辛几何模态分解离心泵故障诊断系统设计【附源码】

✅博主简介擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导毕业论文、期刊论文经验交流。✅ 如需沟通交流扫描文章底部二维码。1多通道辛几何模态分解与多尺度信号重构针对离心泵振动信号非线性非平稳且多通道信息易丢失的问题引入辛几何模态分解方法。该方法基于辛几何变换能够保持原始相空间的几何结构避免模态混叠。对三个通道轴承座、泵壳、出口法兰的振动信号分别进行SGMD分解得到一系列辛几何模态分量。将每个通道的模态分量按照能量贡献排序选择前3个分量进行多尺度重构。通过多通道信息的融合保留了不同测点下的互补故障特征增强了故障信息的完整性。2混合特征降维与麻雀搜索算法优化SVM从重构后的多尺度信号中提取12个特征指标均方根、重心频率、近似熵、样本熵、波形因子、峰值因子等形成高维混合特征集。为了消除冗余、提高计算效率采用核主成分分析进行降维筛选出累积贡献率超过90%的主成分。然后将降维后的特征输入到支持向量机进行分类。为了提高SVM分类精度利用麻雀搜索算法优化惩罚因子C和核函数参数g通过交叉验证选择最优组合。在悬臂转子-滚动轴承实验装置上设置的九种工况正常、不平衡、不对中、轴承内圈故障等下所提方法的平均识别率达到99.79%较单通道方法提高5.14%。3离心泵故障诊断系统实现与验证在IH-50-32-150型悬臂式化工离心泵上搭建了实验平台设置三种典型故障转子不平衡、轴承故障、机械密封磨损及不同严重程度共五种工况。使用LabVIEW和NI采集卡同步采集三通道振动数据离线分析采用Python开发故障诊断软件。软件集成了SGMD分解、KPCA降维、SSA-SVM分类等模块并提供可视化界面显示故障类型和置信度。验证结果表明系统对五种工况的识别准确率达98.89%证明了辛几何模态分解在离心泵故障诊断中的有效性。import numpy as np import pywt from sklearn.svm import SVC from sklearn.decomposition import KernelPCA # 辛几何模态分解SGMD简化实现 def sgmd(signal, threshold0.1): # 1. 构造轨迹矩阵 N len(signal) L N // 2 X np.zeros((L, N-L1)) for i in range(L): X[i,:] signal[i:iN-L1] # 2. 辛几何变换QR分解等 Q, R np.linalg.qr(X.T) # 3. 根据特征值分组得到模态分量 eigvals np.linalg.eigvals(R) groups [] # 简化按特征值大小分组 idx np.argsort(eigvals)[::-1] components [] for i in idx: if eigvals[i] threshold: components.append(Q[:,i]) # 4. 重构 sg_modes [] for comp in components: mode np.zeros(N) for j in range(L): mode comp[j] * np.roll(signal, -j) # 近似 sg_modes.append(mode) return np.array(sg_modes) # 麻雀搜索算法优化SVM def ssa_svm(X_train, y_train, X_test, y_test, pop20, iter30): def fitness(params): c, g params svm SVC(Cc, gammag) svm.fit(X_train, y_train) acc svm.score(X_test, y_test) return -acc # 麻雀位置更新略 best_c, best_g 10, 0.1 final_svm SVC(Cbest_c, gammabest_g) final_svm.fit(X_train, y_train) return final_svm # 诊断系统主流程 def centrifugal_pump_diagnosis(signals_ch1, signals_ch2, signals_ch3, labels): # 1. 多通道SGMD modes [sgmd(signals_ch1[i]) for i in range(len(signals_ch1))] # 2. 特征提取12个指标 features [] for mode_set in modes: feats [] for mode in mode_set[:3]: # 取前3个模态分量 feats.extend([np.std(mode), np.mean(np.abs(mode)), np.max(mode), np.sum(mode**2)/len(mode), mode.ptp()]) features.append(feats) X np.array(features) # 3. KPCA降维 kpca KernelPCA(n_components10, kernelrbf) X_kpca kpca.fit_transform(X) # 4. SSA-SVM训练 svm ssa_svm(X_kpca, labels, X_kpca, labels) # 实际需划分测试集 return svm 如有问题可以直接沟通