一种基于EMD-PCA的往复压缩机智能诊断方法

摘要

本发明涉及一种基于EMD-PCA的往复压缩机智能诊断方法。综合运用经验模态分解方法、主元分析方法和多分类支持向量方法实现往复压缩机故障的智能诊断；该方法对往复压缩机常见故障进行特征提取，并根据不同故障的不同敏感特征来进行故障报警与诊断，使用经验模态分解对往复压缩机缸体加速度信号进行特征提取，每组加速度信号得到30种特征；然后使用主元分析进行维数缩减，得到3维特征空间；最后使用多分类支持向量对实验获得的5种工况进行诊断，并总结提出往复压缩机智能诊断流程框架。本发明对五种工况的故障诊断准确率高。

主权项

一种基于EMD‑PCA的往复压缩机智能诊断方法，其特征在于包括以下步骤：1)基于EMD的特征提取：选取往复压缩机的五种工况进行故障特征提取，首先对采集到的非平稳信号进行EMD分解，选取每种故障分解出的前六层IMF波形数据，计算每一层IMF波形数据频谱，分别计算每层IMF波形频谱成分中0‑1000Hz，1000‑2000Hz，2000‑3000Hz，3000‑4000Hz，4000‑5000Hz的能量；每种工况的一个加速度波形得到6x5个特征，共30个特征值，每组波形生成的30个特征值构成了30维的特征向量；2)维度缩减的实现：对采用EMD分解后提取的30个特征向量，运用PCA方法对特征进行降维，将30维的特征向量空间缩减为3维特征向量空间；运用PCA进行主成分分析的步骤如下：(a)从非平稳信号中提取的30个特征参数Xi，i＝1,2,3,…,30,特征参数Xi维度为N，j＝1,2,…，N；(b)建立样本矩阵M：$M_{\mathrm{ij}}=\frac{X_{\mathrm{ij}}-\frac{\Sigma X_{\mathrm{ij}}}{N}}{\sqrt{\Sigma {(X_{\mathrm{ij}}-\frac{\Sigma X_{\mathrm{ij}}}{N})}^2}}$(c)求样本矩阵M的协方差矩阵：M’＝M×M^T(d)求协方差矩阵M’的特征值及相应的特征向量；(e)将协方差矩阵M’的特征值按照绝对值大小进行降序排列，同时调整其对应的特征向量的序列，得到矩阵P；(f)计算得到的特征矩阵：K＝P×M(g)特征矩阵K的前三行即为对多特征参数处理后最能代表故障征兆的3个特征参数；4)基于SVM的故障分类识别：运用支持向量机一次学习出判决函数的全部参数，然后用该函数来判断新特征的类别，将待判别特征输入到训练好的支持向量机后得到输出结果特定值，根据结果特定值即可判断故障类别。