基于改进型CEEMDAN和RBF神经网络的往复式压缩机阀片故障诊断研究

谢雪松， 谢路杨， 都腾飞， 李仲树， 李泽军， 刘新

（江苏长江智能制造研究院有限责任公司, 江苏 常州213164）

0 引 言

往复压缩机是石油石化和机械领域的重要工业设备[1]，其内部结构复杂，零件易于磨损，一旦发生故障难以判别故障原因，容易造成巨大的经济损失。阀片是往复式压缩机最易发生故障的部位，在所有的故障类型中，阀片故障所占比例高达36%[2]。因此，对于往复式压缩机阀片故障诊断方法的研究具有重要的经济和实用价值[3]。而机械设备由于内在结构复杂，加上设备加工时的不确定性，采集的原始振动数据信号往往无法有效提取价值信息，必须作进一步的数据处理分析。

1 基于改进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，改进型自适应噪声完全集合经验模态分解）相比其他常规方法，由于其在分解过程中不断平衡信噪比，克服了常规分解易于产生模态混叠和虚假分量的问题[4]，其具体算法如下：

定义操作符Ek（）表示EMD分解后的第k个模态分量；定义操作符M（）表示信号的局部均值。那么E1（x）=x－M（x）。w（i）表示一系列不同的高斯白噪声，x（i）=x+w（i），操作符〈〉表示取均值。

1.2 振动信号的特征提取方法

信息熵描述了信号中信息复杂程度的大小，信号中所含的信息越多，信号就越复杂，其所含的不确定性和随机性也越多，信息熵也越大。奇异谱熵作为一种信息熵，反应了时域信号在奇异谱划分下各模式的不确定程度[5]。对信号进行ICEEMDAN分解，得到i阶的IMF分量和一个残差rn。将包含了不同频率特征的IMF分量进行奇异值分解，得每个IMF分量的奇异值μ1，μ2，μ3，…μi。那么向量R=［μ1，μ2，μ3，…μi］则是原始信号的奇异谱。信号的奇异谱熵表示为

1.3 RBF神经网络

神经网络由于其独特的关联性、记忆性和学习功能在设备故障诊断领域得到广泛应用[6]。径向基函数神经网络（RBF，Radial basis function）的优点是局部逼近。对于每个输入和输出数据对，只需要调整少量权重，结果就会发生很大的变化[7]。因此学习速度快且精度高。在逼近能力、分类能力和学习速度方面，RBF网络优于BP网络。

1.4 诊断方法

往复式压缩机阀故障诊断流程如图1所示。训练数据用于训练RBF神经网络。测试数据用于诊断故障并输出结果。所有的信号数据都按以下方法处理：首先利用ICEEMDAN分解算法对多个IMF分量进行分解，计算出具有不同频率特征的IMF分量的奇异值，然后根据信息熵理论构造奇异谱熵。

2 仿真模拟

由傅里叶变换可知，任何复杂的信号都是由简单的周期信号叠加而来的。

仿真模拟信号s由一个持续的平稳信号s1叠加一个较高频率间隙的信号s2，s=s1+s2，s1和s2如下所示：

图1 压缩机阀门故障诊断流程图

将仿真信号分别进行传统的CEEMDAN 分解和ICEEMDAN分解，结果如图2所示。

从图2中可以看出，CEEMDAN分解出现了虚假分量（如IMF2）和模态混叠（如IMF4）的情况，而ICEEMDAN分解结果就是组成原始信号的分量s1和s2，并没有出现虚假分量和模态混叠的问题，由此说明ICEEMDAN分解具有更加优越的性能。

图2 信号分解对比

3 实验测试

实验数据由MFS多功能故障模拟试验台测得。实验采用加速度传感器（灵敏度为54 mv/g）、IOtech640U型动态信号分析仪和笔记本电脑。测点布置如图3（a）所示，在压缩机上布置2个测点，测点1在压缩机的排气端，测点2布置在压缩机的机架处。实验设置压缩机阀片正常和故障2种工况。压缩机的阀片正常与故障的对比如图3（b）、（c）所示，在排气阀片上有一个刮伤磨损。

3.1 数据处理分析

实验采集的正常和故障状态下压缩机的振动信号如图4所示。

首先对数据信号进行ICEEMDAN 分解，然后计算分解信号的奇异谱熵。图5对比分析了阀片故障ICEEMDAN分解和CEE-MDAN分解的波形图。

图3 测点分布与阀片磨损对比

图4 往复泵振动信号波形图

3.2 实验结果和讨论

图5 ICEEMDAN和CEEMDAN信号分解方法对比

表1 计算了奇异谱熵。奇异谱熵描述了信号中信息的复杂性。信号中包含的信息越多，信号越复杂，熵的计算值就越大。在正常模式下，压缩机的振动信号能量较少，分布更集中。当压缩机阀门失效时，振动能量明显增强，频率分量更加丰富，故障模式的熵值更大。ICEEMDAN在分解时没有杂散分量和模态混叠。因此，与CEEMDAN相比，信号包含较少的不相关信息并且熵值较低。与测量点1相比，测量点2远离压缩机故障的位置。其他干扰因素会混入测量点并具有更多的频率成分。因此，测量点1的熵值高于测量点2的熵值。

本文各提取500组正常和故障的信号，共1000组数据。每组数据采样2048个点。在正常和故障的数据中每组随机抽取260个共520个作为训练样本，剩下的480个作为测试样本。先对随机选取的260个训练样本进行ICEEMDAN分解并计算奇异谱熵作为特征向量，输入到RBF神经网络进行训练，剩下的240个样本同样计算出特征向量进行验证。训练时，选取故障信号为标签1，正常的信号为标签2，同时使用BP神经网络和RBF神经网络进行模式识别。测试的240组样本中，如图6所示，RBF神经网络只有1组未被识别，识别的准确率为99.58%，而BP神经网络有5 组数据未被 识别，识别的准确率仅为97.9%。图7 和图8 分别展示了训练模型的样本特征空间分布和预测误差 大小。样本特征空间再经过数据处理后具有明显的聚簇效应，分类效果明显，同时预测结果与实际情况误差很小。

表1 正常和故障信号的奇异谱熵值

图6 RBF神经网络识别效果

图7 正常和故障样本特征空间分布(1000组样本)

图8 训练误差

4 结 论

本文对比分析了ICEEMDAN和CEEMDAN在信号处理方面的效果，使用ICEEMDAN分解往复式压缩机阀片故障的振动信号，并构造奇异谱熵特征向量，最后将特征向量输入RBF神经网络进行模式识别，具体结论如下：

1）通过模拟和实验分析发现，ICEEMDAN分解克服了传统分解方法易产生虚假分量和模态混叠的问题，对复杂的振动信号具有更好的分解效果。

2）提出了一种基于ICEEMDAN和奇异谱熵相结合的往复式压缩机阀片故障特征提取方法，从实验结果看出，该方法可以有效对往复式压缩机的阀片故障提取特征向量。

3）对比分析了RBF神经网络和BP神经网络的模式识别效果，实验发现RBF神经网络在处理压缩机往复信号时，具有更高的识别率。