[发明专利]基于模糊熵的化工设备故障诊断方法

说明书

本发明公开了一种基于模糊熵的化工设备故障诊断方法，将单调三次Hermite插值改进局部均值分解方法与多尺度模糊熵相结合，通过对PF不同尺度下的熵值进行优选，形成振动信号的特征向量，并对特征向量进行识别可实现对各状态故障的诊断。本方法可以有效诊断不同状态的故障，提取的特征向量具有更高的识别准确率，与局部均值分解方法与多尺度熵方法相比，本方法更有效、更优越。

技术领域

本发明涉及故障诊断领域，特别提供了一种基于模糊熵的化工设备故障诊断方法。

背景技术

机械设备故障振动信号具有非平稳、非线性特性，易受噪声干扰，采用传统的时频分析方法对其进行分析比较困难。随着非线性科学的发展，越来越多的非线性理论被应用到机械故障诊断领域。多尺度模糊熵算法是一种新的非线性定量描述方法，其对时间序列的变化非常敏感，可有效突出复杂系统的动力学变化。因此，多尺度模糊熵可用于机械故障振动信号的突变检测。但是，由于受到噪声等因素的影响，直接求振动信号的多尺度模糊熵，得到的熵值比较接近，区分效果不够理想。

发明内容

鉴于此，本发明的目的在于提供一种基于模糊熵的化工设备故障诊断方法，以解决现有技术存在的问题。

本发明提供的技术方案是：基于模糊熵的化工设备故障诊断方法，包括如下步骤：

S1：采样化工设备的压缩机在健康状态及故障状态的振动信号；

S2：利用单调三次Hermite插值改进局部均值分解法对压缩机各振动信号进行分解，得到各振动信号的PF分量；

S3：计算每种状态下各个振动信号与PF分量的相关性系数，并根据所述相关性系数在每个振动信号中均选择出能反映主要故障状态信息的PF分量，其中，状态k下第j个振动信号与PF_i分量的相关性系数利用公式(1)计算：

式中：PF_i(j)表示状态k下第j个振动信号的PF_i分量，PF_i表示状态k下所有振动信号的PF_i分量的平均值，i＝1,2,…,N，N为状态k下分解得到的PF分量的个数，y表示状态k下原始采样的振动信号，j表示状态k下原始采样的振动信号的个数，j＝1,2,…,n，n为状态k下采样的振动信号的个数；

S4：对选取得到的每一个PF分量计算其在不同尺度因子下的模糊熵值并形成各振动信号的特征矩阵；

S5：根据公式(2)，利用欧式距离d对各振动信号的特征矩阵进行优选，选定距离最大的尺度因子下的各分量的模糊熵值作为各振动信号的特征向量；

式中：m为选取得到的PF分量的个数，n为每种状态下采样的振动信号的个数，PF_i(j)表示健康状态下第j个振动信号的PF_i分量，pf_i(j)表示故障状态下第j个振动信号的PF_i分量；

S6：将S5中获得的各振动信号的特征向量作为样本输入支持向量机进行分类识别，实现各故障类型的诊断。

优选，S3中，取各振动信号筛选出的PF分量数目的平均值作为最终选取的PF分量数目。

本发明提供的基于模糊熵的化工设备故障诊断方法，利用单调三次Hermite插值改进局部均值分解法能够有效消除故障信号噪声产生的干扰，保留信号有效信息；通过计算相关性系数选择PF分量，可有效降低计算量，突出状态信息；利用欧式距离对各振动信号的特征矩阵进行优选，可有效的提高了各状态信号区分的效果。与局部均值分解和多尺度熵方法相比，本方法提取的特征向量具有更高的识别准确率，可以有效诊断不同状态的故障。

具体实施方式