[发明专利]一种基于VMD和MFSS模型的往复压缩机寿命预测方法

说明书

一种基于VMD与MFSS模型的往复压缩机寿命预测方法，属于往复机械故障模式识别与诊断预测领域。所述方法如下：选择往复压缩机敏感测点的特征振动信号，通过加速度传感器和光电传感器测试和截取振动加速度信号；使用变分模态分解方法对振动加速度信号进行分解，计算选择BLIMF主分量，计算原信号不同采样段的饱和信息熵，计算各采样段的时间预测尺度向量[T₁,T₂…T_n]；提取各采样段的多重分形奇异谱，构造特征谱参数，形成待预测的特征序列；用改进K_n近邻分类算法建立动态预测模型，在时间预测尺度内进行预测；将预测值与故障分类数据库的标准分类值作回归拟合分析，判定故障程度并预测残余寿命。

技术领域

本发明涉及往复机械故障模式识别与诊断预测领域，具体的是一种基于变分模态分解(Variational Mode Decomposition，VMD)与多重分形奇异谱(Multi-FractalSingular Spectrum，MFSS)模型的往复压缩机寿命预测方法。

背景技术

大型往复式压缩机是石油、石化与合成氨等工业的核心设备，由于其振动冲击剧烈与不对称性等特征，长期运行出现故障所造成巨大的危害性后果，以轴承系统和活塞气阀等为代表的运动部件，因其隐蔽性及诊断和识别的困难性，一直是学者们研究的难点；特别是十字头、轴瓦等摩擦副磨损间隙故障的耦合性与气阀断裂与弹簧失效故障的因果性问题，使得多分类模式识别的有效性对压缩机工作寿命预测结果影响较大，作为故障诊断技术不可或缺的环节，基于该类典型故障的分类识别与基于不同故障程度判定的寿命预测技术的研究，是保证设备安全运行的必需。

基于加速度传感器的设备表面振动信号采集技术，因信号中包含大量的设备状态信息，通过现代信号处理方法可获得设备的故障识别与预测的信息；然而，往复压缩机振动信号表现出的强烈非平稳性、强噪声和时变特征，加上测点的局限性，使得传统的时频分析、傅里叶变换等平稳、线性、定参数模型分析与预测方法难以获得满意的诊断结果，制约了故障诊断与预测技术的发展。

相比传统的诊断方法，以Huang等人提出的检验模态分解为代表的信号自适应分解技术适合于具有非平稳、非线性特性的信号特征提取，Smith等人提出的局部均值分解算法其本质上是基于经验模态分解的改进算法，均无法有效抑制模态混叠现象，基于该类方法的故障诊断与预测，往往造成结果稳定性差；美国学者Konstantin Dragomiretskiy提出的变分模态分解，它能够将复杂的信号分解为预设尺度的数个调幅调频信号；在变分框架内实现真正意义的信号自适应分解，实现良好的信噪分离效果的同时，能有效地抑制模态混叠现象。

非参数回归预测算法是一种近年来在预测学中较热门建模方法，特别适合于不确定性、非线性动态系统。其原理是直接从历史数据中得到信息，然后根据他们的主要分类来判定新数据的类别，其特别适合于具有多个类别或特征的分类问题，适应于压缩机轴承与气阀等多故障类型分类问题的预测，但限于其计算效率较低、模型机理过于简单，需要对算法融合和改良。

对于往复式压缩机这类具有明显非线性、不确定性的动态系统，其振动信号所表现出的混沌本质，即对于初始条件的依赖，制约了Kn邻近算法的准确性，同时，预测模型参数因设备信号表现的多重分形本质带来的时变性，需要建立一种基于分形参数的动态预测模型来有效映射系统的演化规律。

往复机械振动信号表现出的类周期震荡和复杂的多重分形特征——即长期不可预测性，使得预测结果受熵值复杂度的制约；同时基于振动信号的预测不能仅局限于获得振动时序某时刻瞬时振动幅值的预测结果，必须基于熵值饱和原理计算系统预测可信时间尺度的前提下，建立一种展现系统混沌本质特征的预测参数并有效建模，其预测值和结论才有实际意义。