CN107687941A - 一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法 - Google Patents
一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法 Download PDFInfo
- Publication number
- CN107687941A CN107687941A CN201710531944.5A CN201710531944A CN107687941A CN 107687941 A CN107687941 A CN 107687941A CN 201710531944 A CN201710531944 A CN 201710531944A CN 107687941 A CN107687941 A CN 107687941A
- Authority
- CN
- China
- Prior art keywords
- signal
- check valve
- vibration signal
- analysis
- threshold value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 11
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 7
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 5
- 230000010354 integration Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 45
- 238000002474 experimental method Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000005086 pumping Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法，属于机械故障诊断及信号处理领域。本发明首先对振动信号进行微分运算，增加微弱高频成分的比重，并对微分后的信号进行EMD分解；然后将分解后的IMF分量信号进行积分运算还原，积分还原后继续对信号进行一次EMD分解，消除积分运算造成的信号幅值的漂移；最后计算分量信号与原振动信号的K‑L散度值，设定阈值，选取K‑L散度值小于阈值的分量信号进行重构，并利用Hilbert边际谱对重构信号进行瞬时频谱分析，以提取故障振动信号的特征。本发明能够较好的提取出单向阀早期故障特征信息。
Description
技术领域
本发明涉及一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法，属于机械故障诊断及信号处理领域。
背景技术
往复式高压隔膜泵是长距离、高浓度的输送高温、高腐蚀固液两相介质的核心设备，其故障具有多源性、不确定性、并发性等特点，故其工作运行状态是否正常直接影响到企业的生产效率。单向阀作为高压隔膜泵的核心机械零部件之一，易受输送矿物的粒径级配、浆体流变特性等因素的影响，比泵的其他部件更容易出现故障。
目前对往复泵单向阀的特性研究较多，都是用参数判断其运行状态是否正常，很少对其故障问题进行检测和诊断，为了预防单向阀由于磨损击穿等因素导致的工作故障，对单向阀的早期故障诊断显得尤为重要，在单向阀故障早期诊断中，反映故障特征的冲击成分在整个振动信号中很微弱，且易受其他部件及环境的影响形成背景噪声，从而使单向阀的早期故障难以检测和诊断。故需要提出一种有效的故障诊断方法处理上述问题。
发明内容
本发明提供了一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法，以用于解决高压隔膜泵单向阀早期故障提取困难的问题。
本发明的技术方案是：一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法，所述方法具体步骤如下：
Step1、对原始振动信号进行微分经验模态分解并得到若干具有物理意义的IMF分量；
Step2、计算原始振动信号与各个IMF分量之间的K-L散度值；
Step3、设定一个阈值，将K-L散度值与设定的阈值进行比较，找出小于阈值的K-L散度值所对应的IMF分量；其中，小于该阈值的IMF分量为含有故障特征信息明显的主分量；
Step4、将根据K-L散度值选出的IMF分量进行重构，重构后的信号利用Hilbert边际谱进行瞬时频谱分析，根据得到的频谱图判断信号是否为故障信号。
所述的K-L散度值进行归一化处理。
本发明的有益效果是：
1、对原故障信号进行微分运算，并对微分后的信号进行EMD分解，能够提高振动信号中高低频分量的振幅比，增强了EMD的频带分解能力，从而增加了故障高频成分的比重，有利于提取微弱高频成分；
2、计算原信号与各IMF分量信号的K-L散度值，选取K-L散度值小于所设阈值的IMF分量信号，K-L散度值越小说明IMF分量信号与原信号的相关程度越大，利用K-L散度值选取有效分量不仅能够避免相关系数法对选取分量时的不准确性，而且能较准确选取出有效的分量信号；
3、对选取的分量信号进行重构，并利用Hilbert边际谱对重构信号进行瞬时频谱分析，以提取故障特征信息。经仿真与工程实验分析，该方法能更有效的提取出高压隔膜泵单向阀早期故障特征信息。
附图说明
图1为本发明的方法流程图；
图2为外圈故障原信号及DEMD分解结果图；
图3为外圈故障重构信号图；
图4为重构信号的Hilbert边际谱图；
图5为单向阀故障运行的时域波形图；
图6为单向阀故障运行的频域波形图；
图7为单向阀故障运行信号的DEMD分解结果图；
图8为单向阀故障重构信号图；
图9为单向阀故障重构信号的Hilbert边际谱图；
图10为传统EEMD和相关系数相结合方法的单向阀特征提取图。
具体实施方式
下面结合附图和实施例，对本发明作进一步说明，但本发明的内容并不限于所述范围。
实施例1：如图1-10所示，一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法，所述方法具体步骤如下：
Step1、对原始振动信号进行微分经验模态分解并得到若干具有物理意义的IMF分量（首先对振动信号进行微分运算，增加微弱高频成分的比重，并对微分后的信号进行EMD分解；然后将分解后的IMF分量信号进行积分运算还原，积分还原后继续对信号进行一次EMD分解，消除积分运算造成的信号幅值的漂移）；
Step2、计算原始振动信号与各个IMF分量之间的K-L散度值；
Step3、设定一个阈值，将K-L散度值与设定的阈值进行比较，找出小于阈值的K-L散度值所对应的IMF分量；其中，小于该阈值的IMF分量为含有故障特征信息明显的主分量；
Step4、将根据K-L散度值选出的IMF分量进行重构（即将选出的IMF分量进行叠加），重构后的信号利用Hilbert边际谱进行瞬时频谱分析，根据得到的频谱图判断信号是否为故障信号。
所述的K-L散度值可以进行归一化处理，步骤Step3中设定一个阈值，将归一化的K-L散度值与设定的阈值进行比较。
实施例2：如图1-4所示，本发明通过以下仿真实验说明所述方法对提取故障特征信息的有效性，具体实验如下：
步骤1、选取的仿真信号是来自美国凯斯西储大学电气工程实验室的轴承外圈早期故障数据，采用的轴承型号为6205-2RS JEM SKF，其采样频率为48KHz，数据长度为4800，在轴承外圈上加工直径为0.1778mm，深0.2794mm的小槽来模拟早期故障信号。根据轴承振动理论，计算得轴承外圈故障基频f 1=103.36Hz；
步骤2、取4800组模拟的外圈早期故障数据，对外圈故障信号进行进行微分运算，微分后的信号频率不会发生改变，但可提高振动信号中高低频分量的振幅比，增强了EMD的频带分解能力，有利于提取微弱高频成分；
步骤3、对微分后的数据进行EMD分解，将分解后的IMF分量信号进行积分运算还原，再对积分后的信号进行一次EMD分解，获得表征原始信号特征的内在IMF分量，图2列出了外圈故障原信号及分解的前5个分量信号；
步骤4、计算这5个分量信号与原信号的K-L散度及相关系数，通过计算相关系数既可以辅助选择分量信号，也能验证K-L散度对分量信号选择的有效性，分量信号的K-L散度及相关系数图如表1所示。通过表1可看出IMF1和IMF2的K-L散度值很小，小于所设阈值（设定阈值为0.01），证明它们与原信号的相关程度较大，更能凸显出原信号的信号特征，而IMF3、IMF4和IMF5的K-L散度大于所设阈值，故这几个分量为无用的虚假分量。从相关系数也可看出IMF1、IMF2和IMF3的相关系数都较大，但区别没有K-L散度值明显，很难判断出真实的分量信号，故K-L散度较相关系数能更好地进行分量信号的选择。
表1 外圈故障信号与各分量信号的K-L散度及相关系数
步骤5、根据K-L散度所筛选的IMF1和IMF2分量进行信号重构，重构信号如图3所示，然后对重构信号利用Hilbert边际谱进行分析，结果如图4所示，从图4可清晰定位到接近于外圈故障的基频值104.4Hz，并且能有效的定位到9倍频，因此可较准确判别出轴承外圈故障状态。
实施例3：如图5-10所示，本发明通过以下工程实验验证所述方法对提取高压隔膜泵单向阀早期故障特征信息的有效性，具体实验如下：
步骤1、本发明数据来源于云南大红山管道三号高压隔膜泵站，该泵站的高压隔膜泵为型号为TZPM系列的三缸曲轴驱动活塞式隔膜泵，最高工作压力24.44Mpa，分别对同一泵组三对进料单向阀和出料单向阀布置型号为PCB-ICP的振动加速度传感器，加速度传感器的另一端连接振动信号采集***，采集卡采用型号为PXIe-3342高精度8通道动态数据采集卡，通过与电脑相连实时监测单向阀运行情况。本发明取3号泵站任意一组进料单向阀早期故障数据进行分析，该数据的采样频率为2560Hz，采样数据长度为10240；
步骤2、取10240组单向阀早期故障运行数据，图5-图6为其时域波形和频域波形，从图中可看出早期故障运行时频率主要集中在0~200Hz，不能判断出是否发生故障，为了进一步分析单向阀故障时的主导运行频率；
步骤3、对单向阀早期故障信号进行进行微分运算，微分后的信号频率不会发生改变，但可提高振动信号中高低频分量的振幅比，增强了EMD的频带分解能力，有利于提取微弱高频成分；
步骤4、对微分后的数据进行EMD分解，将分解后的IMF分量信号进行积分运算还原，再对积分后的信号进行一次EMD分解，获得表征原始信号特征的内在IMF分量，图7列出了单向阀早期故障原信号及分解的前5个分量信号；
步骤5、计算这5个分量信号与原信号的K-L散度及相关系数，通过表2可看出IMF3和IMF4的K-L散度值很小，小于所设阈值（设定阈值为0.01），证明它们与原信号的相关程度较大，更能凸显出原信号的信号特征，而IMF1、IMF2和IMF5的K-L散度大于所设阈值，故这几个分量为无用的虚假分量。从相关系数也可看出IMF2、IMF3和IMF4的相关系数都较大，但区别没有K-L散度值明显；
表2 单向阀故障信号与各分量的K-L散度及相关系数
步骤6、根据K-L散度筛选出的IMF3和IMF4分量进行信号重构，重构信号如图8所示，然后对重构信号利用Hilbert边际谱分析结果如图9所示，从图9可知获得了与单向阀正常运行基频1~1.034Hz相近的频率成分1Hz（即与单向阀正常运行基频1~1.034Hz相近的幅值峰值所代表的频率）及泵的正常运行频率的倍频成分2Hz和4Hz，且泵的正常运行频率的倍频成分成为信号的主导频率成分，由此可知单向阀必定发生了故障。
具体的，步骤6中所述的单向阀正常运行基频求取步骤如下：
高压隔膜中的单向阀为锥式单向阀，锥式单向阀包括阀体、阀芯和弹簧，单向阀的阀芯和弹簧可看为一个二阶振荡环节，因为受其内部结构限制的影响，频率f p 为：
故弹簧-阀芯***的频率f p =2f，根据实际情况高压隔膜泵的正常运行频率为0.5Hz~0.517Hz，所以求得单向阀正常运行的频率为2×（0.5~0.517）Hz，即1~1.034Hz；其中（0.5~0.517为泵的正常运行频率），当泵单向阀出现故障时，其特征频率包含单向阀的正常运行频率及其他频率成分，且其他频率成分成为主导频率。
步骤7、为了更好的说明本发明的有效性，将本发明的方法与传统EEMD和相关系数相结合的方法进行对比，其单向阀早期故障提取结果如图10所示，从图中可看出其方法能提取到单向阀早期故障的基频及三倍频，但效果没有本发明提出的方法好，故本发明的方法更易提取出单向阀早期故障特征信息。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法，其特征在于：所述方法具体步骤如下：
Step1、对原始振动信号进行微分经验模态分解并得到若干具有物理意义的IMF分量；
Step2、计算原始振动信号与各个IMF分量之间的K-L散度值；
Step3、设定一个阈值，将K-L散度值与设定的阈值进行比较，找出小于阈值的K-L散度值所对应的IMF分量；其中，小于该阈值的IMF分量为含有故障特征信息明显的主分量；
Step4、将根据K-L散度值选出的IMF分量进行重构，重构后的信号利用Hilbert边际谱进行瞬时频谱分析，根据得到的频谱图判断信号是否为故障信号。
2.根据权利要求1所述的基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法，其特征在于：所述的K-L散度值进行归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710531944.5A CN107687941A (zh) | 2017-07-03 | 2017-07-03 | 一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710531944.5A CN107687941A (zh) | 2017-07-03 | 2017-07-03 | 一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107687941A true CN107687941A (zh) | 2018-02-13 |
Family
ID=61152737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710531944.5A Pending CN107687941A (zh) | 2017-07-03 | 2017-07-03 | 一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107687941A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109827650A (zh) * | 2019-03-20 | 2019-05-31 | 福建省新华都工程有限责任公司 | 一种微积分经验模态分解的***振动信号处理方法 |
| CN109975012A (zh) * | 2019-04-24 | 2019-07-05 | 西安交通大学 | 一种传动误差微分信号与eemd算法结合的齿轮裂纹诊断方法 |
| CN110044620A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的滚动轴承故障诊断方法 |
| CN112183266A (zh) * | 2020-09-17 | 2021-01-05 | 昆明理工大学 | 一种基于pso-nlm权重包络的单向阀故障诊断方法 |
| CN113435281A (zh) * | 2021-06-18 | 2021-09-24 | 秦皇岛北方管业有限公司 | 基于改进hht变换的波纹补偿器故障诊断方法 |
| CN114659618A (zh) * | 2022-03-22 | 2022-06-24 | 中国科学院长春光学精密机械与物理研究所 | 一种基于近似积分法空间微振动测试方法及其装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
| CN103472137A (zh) * | 2013-09-22 | 2013-12-25 | 上海电力学院 | 基于振动信号分析的传动***齿轮故障诊断方法 |
| CN104392082A (zh) * | 2014-07-10 | 2015-03-04 | 中山火炬职业技术学院 | 一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法 |
| CN105606955A (zh) * | 2015-12-04 | 2016-05-25 | 云南电网公司楚雄供电局 | 一种基于数值微分与经验模态分解的故障线路判别方法 |
| CN106096242A (zh) * | 2016-06-01 | 2016-11-09 | 浙江浙能北海水力发电有限公司 | 一种基于改进emd分解的尾水管压力脉动综合评价方法 |
| CN106546818A (zh) * | 2016-10-20 | 2017-03-29 | 南京航空航天大学 | 一种基于差分非线性模式分解的谐波信号检测方法 |
-
2017
- 2017-07-03 CN CN201710531944.5A patent/CN107687941A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
| CN103472137A (zh) * | 2013-09-22 | 2013-12-25 | 上海电力学院 | 基于振动信号分析的传动***齿轮故障诊断方法 |
| CN104392082A (zh) * | 2014-07-10 | 2015-03-04 | 中山火炬职业技术学院 | 一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法 |
| CN105606955A (zh) * | 2015-12-04 | 2016-05-25 | 云南电网公司楚雄供电局 | 一种基于数值微分与经验模态分解的故障线路判别方法 |
| CN106096242A (zh) * | 2016-06-01 | 2016-11-09 | 浙江浙能北海水力发电有限公司 | 一种基于改进emd分解的尾水管压力脉动综合评价方法 |
| CN106546818A (zh) * | 2016-10-20 | 2017-03-29 | 南京航空航天大学 | 一种基于差分非线性模式分解的谐波信号检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 韩中合: ""基于K-L散度的EMD虚假分量识别方法研究"", 《中国电机工程学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044620A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的滚动轴承故障诊断方法 |
| CN109827650A (zh) * | 2019-03-20 | 2019-05-31 | 福建省新华都工程有限责任公司 | 一种微积分经验模态分解的***振动信号处理方法 |
| CN109975012A (zh) * | 2019-04-24 | 2019-07-05 | 西安交通大学 | 一种传动误差微分信号与eemd算法结合的齿轮裂纹诊断方法 |
| CN112183266A (zh) * | 2020-09-17 | 2021-01-05 | 昆明理工大学 | 一种基于pso-nlm权重包络的单向阀故障诊断方法 |
| CN113435281A (zh) * | 2021-06-18 | 2021-09-24 | 秦皇岛北方管业有限公司 | 基于改进hht变换的波纹补偿器故障诊断方法 |
| CN114659618A (zh) * | 2022-03-22 | 2022-06-24 | 中国科学院长春光学精密机械与物理研究所 | 一种基于近似积分法空间微振动测试方法及其装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107687941A (zh) | 一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法 | |
| CN103914617B (zh) | 地铁车辆转向架轴承的故障诊断方法 | |
| CN103575523A (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
| CN102494899B (zh) | 柴油机复合故障诊断方法及诊断*** | |
| CN103091096A (zh) | 基于eemd和小波包变换的早期故障敏感特征提取方法 | |
| Qu et al. | A new acoustic emission sensor based gear fault detection approach | |
| Farokhzad | Vibration based fault detection of centrifugal pump by fast fourier transform and adaptive neuro-fuzzy inference system | |
| Yang et al. | Empirical mode decomposition, an adaptive approach for interpreting shaft vibratory signals of large rotating machinery | |
| CN109765052B (zh) | 基于goa-asr的行星齿轮箱早期故障诊断方法 | |
| CN105424258A (zh) | 紧固件预紧力在线检测方法及*** | |
| CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
| CN102109554A (zh) | 电网次同步振荡的模态自适应实时检测方法 | |
| CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
| Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
| CN104121178A (zh) | 输油泵故障诊断***及方法 | |
| Shi et al. | Purification and feature extraction of shaft orbits for diagnosing large rotating machinery | |
| CN202661269U (zh) | 一种柴油机复合故障诊断的测试平台 | |
| CN102749425A (zh) | 一种发动机机体疲劳试验裂纹诊断方法和装置 | |
| Noman et al. | Oscillatory Lempel–Ziv complexity calculation as a nonlinear measure for continuous monitoring of bearing health | |
| CN107766780A (zh) | 基于电功图的抽油***运行时特征信息提取方法 | |
| Xia et al. | An improved underdamped asymmetric bistable stochastic resonance method and its application for spindle bearing fault diagnosis | |
| Fang et al. | Reciprocating compressors intelligent fault diagnosis under multiple operating conditions based on adaptive variable scale morphological filter | |
| CN105784364A (zh) | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 | |
| CN104156623A (zh) | 一种机械复合故障的诊断方法 | |
| Hamadache et al. | Improving signal-to-noise ratio (SNR) for inchoate fault detection based on principal component analysis (PCA) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180213 |
|
| RJ01 | Rejection of invention patent application after publication |