在礦漿管道輸送過程中，往復式高壓隔膜泵是其核心動力設備，單向閥是高壓隔膜泵的關鍵部件。受工作環(huán)境和工作強度等外界因素影響，導致單向閥容易發(fā)生故障。一旦發(fā)生故障，會對礦漿管道的輸送造成重大損失。過時頻域方法對振動信號進行分析，是監(jiān)測高壓泵運行狀態(tài)的有效方法，利用驗模態(tài)分解和Wigner-Ville分別對泵閥振動信號進行信號分解。EMD是一種經典的信號處理方法，適用于非線性、非平穩(wěn)信號的分解。但EMD方法存在模態(tài)混疊的問題，為了解決該問題，Wu等在EMD方法的基礎上，提出總體平均經驗模態(tài)分解方法，振動信號通過EEMD的分解有效地減少了噪聲的影響。利用EEMD結合Teager能量算子解決高速列車軸承早期故障中低頻信號的類間分離性較弱、保持架故障難以識別的問題。利用EEMD奇異熵特征提取的方法減小了道岔的裂紋傷損信息的不確定性，有效提高了裂紋傷損識別率。建立故障診斷模型的本質是對故障類型進行識別。文獻摒棄了傳統(tǒng)的多次調整神經網絡輸入權值和隱元偏置的策略，提出了極限學習機算法，而ELM作為一種自適應分類方法，更加適用于實際的應用，可以應用于建立單向閥故障診斷模型。結合EEMD與ELM的優(yōu)點，本文提出一種基于EEMD與ELM的單向閥故障診斷方法。
1 振動信號EEMD分析
由于單向閥的工作環(huán)境復雜，其振動信號受噪聲影響，消除振動信號中的噪聲對特征提取具有重要的意義。EEMD方法通過加入頻率均勻分布的高斯白噪聲，使信號在不同尺度上具有連續(xù)性，減小模態(tài)混疊的程度。
2 構建振動信號特征集
在振動信號通過EEMD分解成若干個IMF分量的基礎上，通過近似熵、能量熵、峭度和均方根提取故障特征，并利用計算得到特征向量構建特征向量集，用于ELM故障診斷模型的建立。
3 基于ELM的故障診斷模型
ELM是一種快速學習算法，它通過計算輸入層和隱含層的鏈接權值，就可得到最優(yōu)解。并且在其訓練過程中無需做出調整，只要設置隱含層的神經元個數即可，對比傳統(tǒng)的神經網絡，特別是單隱層前饋神經網絡，ELM 在保證學習精度下速度更快。
4 實驗分析
云南大紅山管道三號高壓隔膜泵站為本文實驗數據來源，站中高壓隔膜泵型號為TZPM系列的三缸曲軸驅動活塞式隔膜泵，運行時最高壓力為24.44MPa。現場采用型號為PCB-ICP的3組振動加速度傳感器和型號為46AE的1組GRAS傳聲器，分別采集高壓隔膜泵單向閥4組運行過程中的振動數據。采集的振動信號幅值為0.2，采樣頻率為42560Hz，采樣點數為76800點，其中噪聲強度為10。
5 總結
本文方法通過近似熵、能量熵、峭度和均方根對高壓隔膜泵單向閥的故障信號進行特征提取，利用4種提取的特征建立特征向量集達到保留原故障信號中的故障信息，并結合ELM的優(yōu)點可準確地識別高壓隔膜泵單向閥的故障類型，正確率可以達到90%。總體來說，由于機械設備的振動信號在特征提取的時不易保留故障信息，因此難以準確地進行故障診斷，而本文提出的通過建立故障特征向量集并結合ELM的方法可在類似情況中有一定的使用空間。
