基于ICEEMDAN-GRNN 神经网络的往复泵故障诊断方法研究

别锋锋，都腾飞，庞明军，谷 晟

（常州大学机械工程学院，江苏 常州 213016）

1 引言

往复泵是石油石化、给排水领域的重要工业设备，其内部结构复杂，零件易于磨损，一旦发生故障容易产生巨大的经济损失[1]。目前，对振动信号进行时频分析是往复泵提取故障特征的有效方法。常用的时频分析方法包括EMD 分解以及EEMD 分解、CEEMDAN 分解等改进算法。1998 年，文献[2]首先提出EMD 分解。EMD 是处理非线性振动信号的有力工具，但EMD 分解缺乏严格的数学依据、计算效率较低，易造成模态混叠和虚假分量等问题。在此基础上文献[3]提出了EEMD 算法。通过添加辅助白噪声，可以在一定程度上抑制模态混叠，但算法效率相对较低。文献[4]提出了CEEMDAN 算法，该算法在分解的每个阶段添加自适应白噪声，通过计算残差得到各个的模态分量，从而通过减少模态混叠来提高计算效率。采用ICEEMDAN-GRNN 神经网络方法，进一步优化的ICEEMDAN 分解方法极大地抑制了由分解过程引起的模态混叠问题，GRNN 神经网络算法则在分类过程中具有更强的学习分类能力。针对往复泵故障诊断特征提取的难点，提出了一种基于ICEEMDAN 和奇异谱熵的故障特征提取方法：利用ICEEMDAN 分解信号生成一系列固有模态函数IMF 分量，计算IMF 分量奇异谱熵作为特征向量，并将特征向量输入深度GRNN神经网络进行训练与识别。

2 原理方法

2.1 ICEEMDAN 算法

完全集合经验模态分解（CEEMDAN）被认为是EEMD 的一个重大的改进算法，它通过在每个IMF 分量上加入正负对的白噪声，可以大大减小IMF 重构的误差。……