KLPP特征约简与RELM的高压隔膜泵单向阀故障诊断.pdf

李瑞，范玉刚，张光辉.KLPP 特征约简与 RELM 的高压隔膜泵单向阀故障诊断J.机械科学与技术，2023，42（8）：1332-1339KLPP 特征约简与 RELM 的高压隔膜泵单向阀故障诊断李瑞1,2，范玉刚1,2，张光辉1（1.昆明理工大学信息工程与自动化学院，昆明650500；2.昆明理工大学云南省人工智能重点实验室，昆明650500）摘要：为此提出基于核局部保持投影(KLPP)和正则化极限学习机(RELM)的高压隔膜泵单向阀故障诊断方法。首先，提取单向阀振动信号的时域、频域、时频域特征，构建多域特征集；然后，通过KLPP 算法对构建的多域特征集进行维数约简；最后，建立基于 RELM 的故障诊断模型，用于识别单向阀运行状态。实验结果表明，基于多域特征的故障诊断方法检测精度高于单域特征识别方法；KLPP 约简多域特征集，可以有效消除信息冗余；建立的 RELM 故障诊断模型识别精度达到98.89%，能够有效识别高压隔膜泵单向阀故障类型。关键词：单向阀；故障诊断；核局部保持投影；正则化极限学习机中图分类号：TN710.1；TH165.3文献标志码：ADOI：10.13433/ki.1003-8728.20220076文章编号：1003-8728（2023）08-1332-08Check Valve Fault Diagnosis of High-pressure Diaphragm Pump withKLPP Feature Reduction and RELMLIRui1,2，FANYugang1,2，ZHANGGuanghui1(1.FacultyofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,China；2.YunnanKeyLaboratoryofArtificialIntelligence,KunmingUniversityofScienceandTechnology,Kunming650500,China)Abstract：Thesingle-domainfeaturecannotfullyreflecttheoperatingstateofcheckvalveofthehigh-pressurediaphragmpump,andthehigh-dimensionalfeaturesetcomposedofmulti-domainfeatureswillproducedimensionaldisasters,andtheinformationredundancyleadstolowrecognitionaccuracyofthefaultdiagnosismodel.Tothisend,afaultdiagnosismethodforcheckvalveofhigh-pressurediaphragmpumpbasedonKLPP(Kernellocalpreservationprojection)andRELM(Regularizedextremelearningmachine)isproposedinthispaper.First,thetimedomain,frequencydomainandtime-frequencydomainfeaturesofcheckvalvevibrationsignalarerespectivelyextractedtoconstructamulti-domainfeatureset.Then,dimensionalityreductionisperformedonthe constructed multi-domain feature set through the KLPP algorithm.Finally,a fault diagnosis model based on RELM isestablishedtoidentifytheoperatingstatusofcheckvalve.Theexperimentalresultsshowthatthedetectionaccuracyofthefaultdiagnosismethodbasedonmulti-domainfeaturesishigherthanthatofthesingle-domainfeaturerecognitionmethod;KLPPreduces the multi-domain feature set,which can effectively eliminate information redundancy;the established RELM faultdiagnosismodelhasarecognitionaccuracyof98.89%,whichcaneffectivelyidentifythefaulttypeofcheckvalveofthehigh-pressurediaphragmpump.Keywords：checkvalve；faultdiagnosis；kernellocalitypreservingprojection；regularizedextremelearningmachine高压隔膜泵是一种新型物料输送机械设备，具有性能稳定、密封性好和耐腐蚀等优点，已经广泛应用于精细化工、冶金铸造和废水处理等领域1。单向阀作为高压隔膜泵中核心的部件之一，需要在高负荷工况下保持连续运行，其工作状态直接影响高压隔膜泵的稳定性2-3。因此，对单向阀的故障诊断具有重要意义和价值。振动信号能直接反映出机械设备所处的工作状态，对机械设备振动信号进行特征提取，用于构建表征其运行状态的特征集，是机械设备故障检测的关收稿日期：2021-08-11基金项目：国家自然科学基金项目(649220180003)作者简介：李瑞（1996），硕士研究生，研究方向为高压隔膜泵单向阀故障诊断，通信作者：范玉刚，副教授，硕士生导师，2023 年8 月机械科学与技术August2023第 42 卷第 8 期MechanicalScienceandTechnologyforAerospaceEngineeringVol.42No.8http:/ S 变换与奇异值分解结合提取柱塞式液压泵时频域特征，并采用极限学习机（Extremelearningmachine，ELM）实现故障类型识别。孙岩等6通过短时傅里叶变换（Short-timefouriertransform，STFT）提取轴承振动信号时频域特征，之后利用改进型胶囊网络（LR-capsulenet）实现对轴承的故障诊断。上述特征提取方法忽略了振动信号的时域和频域特征，难以全面表征设备的运行状态。时域、频域和时频域构成的多域特征集可以充分反映机械设备的运行状态，但多域特征集存在维数灾难等问题，易导致故障识别精度降低7。流形学习是一种维数约简的有效方法，可用于对高维数据进行降维8。施莹等9通过等距映射方法，对轴承脉冲包络空间求解低维度本征包络特征，用于轴承的故障识别。张成等10使用局部保持投影（Localitypreservingprojection，LPP）流形学习方法对高维数据进行降维，减少数据中的离群点对加权k 近邻规则（Weightedknearestneighbors，WKNN）模型故障识别结果的影响。刘长良等11引入核方法对 LPP 算法进行非线性拓展，采用核局部保持投影（Kernel locality preserving projection，KLPP）方法，对高维数据进行降维。以上文献表明高维特征集的低维流形结构能够表征设备的运行状态，用于构建故障诊断模型。极限学习机是一种有效的故障诊断模型，但 ELM 在训练过程中存在隐层输出矩阵不稳定的问题12。正则化极限学习机（Regularizedextremelearningmachine，RELM）13通过引入正则项对输出权值范围进行控制，可有效克服 ELM 模型过拟合导致泛化性能降低的问题。运行状态表征提取和维数灾难等问题，降低了高压隔膜泵单向阀故障诊断模型的识别精度，为提升故障诊断模型的泛化性能和识别精度，本文提出一种基于 KLPP 和 RELM 的高压隔膜泵单向阀故障诊断方法。首先通过统计学方法14、傅里叶分析15和小波包分解16提取高压隔膜泵单向阀时域、频域和时频域特征组成多域特征集。之后利用 KLPP 得到低维特征集，以表征高压隔膜泵的工作状态。最后建立基于 RELM 的故障诊断模型，完成对高压隔膜泵单向阀运行状态的检测。1 多域故障特征提取 1.1时域特征提取n=1,2,Nk=1,2,KfkT1T10T11 T16F4 F10F11 F13机械设备运行过程中产生的振动信号时域和频域特性会伴随着工作状态的改变而发生变化，分析相应特性的变化可以有效地识别出设备的工作状态17。对于给定的振动信号，利用统计学方法提取16 个时域特征，并通过傅里叶分析提取 13 个频域特征参数。时、频域具体特征参数如表 1 与表 2 所示。x（n）表示振动信号序列，N 为样本点数；s（k）表示 x（n）的频谱，K 为谱线数；为第 k 条谱线的频率值。时域特征中为有量纲时域特征统计参数，为无量纲时域特征统计参数。频域特征中描述频谱的分散或集中程度，描述主频位置的变化。表 1 时域特征Tab.1Time-domainfeatures特征参数表达式特征参数表达式特征参数表达式平均值T1=1NNn=1x(n)方差T7=1NNn=1(x(n)2脉冲指标T13=T8T4标准差T2=1N1Nn=1x(n)T1最大值T8=max|x(n)|裕度指标T14=T8T3方根幅值T14=T8T3最小值T9=min|x(n)|偏度指标T15=T5(T7)3绝对平均值T4=1NNn=1|x(n)|峰峰值T10=T8T9峭度指标T16=T6(T7)2偏度T5=1NNn=1(x(n)3波形指标T11=T2T4峭度T6=1NNn=1(x(n)4峰值指标T12=T8T2第8期李瑞，等:KLPP 特征约简与 RELM 的高压隔膜泵单向阀故障诊断1333http:/ 2 频域特征Tab.2frequency-domainfeatures特征参数表达式特征参数表达式特征参数表达式均值频率F1=1KKk=1s(k)频率特征6F6=1KKk=1(fkF5)2s(k)频率特征11F11=Kk=1(fkF5)3s(k)K(F6)3频率中心F2=1K1Kk=1(s(k)F1)2频率特征7F7=Kk=1f2ks(k)Kk=1s(k)频率特征12F12=Kk=1(fkF5)4s(k)K(F6)4标准差频率F3=Kk=1(s(k)F1)3K(F2)3频率特征8F8=Kk=1f4ks(k)Kk=1f2ks(k)频率特征13F13=Kk=1(fkF5)s(k)KF6频率特征4F4=Kk=1(s(k)F1)4K(F2)2频率特征9F9=Kk=1f2ks(k)Kk=1s(k)Kk=1f4ks(k)频率特征5F5=Kk=1fks(k)Kk=1s(k)频率特征10F10=F6F5 1.2时频域特征提取不同状态的振动信号对各频率成分能量的抑制和加强效果不同，所以振动信号的频率成分能量中具有丰富的状态信息。小波包分解可以同时对低频和高频两个部分信号进行分解，而且这种分解既无冗余，也无疏漏，对含有丰富中、高频信息的信号可以比较好地实现时频分析，比传统的小波分解在时频域分析方法中更全面，对信号细节的分析效果更好18。本文通过小波包分解提取单向阀振动信号时频域能量和能量熵特征，从而与其故障类型之间建立映射关系。对于长度为 N 的振动信号 x（n），小波包分解提取时频域信号特征步骤如下：2j1）对 x（n）作 j 层小波包信号分解，计算得到个子信号，并对第 j 层所有节点的信号作特征提取处理。小波包分解公式为p10(n)=x(