基于VMD包络谱的压缩机故障特征提取

张国栋王余奎朱毅

空军勤务学院江苏徐州221000

摘要：针对压缩机振动信号具有较强的非平稳性和非线性，故障特征难以提取的问题，本文通过对比变分模态分解（VariationalModeDecomposition,VMD）和经验模态分解（EmpiricalModeDecomposition,EMD）两种算法，结合包络谱理论提出了模态分量包络谱的压缩机特征提取方法。首先对比了VMD算法和EMD算法对压缩机振动信号分析的有效性和可行性，然后对VMD算法和EMD算法分解的模态分量求包络谱，从而提取故障特征频率。采用本文提出的方法对压缩机气阀故障振动信号进行分析，结果验证了VMD包络谱方法能够更准确地提取出压缩机气阀故障特征频率。

关键词：故障特征提取，VMD，EMD，包络谱，压缩机

TheExtractionofCompressorFaultFeaturesBasedonVMDEnvelopeSpectrum

ZhangGuodong,WangYukui,ZhuYi

(AirForceLogisticsCollege,Xuzhou,Jiangsu,China)

Abstract:Aimingatthatthevibrationsignalsofcompressorhavestronginstabilityandnonlinearityaswellasproblemsthatitsfaultfeaturesaredifficulttoextract,inthispaper,bycomparingthetwoalogorithmsofVMDandEMDandcombiningtheenvelopespectrumtheorywiththemodelcomponentenvelopespectrum,thecompressorfeatureextractionmethodisproposed.First,theeffectivenessandfeasibilityofVMDalgorithmandEMDalgorithmforcompressorvibrationsignalanalysisarecompared.ThentheenvelopespectrumisextractedfromthemodalcomponentsofVMDalgorithmandEMDalgorithm,soastoextractfaultfrequency.Thevibrationsignalanalysisofcompressorvalvefailureiscarriedoutbyusingthemethodproposedinthispaper.TheresultsshowthattheVMDenvelopespectrummethodcanextractthecharacteristicfrequencyofcompressorvalvefaultmoreaccurately.

Keywords:extractionoffaultfeatures；variationalmodedecomposition(VMD)；envelopespectrumentropy；compressor

压缩机是气体生产与保障装备的核心部件，其出现故障后将严重影响气体的供应。而现阶段，压缩机检修仍采用定期维修和事后维修相结合的方式，大多是在装备发生功能性故障时才发现故障，不但不能避免装备失修带来的损失，还影响气体的生产与供应。

近年来，由于振动信号采集方便、蕴含故障信息丰富、故障特征易于提取等优点，基于状态维修的装备维修方法逐步成为装备维修的主流方式，而装备故障判定是基于状态维修的关键环节。目前国内外针对机械装备振动信号的研究方法多样，刘涛、邵华[1]对变频涡旋压缩机振动信号进行数据采集，利用倒谱法和互相关理论进行数据的实时分析和故障诊断，为涡旋压缩机的故障诊断提供了方法和依据；张赵宁[2]利用HHT方法对振动信号进行时频域分析，较好的提取出振动信号的特征参数，能够有效地对往复式压缩机进行诊断；邬再新[3]应用信息熵理论，建立了一种基于时域的奇异谱熵、频域的功率谱熵、时-频小波能量谱熵和小波空间特征谱熵的振动信号分析方法，揭示了变转速条件下的压缩机的运动形式和变化规律，为涡旋压缩机故障诊断提供基础数据；然而，HHT和信息熵[4]的方法在故障诊断中容易受到模态混叠的影响，造成试验数据处理的不准确。

VMD[5]是一种新的自适应时频分析理论，相较于经验模态分解EMD[6]，能够较好的克服模态混叠的不足，本文将VMD算法应用到压缩机振动信号[7]故障特征提取中，并结合包络谱提出了VMD包络谱的压缩机故障特征提取方法。通过对采集的振动信号进行变分模态分解，然后对各模态分量求包络谱，提取压缩机故障特征信息，有效判定压缩机故障类型，为压缩机故障诊断提供技术支撑。

1.基于模态函数包络谱的特征提取方法

1.1变分模态分解

VMD是一种可以将一个任意信号分解为个模态分量信号的分解方法。每一个模态分量信号围绕在各自中心频率周围，通过迭代搜寻各个模态分量的最优解，以确定各分量的中心频率和带宽，从而使信号达到自适应的分离，具体步骤如下：

（1）首先对每个模态分量进行希尔伯特变换，获得的相关解析信号的单边频谱，增加一个指数项估计各分量的中心频率，并将各个模态频谱转移到基带上，得到

（2）通过式（1）解调信号的高斯平滑来估计各分量的带宽。

（3）构建变分模态分解模型，得到目标函数

其中，式（7）为约束条件，为精度（>0）,为迭代次数。在频域内，利用L2范数下傅里叶等距变换对式（4）-式（7）进行求解

（4）判断是否满足式（7）的收敛条件，若满足则停止迭代，否则返回到步骤（2）。

1.2经验模态分解

EMD分解方法是将复杂信号分解为IMF分量之和的方法，是HHT方法的核心内容。它从信号的时间特征尺度出发，将信号中不同尺度的波动或趋势分解出来，形成若干个IMF分量和一个残余项。EMD方法是基于信号本省的一种自适应分解方法。方法基于以下两个基本的假设：

假设一：任何复杂的信号都是由不同的固有模态函数组成每一个固有模态函数不论是线性或是非线性，都满足IMF分量的两个条件，任意两个模态之间是相互独立的；

假设二：任何时候，一个信号都包含多个固有模态函数，如果固有模态函数之间相互重叠，便形成了一个复杂信号。

运用EMD方法分解信号的步骤如下：

（1）确定信号的所有局部极大值点和局部极小值点，采用三次样条线将所有的局部极大值和局部极小值连接起来形成上下包络线，将上、下包络线的均值记为，原始信号减去可得到一个新的数据序列。即：

对式（17）进行FFT分析，即可得到信号的包络谱。

2.故障振动信号采集与分析

本文研究对象为VF-1.25/200型压缩机，试验中采集气阀故障状态下振动信号，其中气阀故障采用故障元件代替正常件的方式模拟。振动信号采用型号为603C01的振动加速度传感器采集，采样频率为50KHz，采样时间为1s，每种状态下采集振动信号50组；压缩机驱动电机转速为其额定转速1480r/min。所采集气阀故障状态下压缩机振动信号时域波形和频谱图如图1所示。

图1气阀故障波形图

分别采用VMD和EMD的方法对压缩机气阀故障振动信号进行分析处理，得到图2的气阀振动信号分解图，以及图3各分量的频谱图。由于EMD分解信号的分量只有前几个能够准确反映压缩机状态信息，故选取EMD分解的前五个分量。

（b）EMD分解前五个分量

图2气阀故障振动信号分解各分量波形图

（a）VMD分解（b）EMD分解前五分量

图3气阀故障振动信号分解各分量频谱图

经过图2、图3内的（a）（b）两图对比可知，经过EMD分解的模态分量之间存在严重的重叠和交叉，说明各模态之间存在模态混叠的现象，而信号经过VMD分解后，各分量的频谱具有良好的聚集性，且相互不存在交叉混叠现象，说明VMD对压缩机振动信号进行分析具有良好的可行性和有效性。

3.故障信号特征提取

通过对故障振动信号分解成若干个模态分量之和，然后分别求每一个模态分量的包络，在对各包络信号做FFT变换进行频谱分析，从而得到故障特征频率，具体流程如下

图4故障特征提取流程图

按照图中故障流程，对气阀故障振动信号分别进行VMD和EMD分解，通过对故障振动信号分解，再求取各模态分量得包络谱，得到图5、图6的模态分量包络谱图。

图5VMD分解分量包络谱图

图6EMD分解分量包络谱图

通过图5的5个模态分量的包络谱图，能够明显区别故障频率处的波峰值和其他频率处的波峰，将故障频率定位在230Hz处，能够较好的区分出故障振动信号的特征频率；而在EMD分解模态分量的包络谱图6中，仅图6（a）能够较明显区分故障特征频率，在图6（b）、（c）、（d）（e）图中，存在故障频率的波峰和其他振动频率波峰相同的情况，在表征压缩机故障方面效果较差，不能准确提取压缩机故障特征。与EMD包络谱特征提取方法相比，VMD包络谱的故障特征提取方法在压缩机气阀故障特征提取的效果更好，能够更加准确的定位到气阀故障频率，提取压缩机的故障特征。

4.结论

本文将VMD算法应用到压缩机振动信号分析中，并结合包络谱提出VMD包络谱的特征提取方法，通过实验得到一下结论：

（1）VMD算法能够有效克服EMD算法存在的模态混叠；

（2）与EMD包络谱相比，VMD包络谱能够更加有效的提取压缩机气阀故障的特征频率；

（3）VMD包络谱在处理压缩机故障振动信号具有更好的适用性。

参考文献

[1]刘涛,邵华.基于振动信号的变频涡旋压缩机故障诊断[J].振动.测试与诊断,2012,32(1):141-145.

[2]张赵宁.HHT方法在往复式压缩机上的应用[D].昆明理工大学.2013年

[3]邬再新.基于信息熵的涡旋压缩机振动信号分析[J].振动测试与诊断2014,34(1):168-172.

[4]王余奎,李洪儒,黄之杰,赵旭成.S变换相对谱熵及其在液压泵退化状态识别中的应用.[J]兵工学报.2016,37(6):979-987

[5]KONSTANTIND,DOMINIQUEZ.Variationalmodedecomposition[J].IEEETranctionsonSignalProcessing,2014,62(3):531-544

[6]HUANGNE，SHENZ,LONGSR,etal.TheempiricalmodedecompositionandtheHillbertspectrumfornonlinearandnon-stationarytimesseriesanalysis[J].ProcessingofRoyalSocietyofLondonA,1998,454:903-995

[7]王余奎,李洪儒,许葆华.基于SIE和SVR的液氧泵故障定量诊断[J].振动.测试与诊断,2017,37(1):33-41.

[8]李辉,郑海起等.基于EMD和包络谱分析的轴承故障诊断分析[J].河北工业大学学报,2005,34(1):11-15.

[9]石文磊，陈兴明等。基于EMD和Hillbert包络谱的滚动轴承故障诊断[J].机械工程与自动化,2010(5):108-110.