[發(fā)明專利]一種基于改進VMD與SVM的變頻渦旋壓縮機故障診斷方法

在審

• 申請?zhí)枺?/td>: 202011441881.2
• 申請日: 2020-12-11
• 公開（公告）號: CN112733603A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設計）人: 趙德安;張健
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00;F04B51/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進VMD與SVM的變頻渦旋壓縮機故障診斷方法，其特征在于，包括以下步驟：

步驟1：進行變頻渦旋壓縮機振動測試試驗，采集不同故障狀態(tài)下的振動加速度信號；

步驟2：采用麻雀搜索算法(SSA)優(yōu)化變分模態(tài)分解(VMD)算法，獲得待分析信號分解效果最佳的分解參數(shù)；

步驟3：利用最優(yōu)[K,α]參數(shù)組合完成VMD分解，得到所有的模態(tài)分量；

步驟4：計算各模態(tài)分量的多尺度排列熵，構成特征向量；

步驟5：將特征向量集輸入至基于支持向量機分類器中，進行訓練，并預測分類。

2.根據(jù)權利要求1所述的基于改進VMD與SVM的變頻渦旋壓縮機故障診斷方法，其特征在于，步驟1中，采集不同故障狀態(tài)下的振動加速度信號主要在變頻渦旋壓縮機正常狀態(tài)、渦旋盤故障、軸承故障、曲軸故障狀態(tài)下，按照一定的采樣頻率分別進行多次采樣，得到各個狀態(tài)下的振動加速度信號。

3.根據(jù)權利要求1所述的基于改進VMD與SVM的變頻渦旋壓縮機故障診斷方法，其特征在于，步驟2的具體過程為：利用包絡熵-相關性指標作為適應度函數(shù)，引入麻雀搜索算法尋找變分模態(tài)分解VMD的最佳參數(shù)組合，優(yōu)化算法實現(xiàn)的具體步驟為：

步驟2.1：設定VMD分解參數(shù)范圍，對麻雀搜索算法進行初始化參數(shù)設置；

步驟2.2：在VMD分解參數(shù)范圍內(nèi)隨機初始化麻雀位置[K,α]，對采集到的振動數(shù)據(jù)進行VMD分解，獲得K個IMF分量；

步驟2.3：計算不同IMF分量信號的包絡熵-相關性指標，其中的最小值即為每只麻雀的適應度值，并對每只麻雀進行排序；

步驟2.4：迭代更新發(fā)現(xiàn)者、加入者、警戒者位置，計算每只麻雀的適應度值，并更新麻雀的空間位置[K,α]；

步驟2.5：判斷是否到達最大迭代次數(shù)，若到達則退出優(yōu)化流程，得出最佳分解層數(shù)K及懲罰因子α，若不滿足則繼續(xù)對信號進行VMD分解后返回步驟2.3。

4.根據(jù)權利要求3所述的改進VMD與SVM的變頻渦旋壓縮機故障診斷方法，其特征在于，步驟2.1中，變分模態(tài)分解(VMD)分解的初始化參數(shù)主要包括：VMD分解層數(shù)K及懲罰因子α，麻雀搜索算法的初始化參數(shù)主要包括：麻雀的種群N、發(fā)現(xiàn)者比例PD、發(fā)現(xiàn)者比例1-PD、預警值ST，最大循環(huán)次數(shù)M。

5.根據(jù)權利要求3所述的基于改進VMD與SVM的變頻渦旋壓縮機故障診斷方法，其特征在于，步驟2.2中，變分模態(tài)分解(VMD)分解可看作將原始振動信號f(t)分解成K個內(nèi)稟模態(tài)函數(shù)u_k(t)，k∈{1,2,…,K}，使得分解得到的所有內(nèi)稟模態(tài)函數(shù)(BIMF)估計帶寬之和最小，首先對每個模態(tài)函數(shù)u_k(t)都進行希爾伯特變換，然后加入預估解析信號的中心頻率進行調(diào)整，將u_k(t)頻譜調(diào)制到對應基頻帶上，最后通過高斯平滑也就是L²范數(shù)的平方獲得，因此可將問題轉化為式(1)所描述的約束變分問題求解：

其中：表示對時間t求偏導數(shù)，δ(t)為沖擊函數(shù)，u_k(t)為各模態(tài)分量，w_k為各個模態(tài)分量的中心頻率，j為虛數(shù)符號，*表示卷積，f為實際的信號，K為分解得到的模態(tài)函數(shù)個數(shù)。