聲發(fā)射機(jī)械密封端面摩擦狀態(tài)識別

朱奧輝 傅攀 陳官林

摘 要：針對現(xiàn)有監(jiān)測技術(shù)對于機(jī)械密封端面摩擦狀態(tài)的識別較難推廣到工業(yè)現(xiàn)場進(jìn)行實(shí)時監(jiān)測，提出一種基于聲發(fā)射的機(jī)械密封端面摩擦狀態(tài)識別的方法。通過建立實(shí)驗(yàn)臺對機(jī)械密封在工作過程中的信號進(jìn)行采集；利用小波包分析法對信號進(jìn)行降噪；對預(yù)處理后的數(shù)據(jù)進(jìn)行特征提??；建立Elman神經(jīng)網(wǎng)絡(luò)對機(jī)械密封端面的摩擦狀態(tài)進(jìn)行識別。實(shí)驗(yàn)結(jié)果表明：通過建立的Elman神經(jīng)網(wǎng)絡(luò)對提取的聲發(fā)射特征進(jìn)行識別，能夠很好地識別機(jī)械密封在工作過程中所處的摩擦狀態(tài)。因此，提出的方法可以對機(jī)械密封端面的摩擦狀態(tài)進(jìn)行有效的實(shí)時監(jiān)測。

關(guān)鍵詞：機(jī)械密封；聲發(fā)射；Elman神經(jīng)網(wǎng)絡(luò)；小波包

文獻(xiàn)標(biāo)志碼：A 文章編號：1674-5124（2016）09-0101-04

0 引 言

機(jī)械密封是最常用的旋轉(zhuǎn)機(jī)械軸封形式，具有工作壽命長、泄露少、適應(yīng)性強(qiáng)以及可靠性高等特點(diǎn)[1]。因此，機(jī)械密封被廣泛用于航空航天、石化、核電等諸多領(lǐng)域。機(jī)械的密封性能是否良好直接影響機(jī)械設(shè)備的成本、生產(chǎn)效率以及安全性。設(shè)備的泄露問題是引起非計劃停機(jī)的主要原因[2]。而在一些涉及到毒性、腐蝕性或者高溫高壓的領(lǐng)域，若發(fā)生泄漏，將會造成極其嚴(yán)重的事故[3]。然而，若對機(jī)械密封進(jìn)行定期檢修，其維修費(fèi)用會占機(jī)械總維修費(fèi)的一半甚至更多。若對機(jī)械密封狀態(tài)進(jìn)行實(shí)時檢測，不僅可以避免密封件的過早更換造成的浪費(fèi)，也可以避免延遲更換造成的事故。從而有效提高機(jī)械設(shè)備的安全性、節(jié)約費(fèi)用、提高生產(chǎn)效率[4]。研究發(fā)現(xiàn)，機(jī)械密封在工作中產(chǎn)生的聲發(fā)射信號含有能夠反映摩擦狀態(tài)的大量信息。因此，本文基于聲發(fā)射法[5]，運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)建立模型對機(jī)械密封工作過程中端面摩擦狀態(tài)進(jìn)行識別。

1 機(jī)械密封的聲發(fā)射監(jiān)測

1.1 機(jī)械密封基本原理

為了降低機(jī)械密封件的泄漏率，常常需要將其端面間隙的液膜維持在較小的厚度。而實(shí)際生產(chǎn)中，又有動靜環(huán)端面之分，且加工安裝等亦存在不確定因素。按照非接觸式機(jī)械密封端面工作狀況的不同，可將其摩擦狀況分為干摩擦、流體摩擦和混合摩擦3種形式[6]。作為評判密封件性能的基本指標(biāo)，可根據(jù)非接觸式流體動壓型密封件正常運(yùn)行時的液膜厚度變化來間接判斷器件的端面摩擦特性。

1.2 信號采集

設(shè)計使用聲發(fā)射傳感器與電渦流傳感器。通過聲發(fā)射傳感器獲得聲發(fā)射信號，建立Elman神經(jīng)網(wǎng)絡(luò)識別間接獲得機(jī)械密封工作過程中端面摩擦狀態(tài)。電渦流傳感器直接測量機(jī)械密封在工作過程中的端面摩擦狀態(tài)，作為聲發(fā)射間接監(jiān)測的對比。

如圖1所示為傳感器的具體安裝位置。以SiC作為非接觸密封的動靜環(huán)端面材料，以304鋼材料作為內(nèi)嵌金屬環(huán)材料。實(shí)際應(yīng)用中，密封件的動、靜環(huán)上都需要鑲嵌金屬環(huán)。具體要求為：金屬環(huán)與端面平齊，靜環(huán)上的金屬環(huán)需要打孔，將電渦流傳感器自打孔處深入，直至電渦流傳感器的探頭距離動環(huán)內(nèi)嵌金屬環(huán)0.14 mm。

2 信號處理

2.1 小波包降噪

一般來說，信號的小波包降噪處理需要先按照實(shí)際需求選取合適的小波基，再根據(jù)樹狀結(jié)構(gòu)，按照頻率高低將信號分解成兩部分[7]。之后，分析實(shí)際需要，確定分解層數(shù)。最后，對小波分解系數(shù)進(jìn)行閥值量化處理，并對處理后的小波包系數(shù)進(jìn)行重構(gòu)，即可獲得降噪后的信號[8]。

小波包降噪處理后，可濾除噪聲及其他無用信號，并保留有用信號。

2.2 數(shù)據(jù)預(yù)處理

采集到的原始信號，包含大量的噪聲及無用信號。所以，為提取得到更易識別的信號特征，需先對聲發(fā)射信號進(jìn)行零均值化和小波包降噪等操作。圖2和圖3分別為經(jīng)信號零均值化和小波包降噪處理的對比圖。從中可以看出，預(yù)處理操作后的信號出現(xiàn)圍繞零值上下波動且信號幅值變小的現(xiàn)象。從頻譜來看，信號的特征更加明顯，有利于提取良好特征。

2.3 特征提取

通過有密封環(huán)的聲發(fā)射信號和無密封環(huán)時的聲發(fā)射信號對比，結(jié)果表明：在中高頻段機(jī)械密封的數(shù)據(jù)表現(xiàn)較明顯，低頻數(shù)據(jù)被主軸信號掩蔽。為了得到更加明顯的信號特征，對各數(shù)據(jù)樣本中頻率最高的兩個小波包分量進(jìn)行特征抽取操作。分別記每組數(shù)據(jù)中頻率最高、次高的分量為p1、p2。根據(jù)重復(fù)性、敏感性的要求篩選分量p1、p2的各時頻特征值，即同種特征在相同狀態(tài)下的特征值接近，而不同狀態(tài)下的值存在顯著差異。篩選得到的輸入特征包括：p1分量的方差、均方根、峰值因子和頻率方差等數(shù)據(jù)；p2分量的方差、均方根、峰值因子、偏度系數(shù)、峭度系數(shù)和頻率方差等。如表1所示為篩選特征值的歸一化處理結(jié)果。

其中，11～15為干摩擦狀態(tài)數(shù)據(jù)，21～25為混合摩擦狀態(tài)數(shù)據(jù)，31～35為流體摩擦狀態(tài)數(shù)據(jù)。

3 神經(jīng)網(wǎng)絡(luò)的狀態(tài)識別

3.1 Elman神經(jīng)網(wǎng)絡(luò)原理

J. L. Elman在1990年提出Elman神經(jīng)網(wǎng)絡(luò)模型理論，其在前饋型網(wǎng)絡(luò)的中間層中添加了反饋環(huán)節(jié)，使其反饋至中間層的輸入。網(wǎng)絡(luò)記憶功能的實(shí)現(xiàn)則主要是由于信號在反饋支路上出現(xiàn)的延遲[9]。

將Elman網(wǎng)絡(luò)模型中的外部時間序列記作u（t），反饋層的輸出記為yc（t），網(wǎng)絡(luò)的實(shí)際輸出記為y（t），則可以將網(wǎng)絡(luò)描述為

x0（t+1）=Hy0（t）+Wu（t）+θ（1）

y0（t）=o（t-1）=f1（x0（t-1））（2）

y（t）=f2（Ay0（t）-φ）（3）

式中： f1、f2——中間層和輸出層的傳遞函數(shù)；

W、H、A——輸入層至中間層、反饋層至中間層、中間層至輸出層的權(quán)值矩陣。

使用誤差平方和算法得到網(wǎng)絡(luò)模型的學(xué)習(xí)方法：

E=■‖y（t）-d（t）‖22（4）

Elman網(wǎng)絡(luò)算法的特點(diǎn)是將中間層的輸出連接到中間層的輸入，該過程通過反饋環(huán)節(jié)的延時與記憶功能實(shí)現(xiàn)。這種反饋方式提高了網(wǎng)絡(luò)識別歷史數(shù)據(jù)的有效性，同時也對網(wǎng)絡(luò)的動態(tài)性能有了一定的提升。

3.2 基于Elman的機(jī)械密封摩擦狀態(tài)識別

3.2.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

在Elman神經(jīng)網(wǎng)絡(luò)模型中輸入2.3節(jié)中歸一化處理后得到的10組聲發(fā)射特征值，則輸入層有10個神經(jīng)元，輸出層有1個神經(jīng)元，依經(jīng)驗(yàn)公式，中間層神經(jīng)元個數(shù)參考值在18～24，而實(shí)際運(yùn)行中的數(shù)目則需將訓(xùn)練因素納入考慮范圍，因此選擇網(wǎng)絡(luò)訓(xùn)練誤差值最小時所對應(yīng)的中間層神經(jīng)元數(shù)目。選用tansig和logsig作為網(wǎng)絡(luò)傳遞函數(shù)，trainlm作為學(xué)習(xí)函數(shù)，train作為訓(xùn)練函數(shù)，mse作為誤差性能函數(shù)。將網(wǎng)絡(luò)訓(xùn)練梯度設(shè)置為0.1，訓(xùn)練步數(shù)設(shè)置為1 000，誤差性能目標(biāo)為0.001。

圖4所示為實(shí)際構(gòu)建的Elman神經(jīng)網(wǎng)絡(luò)模型。從圖可以看出，輸入層有10個神經(jīng)元節(jié)點(diǎn)，在網(wǎng)絡(luò)訓(xùn)練均方誤差最小時，中間層存在23個神經(jīng)元節(jié)點(diǎn)，輸出層存在1個神經(jīng)元，且具有反饋環(huán)節(jié)。在不同磨擦狀態(tài)分別選取5組數(shù)據(jù)作為樣本輸入，共有15個輸入向量，每個向量包含了10個特征值數(shù)據(jù)。

表2所示為15組訓(xùn)練樣本的實(shí)際輸出（設(shè)干摩擦狀態(tài)、混合摩擦狀態(tài)和流體摩擦狀態(tài)的期望輸出分別為0、0.5和1）。

如圖5所示為訓(xùn)練樣本的期望輸出值與實(shí)際輸出值的對比。圖中藍(lán)色實(shí)線為15組訓(xùn)練樣本數(shù)據(jù)的期望輸出值，3組分別為0、0.5和1，紅色實(shí)線為樣本數(shù)據(jù)的實(shí)際輸出值。由圖知，紅藍(lán)兩條曲線基本吻合，不同摩擦狀態(tài)下的實(shí)際輸出值曲線僅存在小范圍波動情況，基本保持直線。該情況表明構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型對各個不同摩擦狀態(tài)下機(jī)械密封端面的訓(xùn)練識別效果都比較穩(wěn)定，訓(xùn)練效果較好。

3.2.2 模式識別結(jié)果分析測試

分別選取不同摩擦狀態(tài)下的10組數(shù)據(jù)作為測試樣本，分析神經(jīng)網(wǎng)絡(luò)的識別性能，對其識別效果進(jìn)行驗(yàn)證。

設(shè)相對誤差允許范圍為10%，則各摩擦狀態(tài)的有效識別區(qū)間如下：干摩擦[-0.05，0.05]，混合摩擦[0.45，0.55]，流體摩擦[0.95，1.05]。分析結(jié)果見表3，其有效識別的輸出數(shù)據(jù)為27個，摩擦狀態(tài)識別率達(dá)到90%。

分別選取不同的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)3次建模分析，驗(yàn)證Elman神經(jīng)網(wǎng)絡(luò)對機(jī)械密封摩擦狀態(tài)數(shù)據(jù)識別的重復(fù)性，實(shí)驗(yàn)結(jié)果顯示，3次實(shí)驗(yàn)中構(gòu)建的Elman神經(jīng)網(wǎng)絡(luò)模型的識別率分別為86.7%、90%以及96.7%。其中最大誤差數(shù)據(jù)相對誤差為13.1%。

4 結(jié)束語

本文基于聲發(fā)射法，通過建立對機(jī)械密封的端面摩擦狀態(tài)進(jìn)行監(jiān)測。驗(yàn)證了聲發(fā)射技術(shù)在機(jī)械密封中應(yīng)用前景，并得出以下結(jié)論：

1）通過小波包降噪后，可以得到聲發(fā)射信號中關(guān)于機(jī)械密封在工作過程中摩擦狀態(tài)的信息。

2）構(gòu)建Elman神經(jīng)網(wǎng)絡(luò)對從聲發(fā)射信號中提取的特征值進(jìn)行3種摩擦狀態(tài)的識別。結(jié)果與基于電渦流法直接監(jiān)測出的機(jī)械密封在工作過程中的摩擦狀態(tài)進(jìn)行對比，證明有較好的識別效果。

3）提出的信號處理方法與神經(jīng)網(wǎng)絡(luò)模式識別方法能夠快速有效地識別機(jī)械密封在工作過程中端面的摩擦狀態(tài)。為機(jī)械密封端面摩擦狀態(tài)的監(jiān)測提供良好的技術(shù)支撐。

參考文獻(xiàn)

[1] 顧永泉. 機(jī)械密封實(shí)用技術(shù)[M]. 北京：機(jī)械工業(yè)出版社，2001：1-5.

[2] 孫玉霞，李雙喜，李繼和，等. 機(jī)械密封技術(shù)[M]. 北京：化學(xué)工業(yè)出版社，2014：1-12.

[3] 孫見君. 機(jī)械密封泄漏預(yù)測理論及應(yīng)用[M]. 北京：中國電力出版社，2010：1-18.

[4] 王汝. 實(shí)用機(jī)械密封技術(shù)問答[M]. 北京：中國石化出版社，1995：180-184.

[5] HUANG W F， LIN Y B， GAO Z， et al. An acoustic emission study on the starting and stopping processes of a dry gas seal for pumps[J]. TribolLett，2013（49）：379-384.

[6] LUIS S A， SANJEEV S. Damping and inertia coefficients for two end sealed squeeze film dampers with a central groove： measurements and predictions [J]. Journal of Engineering for Gas Turbines and Power，2013，135（11）：135-144.

[7] 陳基名. 小波分析基礎(chǔ)[M]. 上海：上海大學(xué)出版社，2002：91-107.

[8] 王慧琴. 小波分析與應(yīng)用[M]. 北京：北京郵電大學(xué)出版社，2011：84-127.

[9] 丁碩，常曉恒，巫慶輝，等. 基于Elman神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷研究[J]. 國外電子測量技術(shù)，2014，33（4）：72-75.

（編輯：劉楊）