论文部分内容阅读
往复式高压隔膜泵是矿浆管道输送的核心动力设备,其工作运行状态是否正常直接影响到企业的生产效率。单向阀由于受较高的工作频率及复杂机理的影响,致使其成为高压隔膜泵中最易发生故障的部件。单向阀因受输送矿物的粒径级配、浆体流变特性等因素的影响,使单向阀故障具有突发性、并发性、多源性、不确定性等特点,同时单向阀振动信号也表现出非平稳性和非线性等特点。并且单向阀早期故障振动信号受周围部件及环境噪声的影响,反映故障特征的冲击成分在整个振动信号中很微弱,从而使单向阀的早期故障难以检测和诊断。针对此问题,本文展开了以下几点研究:(1)针对传统时域分解方法不能很好的将相近频率成分及微弱高频成分分离的问题,提出基于微分经验模态分解(Directional Empirical Mode Decomposition,DEMD)和K-L散度的单向阀早期故障检测方法。对故障振动信号进行DEMD算法分解达到降噪目的,并通过K-L散度值选有效分量信号,利用Hilbert边际谱对信号进行瞬时频谱分析故障特征信息,实验分析证明该方法能初步提取单向阀早期故障特征,具有一定的可行性和有效性;(2)针对DEMD方法在降噪的同时也削弱了有用信号的问题,提出优化随机共振(Stochastic Resonance,SR)和DEMD的单向阀早期故障检测方法。对故障振动信号进行变尺度预处理,并将其输入到优化参数后的SR系统中,对系统输出信号进行DEMD算法分解,利用包络谱分析故障特征信息,实验分析证明该方法能避免传统分解方法的弊端,能较好的提取出早期故障特征;(3)在特征提取方法的基础上,为了提高对单向阀故障类型的分类效果,提出基于核主元分析(Kernel Principal Component Analysis,KPCA)与最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)的故障诊断方法。利用KPCA对提取的时频域参数进行二次特征提取,并输入到优化参数后的LSSVM故障识别模型中进行故障分类,实验结果表明该方法能适当提高单向阀故障类型识别的准确率。论文主要以单向阀为研究对象,针对单向阀早期故障特征不明显且故障特征信息难以提取的问题,提出了一系列故障检测及诊断的方法,实现了单向阀早期故障特征的提取及故障分类问题。