[发明专利]基于联轴器不对中工况的离心泵多源信号并行处理方法

权利要求书

1.基于联轴器不对中工况的离心泵多源信号并行处理方法，其特征在于，包括：

建立离心泵多源信号同步测量试验台，其中压力脉动由高频动态压力传感器采集、振动信号由振动加速度传感器采集、流动噪声由水听器采集、联轴器的X方向轴向位移及Y方向的轴心轨迹由电涡流位移传感器采集；

基于长短期记忆网络改进并行扩展卡尔曼滤波算法建立离心泵多源信号并行降噪处理算法，其中采用迭代离差差分滤波算法和扩展卡尔曼滤波算法得到压力脉动信号、振动信号、或流动噪声信号的滤波器，采用随机梯度下降算法来实时调整长短期记忆网络的学习速率下降因子；

采用压力脉动强度分析正常工况和联轴器不对中工况下离心泵压力脉动特性；或采用振动速度级VL分析正常工况和联轴器不对中工况下离心泵振动特性；或采用声压级SPL分析正常工况和联轴器不对中工况下离心泵流动噪声特性；

分别同步采集正常工况和联轴器不对中工况下离心泵多源信号，同时测量联轴器的X方向轴向位移及Y方向的轴心轨迹，并采用改进后卡尔曼滤波方法对离心泵多源信号和联轴器的X方向轴向位移进行降噪处理；

采用快速傅里叶变换和Hanning窗对降噪后的多源信号进行频谱分析，得到多源信号的频域；

分析正常工况和联轴器不对中工况下离心泵压力脉动、或振动、或流动噪声的频谱特性、1/3倍频程谱分布特性。

2.根据权利要求1所述的方法，其特征在于，所述的基于长短期记忆网络改进并行扩展卡尔曼滤波算法建立离心泵多源信号并行降噪处理算法为：将每个并行滤波器的前一时刻离心泵测量信号的均值作为长短期记忆网络的输入，通过长短期记忆网络结构的处理得到当前时刻离心泵测量信号均值的预测值，并对预测值进行最小二乘法多项式拟合，得到预测误差的传递系数矩阵，从而对每个并行滤波器进行卡尔曼滤波。

3.根据权利要求1或2所述的方法，其特征在于，所述多源信号为：多测点压力脉动信号、或振动信号、或流动噪声信号；或压力脉动信号和振动信号组合；或压力脉动信号和流动噪声信号组合；或振动信号和流动噪声信号组合；或压力脉动信号、振动信号和流动噪声信号组合。

4.根据权利要求2所述的方法，其特征在于，所述的并行滤波器是通过残差来自动调节各个并行滤波器的权重，其初始权重为1/(n+1)，后续每个并行滤波器的权重则通过滤波器解计算得到残差和从第k个并行滤波器获得的残差协方差进行自动更新，其中n为滤波器的个数。

5.根据权利要求1所述的方法，其特征在于，所述的长短期记忆网络的学习速率下降因子为0.01～0.2。

6.根据权利要求1所述的方法，其特征在于，所述的压力脉动强度为：其中平均压力p_i为监测点i的静压，N为压力脉动监测点个数，ρ为工作介质密度，u₂为叶轮出口圆周速度。

7.根据权利要求1所述的方法，其特征在于，所述的振动速度级VL为：其中，v为测点振动速度有效值；v₀为基准振动速度水平。

8.根据权利要求1所述的方法，其特征在于，所述的声压级SPL为：其中，p为该测点有效声压值；p_ref为工作介质中参考声压。