VMD与多重分形奇异谱的往复压缩机故障特征预测方法.docx

VMD与多重分形奇异谱的往复压缩机故障特征预测方法
摘要
往复压缩机是工业中的重要设备，但由于其工作环境复杂和运行方式特殊，易发生故障。针对此问题，本文提出了一种基于VMD和多重分形奇异谱的往复压缩机故障特征预测方法。该方法通过VMD分解原始故障信号，获取其固有模态函数，并通过多重分形分析法提取固有模态函数的分形维数作为特征指标，建立了基于支持向量机的故障识别模型。实验结果表明，该方法能够有效地识别往复压缩机的故障状态，并对故障类型进行准确分类。
关键词：VMD、多重分形、故障特征预测、往复压缩机、支持向量机
Abstract
Reciprocatingcompressorisanimportantequipmentinindustry,butduetoitscomplexworkingenvironmentandspecialoperatingmode,itispronetofailure.Inviewofthisproblem,thispaperproposesafaultfeaturepredictionmethodforreciprocatingcompressorsbasedonVMDandmulti-fractalsingularspectrumanalysis.ThismethoddecomposestheoriginalfaultsignalbyVMDtoobtainitsintrinsicmodefunctions,andextractsthefractaldimensionoftheintrinsicmodefunctionsbymulti-fractalanalysisasfeatureindicators,andestablishesafaultrecognitionmodelbasedonsupportvectormachine.Theexperimentalresultsshowthatthemethodcaneffectivelyidentifythefaultstateofreciprocatingcompressorsandaccuratelyclassifythefaulttypes.
Keywords：VMD,multi-fractal,faultfeatureprediction,reciprocatingcompressor,supportvectormachine
1.引言
往复压缩机是各种流程工业中常见的一种重要设备，其被广泛应用于空调、冷冻、石油化工等领域。然而，由于其工作环境复杂、运行过程中存在强烈的振动和噪声，因此故障率较高。因此，如何及早并准确地预测往复压缩机的故障状态及类型，对于保障生产的连续性和可靠性具有重要的意义。
目前，针对往复压缩机故障预测问题，研究者们提出了不同的方法。其中，频域分析法和时域分析法被广泛应用于工程实践中。然而，这些方法仅通过观察信号的某些特征，很难准确判断故障的类型和严重程度。另外，由于往复压缩机故障信号是非线性、非平稳、包含大量的噪声，传统方法很难应用于该领域。
为解决上述问题，本文提出了一种基于VMD和多重分形奇异谱的往复压缩机故障特征预测方法。该方法通过VMD分解原始故障信号，获取其固有模态函数，并通过多重分形分析法提取固有模态函数的分形维数作为特征指标，建立了基于支持向量机的故障识别模型。本文的主要贡献如下：
1.提出了一种新颖的往复压缩机故障特征预测方法，通过VMD和多重分形奇异谱方法对原始信号进行处理，提取其固有模态函数的分形维数作为特征指标，建立了支持向量机模型。
2.在一个包含不同类型的往复压缩机故障数据集上进行了实验，结果表明本文提出的方法具有很高的准确率和鲁棒性，能够有效地识别和分类多种故障类型。
2.原理分析
2.1VMD
VMD（VariationalModeDecomposition）是一种基于变分原理的信号分解方法，可以将原始信号分解成多个不同频率的固有模态函数（IMF），其能够自适应地分解任意复杂度的非线性和非平稳信号。VMD算法的流程如下：
(1)将原始信号先做Hilbert变换，得到解析信号。
(2)设置代价函数，包括平滑度和相位约束条件。
(3)通过优化代价函数，得到一组固有模态函数和一个残差项。
(4)改变代价函数中的参数，重复上述步骤，直至收敛。
2.2多重分形奇异谱
多重分形奇异谱（Multi-FractalSingularSpectrumAnalysis，MFSSA）是一种用于分析自然信号和金融时间序列的多尺度分形方法。其可以将信号分解为若干个子段，并提取出每个子段的多重分形特征。MFSSA算法的流程如下：
(1)将信号分成多个子段，每个子段长度相等，长度为m。
(2)对每个子段进行奇异值分解（SVD）