基于混沌和随机共振的高压隔膜泵单向阀的早期故障诊断研究

【摘要】：高压隔膜泵作为工程中的重要动力设备,广泛应用于石油开采、料浆输送等工业生产领域。单向阀是高压隔膜泵的核心机械零部件之一,由于工作在结构复杂、工况多变的环境中,故障发生率远高于泵的其他部件。如果能在故障的早期阶段及时的发现故障发生位置和故障类型,就能有效的遏制由单向阀损坏而造成的重大后果,所以开展高压隔膜泵单向阀早期故障诊断研究具有重要的意义。单向阀早期振动信号不仅受到强背景噪声的干扰,还受到信号传输中衰减、信号采集设备损耗等因素的影响,导致振动信号中能反映故障特征的成分变得微弱。这给单向阀的早期故障诊断带来了极大的困扰与挑战。针对此问题,本文具体研究内容如下:(1)针对早期故障特征信息较为微弱且淹没在强背景噪声下难以检测的问题,提出基于参数优化的随机共振(Stochastic Resonance,SR)和变分模态分解(Variational Mode Decomposition,VMD)的单向阀早期故障检测方法。首先采用Duffing随机共振对故障振动信号进行特征增强,利用混沌粒子群优化算法(Chaos Particle Swarm Optimization,CPSO)自适应确定随机共振参数,达到最优的随机共振效果。然后再次利用CPSO得到最优的VMD参数组合,将随机共振系统的输出信号进行VMD分解,通过包络熵值选取有效的IMF分量信号进行重构,最后进行包络谱分析,实验分析证明该方法能有效的检测出早期故障特征信息。(2)针对随机共振方法能有效检测出早期故障信号,但无法对信号幅值进行估算来确定故障程度大小的问题,提出基于参数优化的VMD和改进的混沌Duffing振子的单向阀早期故障检测方法。首先利用CPSO对VMD的参数进行寻优,然后将故障振动信号进行VMD分解,选取有效的分量信号输入到改进的Duffing振子中,并结合相轨迹的变化和最大Lyapunov指数进行微弱特征信号的检测,实验分析证明该方法能有效的检测出早期故障信号并估算故障程度。(3)针对前述方法不能很好将单向阀早期故障的多种类型进行诊断,提出基于参数优化的随机共振和隐马尔科夫模型(Hidden Markov Model,HMM)的单向阀早期故障诊断方法。首先对正常状态、早期卡阀故障和早期磨损故障下的单向阀振动信号进行CPSO优化的随机共振处理,然后对随机共振系统的输出信号进行VMD分解,得到多个IMF分量,提取每个分量的多个特征参数构建特征向量集,并对特征向量集进行矢量量化处理,最后将特征向量输入到HMM实现故障分类,实验结果表明此方法能提高单向阀早期故障类型的诊断率。论文主要以高压隔膜泵单向阀为研究对象,通过本文所提的信号降噪方法和故障诊断方法,解决了单向阀早期故障难以被诊断的问题。