基于LMD盒維數(shù)與PNN的往復(fù)泵聲發(fā)射故障診斷

裴峻峰 郭 攀 孟朋朋 王 兵 徐延海

(1.常州大學(xué)機(jī)械工程學(xué)院，江蘇 常州 213000；2.江蘇金石機(jī)械集團(tuán)有限公司，江蘇 淮安 223001)

基于LMD盒維數(shù)與PNN的往復(fù)泵聲發(fā)射故障診斷

裴峻峰1郭 攀1孟朋朋1王 兵1徐延海2

(1.常州大學(xué)機(jī)械工程學(xué)院，江蘇 常州 213000；2.江蘇金石機(jī)械集團(tuán)有限公司，江蘇 淮安 223001)

針對(duì)往復(fù)泵泵閥故障診斷，提出使用聲發(fā)射技術(shù)對(duì)往復(fù)泵泵閥進(jìn)行故障信號(hào)采集。利用局部均值分解(LMD)對(duì)非線性聲發(fā)射信號(hào)處理和分形盒維數(shù)對(duì)非線性信號(hào)定量描述的特點(diǎn)，首先對(duì)故障信號(hào)進(jìn)行LMD處理，得到含有故障特征的PF分量，然后算出各PF分量的盒維數(shù)，通過比較分析盒維數(shù)進(jìn)行故障診斷，最后將各PF分量的盒維數(shù)作為特征向量輸入概率神經(jīng)網(wǎng)絡(luò)(PNN)進(jìn)行模式識(shí)別。通過實(shí)驗(yàn)分析，證明該方法對(duì)往復(fù)泵泵閥故障診斷是有效可行的。

往復(fù)泵泵閥 故障診斷 聲發(fā)射 局部均值分解 盒維數(shù) 概率神經(jīng)網(wǎng)絡(luò)

往復(fù)泵在石油鉆井、輸油注水方面被廣泛應(yīng)用，大多數(shù)情況下輸送的介質(zhì)具有高壓、高粘度、高含沙量及大密度等特征。泵閥是往復(fù)泵工作過程中較為關(guān)鍵的部件，它對(duì)往復(fù)泵的正常工作和可靠性有著直接的影響[1,2]。因?qū)嶋H工作中往復(fù)泵大多是在比較惡劣的環(huán)境下工作，在這類環(huán)境下，泵閥在工作中大多處于具有磨礪和腐蝕性介質(zhì)中，泵閥會(huì)因此產(chǎn)生沖擊疲勞、磨礪磨損及沖蝕磨損等，且介質(zhì)的沖擊性較強(qiáng)，這些因素均會(huì)導(dǎo)致泵閥泄漏，進(jìn)而影響往復(fù)泵正常工作。往復(fù)泵泵閥的振動(dòng)信號(hào)是往復(fù)泵泵閥故障信息的主要來源[3]。但是對(duì)于往復(fù)機(jī)械而言，振動(dòng)信號(hào)既包含往復(fù)機(jī)械的沖擊特征，又包含旋轉(zhuǎn)機(jī)械的非線性平穩(wěn)特點(diǎn)，故障模式不能像旋轉(zhuǎn)機(jī)械那樣一一映射[4]，對(duì)應(yīng)的振動(dòng)特征難以確定，對(duì)故障診斷造成了困難，因此提出用聲發(fā)射技術(shù)對(duì)往復(fù)泵進(jìn)行故障信息的采集。筆者提出將局部均值分解(LMD)盒維數(shù)與概率神經(jīng)網(wǎng)絡(luò)(PNN)相結(jié)合的方法運(yùn)用到往復(fù)泵泵閥聲發(fā)射信號(hào)的故障診斷中，即將聲發(fā)射信號(hào)LMD分解所得的PF分量的分形盒維數(shù)作為特征向量輸入到PNN，實(shí)現(xiàn)不同泵閥故障的分類識(shí)別。

1 聲發(fā)射①

當(dāng)材料發(fā)生變形或開裂后，材料受到外部或內(nèi)部的作用力，會(huì)有瞬態(tài)彈性波因快速釋放能量從材料的局部產(chǎn)生，這種物體因受力而產(chǎn)生瞬態(tài)彈性波的現(xiàn)象稱為聲發(fā)射現(xiàn)象。聲發(fā)射源通常意義下是指彈性波在一定的應(yīng)力作用下因有裂縫或變形產(chǎn)生引起彈性波的物體；而與材料變形或斷裂沒有直接關(guān)系的瞬態(tài)彈性波可以稱為二次聲發(fā)射源，如機(jī)械摩擦、流體泄漏、燃燒及撞擊等[5]。

長(zhǎng)期運(yùn)行時(shí)，由于往復(fù)泵泵閥的腐蝕、磨損、變形或異物卡澀等原因造成泵閥泄漏，由于泵閥泄漏孔口前后之間的壓力有較大的差異，泵閥內(nèi)的流動(dòng)介質(zhì)會(huì)在泄漏孔口形成脈動(dòng)壓力場(chǎng)，介質(zhì)從孔口處噴射而出，產(chǎn)生多相湍流射流，泄漏的聲發(fā)射信號(hào)主要由3個(gè)原因引起[6]：機(jī)械振動(dòng)發(fā)聲——流體介質(zhì)的壓力在閥體內(nèi)部產(chǎn)生不規(guī)則的波動(dòng)與流體介質(zhì)中的擾動(dòng)和沖擊使彈性元件振動(dòng)產(chǎn)生的機(jī)械振動(dòng)聲音，這種振動(dòng)模式產(chǎn)生的聲發(fā)射，類似于金屬拍擊?？諝鈩?dòng)力學(xué)或湍流發(fā)聲——當(dāng)介質(zhì)流動(dòng)時(shí)，流體介質(zhì)從泄漏孔口流出，由于流動(dòng)突然膨脹或減小，會(huì)形成湍流。汽蝕發(fā)聲——當(dāng)流體介質(zhì)泄漏時(shí)，液體通過節(jié)流孔流段的泄漏會(huì)突然收縮，孔口的壓力可以使液體汽化，即達(dá)到液體的汽化壓力時(shí)液體蒸發(fā)，使部分液體形成泡沫；在流體介質(zhì)的下游，因流體的擴(kuò)張而壓力上升，隨著壓力升高，流體介質(zhì)形成的氣泡內(nèi)部的壓力會(huì)低于流體介質(zhì)的外部壓力，泡沫因壓力差過大破裂產(chǎn)生汽蝕發(fā)聲。汽蝕發(fā)聲是泵閥聲發(fā)射的主要聲源，它的大小與流體流動(dòng)的流量、速度、泵閥大小、閥門進(jìn)出口壓力、泵閥類型、流體的物理性質(zhì)和泄漏孔口形狀有關(guān)[7]。因此通過聲發(fā)射信號(hào)可以對(duì)往復(fù)泵泵閥進(jìn)行故障診斷和模式識(shí)別。

2 故障診斷實(shí)驗(yàn)

實(shí)驗(yàn)采用的往復(fù)泵是BW-250型注漿泵。往復(fù)泵在工作時(shí)，活塞、密封圈、缸套及泵閥等是液力端的主要易損件，選取活塞磨損、彈簧斷裂和閥盤磨損3種故障作為故障樣本進(jìn)行實(shí)驗(yàn)。將正常的和帶有故障特征的部件分別換上，往復(fù)泵泵閥聲發(fā)射信號(hào)采集系統(tǒng)如圖1所示。基于LMD盒維數(shù)和PNN的往復(fù)泵泵閥聲發(fā)射故障診斷流程如圖2所示。

圖1 往復(fù)泵泵閥聲發(fā)射信號(hào)采集系統(tǒng)

圖2 診斷流程

實(shí)驗(yàn)中往復(fù)泵轉(zhuǎn)速設(shè)為72r/min，傳感器選擇SR150M型聲發(fā)射傳感器，采用SAEU2S聲發(fā)射采集箱，前置放大器采用PAⅠ系列前置放大器，該系列前置放大器的增益為40±1dB，帶寬為10.0kHz～2.0MHz。前置放大器在聲發(fā)射系統(tǒng)中對(duì)準(zhǔn)確采集聲發(fā)射信號(hào)起著重要的作用，在整個(gè)聲發(fā)射系統(tǒng)中，前置放大器對(duì)噪聲測(cè)量有較大的影響。在測(cè)量聲發(fā)射信號(hào)時(shí)為準(zhǔn)確測(cè)量需要提高增益和降低噪聲，前置放大器在整個(gè)系統(tǒng)中的作用是提高信噪比性能，具有降低噪聲和提高增益的功能。實(shí)驗(yàn)時(shí)設(shè)置采樣頻率為1MHz，采樣長(zhǎng)度為140 000點(diǎn)，對(duì)4種工況下的聲發(fā)射信號(hào)進(jìn)行采集。

3 LMD分解和盒維數(shù)計(jì)算

局部均值分解和經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)相比減少了迭代次數(shù)，摒除了EMD在處理信號(hào)時(shí)的具有欠包絡(luò)和過包絡(luò)的弊端，復(fù)雜的多分量信號(hào)可以分解為一系列單一成分的純調(diào)頻調(diào)幅信號(hào)即PF分量，能有效地提取各個(gè)故障狀態(tài)下的信號(hào)特征信息，可在一定程度上抑制端點(diǎn)效應(yīng)，PF分量相較于EMD分解的IMF分量有更多的頻率和包絡(luò)信息得到保存，所以LMD與EMD相比包含原始信號(hào)的有效信息較多，含有聲發(fā)射信息的噪音較少[8～10]。LMD分解有以下7個(gè)步驟：

b. 將相鄰的mi均用直線連接起來，為得到局部均值函數(shù)m11(t)，需要進(jìn)行平滑處理，可以使用滑動(dòng)平均法進(jìn)行。用同樣的方法得到包絡(luò)估計(jì)函數(shù)α11(t)。

c. 從原始信號(hào)x(t)中分離出局部均值函數(shù)m11(t)，得到h11(t)=x(t)-m11(t)。

黨的十九大報(bào)告指出：必須增強(qiáng)群眾工作本領(lǐng)，創(chuàng)新群眾工作體制機(jī)制和方式方法。邁進(jìn)新時(shí)代，面對(duì)新矛盾，做好群眾工作既要繼承傳統(tǒng)，又要?jiǎng)?wù)實(shí)創(chuàng)新；既要適應(yīng)新形勢(shì)新任務(wù)的要求，又要研究和把握新形勢(shì)下群眾工作的新特點(diǎn)新規(guī)律。各級(jí)黨員干部要以高度的政治責(zé)任感，在深入群眾、聯(lián)系群眾、宣傳群眾、組織群眾、服務(wù)群眾、團(tuán)結(jié)群眾中，不斷提高做好群眾工作的能力水平。

e. 原始信號(hào)的第1個(gè)分量可通過將包絡(luò)信號(hào)α1(t)和純調(diào)頻信號(hào)s1n(t)相乘得到，PF1(t)=α1(t)s1n(t)。

f.PF1(t)包含給定信號(hào)中的最高頻率成分，它是一個(gè)單分量調(diào)幅-調(diào)頻信號(hào)，其瞬時(shí)幅值就是包絡(luò)信號(hào)α1(t)，其瞬時(shí)頻率f1(t)則可由純調(diào)頻信號(hào)s1n(t)求出。

圖3所示是一個(gè)活塞磨損聲發(fā)射信號(hào)LMD分解圖。聲發(fā)射信號(hào)經(jīng)LMD分解后，各PF分量在不同頻率范圍反映了信號(hào)的變化趨勢(shì)，往復(fù)泵泵閥聲發(fā)射信號(hào)的主要信息分布在前幾個(gè)PF分量中，因此前幾個(gè)PF分量是分析的主要對(duì)象，從圖3中可以看出PF1(t)～PF6(t)貢獻(xiàn)率之和超過95%，而且PF7(t)貢獻(xiàn)率很低，殘余信號(hào)R分量幾乎呈直線，說明與原始信號(hào)相關(guān)性很小，可以忽略不計(jì)。

圖3 活塞磨損聲發(fā)射信號(hào)LMD分解

在經(jīng)過LMD處理的基礎(chǔ)上結(jié)合分形盒維數(shù)的方法，計(jì)算各LMD分解的PF分量的盒維數(shù)。系統(tǒng)的非線性行為可以使用分形理論中的分形維數(shù)定量描述其特征量，其中盒維數(shù)的大小和變化可以反映非線性信號(hào)的復(fù)雜程度和不規(guī)則程度，它是分形維數(shù)的一種[12]。因?yàn)楹芯S數(shù)的計(jì)算相對(duì)于其他分形維數(shù)不太復(fù)雜,在信號(hào)處理中得到了較為廣泛的應(yīng)用。在往復(fù)泵泵閥信號(hào)的特征提取中，分形盒維數(shù)不僅可以定性分析機(jī)械系統(tǒng)各故障狀態(tài)的運(yùn)行狀況,還可以對(duì)各狀態(tài)信號(hào)進(jìn)行量化,對(duì)機(jī)械系統(tǒng)產(chǎn)生的非線性信號(hào)計(jì)算盒維數(shù)，對(duì)其進(jìn)行進(jìn)一步的分析比較可實(shí)現(xiàn)對(duì)復(fù)雜機(jī)械系統(tǒng)的故障診斷。

設(shè)集合F是Rn中任一非空有界子集，記N(A,δ)表示最大直徑為δ且能覆蓋F的集合的最小數(shù)，則F的盒維數(shù)定義為：

(1)

然后在lnN(δ)～ln(1/δ)圖中確定擬合一段線性良好的信號(hào)無標(biāo)度區(qū)，則分形盒維數(shù)即是擬合得到的直線斜率。由于分型空間的特殊性，其元素F必定是非空緊子集，故盒維數(shù)所針對(duì)的集合允許是開的。

利用式(1)求出每種情況下PF1～PF6的盒維數(shù)，它可以反映非平穩(wěn)信號(hào)不平穩(wěn)程度的大小和復(fù)雜度的變化，不僅可以對(duì)信號(hào)進(jìn)行定性分析，還可以對(duì)系統(tǒng)進(jìn)行定量分析，因此可以準(zhǔn)確、清楚地反映4種工況下的故障特征?；钊p故障信號(hào)各PF分量盒維數(shù)如圖4所示，可以看出從PF1到PF6分量的盒維數(shù)依次減小。信號(hào)的盒維數(shù)大小反映信號(hào)的規(guī)則程度，包含的信息量越多，信號(hào)不規(guī)則的程度越大，其盒維數(shù)也越大，盒維數(shù)最大的是PF1分量信號(hào)，是信號(hào)中的主要成分，從PF2到PF6盒維數(shù)依次減小，表明與原信號(hào)的關(guān)聯(lián)程度也隨之減小。

圖4 活塞磨損故障信號(hào)各PF分量盒維數(shù)

對(duì)信號(hào)進(jìn)行LMD分解后，計(jì)算4種狀態(tài)聲發(fā)射信號(hào)各PF分量的盒維數(shù)(表1)。分形盒維數(shù)介于1和2之間，信號(hào)越不規(guī)則，分形盒維數(shù)越大[13]。從表1可以看出，LMD分解信號(hào)的各PF分量的盒維數(shù)中，不同故障狀態(tài)下的盒維數(shù)數(shù)值有明顯的區(qū)間范圍，往復(fù)泵泵閥正常狀態(tài)盒維數(shù)最大，依次是閥盤磨損故障盒維數(shù)、活塞磨損故障盒維數(shù)，彈簧斷裂故障盒維數(shù)最小。

表1 不同狀態(tài)的盒維數(shù)

正常工況下系統(tǒng)產(chǎn)生聲發(fā)射信號(hào)的因素有缸套、底座等振動(dòng)發(fā)聲多方面因素，但不起決定性作用，正常信號(hào)PF1～PF4由于信號(hào)分布均勻、復(fù)雜性大，其盒維數(shù)比故障信號(hào)盒維數(shù)大，而其余PF分量由于隨機(jī)性小于故障工況，因此其盒維數(shù)比故障工況小或差別不大。而且，正常狀態(tài)的聲發(fā)射信號(hào)也包含規(guī)律性的聲發(fā)射成分，它不是完全的噪聲成分。彈簧斷裂故障的盒維數(shù)與其他運(yùn)行狀態(tài)相比最小，由于泵閥在工作過程中彈簧有規(guī)律的上下往復(fù)運(yùn)動(dòng)，彈簧磨損不會(huì)產(chǎn)生泄漏孔口，內(nèi)外壓力差相對(duì)較小，泵閥內(nèi)的流體相對(duì)平穩(wěn)，所以彈簧斷裂故障的不規(guī)則和不確定性較低，盒維數(shù)最小。

4 PNN分類預(yù)測(cè)

19世紀(jì)80年代，Specht D F博士首先提出概率神經(jīng)網(wǎng)絡(luò)，它是一種基于Parzen窗與貝葉斯分類規(guī)則的概率密度函數(shù)估計(jì)方法。這樣的網(wǎng)絡(luò)權(quán)值對(duì)應(yīng)模式樣本的分布格局不需要訓(xùn)練，可以滿足實(shí)時(shí)處理的訓(xùn)練要求[14]。

PNN網(wǎng)絡(luò)經(jīng)由徑向基函數(shù)發(fā)展成為一種前饋神經(jīng)網(wǎng)絡(luò)，比較適用于信號(hào)的模式識(shí)別，它由輸入層、模式層、求和層、輸出層共4層組成[15]。其基本結(jié)構(gòu)如圖5所示。

圖5 PNN的基本結(jié)構(gòu)

隨機(jī)選取正常、活塞磨損、彈簧斷裂、閥盤磨損4種狀態(tài)下各20組數(shù)據(jù)，共80組聲發(fā)射信號(hào)，LMD分解的PF1～PF6計(jì)算得到的盒維數(shù)作為PNN網(wǎng)絡(luò)的特征向量。任意取其中48組作為訓(xùn)練樣本，其余32組作為測(cè)試樣本進(jìn)行模式識(shí)別，從而訓(xùn)練PNN多故障分類器，分別對(duì)正常、活塞磨損、彈簧斷裂、閥盤磨損4種狀態(tài)進(jìn)行分類。訓(xùn)練樣本分類器時(shí)，將選取的正常樣本標(biāo)記為1，活塞磨損故障樣本標(biāo)記為2，彈簧斷裂故障樣本標(biāo)記為3，閥盤磨損故障樣本標(biāo)記為4。

將樣本輸入分類器的訓(xùn)練效果如圖6所示，可見第13組數(shù)據(jù)實(shí)際故障是閥盤磨損故障(標(biāo)記為4)，訓(xùn)練時(shí)將其識(shí)別為正常(標(biāo)記為1)，故訓(xùn)練誤差為-3.0；第16組數(shù)據(jù)實(shí)際故障是活塞磨損故障(標(biāo)記為2)，訓(xùn)練時(shí)將它識(shí)別為彈簧斷裂故障(標(biāo)記為3)，訓(xùn)練誤差為1.0；第40組數(shù)據(jù)實(shí)際故障是閥盤磨損故障(標(biāo)記為4)，訓(xùn)練時(shí)被識(shí)別為彈簧斷裂故障(標(biāo)記為3)，訓(xùn)練誤差為-1.0。因此，網(wǎng)絡(luò)對(duì)訓(xùn)練集分類的正確率為93.75%。

圖6 PNN的訓(xùn)練效果

利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)測(cè)試集分類，分類效果如圖7所示，32個(gè)測(cè)試對(duì)象中的30個(gè)被正確識(shí)別，其中第26組和31組數(shù)據(jù)將閥盤磨損故障劃分到彈簧斷裂故障類別中，總體分類成功率為93.75%，分類效果比較理想。

5 結(jié)論

5.1LMD分解信號(hào)的方法有效地提取了往復(fù)泵泵閥聲發(fā)射信號(hào)特征，減小了EMD方法中存在的模式混疊現(xiàn)象，提高了系統(tǒng)的抗噪能力。

5.2在往復(fù)泵泵閥故障診斷中LMD和分形盒維數(shù)可以定量計(jì)算盒維數(shù)正常條件和故障的不同部分的描述，說明不同失效模式的盒維數(shù)具有可分性和明顯的區(qū)間范圍，采用盒維數(shù)計(jì)算各個(gè)狀態(tài)下的非線性平穩(wěn)信號(hào)分析比較進(jìn)行故障診斷。

圖7 PNN的預(yù)測(cè)效果

5.3通過LMD分解聲發(fā)射信號(hào)，計(jì)算各分解信號(hào)盒維數(shù)輸入PNN進(jìn)行識(shí)別，減少了工作量且分類效果較好。

5.4聲發(fā)射技術(shù)可以用在往復(fù)泵泵閥設(shè)備的故障診斷，并取得不錯(cuò)的效果。

[1] 赫偉英，裴峻峰.往復(fù)機(jī)械故障診斷技術(shù)進(jìn)展綜述[J].化工機(jī)械，2010,37(5):671～674.

[2] 趙志華，吳力.往復(fù)泵故障智能診斷系統(tǒng)的設(shè)計(jì)[J].化工自動(dòng)化及儀表，2013,40(6):701～705.

[3] 段玉波，由大偉．往復(fù)泵泵閥的狀態(tài)監(jiān)測(cè)及智能故障診斷綜述[J]．自動(dòng)化技術(shù)與應(yīng)用，2003,22(9):1～4.

[4] 別鋒鋒，劉楊，裴峻峰，等．EEMD近似熵和SVM在柴油機(jī)傳動(dòng)系統(tǒng)中的故障診斷研究[J].機(jī)械設(shè)計(jì)與制造，2015,(3):24～31.

[5] 楊晶.基于聲發(fā)射檢測(cè)的閥門泄漏可視化診斷技術(shù)

研究[D].長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2013.

[6] 方學(xué)鋒，梁華，夏志敏，等.基于聲發(fā)射技術(shù)的閥門泄漏在線檢測(cè)方法[J].化工機(jī)械，2007,34(1):52～54.

[7] 王新穎．承壓閥門內(nèi)漏聲學(xué)檢測(cè)方法研究[D].大慶：大慶石油學(xué)院，2007.

[8] Smith J S．The Local Mean Decomposition and Its Application to EEG Perception Data[J].Journal of the Royal Society Interface,2005,2(5):443～454.

[9] Huang N E,Shen Z,Long S R,et al.The Emprical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J].Proceedings of the Royal Society a Mathematical Physical and Engineering Sciences,1998,454(1971):903～995.

[10] Yang Y,He Y G,Chen I S,et al.A Gear Fault Diagnosis Using Hilbert Spectrum Based on MODWPT and a Comparison with EMD Approach[J].Measurement,2009,42(4):542～551.

[11] 孫偉，熊邦書，黃建萍，等.小波包降噪與LMD相結(jié)合的滾動(dòng)軸承故障診斷方法[J].振動(dòng)與沖擊，2012,31(18):153～156.

[12] 趙健，雷蕾，蒲小琴.分形理論及其在信號(hào)處理中的應(yīng)用[M].北京：清華大學(xué)出版社，2008：2～3.

[13] 劉曉波，馬善紅.分形盒維數(shù)在裂紋轉(zhuǎn)子故障診斷中的應(yīng)用[J].機(jī)床與液壓，2009,37(1):164～166.

[14] 付芹，谷立臣.PNN在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J].煤礦機(jī)械，2009,30(11):237～239.

[15] Specht D F.Probabilistic Neural Networks[J].Neural Networks,1990,3(1):109～118.

(Continued on Page 1321)

AcousticEmissionFaultDiagnosisofReciprocatingPumpBasedonLMDBoxDimensionandPNN

PEI Jun-feng1, GUO Pan1, MENG Peng-peng1, WANG Bing1, XU Yan-hai2

(1.CollegeofMechanicalEngineering,ChangzhouUniversity,Changzhou213000,China; 2.JiangsuJinshiMachineryGroupCo.,Ltd.,Huai′an223001,China)

In view of the fault diagnosis of reciprocating pump valves, making use of acoustic emission technology to acquire fault signals of the reciprocating pump valve was proposed. Based on the characteristics that applying the local mean decomposition (LMD) to process nonlinear acoustic emission signals and employing the box dimension to quantitatively describe the nonlinear signals, firstly, having LMD used to decompose the fault signals to gainPFcomponent which containing fault features and to calculate the box dimension of eachPFcomponent as well as to takePFcomponent’s box dimension as the feature vector and to have it input into

TH321

A

1000-3932(2016)12-1286-06

2016-10-26(修改稿)

國家自然科學(xué)基金項(xiàng)目(51175051)