在矿浆管道输送过程中，往复式高压隔膜泵是其核心动力设备，单向阀是高压隔膜泵的关键部件。受工作环境和工作强度等外界因素影响，导致单向阀容易发生故障。一旦发生故障，会对矿浆管道的输送造成重大损失。过时频域方法对振动信号进行分析，是监测高压泵运行状态的有效方法，利用验模态分解和Wigner-Ville分别对泵阀振动信号进行信号分解。EMD是一种经典的信号处理方法，适用于非线性、非平稳信号的分解。但EMD方法存在模态混叠的问题，为了解决该问题，Wu等在EMD方法的基础上，提出总体平均经验模态分解方法，振动信号通过EEMD的分解有效地减少了噪声的影响。利用EEMD结合Teager能量算子解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别的问题。利用EEMD奇异熵特征提取的方法减小了道岔的裂纹伤损信息的不确定性，有效提高了裂纹伤损识别率。建立故障诊断模型的本质是对故障类型进行识别。文献摒弃了传统的多次调整神经网络输入权值和隐元偏置的策略，提出了极限学习机算法，而ELM作为一种自适应分类方法，更加适用于实际的应用，可以应用于建立单向阀故障诊断模型。结合EEMD与ELM的优点，本文提出一种基于EEMD与ELM的单向阀故障诊断方法。
1 振动信号EEMD分析
由于单向阀的工作环境复杂，其振动信号受噪声影响，消除振动信号中的噪声对特征提取具有重要的意义。EEMD方法通过加入频率均匀分布的高斯白噪声，使信号在不同尺度上具有连续性，减小模态混叠的程度。
2 构建振动信号特征集
在振动信号通过EEMD分解成若干个IMF分量的基础上，通过近似熵、能量熵、峭度和均方根提取故障特征，并利用计算得到特征向量构建特征向量集，用于ELM故障诊断模型的建立。
3 基于ELM的故障诊断模型
ELM是一种快速学习算法，它通过计算输入层和隐含层的链接权值，就可得到最优解。并且在其训练过程中无需做出调整，只要设置隐含层的神经元个数即可，对比传统的神经网络，特别是单隐层前馈神经网络，ELM 在保证学习精度下速度更快。
4 实验分析
云南大红山管道三号高压隔膜泵站为本文实验数据来源，站中高压隔膜泵型号为TZPM系列的三缸曲轴驱动活塞式隔膜泵，运行时最高压力为24.44MPa。现场采用型号为PCB-ICP的3组振动加速度传感器和型号为46AE的1组GRAS传声器，分别采集高压隔膜泵单向阀4组运行过程中的振动数据。采集的振动信号幅值为0.2，采样频率为42560Hz，采样点数为76800点，其中噪声强度为10。
5 总结
本文方法通过近似熵、能量熵、峭度和均方根对高压隔膜泵单向阀的故障信号进行特征提取，利用4种提取的特征建立特征向量集达到保留原故障信号中的故障信息，并结合ELM的优点可准确地识别高压隔膜泵单向阀的故障类型，正确率可以达到90%。总体来说，由于机械设备的振动信号在特征提取的时不易保留故障信息，因此难以准确地进行故障诊断，而本文提出的通过建立故障特征向量集并结合ELM的方法可在类似情况中有一定的使用空间。
