冯哲玮
摘要：针对化工机械故障诊断过程中未考虑特征数据间的相关性，导致诊断准确率低的问题，提出改变振动特征提取的方式，以提高故障诊断准确率。对多尺度熵的时间窗函数进行改进，以增加粗粒向量中的振动数据信息。引入自适应算法，进行向量距离计算优化，简化特征计算过程。将MEMD 算法与改进后的多尺度熵相结合，同时对多个振动数据进行分析，通过振动向量之间的距离计算，确定其相关性；
通过IMF分量筛选，输出最优特征矩阵；
通过实验进行改进算法和改进系统的性能验证。结果表明，改进后的算法图去除的特征具有明显的可分性，能够更容易被识别分类，改进后的系统识别率有明显提高，相较于改进前具有明显优势。
关键词：MEMD 算法；
化工机械；
支持向量机；
振动识别
中图分类号：TP392；
TQ056文献标志码：A文章编号：1001-5922（2023）05-0112-05
Researchonfaultmonitoringof chemicalmachinery withMEMDalgorithmbasedonLabVIEW
FENG Zhewei
（JinshanCollege of Fujian Agriculture and Forestry University，Fuzhou 350002，China）
Abstract：
Given that in the current chemical machinery fault monitoring system，the correlation between character? istic data is not considered，which leads to the problem of low monitoring and identification performance，the meth? od of changing the vibration feature extraction is proposed to improve the accuracy of machinery fault monitoring. Firstly，the time window function of multi-scale entropy was improved to increase the vibration data in coarse parti? cle vector. Then，an adaptive algorithm was introduced to optimize the vector distance calculation and simplify thefeature calculation process. Finally，the MEMD algorithm was combined with the improved multi-scale entropy， and multiple vibration data were analyzed at the same time. The correlation was determined by calculating the dis? tance between vibration vectors；
the optimal feature matrix was output by IMF component screening；
experimentswere carried out to verify the performance of the improved algorithm and the improved system. The results show thatthe features removed by the improved algorithm have obvious separability and can be identified and classified moreeasily. The recognition rate of the improved system is obviously improved，and has obvious advantages comparedwith that before improvement.
Keywords：
MEMD algorithm；
chemical machinery；
support vector machine；
vibration recognition
随着科技的进步，化工机械所具有的功能越来越多，应用面越发广泛。但随着功能需求的增加，机械结构也越发复杂，针对不同机械设备，已有多种故障监测系统出现，如将数据挖掘引入旋转机械的故障监测系统，搭建双流CNN 迁移模型，实现对这类设备故障状态的准确评估[1]；
基于振动分析进行故障预警方法研究，实现对矿用通风机的故障监测[2]；
对降维方法进行改进，使监测识别的智能性和精准度得到提高[3]。鉴于此，引入多通道的 MEMD 算法，对振动信号进行特征提取的同时，分析振动信号之间的相关性。但由于 MEMD 算法本身的结构存在缺陷，会导致特征提取性能的稳定性较低，因此，引入改进的多尺度熵对MEMD 算法进行改进。
1 MEMD 算法
MEMD算法是基于多维向量空间改进的EMD 算法[4]，具有极佳的多通道信号同步分析能力。其通过构建多维超球面空间，实现对多元信号的向量转换。对于 n-1维的超球面，包含 n 个维度的特征信息，若超球面的半径为 R ，则该向量空间可以表示为：
式中：x 为自变量。
1.1Hammersley序列采样法
引入Hammersley序列采样法，获得 J个采样点，经过坐标向量转换，即确定单位方向向量集合（x1，x2 ， … ，xj）。对于输入的第 m 个信号vm，在 tm 时刻取得xj方向的最大映射值pj （tm）。此时，利用多元样条插值函数计算过（vm， tm）的多维包络线Ej （tm），接着计算信号均值：
M（tm）= Ej （tm）/J（2）
1.2 IMF 分量
引入IMF分量余项 R（tm）：
R（tm）= V（tm）- M（tm）（3）
通过迭代对式（3）的计算值进行更新，即可对输入信号进行最佳划分。假设最佳分解方案的IMF分层数目为 d ，则分解后的多元信号为：
式中：r（tm）为IMF分量。
1.3 Rilling法
通过Rilling法[4]确定评估函数：
若 f （tm）的计算数值不在规定阈值内，则倒回映射操作，重新进行分解计算；
若在阈值内，则转入 R（tm）验证部分。若 R（tm）>3，则倒回映射操作重新进行分解计算；
若 R（tm）<3，则输出分解后的多元信号。
2 基于多尺度模糊熵改进 MEMD 算法的特征提取
2.1多尺度熵
在样本熵中加入多尺度化方法，即可得到多尺度熵（MSE）。多尺度熵本质上是一种对输入信号进行复杂度分析的方法，通过相似度计算，对时间序列的不规则程度进行评估。
2.1.1粗粒化过程获取时间序列
假设输入数据可用集合 X={x1，x2 ， … ，xn}表示，其序列长度为 N ，引入粗粒向量构建公式：
式中：r 为尺度因子，取正整数；
j 为系数参数，取值满足：
式中：L 」为向下取整符号。
联立式（6）和式（7）可知，当 r =1时，为输入原始数据；
当 r 取值不为1时，利用 r 长度的窗函数以平移的方式对数据进行顺序整理。
2.1.2 进行样本熵计算
将计算得到的 r 个样本熵值按照时间排序进行绘制。通过相似容限和嵌入维数分析，确定 r 取值范围在[1 ， rmax]。因此，多尺度熵计算值（MSE）及其排序方式可表示为：
MSE =[SE1，SE2 ，，SErmax]（8）
式中：SEr为 r 尺度下的样本熵值。
2.2 基于时间窗改进的多尺度熵
根据多尺度熵的原理分析可知，时间序列长度与 r 值成反比。当 r 值取值过大时，会出现真实计算值与取整数值的相对差异较大的情况，进而导致粗粒化后数据信息丢失严重；
当τ值取值过小时，对数个IMF分量；
据信息的不规则程度反映效果较低[7]。为解决这类问（2）进行IMF 分量进行筛选。选择多尺度模糊熵题，可改进时间窗函数的平移方式，使粗粒化过程得来进行时间序列分析，通过判断相关系数 H 的取值以改进。
（1）引入参数 k ，满足：
式中：「│为向上取整符号。
（2）当尺度因子确定时，改进后的粗粒化转换公式为：
改进后的粗粒化过程如图1所示。
从图1可以看出，算法改进后，对每个尺度因子，需要设定k个窗函数进行粗粒向量构建。因此，计算获得的样本熵值也存在k个，以其平均值作为t尺度下的样本熵值。则算法改进后的多尺度熵计算值及其排序方式可表示为：
式中：r为相似容限；
m为嵌入维数，二者共同决定τ的最大取值。
由于［t／3］中的数字3表示y．（j）与y．（j＋1）时间窗格的间隔点数。因此，计算过程中的取样随机性和规律性能够同时得到保证。
2.3 多尺度模糊熵改进的MEMD算法
为提高特征提取的准确度，在多尺度熵中引入自适应算法，将距离求解公式换为模糊度函数?，即得到多尺度模糊熵算法。改进后的运算流程为：（1）根据自适应算法的相关内容，确定自适应因子σ；
（2）根据σ数值，生成粗粒化向量；
（3）在通过模糊度函数计算各向量间的距离，最后输出提取特征。
2.4 特征提取流程
基于以上改进，将化工机械故障信号的提出流程分为几步：
（1）通过MEMD算法进行振动数据分解得到多个IMF分量；
（2）进行IMF分量进行筛选。选择多尺度模糊熵来进行时间序列分析，通过判断相关系数H的取值是否在阈值内，即可对IMF分量进行保留和删除。对时间序列X和Y，其相关系数的计算式为2：
式中：cov为协方差。
当H（XY）→0时，表示X和Y相关性较低，删除该IMF分量；
当H（XY）→-1或当H（XY）→1时，二者相关性较高，保留该IMF分量；
（3）经过IMF分量的振动数据重构，多尺度模糊熵的特征计算，即得到特征矩阵。
2.5 特征识别
由于时间成本和经济成本的限制，从实验室获得的故障样本数据量仍然有限”。综合考虑，选择基于RBF的多分类SVM来进行振动识别，并通过LIBSVM 2软件包运行SVM；
设计整个识别过程如图2所示。
3 实验结果与分析
选用2D12—70型压缩机作为实验对象，设置系统采样频率为50Hz，选定监测对象为二级排气阀侧盖，出现的故障类型有排气阀断裂、弹簧缺失、侧盖出现缺口或裂痕3种。
3.1 数据预处理性能验证
选择通过时域图进行数据处理展示，经过实验，获得二级排气阀在2种状态下去噪的时域对比图，具体如图3所示。
从图3可以看出，选择的去噪算法具有较好的去噪能力，能够对不同状态下采集的振動数据进行去噪。
3.2 改进的多尺度模糊熵性能验证
为保证性能验证结果的普适性，选择2048字节长度的数据进行实验，算法改进前后的实验结果如图4所示。
从图4可以看出，改进后的算法，其多尺度熵曲线更为平滑、稳定，不存在数值突变，具有更好的时间序列比较能力。出现这种优势的原因：时间窗改进后，使粗粒化过程的窗格选定具有更强的逻辑性，经过平均计算，输出的粗粒向量能够更为准确地描述时间序列。而模糊算法的加入，使得时间序列的比对速率加快，比对精准度增加，对时间序列具有更强的差异性分析。
3.3 改进后特征提取算法验证
通过MEMD 算法对输入的振动信号进行分解，每个故障状态和正常状态都能得到多个IMF分量，正常状态下和气阀泄露状态下的部分IMF 分量图如图5所示。
选择10个不同 IMF 分量作为研究对象，进行 IMF 分量的筛选实验，各分量的相关系数取值如表1所示。
由表1可知，确定IMF 分量的筛选阈值为0.3，数量为4。
为验证阈值的合理性，对每种故障状态和正常状态分别随机抽取30组振动数据进行实验。经过统计分析，0.3阈值下，99.4%的振动数据筛选出的IMF 分量数目为4，且这些IMF 分量的相关系数取值均大于0.3，因此，设置的阈值基本满足要求。确定的IMF 分量数目超过99.4%。最后为体现提取特征的优势，即故障与正常状态的特征可分性，以折线图对输出特征向量进行展示，具体如图6所示。
从图6可以看出，正常状态与故障状态的特征向量没有交叉，且各位置之间都具有明显的距离间隔。2向量具有良好可分性，因此，改进后的特征提取算法具有较好的特征提取能力。
3.4 监测系统整体性能验证
为验证本研究设计的监测系统的识别能力，引入多种改进算法相结合的系统进行对比实验，结果如表2所示。
由表2可知，本研究设计的监测识别系统，识别率明显提高，具有更好的化工机械监测识别能力。
4 结语
通过对监测识别系统中的特征提取部分进行优化设计，改进多尺度熵，并与MEMD 算法相结合，使提取的特征更好的信息表征能力，能够更容易被识别区分，具有更高的状态区分能力和故障识别能力。但本文的故障数据来源于实验环境，对某些特定环境下的故障识别精度较低，针对这类环境，还需要对现场环境进行振动数据采集，重新对系统进行训练，才能保证系统的正确识别率。同时，由于未对识别算法进行改进，选择RBF 核函数，在进行数据分析时，会将所有数据进行数值化处理，导致数据不能重复利用，需要设置备份。
【参考文献】
[1] 刘东东.旋转机械故障信息挖掘及状态评估方法研究[D].北京：北京交通大学，2021.
[2] 李学哲，王菲，付永钦，等.基于振动分析的矿用通风机故障预警技术研究[J].煤矿机械，2021，42（4）：171-174.
[3] 韩敏，李宇，韩冰.基于改进结构保持数据降维方法的故障诊断研究[J].自动化学报，2021，47（2）：338-348.
[4] 杨帆，张文娟，孙剑伟，等.基于虚拟仪器技术的机械设备故障监测及诊断系统研究[J].粘接，2020，42（6）：133-137.
[5] 翟莹莹，左丽，张恩德.基于参数优化的 RBF 神经网络结构设计算法[J].东北大学学报（自然科学版），2020，41（2）：176-181.
[6] 徐冰鑫.小波阈值降噪法在心电信号处理中的应用[J].科技创新与应用，2020（27）：180-181.
[7] 王金东，欧凌非，赵海洋，等.基于CEEMDAN 和RCMDE 的往复压缩机轴承故障诊断方法[J].机床与液压，2021，49（5）：168-172.
[8] 丛蕊，李纯辉.基于MFE 的滚动轴承故障诊断方法研究[J].煤矿机械，2020，41（3）：153-156.
[9] 林金朝，李必禄，李国权，等.基于集合经验模态分解和信号结构分析的心电信号R 波识别算法[J].电子与信息学报，2021，43（8）：2352-2360.
[10] 宋旭，魏勤，鲁玲，等.基于MVMD 和瞬时相位的液压管路故障特征提取方法[J].光通信技术，2021，45（10）：34-39.
[11] 胡平.铁路机车车辆运行故障监测诊断研究[J].粘接，2021，46（6）：169-173.
[12] 李亚兰，金炜东.全矢IMF 信息熵用于高速列车转向架故障诊断[J].振动.测试与诊断，2021，41（5）：874-879.
[13] 李楠，支丽红.计算代数方程组孤立奇异解的符号数值方法[J].中国科学：数学，2021，51（1）：17-42.
[14] 范云鹏，郭小娥.矩阵奇异值分解的应用[J].科技风，2021（18）：53-54.
[15] 刘旭，刘海宁，林心园，等.基于数字信号处理器的振动信号采集及边缘计算系统设计[J].济南大学学报（自然科学版），2021，35（4）：307-314.
[16] 吴诗芹，陆豪乾.基于相似日理论和 LIBSVM 软件中 SVR 算法的光伏发电系统输出功率预测方法[J].太阳能，2021（1）：23-28.
[17] 张延义，赵莹.基于PCA-SVM 的高职院校专业评估体系研究[J].重庆科技学院学报（自然科学版），2021，23（6）：50-54.
[18] 吳蔚，吴农.基于SVM 的建筑学专业学生综合设计潜力评价[J].山西建筑，2021，47（1）：180-182.
[19] 高曦文，贾科利，毛鸿欣，等.基于小波变换及异质SVM 方法的土壤盐渍化高光谱定量分类研究[J].现代电子技术，2021，44（3）：155-161.
[20] 李坤，刘鹏，吕雅洁，等.基于Spark 的LIBSVM 参数优选并行化算法[J].南京大学学报（自然科学），2016，52（2）：343-352.
猜你喜欢化工机械支持向量机算法2022年《化工机械》征订启事中国特种设备安全(2021年11期)2021-05-05基于MapReduce的改进Eclat算法成都信息工程大学学报(2019年4期)2019-11-04Travellng thg World Full—time for Rree阅读与作文（英语初中版）(2019年8期)2019-08-27进位加法的两种算法小学生学习指导(低年级)(2018年11期)2018-12-03动态场景中的视觉目标识别方法分析电子技术与软件工程(2016年20期)2016-12-21论提高装备故障预测准确度的方法途径价值工程(2016年32期)2016-12-20基于熵技术的公共事业费最优组合预测价值工程(2016年29期)2016-11-14基于支持向量机的金融数据分析研究科学与财富(2016年28期)2016-10-14一种改进的整周模糊度去相关算法现代防御技术(2016年1期)2016-06-01化工机械制造2025：迎接环境、能源与安全的挑战2016全国化工机械学术会议征文通知化工机械(2016年3期)2016-03-13