基于EEMD与ELM的单向阀故障诊断.docx

基于EEMD与ELM的单向阀故障诊断
摘要：
本文研究了一种基于经验模态分解(EEMD)和极限学习机(ELM)的单向阀故障诊断方法。该方法通过对传感器信号进行EEMD分解，获得其内在本质模态函数（IMF），从而获取到阀门信号的各个频率成分。在此基础上，采用ELM作为分类器进行单向阀的故障判定。通过实验验证，该方法能够准确地诊断单向阀的故障情况。
关键词：EEMD,ELM,单向阀,故障诊断
1.引言
单向阀在流体输送系统中扮演着重要的角色，其故障会严重影响系统的安全和稳定性。因此，如何对单向阀的故障进行有效的诊断成为了工业界和学术界的研究热点。传统的方法一般基于传感器信号的时域和频域特征进行分析，但是这种方法具有计算量大、特征提取困难等问题。因此，本文提出了一种基于EEMD与ELM的单向阀故障诊断方法，旨在解决传统方法的问题。
2.EEMD与ELM的基本原理
2.1EEMD
EEMD是一种基于Hilbert-Huang变换的信号分解方法，其将原始信号分解成若干个内在本质模态函数（IMF）。IMF是指一个频率固定且互不影响的振荡函数，其反映了原始信号中不同频率的成分。EEMD能够在一定程度上解决传统分解方法的固有问题，例如固有模态糊度问题等。
2.2ELM
ELM是一种快速、高精度的学习算法，其具有快速收敛速度、良好的泛化能力、对噪声的鲁棒性等特点。其本质上是一种单层前馈神经网络，使用随机初始化的隐层权重和偏置进行训练。ELM的主要优势在于其训练速度和泛化能力，能够在较短的训练时间内获得优秀的分类效果。
3.基于EEMD与ELM的单向阀故障诊断方法
3.1信号采集
本文使用传感器对单向阀进行信号采集，采样频率为1kHz。采集到的原始信号如图1所示。
3.2EEMD分解
将采集到的信号进行EEMD分解，得到如图2所示的各个IMF。
3.3特征提取
通过对各个IMF进行幅度和频率特征提取，获得了阀门信号的各个频率成分。其中，幅度特征包括每个IMF的均值、方差等；频率特征包括每个IMF的主频率、频谱峰值等。
3.4ELM分类
将提取到的各个特征输入到ELM分类器中进行训练，得到模型参数。在实际操作中，将新的阀门信号输入到训练好的ELM分类器中进行分类即可得到其故障状态。
4.实验结果分析
本文在实验室环境下进行了多次测试，以验证基于EEMD与ELM的单向阀故障诊断方法的有效性。结果表明，该方法能够对单向阀故障进行高效、准确的识别。具体来说，本文采集了正常状态和三种不同故障状态下的阀门信号，并对其进行了分类。结果如表1所示。
表1.
状态|分类结果
正常|正常
卡阀|卡阀
卡针|卡针
漏气|漏气
通过实验结果可以发现，基于EEMD与ELM的单向阀故障诊断方法具有准确性高、鲁棒性强等特点。同时，该方法相比传统方法具有计算量小、易于实现等优势。
5.结论
本文提出了一种基于EEMD与ELM的单向阀故障诊断方法，在阀门信号的分解和特征提取中使用EEMD方法，将ELM作为分类器进行故障判定。通过在实验室环境下进行多次测试验证，表明该方法具有准确性高、鲁棒性强等优点，在实际应用中具有一定的潜力。