一種改進(jìn)后空調(diào)器單向閥的節(jié)能技術(shù)分析
        電子制作(2017年17期)2017-12-18 06:40:57
        EXCEL表格計(jì)算判斷矩陣近似特征向量在AHP法檢驗(yàn)上的應(yīng)用
        三說單向閥
        日韩精品大片在线观看| 欧美黑人巨大videos精品| 中文字幕日本人妻久久久免费 | 亚洲 自拍 另类 欧美 综合| 超碰日韩AV在线| 日本一区二三区在线中文| 亚洲中文字幕国产视频| 欧美另类高清zo欧美| 四虎成人精品无码永久在线| 久久综合这里只有精品| 亚洲视频网站大全免费看| 99精品国产在热久久| 国产成人av综合亚洲色欲| 亚洲黄色大片在线观看| 久久99精品久久久大学生| 亚洲男人的天堂在线播放| 欧美成人高清手机在线视频| 日本午夜理论一区二区在线观看| 无码熟妇人妻av在线影片最多| 欧美日韩精品一区二区三区不卡| 国产亚洲精品综合在线网址| 一区二区高清视频免费在线观看| 麻豆免费观看高清完整视频| 国产内射合集颜射| 人妻少妇精品系列一区二区| 国产一区二区三区天堂| 曰韩无码二三区中文字幕| 一本无码人妻在中文字幕| 国产精品高清免费在线| 亚洲色图片区| 鲁一鲁一鲁一鲁一澡| 国产一区二区亚洲av| 精品国产亚洲av麻豆| 亚洲av综合久久九九| 东京热加勒比在线观看| 久久精品国产9久久综合| 娜娜麻豆国产电影| 国产网站视频| 国产又湿又爽又猛的视频| 私人vps一夜爽毛片免费| 亚洲国产av一区二区三区四区 |