基于改進型CEEMDAN和RBF神經網絡的往復式壓縮機閥片故障診斷研究

謝雪松， 謝路楊， 都騰飛， 李仲樹， 李澤軍， 劉新

（江蘇長江智能制造研究院有限責任公司, 江蘇 常州213164）

0 引 言

往復壓縮機是石油石化和機械領域的重要工業設備[1]，其內部結構復雜，零件易于磨損，一旦發生故障難以判別故障原因，容易造成巨大的經濟損失。閥片是往復式壓縮機最易發生故障的部位，在所有的故障類型中，閥片故障所占比例高達36%[2]。因此，對于往復式壓縮機閥片故障診斷方法的研究具有重要的經濟和實用價值[3]。而機械設備由于內在結構復雜，加上設備加工時的不確定性，采集的原始振動數據信號往往無法有效提取價值信息，必須作進一步的數據處理分析。

1 基于改進CEEMDAN算法的故障特征提取方法

1.1 ICEEMDAN分解算法

ICEEMDAN 算 法（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，改進型自適應噪聲完全集合經驗模態分解）相比其他常規方法，由于其在分解過程中不斷平衡信噪比，克服了常規分解易于產生模態混疊和虛假分量的問題[4]，其具體算法如下：

定義操作符Ek（）表示EMD分解后的第k個模態分量；定義操作符M（）表示信號的局部均值。那么E1（x）=x－M（x）。w（i）表示一系列不同的高斯白噪聲，x（i）=x+w（i），操作符〈〉表示取均值。

1.2 振動信號的特征提取方法

信息熵描述了信號中信息復雜程度的大小，信號中所含的信息越多，信號就越復雜，其所含的不確定性和隨機性也越多，信息熵也越大。奇異譜熵作為一種信息熵，反應了時域信號在奇異譜劃分下各模式的不確定程度[5]。對信號進行ICEEMDAN分解，得到i階的IMF分量和一個殘差rn。將包含了不同頻率特征的IMF分量進行奇異值分解，得每個IMF分量的奇異值μ1，μ2，μ3，…μi。那么向量R=［μ1，μ2，μ3，…μi］則是原始信號的奇異譜。信號的奇異譜熵表示為

1.3 RBF神經網絡

神經網絡由于其獨特的關聯性、記憶性和學習功能在設備故障診斷領域得到廣泛應用[6]。徑向基函數神經網絡（RBF，Radial basis function）的優點是局部逼近。對于每個輸入和輸出數據對，只需要調整少量權重，結果就會發生很大的變化[7]。因此學習速度快且精度高。在逼近能力、分類能力和學習速度方面，RBF網絡優于BP網絡。

1.4 診斷方法

往復式壓縮機閥故障診斷流程如圖1所示。訓練數據用于訓練RBF神經網絡。測試數據用于診斷故障并輸出結果。所有的信號數據都按以下方法處理：首先利用ICEEMDAN分解算法對多個IMF分量進行分解，計算出具有不同頻率特征的IMF分量的奇異值，然后根據信息熵理論構造奇異譜熵。

2 仿真模擬

由傅里葉變換可知，任何復雜的信號都是由簡單的周期信號疊加而來的。

仿真模擬信號s由一個持續的平穩信號s1疊加一個較高頻率間隙的信號s2，s=s1+s2，s1和s2如下所示：

圖1 壓縮機閥門故障診斷流程圖

將仿真信號分別進行傳統的CEEMDAN 分解和ICEEMDAN分解，結果如圖2所示。

從圖2中可以看出，CEEMDAN分解出現了虛假分量（如IMF2）和模態混疊（如IMF4）的情況，而ICEEMDAN分解結果就是組成原始信號的分量s1和s2，并沒有出現虛假分量和模態混疊的問題，由此說明ICEEMDAN分解具有更加優越的性能。

圖2 信號分解對比

3 實驗測試

實驗數據由MFS多功能故障模擬試驗臺測得。實驗采用加速度傳感器（靈敏度為54 mv/g）、IOtech640U型動態信號分析儀和筆記本電腦。測點布置如圖3（a）所示，在壓縮機上布置2個測點，測點1在壓縮機的排氣端，測點2布置在壓縮機的機架處。實驗設置壓縮機閥片正常和故障2種工況。壓縮機的閥片正常與故障的對比如圖3（b）、（c）所示，在排氣閥片上有一個刮傷磨損。

3.1 數據處理分析

實驗采集的正常和故障狀態下壓縮機的振動信號如圖4所示。

首先對數據信號進行ICEEMDAN 分解，然后計算分解信號的奇異譜熵。圖5對比分析了閥片故障ICEEMDAN分解和CEE-MDAN分解的波形圖。

圖3 測點分布與閥片磨損對比

圖4 往復泵振動信號波形圖

3.2 實驗結果和討論

圖5 ICEEMDAN和CEEMDAN信號分解方法對比

表1 計算了奇異譜熵。奇異譜熵描述了信號中信息的復雜性。信號中包含的信息越多，信號越復雜，熵的計算值就越大。在正常模式下，壓縮機的振動信號能量較少，分布更集中。當壓縮機閥門失效時，振動能量明顯增強，頻率分量更加豐富，故障模式的熵值更大。ICEEMDAN在分解時沒有雜散分量和模態混疊。因此，與CEEMDAN相比，信號包含較少的不相關信息并且熵值較低。與測量點1相比，測量點2遠離壓縮機故障的位置。其他干擾因素會混入測量點并具有更多的頻率成分。因此，測量點1的熵值高于測量點2的熵值。

本文各提取500組正常和故障的信號，共1000組數據。每組數據采樣2048個點。在正常和故障的數據中每組隨機抽取260個共520個作為訓練樣本，剩下的480個作為測試樣本。先對隨機選取的260個訓練樣本進行ICEEMDAN分解并計算奇異譜熵作為特征向量，輸入到RBF神經網絡進行訓練，剩下的240個樣本同樣計算出特征向量進行驗證。訓練時，選取故障信號為標簽1，正常的信號為標簽2，同時使用BP神經網絡和RBF神經網絡進行模式識別。測試的240組樣本中，如圖6所示，RBF神經網絡只有1組未被識別，識別的準確率為99.58%，而BP神經網絡有5 組數據未被 識別，識別的準確率僅為97.9%。圖7 和圖8 分別展示了訓練模型的樣本特征空間分布和預測誤差 大小。樣本特征空間再經過數據處理后具有明顯的聚簇效應，分類效果明顯，同時預測結果與實際情況誤差很小。

表1 正常和故障信號的奇異譜熵值

圖6 RBF神經網絡識別效果

圖7 正常和故障樣本特征空間分布(1000組樣本)

圖8 訓練誤差

4 結 論

本文對比分析了ICEEMDAN和CEEMDAN在信號處理方面的效果，使用ICEEMDAN分解往復式壓縮機閥片故障的振動信號，并構造奇異譜熵特征向量，最后將特征向量輸入RBF神經網絡進行模式識別，具體結論如下：

1）通過模擬和實驗分析發現，ICEEMDAN分解克服了傳統分解方法易產生虛假分量和模態混疊的問題，對復雜的振動信號具有更好的分解效果。

2）提出了一種基于ICEEMDAN和奇異譜熵相結合的往復式壓縮機閥片故障特征提取方法，從實驗結果看出，該方法可以有效對往復式壓縮機的閥片故障提取特征向量。

3）對比分析了RBF神經網絡和BP神經網絡的模式識別效果，實驗發現RBF神經網絡在處理壓縮機往復信號時，具有更高的識別率。