基于多傳感器信息融合的往復(fù)泵故障診斷

郭 攀,史洪偉,宋傳智,王紅艷,裴峻峰

(1. 宿州學(xué)院 化學(xué)化工學(xué)院，安徽 宿州 234000； 2.常州大學(xué) 機械工程學(xué)院，江蘇 常州 213000； 3.天地(常州)自動化股份有限公司 中煤科工集團(tuán)常州研究院有限公司，江蘇 常州 213000)

旋轉(zhuǎn)機械在工業(yè)中有著十分重要的應(yīng)用，目前對于旋轉(zhuǎn)機械的故障診斷已經(jīng)取得了許多成功的應(yīng)用[1-8]，而國內(nèi)外對泵的故障診斷也做了大量研究工作，許多研究都是基于振動技術(shù)展開的[9-11]。羅紅梅等[12]計算了有時標(biāo)信號和無時標(biāo)信號2時鉆井泵泵閥振動信號小波包分頻帶能量；Liu Shulin等[13]采用1種改進(jìn)的EMD算法提取振動信號的故障特征，并成功應(yīng)用于泵閥彈簧的故障診斷；V.Muralidharan和V.Sugumaran[14-16]利用不同的小波變換提取特征，并利用決策樹和模糊邏輯進(jìn)行分類的方法對泵的汽蝕、葉輪故障、軸承故障以及葉輪軸承復(fù)合故障等進(jìn)行診斷。除了分析振動信號外，分析聲音和壓力信號進(jìn)行泵的故障診斷的方法也得到了成功應(yīng)用。Sin-Young Lee[17]通過對聲音信號進(jìn)行分析，成功地診斷出泵的軸變形和軸承變形等故障。在無損檢測技術(shù)領(lǐng)域，基于聲振信息的故障診斷技術(shù)已經(jīng)成功地應(yīng)用在旋轉(zhuǎn)機械的故障檢測。

綜上，雖然許多方法已經(jīng)成功用于泵的故障診斷，但目前對泵的故障診斷主要是分析單一信號，而當(dāng)泥漿泵液力端發(fā)生故障時，僅僅依靠單一的故障信息有時難以做出精確的診斷，經(jīng)常出現(xiàn)誤診的情況。本文在振動分析的基礎(chǔ)上，引入聲音和聲發(fā)射技術(shù)，將聲音、聲發(fā)射信號和振動信號進(jìn)行融合，并利用SVM算法對往復(fù)泵液力端故障模式進(jìn)行識別。

1 實驗原理及方案

多傳感器信息融合通過對多個方面的信息進(jìn)行某種規(guī)則的組合從而獲得更多更有價值的信息，這不是簡單的輸入輸出過程，而是各種信息互相作用的結(jié)果。多傳感器信息融合利用多種類型傳感器獲取的信息具有多方面、多角度的優(yōu)勢，從而提高了整個系統(tǒng)的有效性和準(zhǔn)確性[18]。

信息融合按照其融合的數(shù)據(jù)抽象層次可以分為數(shù)據(jù)、特征和決策3個級別的信息融合[19]。這3個級別從融合診斷信息的表征水平從低到高，分別可以實現(xiàn)故障、檢測、故障識別和故障定位的需要，最終得出融合結(jié)果[20]。

數(shù)據(jù)級信息融合是最低級別的信息融合，它是直接在傳感器采集到的原始數(shù)據(jù)信息層面上進(jìn)行的融合。特征級信息融合是中間級別的信息融合，該級融合首先對采集到的原始信息進(jìn)行特征提取，然后對獲得的特征信息進(jìn)行融合分析，進(jìn)而進(jìn)行目標(biāo)身份的識別。決策級信息融合是高級別的信息融合，首先完成對每個傳感器采集的原始信息進(jìn)行處理，得出對所研究對象的初步結(jié)論，然后通過各個傳感器的關(guān)聯(lián)進(jìn)行局部決策層的融合處理，并獲得最終的融合結(jié)果。

通過分形理論等方法對采集到的聲振信息進(jìn)行特征提取，規(guī)避很多其它方法對非平穩(wěn)信號處理的不足，其特征向量對信號特征的相關(guān)性大大提高，因此，本文選用特征信息融合方法。信息融合流程如圖1所示，3種信號同時采集的現(xiàn)場如圖2所示，實驗設(shè)備組成如圖3所示。

圖1 信息融合流程

圖2 信號采集現(xiàn)場

圖3 實驗設(shè)備組成

2 聲振信息融合故障診斷

采用聲音、振動和聲發(fā)射信號的分形維數(shù)作為特征值結(jié)合不同核函數(shù)及改進(jìn)的SVM算法進(jìn)行融合診斷，分別與聲音、振動和聲發(fā)射3種信號單獨診斷的結(jié)果以及兩兩融合的結(jié)果進(jìn)行對比，觀察故障識別的準(zhǔn)確率。

2.1 特征向量融合

提取往復(fù)泵聲發(fā)射信號數(shù)據(jù)分形盒維數(shù)、往復(fù)泵聲音信號的多重分形特征值以及振動信號的能量重構(gòu)作為其特征值。首先比較不同信號特征的故障診斷識別率，然后兩兩進(jìn)行融合，最后將3種信號融合，觀察識別效果，分析各種融合狀態(tài)和未融合狀態(tài)下的故障診斷識別效率，比較分析結(jié)果，判斷是否能改進(jìn)其識別結(jié)果，決策出最好的識別方法。

將3種信號處理得到的特征向量進(jìn)行融合獲得融合特征向量。如聲發(fā)射信號的分形盒維數(shù)特征向量特征值T1=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1]，聲音信號的多重分形特征值T2=[4.214 4 0.499 0 2.422 9 4.549 1 3.361 1 2.553 3]，振動信號的能量特征值T3=[0.932 1 0.450 2 0.284 5 0.327 8 0.613 0 0.010 7]，融合特征向量T=[T1,T2,T3]=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1 4.214 4 0.499 0 2.422 9 4.549 1 3.361 1 2.553 3 0.932 1 0.450 2 0.284 5 0.327 8 0.613 0 0.010 7]，T12=[T1,T2]=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1 4.214 4 0.499 0 2.422 9 4.549 1 3.361 1 2.553 3]，T13=[T1,T3]=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1 0.932 1 0.450 2 0.284 5 0.327 8 0.613 0 0.010 7]。將每種工況180組聲發(fā)射盒維數(shù)信號和180組聲音信號的多重分形特征值以及180組振動加速度信號能量特征值進(jìn)行融合，獲得每種工況180組融合特征向量，隨機選取100組作為訓(xùn)練樣本，80組作為待測樣本，融合后的部分融合特征向量如表1所示。

表1 部分訓(xùn)練樣本

2.2 GA-SVM融合診斷

使用GA-SVM及其它不同核函數(shù)的SVM融合故障診斷，將每種工況的25組數(shù)據(jù)作為訓(xùn)練樣本，20組數(shù)據(jù)作為預(yù)測樣本，輸入核函數(shù)分別為線性、RBF和經(jīng)過GA改進(jìn)的SVM，比較不同核函數(shù)的SVM識別率。

當(dāng)聲發(fā)射分形盒維數(shù)和振動兩種信號融合時，往復(fù)泵正常運行，輸入特征向量：[1.557 8 1.434 2 1.356 2 1.297 6 1.194 5 1.164 8 0.909 1 0.368 6 0.460 5 0.326 4 0.167 5 0.086 4]到SVM訓(xùn)練，輸出的訓(xùn)練結(jié)果為1，說明泵正常工作，與實際工況一致。當(dāng)活塞磨損時，輸入特征向量：[1.552 1 1.404 7 1.351 9 1.281 7 1.193 2 1.120 2 0.811 0 0.298 7 0.292 7 0.145 9 0.159 7 0.114 9]，輸出結(jié)果為2，說明活塞磨損，與實際工況一致。當(dāng)彈簧斷裂時，輸入特征向量：[1.533 9 1.398 8 1.345 1 1.273 1 1.189 3 1.142 7 0.778 5 0.591 0 0.305 5 0.192 7 0.185 2 0.058 1]，輸出結(jié)果為3，說明彈簧斷裂，與實際工況一致。當(dāng)閥盤磨損時，輸入特征向量：[1.567 9 1.430 8 1.353 3 1.277 2 1.201 4 1.155 8 0.851 4 0.794 2 0.137 6 0.193 7 0.201 5 0.241 6]，輸出結(jié)果為4，說明活塞磨損，與實際工況一致。

當(dāng)聲音信號多重分形特征值和振動兩種信號融合時，往復(fù)泵正常運行，輸入特征向量：[4.556 3 3.375 4 2.551 6 3.846 4 0.572 9 2.298 7 0.909 1 0.368 6 0.460 5 0.326 4 0.167 5 0.086 4]到SVM訓(xùn)練，輸出的訓(xùn)練結(jié)果為1，說明泵正常工作，與實際工況一致。當(dāng)活塞磨損時，輸入特征向量：[4.536 8 3.341 6 2.546 9 1.966 0.670 4 2.771 5 0.811 0 0.298 7 0.292 7 0.146 5 0.162 7 0.115 7]，輸出結(jié)果為2，說明活塞磨損，與實際工況一致。當(dāng)彈簧斷裂時，輸入特征向量：[4.518 6 3.354 2 2.553 1 2.318 1 0.176 2 3.037 5 0.778 5 0.591 0 0.305 5 0.192 7 0.185 2 0.058 1]，輸出結(jié)果為3，說明彈簧斷裂，與實際工況一致。當(dāng)閥盤磨損時，輸入特征向量：[4.531 7 3.349 8 2.520 1 2.404 0.261 8 3.062 8 0.851 4 0.794 2 0.137 6 0.193 7 0.201 5 0.241 6]，輸出結(jié)果為4，說明活塞磨損，與實際工況一致。

當(dāng)聲發(fā)射和聲音信號多重分形特征值兩種信號融合時，往復(fù)泵正常運行，輸入特征向量：[1.557 8 1.434 2 1.356 2 1.297 6 1.194 5 1.164 8 4.556 3 3.375 4 2.551 6 3.846 4 0.572 9 2.298 7]到SVM訓(xùn)練，輸出的訓(xùn)練結(jié)果為1，說明泵正常工作，與實際工況一致。當(dāng)活塞磨損時，輸入特征向量：[1.552 1 1.404 7 1.351 9 1.281 7 1.193 2 1.120 2 4.536 8 3.341 6 2.546 9 1.966]，輸出結(jié)果為2，說明活塞磨損，與實際工況一致。當(dāng)彈簧斷裂時，輸入特征向量：[1.534 0 1.428 8 1.344 7 1.273 1 1.189 3 1.142 7 4.518 6 3.354 2 2.553 1 2.318 1 0.176 2 3.037 5]，輸出結(jié)果為3，說明彈簧斷裂，與實際工況一致。當(dāng)閥盤磨損時，輸入特征向量：[1.567 9 1.430 8 1.353 3 1.277 2 1.201 4 1.155 8 4.531 7 3.349 8 2.520 1 2.404 0.261 8 3.062 8]，輸出結(jié)果為4，說明活塞磨損，與實際工況一致。

當(dāng)聲發(fā)射分形盒維數(shù)、聲音信號多重分形特征值與振動3種信號融合時，往復(fù)泵正常運行，輸入特征向量：[4.556 3 3.375 4 2.551 6 3.846 4 0.572 9 2.298 7 0.909 1 0.368 6 0.460 5 0.326 4 0.167 5 0.086 4]到SVM訓(xùn)練，輸出的訓(xùn)練結(jié)果為1，說明泵正常工作，與實際工況一致。當(dāng)活塞磨損時，輸入特征向量：[1.552 1 1.404 7 1.351 9 1.281 7 1.193 2 1.120 2 4.536 8 3.341 6 2.546 9 1.966 0.670 4 2.771 5 0.811 0 0.298 7 0.292 7 0.146 5 0.162 7 0.115 7]，輸出結(jié)果為2，說明活塞磨損，與實際工況一致。當(dāng)彈簧斷裂時，輸入特征向量：[1.534 0 1.428 8 1.344 7 1.273 1 1.189 3 1.142 7 4.518 6 3.354 2 2.553 1 2.318 1 0.176 2 3.037 5 0.778 5 0.591 0 0.305 5 0.192 7 0.185 2 0.058 1]，輸出結(jié)果為3，說明彈簧斷裂，與實際工況一致。當(dāng)閥盤磨損時，輸入特征向量：[1.567 9 1.430 8 1.353 3 1.277 2 1.201 4 1.155 8 4.531 7 3.349 8 2.520 1 2.404 0.261 8 3.062 8 0.851 4 0.794 2 0.137 6 0.193 7 0.201 5 0.241 6]，輸出結(jié)果為4，說明活塞磨損，與實際工況一致。

融合后的樣本信息增多，模型訓(xùn)練工作量也在增大。圖4是遺傳算法適應(yīng)度曲線，進(jìn)化代數(shù)設(shè)為200，進(jìn)化代數(shù)為4時達(dá)到最佳適應(yīng)度，識別速度較快。將其與80組數(shù)據(jù)輸入訓(xùn)練好的SVM中進(jìn)行故障模式識別，通過對聲發(fā)射、聲音和振動3種信號進(jìn)行模式識別，識別結(jié)果見表2，進(jìn)行多傳感器信息融合之后的識別結(jié)果如表3所示。

圖4 遺傳算法適應(yīng)度曲線

表2 不同SVM單種信號診斷結(jié)果

從表2可以看出，單種信號的診斷識別正確率不算很高，全部識別正確的不多，不同識別方法僅有聲音信號的閥盤磨損故障全部正確識別。分析比較3種信號單獨識別時聲音信號的識別效果最好，均不小于95%，很多故障的識別效率達(dá)到100%，聲發(fā)射信號的識別效果整體均在90%以上，而振動信號的識別結(jié)果卻僅在85%左右。綜合可知使用聲音信號的多重分形特征值和聲發(fā)射信號的分形盒維數(shù)的識別結(jié)果均明顯好于振動信號的能量特征。

表3 不同SVM信息融合診斷結(jié)果

結(jié)合表2和表3的識別結(jié)果分析可知，兩種信號融合的識別效果要明顯好于單種信號的識別效果，振動信號與其它信號結(jié)合后大大改善了其故障識別效果，振動與聲發(fā)射及聲音信號兩種融合后得出的診斷效果均好于每種信號單獨識別的效果。聲音和聲發(fā)射信號融合后，輸入GA-SVM識別效果甚至出現(xiàn)識別率達(dá)到100%，其它的各種識別方法也僅有1例誤判。將3種信號融合后的識別結(jié)果極大地提高，3種SVM識別結(jié)果均達(dá)到100%，無1例誤判，且識別效果最好。對比以上結(jié)果，進(jìn)行信息融合的往復(fù)泵故障診斷結(jié)果對改進(jìn)往復(fù)泵故障診斷識別效果有較大改善。

3 結(jié)束語

綜合分析可以看出，單種信號的診斷中聲音信號的多重分形特征向量診斷結(jié)果最好，聲發(fā)射的分形盒維數(shù)次之，振動信號的能量特征值最差。聲發(fā)射、聲音信號分別與振動信號結(jié)合后大大改善振動信號的診斷效果。聲發(fā)射和聲音信號融合后其識別率更是接近100%。3種信號的融合診斷結(jié)果最好，使用不同識別方法的識別結(jié)果均達(dá)到100%，可靠性最高。從識別程序比較，3種不同核函數(shù)的SVM可以發(fā)現(xiàn)，經(jīng)過遺傳算法改進(jìn)的GA-SVM識別效果最好，相同信號通過不同識別程序的GA-SVM的識別率均好于其它兩種。