本發明涉及往復壓縮機故障診斷，特別是一種往復壓縮機氣閥故障診斷方法。
背景技術：
1、往復壓縮機作為石油、化工、天然氣等關鍵工業領域的核心設備，具有適用壓力范圍廣、結構緊湊等特點，但常處于高溫、高壓、高負載的惡劣工況，且零部件眾多、結構復雜，導致故障頻發。氣閥作為往復壓縮機的關鍵部件，其故障（如閥片斷裂、彈簧失效、氣閥缺口等）會引發設備非計劃停機，甚至導致泄漏、爆炸等安全事故，造成巨大經濟損失和人員傷亡風險。
2、往復壓縮機氣閥的振動信號具有非線性、非平穩特性，故障特征微弱且易受噪聲干擾，給故障診斷帶來挑戰。現有診斷方法中，小波分析存在小波基函數選取復雜的問題；emd、lmd、vmd等自適應分解方法對參數設置和分量個數敏感，易出現過擬合或特征刻畫不完整的情況。針對上述問題：若分量選取過多，容易導致過擬合；若分量過少，又難以完整刻畫信號的全部特征，故本發明提出采用動態模態分解方法（dynamic?mode?decomposition,dmd），可提取出每個模式的頻率、振幅和相位等特征，從而實現對動態系統的分析和預測。然而，dmd作為一種有效的信號分解方法，其分解效果受hankel矩陣窗口長度 l的影響顯著，但目前該參數多依賴經驗選取，缺乏普適性。
3、在特征提取方面，熵值方法能夠有效捕捉信號復雜度和非線性特征，但傳統一維熵方法僅能反映單一維度信息，難以全面刻畫復雜故障信號的時域-頻域聯合特征；在故障識別階段，最小二乘支持向量機（lssvm）具有良好的小樣本學習能力，但其診斷精度受核參數和懲罰參數影響較大，參數選擇不當會導致模型性能下降。因此，亟需一種兼顧參數優化、全面特征提取和高精度識別的往復壓縮機氣閥故障診斷方法。
技術實現思路
1、本發明的目的是提出一種往復壓縮機氣閥故障診斷方法，以解決現有技術中hankel矩陣窗口長度選取缺乏普適性、一維熵特征提取不全面以及?lssvm模型參數影響診斷精度的問題，實現對往復壓縮機氣閥故障的精準、高效的診斷。
2、為實現上述目的，本發明提出了一種往復壓縮機氣閥故障診斷方法，具體步驟如下：
3、步驟s1、采集往復壓縮機氣閥振動加速度信號；
4、步驟s2、引入混沌進化優化算法ceo優化動態模態分解dmd中hankel矩陣窗口長度的大小；
5、步驟s3、對優化后的dmd通過奇異值硬閾值截斷svht確定截斷秩的大小，并對氣閥振動加速度信號進行分解重構，得到重構信號；
6、步驟s4、計算重構信號的二維多尺度注意熵mate2d，構建二維多尺度注意熵特征矩陣；
7、步驟s5、將二維多尺度注意熵特征矩陣輸入經粒子群優化算法pso優化的最小二乘支持向量機lssvm，實現往復壓縮機氣閥故障診斷。
8、優選的，基于混沌進化優化算法ceo優化動態模態分解dmd，具體步驟如下：
9、步驟s221、初始化ceo算法參數，所述參數包括種群規模、最大迭代次數，同時定義hankel矩陣窗口長度 l的搜索范圍[ lmin, lmax]；其中， lmin為窗口長度最小值， lmax為窗口長度最大值；
10、步驟s222、利用混沌映射生成混沌變量；
11、步驟s223、將混沌變量從(0,1)區間線性映射到[ lmin, lmax]區間，經取整操作得到候選窗口長度 l；
12、步驟s224、基于所述振動加速度信號和候選窗口長度 l構建hankel矩陣 h；
13、步驟s225、對hankel矩陣 h進行奇異值分解，計算dmd模態和特征值，完成dmd分解；
14、步驟s226、以均方根誤差rmse作為適應度函數，評估當前候選窗口長度 l的性能；
15、步驟s227、檢查是否滿足終止條件，所述終止條件為達到最大迭代次數或適應度函數值滿足預設精度；若滿足，輸出最優窗口長度 l及對應的dmd模型；若不滿足，更新混沌變量并返回步驟s221；
16、優選的，步驟s3中，分解重構的具體過程為：將最優窗口長度 l代入dmd，通過svht自適應選取截斷秩，對振動加速度信號進行分解，剔除噪聲分量后重構得到重構信號。
17、優選的，步驟s4中，計算重構信號的二維多尺度注意熵mate2d，具體步驟如下：
18、步驟s41、定義重構信號的二維矩陣形式，公式如下：
19、；
20、其中，為重構信號二維矩陣第 i行第 j列的元素， n和 m分別表示信號在垂直與水平方向的采樣點數；
21、給定尺度因子，將信號矩陣劃分為個子塊，并計算每個子塊的平均值，得到第尺度下的二維粗粒化矩陣，公式如下：
22、；
23、；
24、其中，為尺度下第( p,q)個粗粒化單元， p為空間位置的行索引， q為空間位置的列索引；
25、步驟s42、在尺度下，對粗粒化后的特征矩陣引入注意力機制，計算每個位置特征向量的注意力得分，公式如下：
26、；
27、其中，為尺度下第(p, q)個空間單元的注意力得分，為非線性激活函數，為可學習權重矩陣，為偏置項；
28、對注意力得分進行歸一化得到注意力權重，公式如下：
29、；
30、其中，為尺度下第(p, q)個空間單元的權重；
31、步驟s43、在每個尺度下，將歸一化的注意力權重矩陣視為概率分布，計算概率分布的香農熵，公式如下：
32、；
33、；
34、；
35、其中，為尺度下的注意熵，為原始二維數據在尺度下進行粗粒化后沿垂直方向長度，為原始二維數據在尺度下進行粗粒化后沿水平方向長度；
36、步驟s44、采用注意力加權融合策略，將所有尺度的香農熵加權求和，得到二維多尺度注意熵，公式如下：
37、；
38、其中，為尺度下的二維多尺度注意熵，為尺度的融合權重， s為總尺度數。
39、優選的，步驟s5中，pso優化lssvm的具體過程如下：
40、步驟s51、初始化pso參數，所述參數包括粒子群規模、最大迭代次數、慣性權重、加速系數，在解空間中隨機生成粒子的初始位置和速度，粒子位置對應lssvm的核參數和懲罰參數；
41、步驟s52、以lssvm的故障診斷正確率作為適應度函數，計算每個粒子的適應度值；
42、步驟s53、對比粒子當前適應度值與自身歷史最優適應度值 p best，更新 p best；對比所有粒子的 p best與群體歷史最優適應度值 g best，更新 g best；
43、步驟s54、根據pso速度和位置更新公式調整粒子的速度和位置，施加邊界約束避免超出解空間；
44、步驟s55、檢查是否滿足終止條件，所述終止條件為達到最大迭代次數或 g best對應的適應度值滿足預設精度；若滿足，輸出最優核參數和懲罰參數，構建pso-lssvm模型；若不滿足，返回步驟s52。
45、因此，本發明提出了一種往復壓縮機氣閥故障診斷方法，其有益效果如下：
46、（1）本發明通過ceo算法優化dmd的hankel矩陣窗口長度，以rmse為適應度函數實現了參數自適應尋優，克服了傳統經驗選取的局限性，提升了dmd分解的穩定性和普適性；
47、（2）本發明提出的二維多尺度注意熵（mate2d），將一維時間序列拓展為二維矩陣形式，結合多尺度粗粒化處理與注意力機制，能夠同時捕捉故障信號的時域與頻域復雜特征，克服了傳統一維熵方法單一維度難以全面刻畫非線性、非平穩故障信號本質的局限性，大幅提升了微弱故障特征的提取能力和區分度。
48、（3）本發明采用粒子群優化算法（pso）對最小二乘支持向量機（lssvm）的核參數和懲罰參數進行自適應尋優，有效解決了lssvm參數設置不當影響診斷精度的問題，構建的pso-lssvm模型具備更強的泛化能力和分類性能。
49、下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。