基于小波能量集相似度的水泵故障診斷研究

郭建斌，陳佳文，郝春明，韓 駿，嚴(yán)劍衛(wèi)，李 欣(.河海大學(xué)能源與電氣學(xué)院，南京 0098,.江蘇省太湖地區(qū)水利工程管理處，江蘇 蘇州 58)

0 引 言

大型水泵運(yùn)行中，細(xì)微的機(jī)械缺陷通常誘發(fā)異常振動(dòng)，加強(qiáng)水泵運(yùn)行振動(dòng)信號(hào)數(shù)據(jù)的分析，從中甄別關(guān)鍵警兆信息，對(duì)于保障設(shè)備安全可靠運(yùn)行，具有較好的工程現(xiàn)實(shí)意義[1]。

近年來，水泵性狀監(jiān)控和故障診斷取得到了廣泛發(fā)展[2]，文獻(xiàn)[3,4]利用頻譜分析方法，為電廠循環(huán)供水泵的安裝、檢修、制造等方面提供重要技術(shù)支撐；文獻(xiàn)[5]利用功率譜分析對(duì)水泵等流體機(jī)械的空化狀態(tài)識(shí)別，明確了功率譜對(duì)設(shè)備故障發(fā)生具有較好特征警兆信息的特點(diǎn)；文獻(xiàn)[6,7]對(duì)水泵運(yùn)行信號(hào)開展小波分析，定量分析了汽蝕故障發(fā)生、發(fā)展及其災(zāi)害影響等警兆信息?？梢灾溃捎妙l譜分析、功率譜分析、小波分析等方法，是泵機(jī)運(yùn)行性態(tài)信號(hào)分析與故障警兆信息甄別的重要技術(shù)手段[8]。

本文以小波方法分析泵機(jī)振動(dòng)信號(hào)，分解出水泵運(yùn)行信號(hào)的各頻段小波能量，并按各能量段信號(hào)的異同構(gòu)建特征向量集，實(shí)現(xiàn)水泵運(yùn)行警兆信息甄別，從而建立水泵運(yùn)行故障的可識(shí)別技術(shù)，最終確保設(shè)備的安全可靠運(yùn)行。

1 基于小波能量特征集的水泵故障診斷模型

通常故障誘發(fā)設(shè)備呈現(xiàn)異常振動(dòng)，表現(xiàn)為運(yùn)動(dòng)能量的無效耗散，從頻譜上表現(xiàn)局部頻段的能量聚集。水泵故障與這種局部頻段能量聚集之間，研究其相互的關(guān)聯(lián)規(guī)律性，重點(diǎn)提取出故障表征的特征能量向量集，從而實(shí)現(xiàn)設(shè)備運(yùn)行故障的有效偵知和處置。泵故障診斷模型，見圖1所示，通過分頻段分解方法，獲取頻率段的信號(hào)能量，重點(diǎn)建立故障與信號(hào)局部頻段能量聚集數(shù)據(jù)之間的特征向量集，以此表征設(shè)備運(yùn)行狀態(tài)與特征向量集之間的相似程度，從而實(shí)現(xiàn)泵故障的診斷和預(yù)警處置。

圖1 水泵故障診斷模型Fig.1 Pump fault diagnosis model

1.1 小波分析處理

(1)小波去噪。在小波分析前，對(duì)振動(dòng)信號(hào)中的噪音信息，通常采用通過Matlab降噪工具箱過濾噪音信息。去噪過程見圖2所示，f為待去噪信號(hào)，w為噪音信號(hào)，s是輸入信號(hào)，F(xiàn)δ是Lψ小波變換下的分解系數(shù)的閾值。降噪方法按式(1)進(jìn)行。

(1)

圖2 小波降噪過程模型Fig.2 Model wavelet noise reduction process

(2)小波分析。在提取泵機(jī)振動(dòng)信號(hào)的特征信息過程中，考慮泵運(yùn)行性態(tài)主要呈現(xiàn)低頻段的信號(hào)特征，開展小波信號(hào)分解，特別是信號(hào)的低頻段細(xì)致劃分[9,10]。小波變換算法流程(見圖3所示)，F(xiàn)WT先對(duì)信號(hào)進(jìn)行小波變換，原信號(hào)分解成高頻部分cD1和低頻部分cA1兩段，其中低頻部分作為信號(hào)進(jìn)行第二次分解，分解成3層。

圖3 FWT算法流程圖Fig.3 FWT algorithm flowchart

1.2 頻率分段的能量信號(hào)提取

(2)

(3)

式中：si為在i點(diǎn)振動(dòng)幅值；xi為信號(hào)系數(shù)；n為分解段數(shù)；Ei為各段能量。

2 水泵故障診斷

望虞河樞紐工程，由9臺(tái)立式軸流泵組成。按200Hz采樣頻率采集泵機(jī)的水導(dǎo)軸承、電機(jī)自由端等位置，獲得正常運(yùn)行、轉(zhuǎn)子不平衡故障、轉(zhuǎn)子不對(duì)中、轉(zhuǎn)子與靜止件摩擦等四種泵機(jī)運(yùn)行性狀的振動(dòng)運(yùn)行信號(hào)。

2.1 水泵運(yùn)行信號(hào)的小波處理

(1)小波去噪。水泵振動(dòng)信號(hào)去噪，主要有Birge-Massart去噪、Penalty閥值去噪等方法， 其中Birge-Massart去噪，比較適合大的毛躁信號(hào)處理，考慮這種噪聲對(duì)能量分布的影響，本文擬采用Birge-Massart去噪方法對(duì)振動(dòng)信號(hào)進(jìn)行去噪處理。

(2)小波基函數(shù)的選擇。水泵振動(dòng)分析的常用小波基函數(shù)[11]列見表1，為了選擇更好的小波基函數(shù)，引入小波函數(shù)區(qū)分度的定義：

(4)

式中：Q為小波基函數(shù)的區(qū)分度；Ei為正常信號(hào)表示第i段頻率信號(hào)的能量；Fi為故障信號(hào)第i段頻率信號(hào)的能量。

Q值越大表明小波基函數(shù)對(duì)正常信號(hào)和故障信號(hào)的區(qū)分度越大。普遍在Sym2和Sym3有較好的區(qū)分度，Sysm3函數(shù)有更好的對(duì)稱性，選擇Sym3作為小波分解的小波基函數(shù)。

表1 不同小波基函數(shù)區(qū)分度QTab.1 Distinguish degree Q of different wavelet basis function

2.2 小波能量特征集

對(duì)該工程泵運(yùn)行振動(dòng)，按正常運(yùn)行、轉(zhuǎn)子不平衡故障、轉(zhuǎn)子不對(duì)中、轉(zhuǎn)子與靜止件摩擦等4種泵機(jī)運(yùn)行性狀，做小波7層分解，得8頻段為d1(50～100 Hz)、d2(25～50 Hz)、d3(12.5～25 Hz)、d4(6.25～12.5 Hz)、d5(3.125～6.25 Hz)、d6(1.562～3.15 Hz)、d7(0.781～1.52 Hz)、 a7(0～0.781 Hz)(見圖4所示)?？梢垣@得泵機(jī)運(yùn)行性態(tài)的能量向量集見表2所示。

結(jié)合ISO20000相關(guān)標(biāo)準(zhǔn)，明確智慧園區(qū)運(yùn)營管理的權(quán)責(zé)、內(nèi)容和流程等要求，為后續(xù)的支護(hù)園區(qū)信息化運(yùn)維提供支持。智慧園區(qū)運(yùn)維需要明確相關(guān)權(quán)責(zé)，其中包括運(yùn)維職責(zé)，基礎(chǔ)設(shè)施建設(shè)、弱電系統(tǒng)、通信系統(tǒng)和技防系統(tǒng)，包括系統(tǒng)運(yùn)維質(zhì)量和文檔規(guī)范等內(nèi)容。

圖4 泵機(jī)性狀信號(hào)各頻段小波分解圖Fig.4 Wavelet decomposition diagram of pump status signal in each frequency band

表2 不同運(yùn)行狀態(tài)下能量分布向量Tab.2 Energy distribution vector under different operating conditions

為了直觀表征特征向量集，建立(d1, d2, d3, d4, d5, d6, d7, d8)數(shù)據(jù)集與設(shè)備運(yùn)行性態(tài)的關(guān)聯(lián)特征圖，見圖5所示。可以知道，小波能量特征集對(duì)泵運(yùn)行故障具有較好的表征性。

圖5 測試信號(hào)的特征向量集示意圖Fig 5. the schematic diagram of test signal feature vector set

2.3 基于小波能量集相似度的水泵故障診斷

2.3.1向量相似度

把監(jiān)測信息向量集與故障特征向量集進(jìn)行相似度甄別，以指向設(shè)備故障警兆信息。向量相似度γ[12,13]，主要由兩向量集的大小相似度α和方向相似度β共同確定，按式(5)計(jì)算。

(5)

2.3.2基于小波能量集相似度的故障診斷

工程按正常運(yùn)行、轉(zhuǎn)子不平衡故障、轉(zhuǎn)子不對(duì)中、轉(zhuǎn)子與靜止件摩擦等四種泵機(jī)運(yùn)行性狀進(jìn)行數(shù)據(jù)采集工作，各進(jìn)行兩次，同時(shí)對(duì)三類故障同時(shí)預(yù)設(shè)的泵機(jī)運(yùn)行性狀數(shù)據(jù)采集一次工作，通過小波能量集分析技術(shù)，開展泵機(jī)性狀的能量向量集與其特征向量集的相似度甄別，診斷結(jié)果列見表3所示。

(1)泵機(jī)單一故障的能量向量集與其特征向量集的相似度，接近0.9，具有較好的故障辨識(shí)與表征度，便于設(shè)備運(yùn)行警兆信息的有效甄別。

(2)泵機(jī)正常運(yùn)行狀態(tài)，與轉(zhuǎn)子不平衡運(yùn)行狀態(tài)的能量向量集相似度比較接近，容易引起區(qū)分度不夠的誤判。這種現(xiàn)象表明，轉(zhuǎn)子不平衡故障比較容易發(fā)生，需要參考其他的指標(biāo)加以研判。

(3)綜合故障預(yù)設(shè)的泵機(jī)運(yùn)行性狀，與故障特征向量集的相似度不是很高，最高僅為0.758，不能辨識(shí)清晰發(fā)生哪類故障。但是相對(duì)于正常運(yùn)行狀態(tài)的特征向量集，其相似度已發(fā)生較大的變化，對(duì)于表征故障發(fā)生仍然具有較好辨識(shí)力，可據(jù)此做為預(yù)警警兆信息加以甄別處置，從而確保設(shè)備安全可靠運(yùn)行。

表3 泵機(jī)性狀能量向量集的相似度甄別Tab.3 Screening similarity of the pump state energy vector set

注：Test1、Test 2為正常運(yùn)行狀態(tài)，Test 3、Test 4為轉(zhuǎn)子不對(duì)中狀態(tài)，Test 5、Test 6為轉(zhuǎn)子不平衡狀態(tài)，Test 7、Test 8為轉(zhuǎn)子動(dòng)靜摩擦狀態(tài)，Test 9為綜合故障狀態(tài)。

3 結(jié) 語

(1)水泵運(yùn)行信號(hào)的各頻段小波能量集對(duì)水泵性態(tài)的單一故障、多故障等警兆信息甄別具有較好的識(shí)別性(相似度接近0.9)。

(2)提取水泵運(yùn)行信號(hào)的各頻段小波能量向量集，與已知故障類型能量向量進(jìn)行相似度比較，是實(shí)現(xiàn)水泵運(yùn)行警兆信息甄別的可行技術(shù)。

(3)泵機(jī)多故障復(fù)合信號(hào)故障，盡管難以辨識(shí)清晰發(fā)生哪類故障，但相對(duì)于正常運(yùn)行的特征向量集，其相似度已發(fā)生較大的變化，對(duì)于表征故障發(fā)生的定性甄別處置仍然具有較好辨識(shí)力。

□

[1] 王 凱, 張永祥, 李 軍. 泵的故障診斷研究綜述[J].水泵技術(shù), 2007,(1):1-5.

[2] 周東華, 胡艷艷. 動(dòng)態(tài)系統(tǒng)的故障診斷技術(shù)[J]. 自動(dòng)化學(xué)報(bào), 2009,(6):748-758.

[3] 錢利華. 電廠循環(huán)供水泵站立式異步電動(dòng)機(jī)振動(dòng)分析[J]. 排灌機(jī)械, 2006,24(2):31-32.

[4] 孫繼平, 鄭召文, 馮德旺, 等. 浪涌對(duì)礦井水泵房電磁環(huán)境的影響[J]. 煤炭學(xué)報(bào), 2010,35(2):349-352.

[5] 徐朝暉, 徐東海. 水泵與水輪機(jī)空化狀態(tài)監(jiān)測與診斷的研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2003,34(1):139-142.

[6] 黃忠富, 姜 哲, 趙斌娟, 等. 利用小波分析診斷水泵初始階段的汽蝕故障[J]. 排灌機(jī)械, 2005,23(2):4-7.

[7] 王瑞海, 孫 鵬, 呂振江, 等. 概率神經(jīng)網(wǎng)絡(luò)在水泵故障診斷中的應(yīng)用研究[J]. 煤礦機(jī)械, 2014,(10):127.

[8] 徐朝暉, 徐東海. 水泵與水輪機(jī)空化狀態(tài)監(jiān)測與診斷的研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2003,34(1):139-142.

[9] 何正友, 陳小勤. 基于多尺度能量統(tǒng)計(jì)和小波能量熵測度的電力暫態(tài)信號(hào)識(shí)別方法[J]. 中國電機(jī)工程學(xué)報(bào), 2006,26(10):33-39.

[10] 周偉強(qiáng), 侯立剛, 蘇成利. 基于時(shí)間-小波能量包絡(luò)譜的滾動(dòng)軸承特征提取[J]. 遼寧石油化工大學(xué)學(xué)報(bào), 2014,34(3):75-78.

[11] 孔玲軍.Matlab 小波分析超級(jí)學(xué)習(xí)手冊[M].北京：人民郵件出版社,2014.

[12] 張 宇, 劉雨東, 計(jì) 釗. 向量相似度測度方法[J]. 聲學(xué)技術(shù), 2009,28(4):532-536.

[13] 焦利明, 楊建立. 一種確定指標(biāo)權(quán)重的新方法[J]. 指揮控制與仿真, 2006,28(1):94-97.