基于 LabVIEW 的 MEMD 改進(jìn)算法化工機(jī)械故障監(jiān)測(cè)研究

馮哲瑋

摘要：針對(duì)化工機(jī)械故障診斷過程中未考慮特征數(shù)據(jù)間的相關(guān)性，導(dǎo)致診斷準(zhǔn)確率低的問題，提出改變振動(dòng)特征提取的方式，以提高故障診斷準(zhǔn)確率。對(duì)多尺度熵的時(shí)間窗函數(shù)進(jìn)行改進(jìn)，以增加粗粒向量中的振動(dòng)數(shù)據(jù)信息。引入自適應(yīng)算法，進(jìn)行向量距離計(jì)算優(yōu)化，簡化特征計(jì)算過程。將MEMD 算法與改進(jìn)后的多尺度熵相結(jié)合，同時(shí)對(duì)多個(gè)振動(dòng)數(shù)據(jù)進(jìn)行分析，通過振動(dòng)向量之間的距離計(jì)算，確定其相關(guān)性；通過IMF分量篩選，輸出最優(yōu)特征矩陣；通過實(shí)驗(yàn)進(jìn)行改進(jìn)算法和改進(jìn)系統(tǒng)的性能驗(yàn)證。結(jié)果表明，改進(jìn)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(shí)別分類，改進(jìn)后的系統(tǒng)識(shí)別率有明顯提高，相較于改進(jìn)前具有明顯優(yōu)勢(shì)。

關(guān)鍵詞：MEMD 算法；化工機(jī)械；支持向量機(jī)；振動(dòng)識(shí)別

中圖分類號(hào)：TP392；TQ056文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2023）05-0112-05

Researchonfaultmonitoringof chemicalmachinery withMEMDalgorithmbasedonLabVIEW

FENG Zhewei

（JinshanCollege of Fujian Agriculture and Forestry University，F(xiàn)uzhou 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(jìn)步，化工機(jī)械所具有的功能越來越多，應(yīng)用面越發(fā)廣泛。但隨著功能需求的增加，機(jī)械結(jié)構(gòu)也越發(fā)復(fù)雜，針對(duì)不同機(jī)械設(shè)備，已有多種故障監(jiān)測(cè)系統(tǒng)出現(xiàn)，如將數(shù)據(jù)挖掘引入旋轉(zhuǎn)機(jī)械的故障監(jiān)測(cè)系統(tǒng)，搭建雙流CNN 遷移模型，實(shí)現(xiàn)對(duì)這類設(shè)備故障狀態(tài)的準(zhǔn)確評(píng)估[1]；基于振動(dòng)分析進(jìn)行故障預(yù)警方法研究，實(shí)現(xiàn)對(duì)礦用通風(fēng)機(jī)的故障監(jiān)測(cè)[2]；對(duì)降維方法進(jìn)行改進(jìn)，使監(jiān)測(cè)識(shí)別的智能性和精準(zhǔn)度得到提高[3]。鑒于此，引入多通道的 MEMD 算法，對(duì)振動(dòng)信號(hào)進(jìn)行特征提取的同時(shí)，分析振動(dòng)信號(hào)之間的相關(guān)性。但由于 MEMD 算法本身的結(jié)構(gòu)存在缺陷，會(huì)導(dǎo)致特征提取性能的穩(wěn)定性較低，因此，引入改進(jìn)的多尺度熵對(duì)MEMD 算法進(jìn)行改進(jìn)。

1 MEMD 算法

MEMD算法是基于多維向量空間改進(jìn)的EMD 算法[4]，具有極佳的多通道信號(hào)同步分析能力。其通過構(gòu)建多維超球面空間，實(shí)現(xiàn)對(duì)多元信號(hào)的向量轉(zhuǎn)換。對(duì)于 n-1維的超球面，包含 n 個(gè)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(gè)采樣點(diǎn)，經(jīng)過坐標(biāo)向量轉(zhuǎn)換，即確定單位方向向量集合（x1，x2 ， … ，xj）。對(duì)于輸入的第 m 個(gè)信號(hào)vm，在 tm 時(shí)刻取得xj方向的最大映射值pj （tm）。此時(shí)，利用多元樣條插值函數(shù)計(jì)算過（vm， tm）的多維包絡(luò)線Ej （tm），接著計(jì)算信號(hào)均值：

M（tm）= Ej （tm）/J（2）

1.2 IMF 分量

引入IMF分量余項(xiàng) R（tm）：

R（tm）= V（tm）- M（tm）（3）

通過迭代對(duì)式（3）的計(jì)算值進(jìn)行更新，即可對(duì)輸入信號(hào)進(jìn)行最佳劃分。假設(shè)最佳分解方案的IMF分層數(shù)目為 d ，則分解后的多元信號(hào)為：

式中：r（tm）為IMF分量。

1.3 Rilling法

通過Rilling法[4]確定評(píng)估函數(shù)：

若 f （tm）的計(jì)算數(shù)值不在規(guī)定閾值內(nèi)，則倒回映射操作，重新進(jìn)行分解計(jì)算；若在閾值內(nèi)，則轉(zhuǎn)入 R（tm）驗(yàn)證部分。若 R（tm）>3，則倒回映射操作重新進(jìn)行分解計(jì)算；若 R（tm）<3，則輸出分解后的多元信號(hào)。

2 基于多尺度模糊熵改進(jìn) 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(zhì)上是一種對(duì)輸入信號(hào)進(jìn)行復(fù)雜度分析的方法，通過相似度計(jì)算，對(duì)時(shí)間序列的不規(guī)則程度進(jìn)行評(píng)估。

2.1.1粗粒化過程獲取時(shí)間序列

假設(shè)輸入數(shù)據(jù)可用集合 X={x1，x2 ， … ，xn}表示，其序列長度為 N ，引入粗粒向量構(gòu)建公式：

式中：r 為尺度因子，取正整數(shù)；j 為系數(shù)參數(shù)，取值滿足：

式中：L 」為向下取整符號(hào)。

聯(lián)立式（6）和式（7）可知，當(dāng) r =1時(shí)，為輸入原始數(shù)據(jù)；當(dāng) r 取值不為1時(shí)，利用 r 長度的窗函數(shù)以平移的方式對(duì)數(shù)據(jù)進(jìn)行順序整理。

2.1.2 進(jìn)行樣本熵計(jì)算

將計(jì)算得到的 r 個(gè)樣本熵值按照時(shí)間排序進(jìn)行繪制。通過相似容限和嵌入維數(shù)分析，確定 r 取值范圍在[1 ， rmax]。因此，多尺度熵計(jì)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(shí)間窗改進(jìn)的多尺度熵

根據(jù)多尺度熵的原理分析可知，時(shí)間序列長度與 r 值成反比。當(dāng) r 值取值過大時(shí)，會(huì)出現(xiàn)真實(shí)計(jì)算值與取整數(shù)值的相對(duì)差異較大的情況，進(jìn)而導(dǎo)致粗粒化后數(shù)據(jù)信息丟失嚴(yán)重；當(dāng)τ值取值過小時(shí)，對(duì)數(shù)個(gè)IMF分量；

據(jù)信息的不規(guī)則程度反映效果較低[7]。為解決這類問（2）進(jìn)行IMF 分量進(jìn)行篩選。選擇多尺度模糊熵題，可改進(jìn)時(shí)間窗函數(shù)的平移方式，使粗?；^程得來進(jìn)行時(shí)間序列分析，通過判斷相關(guān)系數(shù) H 的取值以改進(jìn)。

（1）引入?yún)?shù) k ，滿足：

式中：「│為向上取整符號(hào)。

（2）當(dāng)尺度因子確定時(shí)，改進(jìn)后的粗?；D(zhuǎn)換公式為：

改進(jìn)后的粗粒化過程如圖1所示。

從圖1可以看出，算法改進(jìn)后，對(duì)每個(gè)尺度因子，需要設(shè)定k個(gè)窗函數(shù)進(jìn)行粗粒向量構(gòu)建。因此，計(jì)算獲得的樣本熵值也存在k個(gè)，以其平均值作為t尺度下的樣本熵值。則算法改進(jìn)后的多尺度熵計(jì)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(shù)，二者共同決定τ的最大取值。

由于［t／3］中的數(shù)字3表示y．（j）與y．（j＋1）時(shí)間窗格的間隔點(diǎn)數(shù)。因此，計(jì)算過程中的取樣隨機(jī)性和規(guī)律性能夠同時(shí)得到保證。

2.3 多尺度模糊熵改進(jìn)的MEMD算法

為提高特征提取的準(zhǔn)確度，在多尺度熵中引入自適應(yīng)算法，將距離求解公式換為模糊度函數(shù)?，即得到多尺度模糊熵算法。改進(jìn)后的運(yùn)算流程為：（1）根據(jù)自適應(yīng)算法的相關(guān)內(nèi)容，確定自適應(yīng)因子σ；（2）根據(jù)σ數(shù)值，生成粗?；蛄?；（3）在通過模糊度函數(shù)計(jì)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(jìn)，將化工機(jī)械故障信號(hào)的提出流程分為幾步：

（1）通過MEMD算法進(jìn)行振動(dòng)數(shù)據(jù)分解得到多個(gè)IMF分量；

（2）進(jìn)行IMF分量進(jìn)行篩選。選擇多尺度模糊熵來進(jìn)行時(shí)間序列分析，通過判斷相關(guān)系數(shù)H的取值是否在閾值內(nèi)，即可對(duì)IMF分量進(jìn)行保留和刪除。對(duì)時(shí)間序列X和Y，其相關(guān)系數(shù)的計(jì)算式為2：

式中：cov為協(xié)方差。

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

（3）經(jīng)過IMF分量的振動(dòng)數(shù)據(jù)重構(gòu)，多尺度模糊熵的特征計(jì)算，即得到特征矩陣。

2.5 特征識(shí)別

由于時(shí)間成本和經(jīng)濟(jì)成本的限制，從實(shí)驗(yàn)室獲得的故障樣本數(shù)據(jù)量仍然有限”。綜合考慮，選擇基于RBF的多分類SVM來進(jìn)行振動(dòng)識(shí)別，并通過LIBSVM 2軟件包運(yùn)行SVM；設(shè)計(jì)整個(gè)識(shí)別過程如圖2所示。

3 實(shí)驗(yàn)結(jié)果與分析

選用2D12—70型壓縮機(jī)作為實(shí)驗(yàn)對(duì)象，設(shè)置系統(tǒng)采樣頻率為50Hz，選定監(jiān)測(cè)對(duì)象為二級(jí)排氣閥側(cè)蓋，出現(xiàn)的故障類型有排氣閥斷裂、彈簧缺失、側(cè)蓋出現(xiàn)缺口或裂痕3種。

3.1 數(shù)據(jù)預(yù)處理性能驗(yàn)證

選擇通過時(shí)域圖進(jìn)行數(shù)據(jù)處理展示，經(jīng)過實(shí)驗(yàn)，獲得二級(jí)排氣閥在2種狀態(tài)下去噪的時(shí)域?qū)Ρ葓D，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?qū)Σ煌瑺顟B(tài)下采集的振動(dòng)數(shù)據(jù)進(jìn)行去噪。

3.2 改進(jìn)的多尺度模糊熵性能驗(yàn)證

為保證性能驗(yàn)證結(jié)果的普適性，選擇2048字節(jié)長度的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，算法改進(jìn)前后的實(shí)驗(yàn)結(jié)果如圖4所示。

從圖4可以看出，改進(jìn)后的算法，其多尺度熵曲線更為平滑、穩(wěn)定，不存在數(shù)值突變，具有更好的時(shí)間序列比較能力。出現(xiàn)這種優(yōu)勢(shì)的原因：時(shí)間窗改進(jìn)后，使粗?；^程的窗格選定具有更強(qiáng)的邏輯性，經(jīng)過平均計(jì)算，輸出的粗粒向量能夠更為準(zhǔn)確地描述時(shí)間序列。而模糊算法的加入，使得時(shí)間序列的比對(duì)速率加快，比對(duì)精準(zhǔn)度增加，對(duì)時(shí)間序列具有更強(qiáng)的差異性分析。

3.3 改進(jìn)后特征提取算法驗(yàn)證

通過MEMD 算法對(duì)輸入的振動(dòng)信號(hào)進(jìn)行分解，每個(gè)故障狀態(tài)和正常狀態(tài)都能得到多個(gè)IMF分量，正常狀態(tài)下和氣閥泄露狀態(tài)下的部分IMF 分量圖如圖5所示。

選擇10個(gè)不同 IMF 分量作為研究對(duì)象，進(jìn)行 IMF 分量的篩選實(shí)驗(yàn)，各分量的相關(guān)系數(shù)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(shù)量為4。

為驗(yàn)證閾值的合理性，對(duì)每種故障狀態(tài)和正常狀態(tài)分別隨機(jī)抽取30組振動(dòng)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。經(jīng)過統(tǒng)計(jì)分析，0.3閾值下，99.4%的振動(dòng)數(shù)據(jù)篩選出的IMF 分量數(shù)目為4，且這些IMF 分量的相關(guān)系數(shù)取值均大于0.3，因此，設(shè)置的閾值基本滿足要求。確定的IMF 分量數(shù)目超過99.4%。最后為體現(xiàn)提取特征的優(yōu)勢(shì)，即故障與正常狀態(tài)的特征可分性，以折線圖對(duì)輸出特征向量進(jìn)行展示，具體如圖6所示。

從圖6可以看出，正常狀態(tài)與故障狀態(tài)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(jìn)后的特征提取算法具有較好的特征提取能力。

3.4 監(jiān)測(cè)系統(tǒng)整體性能驗(yàn)證

為驗(yàn)證本研究設(shè)計(jì)的監(jiān)測(cè)系統(tǒng)的識(shí)別能力，引入多種改進(jìn)算法相結(jié)合的系統(tǒng)進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表2所示。

由表2可知，本研究設(shè)計(jì)的監(jiān)測(cè)識(shí)別系統(tǒng)，識(shí)別率明顯提高，具有更好的化工機(jī)械監(jiān)測(cè)識(shí)別能力。

4 結(jié)語

通過對(duì)監(jiān)測(cè)識(shí)別系統(tǒng)中的特征提取部分進(jìn)行優(yōu)化設(shè)計(jì)，改進(jìn)多尺度熵，并與MEMD 算法相結(jié)合，使提取的特征更好的信息表征能力，能夠更容易被識(shí)別區(qū)分，具有更高的狀態(tài)區(qū)分能力和故障識(shí)別能力。但本文的故障數(shù)據(jù)來源于實(shí)驗(yàn)環(huán)境，對(duì)某些特定環(huán)境下的故障識(shí)別精度較低，針對(duì)這類環(huán)境，還需要對(duì)現(xiàn)場(chǎng)環(huán)境進(jìn)行振動(dòng)數(shù)據(jù)采集，重新對(duì)系統(tǒng)進(jìn)行訓(xùn)練，才能保證系統(tǒng)的正確識(shí)別率。同時(shí)，由于未對(duì)識(shí)別算法進(jìn)行改進(jìn)，選擇RBF 核函數(shù)，在進(jìn)行數(shù)據(jù)分析時(shí)，會(huì)將所有數(shù)據(jù)進(jìn)行數(shù)值化處理，導(dǎo)致數(shù)據(jù)不能重復(fù)利用，需要設(shè)置備份。

【參考文獻(xiàn)】

[1] 劉東東.旋轉(zhuǎn)機(jī)械故障信息挖掘及狀態(tài)評(píng)估方法研究[D].北京：北京交通大學(xué)，2021.

[2] 李學(xué)哲，王菲，付永欽，等.基于振動(dòng)分析的礦用通風(fēng)機(jī)故障預(yù)警技術(shù)研究[J].煤礦機(jī)械，2021，42（4）：171-174.

[3] 韓敏，李宇，韓冰.基于改進(jìn)結(jié)構(gòu)保持?jǐn)?shù)據(jù)降維方法的故障診斷研究[J].自動(dòng)化學(xué)報(bào)，2021，47（2）：338-348.

[4] 楊帆，張文娟，孫劍偉，等.基于虛擬儀器技術(shù)的機(jī)械設(shè)備故障監(jiān)測(cè)及診斷系統(tǒng)研究[J].粘接，2020，42（6）：133-137.

[5] 翟瑩瑩，左麗，張恩德.基于參數(shù)優(yōu)化的 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)算法[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，41（2）：176-181.

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

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

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

[9] 林金朝，李必祿，李國權(quán)，等.基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和信號(hào)結(jié)構(gòu)分析的心電信號(hào)R 波識(shí)別算法[J].電子與信息學(xué)報(bào)，2021，43（8）：2352-2360.

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

[11] 胡平.鐵路機(jī)車車輛運(yùn)行故障監(jiān)測(cè)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(zhuǎn)向架故障診斷[J].振動(dòng).測(cè)試與診斷，2021，41（5）：874-879.

[13] 李楠，支麗紅.計(jì)算代數(shù)方程組孤立奇異解的符號(hào)數(shù)值方法[J].中國科學(xué)：數(shù)學(xué)，2021，51（1）：17-42.

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

[15] 劉旭，劉海寧，林心園，等.基于數(shù)字信號(hào)處理器的振動(dòng)信號(hào)采集及邊緣計(jì)算系統(tǒng)設(shè)計(jì)[J].濟(jì)南大學(xué)學(xué)報(bào)（自然科學(xué)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(fā)電系統(tǒng)輸出功率預(yù)測(cè)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(yè)評(píng)估體系研究[J].重慶科技學(xué)院學(xué)報(bào)（自然科學(xué)版），2021，23（6）：50-54.

[18] 吳蔚，吳農(nóng).基于SVM 的建筑學(xué)專業(yè)學(xué)生綜合設(shè)計(jì)潛力評(píng)價(jià)[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(zhì)SVM 方法的土壤鹽漬化高光譜定量分類研究[J].現(xiàn)代電子技術(shù)，2021，44（3）：155-161.

[20] 李坤，劉鵬，呂雅潔，等.基于Spark 的LIBSVM 參數(shù)優(yōu)選并行化算法[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)），2016，52（2）：343-352.