基于改进的RCMDE往复压缩机故障诊断方法与流程

技术特征：
1.一种基于改进的rcmde往复压缩机故障诊断方法，其特征在于：所述诊断方法包括一下步骤：步骤一、采集往复压缩机不同运行工况下的机体表面时域振动信号；步骤二、采用参数优化变分模态分解对初始振动信号进行分解，得到一系列本征模态函数分量；对采集的加速度信号进行参数优化变分模态分解的方法为：利用曲线自适应蝗虫优化算法cagoa对变分模态分解方法中的分量个数与惩罚系数进行优化搜索，设置cagoa所需参数，选取散布熵值作为适应度函数，通过每次更新计算的适应度值进行比较更新，以散布熵最小化作为参数优化的目标，确定变分模态分解信号的最佳影响参数：分量个数k0和惩罚系数α0，记为[k0，α0]；其步骤如下：1)、初始化遗传算法参数：种群数量为30，最大遗传代数为500，变量数为2，变量的下限为1000，变量的上限为3000，选取散布熵值作为适应度函数；式中，x为信号序列；m为嵌入维度，m＝4；c为分类数，c＝6；d为延迟时间，d＝1；为每一个时间序列映射到的一个散布模式；为散布模式的相对概率；2)、利用变分模态分解方法分解采集的振动加速度信号，计算各本征模态函数分量的散布熵值，保存此次cagoa算法计算后的最大适应度函数t0；变分模态分解的实现步骤为：2.1)、建立变分模型2.1.1)、将采集的加速度信号x(t)分解为k个中心频率为ω
k
模态函数为u
k
的调幅
‑
调频信号；u
k
(t)＝a
k
(t)cos(φ
t
(t))2.1.2)、对每个模态函数u
k
，通过hilbert变换得到边际谱；2.1.3)、对各模态解析信号混合一预估中心频率，将每个模态的频谱调制到相应的基频带；2.1.4)、计算解析信号梯度的平方l2范数，估计出各模态信号带宽，受约束的变分模型为：为：其中，{u
k
}＝{u1,u2,...u
k
}为分解得到的k个模态分量；{ω
k
}＝{ω1,ω2,...ω
k
}为各分量的频率中心；δ(t)为狄拉克函数；*为卷积运算符；2.2)、求解变分模型2.2.1)引入二次惩罚参数α和拉格朗日乘法算子λ，将约束问题为转化为非约束问题；
2.2.2)、求解变分模型，输出结果如下：
①
、初始化和n，其中和分别为u
k
、ω
k
、λ和x(t)的傅里叶变换，n为计算次数；
②
、根据二次优化问题的解更新和和和
③
、更新、更新
④
、重复步骤
②
和步骤
③
，直到满足迭代停止条件结束循环，输出结果，得到个模态分量；3)、确定是否满足迭代终止条件：若n≤n0时，迭代停止，否则n＝n 1，继续进行迭代运算；3.1)更新递减系数c；式中，c
max
为最大值；c
min
为最小值；l为当前迭代次数；m为最大迭代次数；3.2)对于每次搜索，都完成一下步骤：
①
、标准化蝗虫之间的距离；
②
、更新蝗虫的位置；其中，n为蝗虫数量；ub
d
和lb
d
分别为个体间相互影响力在d维空间上的上下界；x
i
为蝗虫的位置；函数s表示蝗虫之间的相互作用力；d
ij
＝|x
i
‑
x
j
|为第i个蝗虫与第j个蝗虫的距离；为目前为止蝗虫位置在d维空间上的最佳解；
③
、如果搜索过程中跳出搜索位置，将返回到原始位置；3.3)如果有更好的结果，更新适应度t；4)、确定最小适应度函数值t
min
，及对应变分模态分解信号的最佳影响参数[k0，α0]；5)、再使用具有最佳影响参数[k0，α0]的变分模态分解方法分解原始振动信号，获得若
干个本征模态函数分量；步骤三、根据峭度
‑
相关系数准则计算所得本征模态函数分量的峭度
‑
相关系数值筛选出包含信息量最丰富的本征模态函数分量，进行信号重构，从而实现故障信号的降噪处理；步骤四、对重构后信号进行改进的精细复合多尺度散布熵计算，形成故障特征向量；其步骤如下：1)、对于长度为l的重构信号数据u＝{u(b),b＝1,2,...,l}，将其分为长度为τ、起点x
k
的[l/τ]个非重叠段，广义粗粒度时间序列定义为：2)、计算每个粗粒化散布模式π的概率，然后求所有散布模式概率的平均值；2.1)、通过正态累积分布函数将时间序列x
k,j
＝{x
j
,j＝1,2,...,n}映射到[0，1]范围内y＝{y
j
,j＝1,2,...,n}，2.2)、通过使用线性变换，将y＝{y
j
,j＝1,2,...,n}的所有元素分配到[1，c]范围内的任意整数；2.3)、对于给定的时间延迟d和嵌入维数m，可以构成时间序列2.3)、对于给定的时间延迟d和嵌入维数m，可以构成时间序列2.4)、每个时间序列都可以映射到一个散布模式其中2.5)、计算每种散布模式的概率2.5)、计算每种散布模式的概率3)、对于每个尺度下的τ，改进的精细复合多尺度散布熵定义如下：其中：为不同粗粒化序列的散布熵模式p概率的平均值；步骤五、对故障特征向量利用核主成分分析法降维后选择所需输入特征；步骤六、将降维后的振动信号特征向量输入到核极限学习机中分类识别，判断振动信号的故障类型。

技术总结
本发明属于机械故障诊断技术领域，具体涉及一种基于改进的RCMDE往复压缩机故障诊断方法，采集往复压缩机不同运行工况下的机体表面时域振动信号，采用参数优化变分模态分解对初始振动信号进行处理，可以得到本征模态函数分量；根据峭度


技术研发人员：宋美萍 王金东 赵海洋 刘超 刘强 宋欣萍
受保护的技术使用者：东北石油大学
技术研发日：2021.07.15
技术公布日：2021/10/23