KLPP特征约简与RELM的高压隔膜泵单向阀故障诊断.pdf
《KLPP特征约简与RELM的高压隔膜泵单向阀故障诊断.pdf》由会员分享,可在线阅读,更多相关《KLPP特征约简与RELM的高压隔膜泵单向阀故障诊断.pdf(8页珍藏版)》请在咨信网上搜索。
1、李瑞,范玉刚,张光辉.KLPP 特征约简与 RELM 的高压隔膜泵单向阀故障诊断J.机械科学与技术,2023,42(8):1332-1339KLPP 特征约简与 RELM 的高压隔膜泵单向阀故障诊断李瑞1,2,范玉刚1,2,张光辉1(1.昆明理工大学信息工程与自动化学院,昆明650500;2.昆明理工大学云南省人工智能重点实验室,昆明650500)摘要:为此提出基于核局部保持投影(KLPP)和正则化极限学习机(RELM)的高压隔膜泵单向阀故障诊断方法。首先,提取单向阀振动信号的时域、频域、时频域特征,构建多域特征集;然后,通过KLPP 算法对构建的多域特征集进行维数约简;最后,建立基于 REL
2、M 的故障诊断模型,用于识别单向阀运行状态。实验结果表明,基于多域特征的故障诊断方法检测精度高于单域特征识别方法;KLPP 约简多域特征集,可以有效消除信息冗余;建立的 RELM 故障诊断模型识别精度达到98.89%,能够有效识别高压隔膜泵单向阀故障类型。关键词:单向阀;故障诊断;核局部保持投影;正则化极限学习机中图分类号:TN710.1;TH165.3文献标志码:ADOI:10.13433/ki.1003-8728.20220076文章编号:1003-8728(2023)08-1332-08Check Valve Fault Diagnosis of High-pressure Diaphr
3、agm Pump withKLPP Feature Reduction and RELMLIRui1,2,FANYugang1,2,ZHANGGuanghui1(1.FacultyofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,China;2.YunnanKeyLaboratoryofArtificialIntelligence,KunmingUniversityofScienceandTechnology,Kunming650500,China)Abstra
4、ct:Thesingle-domainfeaturecannotfullyreflecttheoperatingstateofcheckvalveofthehigh-pressurediaphragmpump,andthehigh-dimensionalfeaturesetcomposedofmulti-domainfeatureswillproducedimensionaldisasters,andtheinformationredundancyleadstolowrecognitionaccuracyofthefaultdiagnosismodel.Tothisend,afaultdiag
5、nosismethodforcheckvalveofhigh-pressurediaphragmpumpbasedonKLPP(Kernellocalpreservationprojection)andRELM(Regularizedextremelearningmachine)isproposedinthispaper.First,thetimedomain,frequencydomainandtime-frequencydomainfeaturesofcheckvalvevibrationsignalarerespectivelyextractedtoconstructamulti-dom
6、ainfeatureset.Then,dimensionalityreductionisperformedonthe constructed multi-domain feature set through the KLPP algorithm.Finally,a fault diagnosis model based on RELM isestablishedtoidentifytheoperatingstatusofcheckvalve.Theexperimentalresultsshowthatthedetectionaccuracyofthefaultdiagnosismethodba
7、sedonmulti-domainfeaturesishigherthanthatofthesingle-domainfeaturerecognitionmethod;KLPPreduces the multi-domain feature set,which can effectively eliminate information redundancy;the established RELM faultdiagnosismodelhasarecognitionaccuracyof98.89%,whichcaneffectivelyidentifythefaulttypeofcheckva
8、lveofthehigh-pressurediaphragmpump.Keywords:checkvalve;faultdiagnosis;kernellocalitypreservingprojection;regularizedextremelearningmachine高压隔膜泵是一种新型物料输送机械设备,具有性能稳定、密封性好和耐腐蚀等优点,已经广泛应用于精细化工、冶金铸造和废水处理等领域1。单向阀作为高压隔膜泵中核心的部件之一,需要在高负荷工况下保持连续运行,其工作状态直接影响高压隔膜泵的稳定性2-3。因此,对单向阀的故障诊断具有重要意义和价值。振动信号能直接反映出机械设备所处的工作
9、状态,对机械设备振动信号进行特征提取,用于构建表征其运行状态的特征集,是机械设备故障检测的关收稿日期:2021-08-11基金项目:国家自然科学基金项目(649220180003)作者简介:李瑞(1996),硕士研究生,研究方向为高压隔膜泵单向阀故障诊断,通信作者:范玉刚,副教授,硕士生导师,2023 年8 月机械科学与技术August2023第 42 卷第 8 期MechanicalScienceandTechnologyforAerospaceEngineeringVol.42No.8http:/ S 变换与奇异值分解结合提取柱塞式液压泵时频域特征,并采用极限学习机(Extremelear
10、ningmachine,ELM)实现故障类型识别。孙岩等6通过短时傅里叶变换(Short-timefouriertransform,STFT)提取轴承振动信号时频域特征,之后利用改进型胶囊网络(LR-capsulenet)实现对轴承的故障诊断。上述特征提取方法忽略了振动信号的时域和频域特征,难以全面表征设备的运行状态。时域、频域和时频域构成的多域特征集可以充分反映机械设备的运行状态,但多域特征集存在维数灾难等问题,易导致故障识别精度降低7。流形学习是一种维数约简的有效方法,可用于对高维数据进行降维8。施莹等9通过等距映射方法,对轴承脉冲包络空间求解低维度本征包络特征,用于轴承的故障识别。张成等
11、10使用局部保持投影(Localitypreservingprojection,LPP)流形学习方法对高维数据进行降维,减少数据中的离群点对加权k 近邻规则(Weightedknearestneighbors,WKNN)模型故障识别结果的影响。刘长良等11引入核方法对 LPP 算法进行非线性拓展,采用核局部保持投影(Kernel locality preserving projection,KLPP)方法,对高维数据进行降维。以上文献表明高维特征集的低维流形结构能够表征设备的运行状态,用于构建故障诊断模型。极限学习机是一种有效的故障诊断模型,但 ELM 在训练过程中存在隐层输出矩阵不稳定的问题
12、12。正则化极限学习机(Regularizedextremelearningmachine,RELM)13通过引入正则项对输出权值范围进行控制,可有效克服 ELM 模型过拟合导致泛化性能降低的问题。运行状态表征提取和维数灾难等问题,降低了高压隔膜泵单向阀故障诊断模型的识别精度,为提升故障诊断模型的泛化性能和识别精度,本文提出一种基于 KLPP 和 RELM 的高压隔膜泵单向阀故障诊断方法。首先通过统计学方法14、傅里叶分析15和小波包分解16提取高压隔膜泵单向阀时域、频域和时频域特征组成多域特征集。之后利用 KLPP 得到低维特征集,以表征高压隔膜泵的工作状态。最后建立基于 RELM 的故障诊
13、断模型,完成对高压隔膜泵单向阀运行状态的检测。1 多域故障特征提取 1.1时域特征提取n=1,2,Nk=1,2,KfkT1T10T11 T16F4 F10F11 F13机械设备运行过程中产生的振动信号时域和频域特性会伴随着工作状态的改变而发生变化,分析相应特性的变化可以有效地识别出设备的工作状态17。对于给定的振动信号,利用统计学方法提取16 个时域特征,并通过傅里叶分析提取 13 个频域特征参数。时、频域具体特征参数如表 1 与表 2 所示。x(n)表示振动信号序列,N 为样本点数;s(k)表示 x(n)的频谱,K 为谱线数;为第 k 条谱线的频率值。时域特征中为有量纲时域特征统计参数,为无
14、量纲时域特征统计参数。频域特征中描述频谱的分散或集中程度,描述主频位置的变化。表 1 时域特征Tab.1Time-domainfeatures特征参数表达式特征参数表达式特征参数表达式平均值T1=1NNn=1x(n)方差T7=1NNn=1(x(n)2脉冲指标T13=T8T4标准差T2=1N1Nn=1x(n)T1最大值T8=max|x(n)|裕度指标T14=T8T3方根幅值T14=T8T3最小值T9=min|x(n)|偏度指标T15=T5(T7)3绝对平均值T4=1NNn=1|x(n)|峰峰值T10=T8T9峭度指标T16=T6(T7)2偏度T5=1NNn=1(x(n)3波形指标T11=T2T4
15、峭度T6=1NNn=1(x(n)4峰值指标T12=T8T2第8期李瑞,等:KLPP 特征约简与 RELM 的高压隔膜泵单向阀故障诊断1333http:/ 2 频域特征Tab.2frequency-domainfeatures特征参数表达式特征参数表达式特征参数表达式均值频率F1=1KKk=1s(k)频率特征6F6=1KKk=1(fkF5)2s(k)频率特征11F11=Kk=1(fkF5)3s(k)K(F6)3频率中心F2=1K1Kk=1(s(k)F1)2频率特征7F7=Kk=1f2ks(k)Kk=1s(k)频率特征12F12=Kk=1(fkF5)4s(k)K(F6)4标准差频率F3=Kk=1(
16、s(k)F1)3K(F2)3频率特征8F8=Kk=1f4ks(k)Kk=1f2ks(k)频率特征13F13=Kk=1(fkF5)s(k)KF6频率特征4F4=Kk=1(s(k)F1)4K(F2)2频率特征9F9=Kk=1f2ks(k)Kk=1s(k)Kk=1f4ks(k)频率特征5F5=Kk=1fks(k)Kk=1s(k)频率特征10F10=F6F5 1.2时频域特征提取不同状态的振动信号对各频率成分能量的抑制和加强效果不同,所以振动信号的频率成分能量中具有丰富的状态信息。小波包分解可以同时对低频和高频两个部分信号进行分解,而且这种分解既无冗余,也无疏漏,对含有丰富中、高频信息的信号可以比较好
17、地实现时频分析,比传统的小波分解在时频域分析方法中更全面,对信号细节的分析效果更好18。本文通过小波包分解提取单向阀振动信号时频域能量和能量熵特征,从而与其故障类型之间建立映射关系。对于长度为 N 的振动信号 x(n),小波包分解提取时频域信号特征步骤如下:2j1)对 x(n)作 j 层小波包信号分解,计算得到个子信号,并对第 j 层所有节点的信号作特征提取处理。小波包分解公式为p10(n)=x(n)p2,i1j(n)=kH(k2n)pij1(n)p2ij(n)=kG(k2n)pij1(n)(1)p2,i1j(n)与p2ij(n)式中:均为小波包分解系数;H 和n=1,2,2JjJ=log2N
18、 i=1,2,2JG 分别为小波包分解的低通和高通滤波器。其中:,。2)小波包分解系数经由 j 层低频到高频的频带得到,并通过迭代进行小波包分解系数重构为pij(n)=2kh(n2k)p2,i1j+1(n)+kg(n2k)p2ij+1(n)(2)式中:h 和 g 为小波重构滤波器。3)计算小波包频带能量。Ej,i=w?pij(n)?2dn(3)式中:Ej,i为第 j 层 i 节点小波包分解系数能量;n 为对应子信号的时间。则时频域信号能量特征为E=Ej,0,Ej,1,Ej,2j1(4)4)由 Shannon 熵19定义,计算第 j 层 i 节点的能量熵 Hj,i为Hj,i=Ni=1pj,ilo
19、gpj,i(5)pj,i式中:E 为总能量;为第 j 层 i 节点在总能量中所1334机械科学与技术第42卷http:/ 核局部保持投影X=x1,x2,xn(xi)i=1,2,nK(xi,xj)核局部保持投影(KLPP)是一种对数据进行非线性降维的算法,数据映射到定义的核空间中构建邻域图,可以更好保存相邻数据之间的结构。设原始空间中的一组数据经由定义的非线性映射投影到核空间,。核空间是一个高维空间。核空间中样本之间的点积是通过核函数计算得到的,核函数公式为K(xi,xj)=(xi)T(xj)(7)在高维空间运用 LPP 算法,则min aT(X)TL(X)as.t.(X)TD(X)a=1(8)
20、L=DWa式中:D 为对角矩阵;,W 是加权系数。其中,转换矩阵 为a=ni=1vi(xi)=(x)Tv(9)式中 v 为系数向量。由式(8)与式(9)得(X)(X)TL(X)(X)Tv=(X)(X)TD(X)(X)Tv(10)将式(7)代入式(10)得:KLKv=KDKv(11)(KDK)1KLKxtest式(11)中,计算矩阵的特征值相应的最小特征向量,组成转换矩阵。对于数据样本,其投影为xtest,j=(xtest)Taj=Ktestvjj=1,2,k(12)其中:Ktest=k(xtest,x1),k(xtest,x2),k(xtest,xn)(13)3 正则化极限学习机极限学习机(E
21、LM)是一种单隐含层前向神经网络。ELM 模型参数的确定不需要经过复杂的迭代验证,直接计算就可以得到。但 ELM 在训练过程中存在过拟合的问题。RELM 通过引入正则项,控制权值矩阵 的范数值,获得最小训练误差和输出权重。RELM 的目标函数为minC22+122j=yjyj=Li=1iG(wixj+bj)yjj=1,N(14)式中:G()为激活函数;i和 wi为通过输出层、输入层分别和第 i 个隐含层神经元得到的权值向量;阈值 bi通过第 i 层神经元得到,激活函数为 g();C 为正则化系数;为训练误差和。通过目标函数构建 Lagrange 方程为L(,)=C22+122(HY)(15)对
22、式(15)求偏导,得出权重矩阵为=HTH+I/C+HTY(16)式中 I 为单位矩阵。因此,RELM 结果为 y=Li=1igi(x)=Li=1iG(wix+bi)(17)4 故障识别流程KLPP 特征约简与 RELM 的高压隔膜泵单向阀故障诊断研究方法流程图如图 1 所示。频域时域时频域利用 KLPP 算法降维训练样本训练 RELM 模型单向阀故障诊断测试样本RELM 模型分类采集单向阀振动信号开始结束统计学方法傅里叶分析小波包分解多域特征集图1单向阀故障识别流程Fig.1Thefaultidentificationprocessfortheone-wayvalve第8期李瑞,等:KLPP
23、特征约简与 RELM 的高压隔膜泵单向阀故障诊断1335http:/ 1数据采集:利用安装在高压隔膜泵单向阀上的加速度传感器采集其不同状态下的振动信号。步骤 2多域特征集构建:通过统计学方法、傅里叶分析和小波包分解 3 种方法分别提取时域、频域和时频域特征构建单向阀多域特征集。步骤 3维数约简:对单向阀多域特征集进行归一化,并采用 KLPP 流行学习算法进行维数约简,消除该特征集的冗余信息。步骤 4故障诊断:将降维后获得的数据集中每种状态样本划分为训练样本和测试样本。训练样本用于构建 RELM 故障诊断模型,测试样本输入训练完成的 RELM 模型中进行高压隔膜泵单向阀故障诊断。5 实验与分析
24、5.1实验系统实验数据为云南某铁精矿管型号为 TZPM 高压隔膜泵站单向阀振动信号数据,属于三缸曲轴驱动的活塞式隔膜泵20。高压隔膜泵正常工作时通过电机驱动三拐曲轴、十字头、连杆进行往复运动,单向阀在进料和出料时会在作用力下正向或反向移动,实现物料的输送。高压隔膜泵工作原理图如图 2所示。活塞活塞缸 隔膜进料单向阀隔膜室出料单向阀图2高压隔膜泵工作原理图Fig.2Workingprinciplediagramofthehigh-pressuredia-phragmpump单向阀是控制物料从高压隔膜泵中进、出流动的关键部件,确保物料流入隔膜泵方向一致且不会逆流。隔膜泵单次冲程表示单向阀经历了一次
25、物料进出的过程。假定隔膜泵的冲程时间为 40r/min,则单向阀一天需工作 57600 次。单向阀在高压隔膜泵中需要保持频繁的周期性运行,因此最容易发生故障。5.2故障诊断实验分析fs=2 560 HzN=76 800三缸曲轴驱动高压隔膜泵的 3 组进、出口单向阀成对工作,通过 PCB-ICP 加速度传感器和型号为46AE 的 GRAS 传声器现场采集高压隔膜泵进、出口单向阀在正常、击穿和卡阀工况下的振动信号。本文选取其中一组单向阀的振动信号进行分析,振动信号的采样时间为 30s,采样频率,采样数据长度。本文按照时间顺序以 1280 个采样点作为一个样本对单向阀振动信号进行划分,从而得到单向阀
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- KLPP 特征 RELM 高压 隔膜 单向阀 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。