[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

摘要

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…Tn]；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Kn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。

主权项

1.一种基于VMD和MFSS模型的往复压缩机寿命预测方法，其特征在于：所述方法具体步骤如下：

步骤一：选择往复式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，分别测试和截取振动加速度信号并保存；

步骤二：使用变分模态分解方法对所截取的具有类周期特点的振动加速度信号进行分解，计算并选择BLIMF主分量；

步骤三：将得到的BLIMF主分量用db4小波软阈值降噪，并采用瞬时频率均值和互相关系数法优选BLIMF主分量，突出原信号特征成分；

步骤四：对各采样段优选后的主分量重构并提取多重分形特征谱参数，形成待预测的奇异谱特征序列；

步骤五：分别计算原信号不同采样段的饱和信息熵，该熵值的倒数被认为是复杂系统饱和相似容限下对应的最大预测尺度，计算各采样段的时间预测尺度向量[T₁,T₂…T_n]；

步骤六：用改进K_n近邻分类算法建立动态预测模型，在时间预测尺度内对步骤四待预测的特征序列进行预测；

步骤七：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。

2.根据权利要求1所述的一种基于VMD和MFSS模型的往复压缩机寿命预测方法，其特征在于：步骤二中，具体为：

(1)计算各BLIMF瞬时频率均值出现拐点的变分模态分解个数临界值记为N₁；

(2)计算各BLIMF分量互相关系数跳变值对应的变分模态分解个数临界值记为N₂；

(3)在[N₁ N₂]区间，选择最小冗余分量，确定最优分解个数。

3.根据权利要求1所述的一种基于VMD和MFSS模型的往复压缩机寿命预测方法，其特征在于：步骤三中，基于启发式小波软阈值降噪法，波母函数为db4，三层分解，对每个BLIMF分量降噪。

4.根据权利要求1所述的一种基于VMD和MFSS模型的往复压缩机寿命预测方法，其特征在于：步骤四中，时间预测尺度的计算采用以下方法：计算各采样段的信息熵，计算二阶信息熵，即：其中，r为时间序列划分的尺度，N_m为m维相空间距离小于r的点对占的比例，称为相似容限，τ₀表示采样时间间隔；当空间饱和时得到基于该区段复杂度的时间预测尺度T≈1/I₂。

5.根据权利要求1所述的一种基于VMD和MFSS模型的往复压缩机寿命预测方法，其特征在于：步骤五中：

(1)用改进直接法计算每个分量的多重分形奇异谱；具体步骤如下：

a、计算采样时序的折线长度，总长度为L，令k＝1；

b、给定阶数q，δ_k＝δ₀/2^k‑1，δ₀为初始时间尺度；

c、定义新的概率测度p_i(δ)＝l_i/L，l_i是将按尺度δ_k划分后，振动信号时间序列第i段折线长度之和；

d、由计算μ_i(q,δ)ln[μ_i(q,δ)]‑lnδ，若δ_k≤1转下一步；否则，k＝k+1，转b步骤；

e、根据计算f(α(q))；

f、作双对数曲线进行最小二乘拟和；并根据式计算α(q)；

(2)构造表征系统奇异性且可分性好的特征谱参数，定义α_s＝(α_max‑α₀)/(α₀‑α_min)为谱对称比，以此参数建立故障分类数据库，并通过阈值作为故障分类和寿命预测的特征判据，其中α_max和α_min表示最大和最小奇异指数，α₀为中心奇异指数。

6.根据权利要求1所述的一种基于VMD和MFSS模型的往复压缩机寿命预测方法，其特征在于：步骤六中，具体步骤如下：

(1)为重现系统的动力学特征，将参数α_s延拓成谱特征相空间：

矩阵每个元素表示各不同短时采样时段的相空间特征谱值；

(2)以每一行为预测向量，即构造M个数据向量作为建模域，其中每个向量作为待预测向量的子序列，用延时嵌入法计算饱和维数M和延迟时间θ₀，通过计算归一化的余弦距离获得K个邻近值；

(3)然后对K个邻近值依原序列的距离比值加权平均，即可得到新预测值；

(4)将新预测值代入预测序列使建模域滚动前移，回到(1)，重新计算并重构特征相空间，直至达到最大时间预测尺度，输出各个预测时间点的特征谱参数。