基于 LabVIEW 的 MEMD 改進算法化工機械故障監測研究

馮哲瑋

摘要：針對化工機械故障診斷過程中未考慮特征數據間的相關性，導致診斷準確率低的問題，提出改變振動特征提取的方式，以提高故障診斷準確率。對多尺度熵的時間窗函數進行改進，以增加粗粒向量中的振動數據信息。引入自適應算法，進行向量距離計算優化，簡化特征計算過程。將MEMD 算法與改進后的多尺度熵相結合，同時對多個振動數據進行分析，通過振動向量之間的距離計算，確定其相關性；通過IMF分量篩選，輸出最優特征矩陣；通過實驗進行改進算法和改進系統的性能驗證。結果表明，改進后的算法圖去除的特征具有明顯的可分性，能夠更容易被識別分類，改進后的系統識別率有明顯提高，相較于改進前具有明顯優勢。

關鍵詞：MEMD 算法；化工機械；支持向量機；振動識別

中圖分類號：TP392；TQ056文獻標志碼：A文章編號：1001-5922（2023）05-0112-05

Researchonfaultmonitoringof chemicalmachinery withMEMDalgorithmbasedonLabVIEW

FENG Zhewei

（JinshanCollege of Fujian Agriculture and Forestry University，Fuzhou 350002，China）

Abstract： Given that in the current chemical machinery fault monitoring system，the correlation between character? istic data is not considered，which leads to the problem of low monitoring and identification performance，the meth? od of changing the vibration feature extraction is proposed to improve the accuracy of machinery fault monitoring. Firstly，the time window function of multi-scale entropy was improved to increase the vibration data in coarse parti? cle vector. Then，an adaptive algorithm was introduced to optimize the vector distance calculation and simplify thefeature calculation process. Finally，the MEMD algorithm was combined with the improved multi-scale entropy， and multiple vibration data were analyzed at the same time. The correlation was determined by calculating the dis? tance between vibration vectors；the optimal feature matrix was output by IMF component screening；experimentswere carried out to verify the performance of the improved algorithm and the improved system. The results show thatthe features removed by the improved algorithm have obvious separability and can be identified and classified moreeasily. The recognition rate of the improved system is obviously improved，and has obvious advantages comparedwith that before improvement.

Keywords： MEMD algorithm；chemical machinery；support vector machine；vibration recognition

隨著科技的進步，化工機械所具有的功能越來越多，應用面越發廣泛。但隨著功能需求的增加，機械結構也越發復雜，針對不同機械設備，已有多種故障監測系統出現，如將數據挖掘引入旋轉機械的故障監測系統，搭建雙流CNN 遷移模型，實現對這類設備故障狀態的準確評估[1]；基于振動分析進行故障預警方法研究，實現對礦用通風機的故障監測[2]；對降維方法進行改進，使監測識別的智能性和精準度得到提高[3]。鑒于此，引入多通道的 MEMD 算法，對振動信號進行特征提取的同時，分析振動信號之間的相關性。但由于 MEMD 算法本身的結構存在缺陷，會導致特征提取性能的穩定性較低，因此，引入改進的多尺度熵對MEMD 算法進行改進。

1 MEMD 算法

MEMD算法是基于多維向量空間改進的EMD 算法[4]，具有極佳的多通道信號同步分析能力。其通過構建多維超球面空間，實現對多元信號的向量轉換。對于 n-1維的超球面，包含 n 個維度的特征信息，若超球面的半徑為 R ，則該向量空間可以表示為：

式中：x 為自變量。

1.1Hammersley序列采樣法

引入Hammersley序列采樣法，獲得 J個采樣點，經過坐標向量轉換，即確定單位方向向量集合（x1，x2 ， … ，xj）。對于輸入的第 m 個信號vm，在 tm 時刻取得xj方向的最大映射值pj （tm）。此時，利用多元樣條插值函數計算過（vm， tm）的多維包絡線Ej （tm），接著計算信號均值：

M（tm）= Ej （tm）/J（2）

1.2 IMF 分量

引入IMF分量余項 R（tm）：

R（tm）= V（tm）- M（tm）（3）

通過迭代對式（3）的計算值進行更新，即可對輸入信號進行最佳劃分。假設最佳分解方案的IMF分層數目為 d ，則分解后的多元信號為：

式中：r（tm）為IMF分量。

1.3 Rilling法

通過Rilling法[4]確定評估函數：

若 f （tm）的計算數值不在規定閾值內，則倒回映射操作，重新進行分解計算；若在閾值內，則轉入 R（tm）驗證部分。若 R（tm）>3，則倒回映射操作重新進行分解計算；若 R（tm）<3，則輸出分解后的多元信號。

2 基于多尺度模糊熵改進 MEMD 算法的特征提取

2.1多尺度熵

在樣本熵中加入多尺度化方法，即可得到多尺度熵（MSE）。多尺度熵本質上是一種對輸入信號進行復雜度分析的方法，通過相似度計算，對時間序列的不規則程度進行評估。

2.1.1粗粒化過程獲取時間序列

假設輸入數據可用集合 X={x1，x2 ， … ，xn}表示，其序列長度為 N ，引入粗粒向量構建公式：

式中：r 為尺度因子，取正整數；j 為系數參數，取值滿足：

式中：L 」為向下取整符號。

聯立式（6）和式（7）可知，當 r =1時，為輸入原始數據；當 r 取值不為1時，利用 r 長度的窗函數以平移的方式對數據進行順序整理。

2.1.2 進行樣本熵計算

將計算得到的 r 個樣本熵值按照時間排序進行繪制。通過相似容限和嵌入維數分析，確定 r 取值范圍在[1 ， rmax]。因此，多尺度熵計算值（MSE）及其排序方式可表示為：

MSE =[SE1，SE2 ，，SErmax]（8）

式中：SEr為 r 尺度下的樣本熵值。

2.2 基于時間窗改進的多尺度熵

根據多尺度熵的原理分析可知，時間序列長度與 r 值成反比。當 r 值取值過大時，會出現真實計算值與取整數值的相對差異較大的情況，進而導致粗粒化后數據信息丟失嚴重；當τ值取值過小時，對數個IMF分量；

據信息的不規則程度反映效果較低[7]。為解決這類問（2）進行IMF 分量進行篩選。選擇多尺度模糊熵題，可改進時間窗函數的平移方式，使粗粒化過程得來進行時間序列分析，通過判斷相關系數 H 的取值以改進。

（1）引入參數 k ，滿足：

式中：「│為向上取整符號。

（2）當尺度因子確定時，改進后的粗粒化轉換公式為：

改進后的粗粒化過程如圖1所示。

從圖1可以看出，算法改進后，對每個尺度因子，需要設定k個窗函數進行粗粒向量構建。因此，計算獲得的樣本熵值也存在k個，以其平均值作為t尺度下的樣本熵值。則算法改進后的多尺度熵計算值及其排序方式可表示為：

式中：r為相似容限；m為嵌入維數，二者共同決定τ的最大取值。

由于［t／3］中的數字3表示y．（j）與y．（j＋1）時間窗格的間隔點數。因此，計算過程中的取樣隨機性和規律性能夠同時得到保證。

2.3 多尺度模糊熵改進的MEMD算法

為提高特征提取的準確度，在多尺度熵中引入自適應算法，將距離求解公式換為模糊度函數?，即得到多尺度模糊熵算法。改進后的運算流程為：（1）根據自適應算法的相關內容，確定自適應因子σ；（2）根據σ數值，生成粗粒化向量；（3）在通過模糊度函數計算各向量間的距離，最后輸出提取特征。

2.4 特征提取流程

基于以上改進，將化工機械故障信號的提出流程分為幾步：

（1）通過MEMD算法進行振動數據分解得到多個IMF分量；

（2）進行IMF分量進行篩選。選擇多尺度模糊熵來進行時間序列分析，通過判斷相關系數H的取值是否在閾值內，即可對IMF分量進行保留和刪除。對時間序列X和Y，其相關系數的計算式為2：

式中：cov為協方差。

當H（XY）→0時，表示X和Y相關性較低，刪除該IMF分量；當H（XY）→-1或當H（XY）→1時，二者相關性較高，保留該IMF分量；

（3）經過IMF分量的振動數據重構，多尺度模糊熵的特征計算，即得到特征矩陣。

2.5 特征識別

由于時間成本和經濟成本的限制，從實驗室獲得的故障樣本數據量仍然有限”。綜合考慮，選擇基于RBF的多分類SVM來進行振動識別，并通過LIBSVM 2軟件包運行SVM；設計整個識別過程如圖2所示。

3 實驗結果與分析

選用2D12—70型壓縮機作為實驗對象，設置系統采樣頻率為50Hz，選定監測對象為二級排氣閥側蓋，出現的故障類型有排氣閥斷裂、彈簧缺失、側蓋出現缺口或裂痕3種。

3.1 數據預處理性能驗證

選擇通過時域圖進行數據處理展示，經過實驗，獲得二級排氣閥在2種狀態下去噪的時域對比圖，具體如圖3所示。

從圖3可以看出，選擇的去噪算法具有較好的去噪能力，能夠對不同狀態下采集的振動數據進行去噪。

3.2 改進的多尺度模糊熵性能驗證

為保證性能驗證結果的普適性，選擇2048字節長度的數據進行實驗，算法改進前后的實驗結果如圖4所示。

從圖4可以看出，改進后的算法，其多尺度熵曲線更為平滑、穩定，不存在數值突變，具有更好的時間序列比較能力。出現這種優勢的原因：時間窗改進后，使粗粒化過程的窗格選定具有更強的邏輯性，經過平均計算，輸出的粗粒向量能夠更為準確地描述時間序列。而模糊算法的加入，使得時間序列的比對速率加快，比對精準度增加，對時間序列具有更強的差異性分析。

3.3 改進后特征提取算法驗證

通過MEMD 算法對輸入的振動信號進行分解，每個故障狀態和正常狀態都能得到多個IMF分量，正常狀態下和氣閥泄露狀態下的部分IMF 分量圖如圖5所示。

選擇10個不同 IMF 分量作為研究對象，進行 IMF 分量的篩選實驗，各分量的相關系數取值如表1所示。

由表1可知，確定IMF 分量的篩選閾值為0.3，數量為4。

為驗證閾值的合理性，對每種故障狀態和正常狀態分別隨機抽取30組振動數據進行實驗。經過統計分析，0.3閾值下，99.4%的振動數據篩選出的IMF 分量數目為4，且這些IMF 分量的相關系數取值均大于0.3，因此，設置的閾值基本滿足要求。確定的IMF 分量數目超過99.4%。最后為體現提取特征的優勢，即故障與正常狀態的特征可分性，以折線圖對輸出特征向量進行展示，具體如圖6所示。

從圖6可以看出，正常狀態與故障狀態的特征向量沒有交叉，且各位置之間都具有明顯的距離間隔。2向量具有良好可分性，因此，改進后的特征提取算法具有較好的特征提取能力。

3.4 監測系統整體性能驗證

為驗證本研究設計的監測系統的識別能力，引入多種改進算法相結合的系統進行對比實驗，結果如表2所示。

由表2可知，本研究設計的監測識別系統，識別率明顯提高，具有更好的化工機械監測識別能力。

4 結語

通過對監測識別系統中的特征提取部分進行優化設計，改進多尺度熵，并與MEMD 算法相結合，使提取的特征更好的信息表征能力，能夠更容易被識別區分，具有更高的狀態區分能力和故障識別能力。但本文的故障數據來源于實驗環境，對某些特定環境下的故障識別精度較低，針對這類環境，還需要對現場環境進行振動數據采集，重新對系統進行訓練，才能保證系統的正確識別率。同時，由于未對識別算法進行改進，選擇RBF 核函數，在進行數據分析時，會將所有數據進行數值化處理，導致數據不能重復利用，需要設置備份。

【參考文獻】

[1] 劉東東.旋轉機械故障信息挖掘及狀態評估方法研究[D].北京：北京交通大學，2021.

[2] 李學哲，王菲，付永欽，等.基于振動分析的礦用通風機故障預警技術研究[J].煤礦機械，2021，42（4）：171-174.

[3] 韓敏，李宇，韓冰.基于改進結構保持數據降維方法的故障診斷研究[J].自動化學報，2021，47（2）：338-348.

[4] 楊帆，張文娟，孫劍偉，等.基于虛擬儀器技術的機械設備故障監測及診斷系統研究[J].粘接，2020，42（6）：133-137.

[5] 翟瑩瑩，左麗，張恩德.基于參數優化的 RBF 神經網絡結構設計算法[J].東北大學學報（自然科學版），2020，41（2）：176-181.

[6] 徐冰鑫.小波閾值降噪法在心電信號處理中的應用[J].科技創新與應用，2020（27）：180-181.

[7] 王金東，歐凌非，趙海洋，等.基于CEEMDAN 和RCMDE 的往復壓縮機軸承故障診斷方法[J].機床與液壓，2021，49（5）：168-172.

[8] 叢蕊，李純輝.基于MFE 的滾動軸承故障診斷方法研究[J].煤礦機械，2020，41（3）：153-156.

[9] 林金朝，李必祿，李國權，等.基于集合經驗模態分解和信號結構分析的心電信號R 波識別算法[J].電子與信息學報，2021，43（8）：2352-2360.

[10] 宋旭，魏勤，魯玲，等.基于MVMD 和瞬時相位的液壓管路故障特征提取方法[J].光通信技術，2021，45（10）：34-39.

[11] 胡平.鐵路機車車輛運行故障監測診斷研究[J].粘接，2021，46（6）：169-173.

[12] 李亞蘭，金煒東.全矢IMF 信息熵用于高速列車轉向架故障診斷[J].振動.測試與診斷，2021，41（5）：874-879.

[13] 李楠，支麗紅.計算代數方程組孤立奇異解的符號數值方法[J].中國科學：數學，2021，51（1）：17-42.

[14] 范云鵬，郭小娥.矩陣奇異值分解的應用[J].科技風，2021（18）：53-54.

[15] 劉旭，劉海寧，林心園，等.基于數字信號處理器的振動信號采集及邊緣計算系統設計[J].濟南大學學報（自然科學版），2021，35（4）：307-314.

[16] 吳詩芹，陸豪乾.基于相似日理論和 LIBSVM 軟件中 SVR 算法的光伏發電系統輸出功率預測方法[J].太陽能，2021（1）：23-28.

[17] 張延義，趙瑩.基于PCA-SVM 的高職院校專業評估體系研究[J].重慶科技學院學報（自然科學版），2021，23（6）：50-54.

[18] 吳蔚，吳農.基于SVM 的建筑學專業學生綜合設計潛力評價[J].山西建筑，2021，47（1）：180-182.

[19] 高曦文，賈科利，毛鴻欣，等.基于小波變換及異質SVM 方法的土壤鹽漬化高光譜定量分類研究[J].現代電子技術，2021，44（3）：155-161.

[20] 李坤，劉鵬，呂雅潔，等.基于Spark 的LIBSVM 參數優選并行化算法[J].南京大學學報（自然科學），2016，52（2）：343-352.