基于振動(dòng)信號(hào)分析的水工金屬閘門狀態(tài)識(shí)別方法

楊 軍，劉鵬鵬，漆玉龍，胡仲明

（1.國(guó)能大渡河大崗山發(fā)電有限公司，四川 雅安 625400；2.成都大匯物聯(lián)科技有限公司，四川 成都 610000）

1 引言

水工金屬閘門是水利工程中的關(guān)鍵設(shè)備，是完成水利泄洪功能、保障水工建筑物使用效果的重要組成，其運(yùn)行狀態(tài)優(yōu)劣直接影響到整個(gè)水利工程，甚至引起安全事故，對(duì)流域內(nèi)人民和生命財(cái)產(chǎn)安全造成巨大影響[1]。因此開展水工金屬閘門狀態(tài)監(jiān)測(cè)及狀態(tài)識(shí)別研究對(duì)于提高水工金屬閘門的安全性、可靠性及可維護(hù)性具有重要意義。

針對(duì)水工金屬閘門的狀態(tài)監(jiān)測(cè)目前多采用應(yīng)變傳感器、壓力傳感器、振動(dòng)傳感器、傾角傳感器、聲發(fā)射傳感器等[2]，其中振動(dòng)監(jiān)測(cè)能夠直觀反應(yīng)閘門狀態(tài)，具有快速性和狀態(tài)變化的靈敏性等優(yōu)點(diǎn)，是未來水工金屬閘門狀態(tài)監(jiān)測(cè)的主要發(fā)展方向。水工金屬閘門在流激作用下產(chǎn)生的振動(dòng)信號(hào)比較復(fù)雜，傳統(tǒng)方法進(jìn)行振動(dòng)信號(hào)分析具有一定難度，機(jī)電裝備振動(dòng)信號(hào)分析方法給水工金屬閘門狀態(tài)識(shí)別提供思路。針對(duì)水工金屬閘門振動(dòng)信號(hào)復(fù)雜多變、且耦合性較強(qiáng)的特點(diǎn)，一般基于振動(dòng)信號(hào)的狀態(tài)識(shí)別需經(jīng)信號(hào)分解、特征提取、狀態(tài)識(shí)別等過程。信號(hào)分解是將水工金屬閘門耦合性較強(qiáng)的振動(dòng)信號(hào)分解為一系列易于分析的信號(hào)分量，常見的信號(hào)分解方法包括經(jīng)驗(yàn)?zāi)B(tài)分解、局部均值分解、變分模態(tài)分解、集合經(jīng)驗(yàn)?zāi)B(tài)分解等[3]，各種方法各有優(yōu)勢(shì)。其中經(jīng)驗(yàn)?zāi)B(tài)分解方法容易造成信號(hào)混疊，變分模態(tài)分解方法必須提前確定信號(hào)中心頻率，預(yù)估信號(hào)分量個(gè)數(shù)，分解過程無法自適應(yīng)。EEMD充分利用了高斯白噪聲的均勻輔助作用，通過在信號(hào)中加入高斯白噪聲，改善信號(hào)極值點(diǎn)分布，能夠有效避免信號(hào)模態(tài)混疊，同時(shí)分解過程完全自適應(yīng)具有顯著優(yōu)勢(shì)。

在特征提取方面，信息熵理論被越來越多地應(yīng)用于振動(dòng)信號(hào)的狀態(tài)特征量化提取，其能夠表征非線性信號(hào)的復(fù)雜性和平穩(wěn)性，相比于具有統(tǒng)計(jì)意義的時(shí)域特征、頻域特征等，具有更精細(xì)的特征刻畫能力[4]。

在狀態(tài)識(shí)別方面，以神經(jīng)網(wǎng)絡(luò)為代表的智能分類算法在傳統(tǒng)機(jī)電裝備故障診斷中得到了廣泛應(yīng)用和驗(yàn)證，可以為水工金屬狀態(tài)識(shí)別提供借鑒。傳統(tǒng)的識(shí)別算法包括BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、極限學(xué)習(xí)機(jī)等[5]；同時(shí)隨著技術(shù)的發(fā)展，例如卷積神經(jīng)網(wǎng)絡(luò)、堆棧自動(dòng)自動(dòng)編碼機(jī)等深度學(xué)習(xí)算法也獲得應(yīng)用；同時(shí)，模糊邏輯、模糊推理也被證明具有較好的識(shí)別效果。但是以上方法各具優(yōu)勢(shì)，同時(shí)具有各自缺點(diǎn)，充分利用神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)學(xué)習(xí)能力和模糊邏輯的推理能力，可形成自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS），能夠兼具神經(jīng)網(wǎng)絡(luò)和模擬推理的優(yōu)勢(shì)，形成一種有效的狀態(tài)識(shí)別方法[6]。

2 算法模型

2.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解

EEMD充分利用了高斯白噪聲的均勻輔助作用，通過在水工金屬閘門原始振動(dòng)信號(hào)加入高斯白噪聲，改善信號(hào)極值點(diǎn)分布，有效避免信號(hào)模態(tài)混疊問題，算法具體步驟如下[3,7]：

（1）進(jìn)行參數(shù)初始化，初始化白噪聲添加次數(shù)M。

（2）設(shè)水工金屬閘門原始振動(dòng)信號(hào)為x(t)，加入第m次白噪聲后獲得的振動(dòng)信號(hào)為xm(t)=x(t)+βwm(t)，其中wm(t)為加入的白噪聲，β為幅值系數(shù)，并初始化m=1。

（3）對(duì)于信號(hào)xm(t)，進(jìn)行EMD過程，即針對(duì)xm(t)利用樣條曲線求取其上包絡(luò)線和下包絡(luò)線的均值曲線，并以此計(jì)算信號(hào)xm(t)和均值曲線的差值，記為

（6）則針對(duì)在原始振動(dòng)信號(hào)中每次加入白噪聲后的信號(hào)，重復(fù)以上過程（2）~（5）；即如果m沒有達(dá)到設(shè)定次數(shù)M，則m=m+1，重復(fù)過程（2）~（5），直到達(dá)到設(shè)定的白噪聲添加次數(shù)，則可以獲得M組IMF分量，即，i=1，2，...，I；m=1，2，...，M。

（7）針對(duì)每次加入高斯白噪聲獲得的IMF分量進(jìn)行總體平均，就可獲得最終的EEMD分解結(jié)果，則最終獲得的EEMD分解結(jié)果為：

其中Ci(t)，i=1，2，...，I為EEMD分解所獲得的最終IMF分量。

2.2 功率譜熵提取

針對(duì)水工金屬閘門振動(dòng)信號(hào)經(jīng)過EEMD獲得的一系列IMF分量Ci(t)進(jìn)行功率譜熵特征提取，從功率譜分布角度對(duì)各IMF分量的信號(hào)特征進(jìn)行量化。假設(shè)某一分量為Ci(t)=（x1，x2，...，xN），對(duì)其進(jìn)行傅里葉變換獲得F（ω）=FFT（Ci(t)），進(jìn)一步獲得其功率譜為：

進(jìn)一步功率譜熵可表示為：

2.3 自適應(yīng)神經(jīng)模糊推理系統(tǒng)

ANFIS充分利用神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)學(xué)習(xí)能力和模糊邏輯的推理能力，其具有模糊化層、推理層、歸一化層、逆模糊化層和輸出層，ANFIS基本結(jié)構(gòu)如圖1所示[6]。

圖1 ANFIS基本結(jié)構(gòu)

模糊化層：實(shí)現(xiàn)將輸入層的輸入根據(jù)隸屬度函數(shù)進(jìn)行模糊化，該層節(jié)點(diǎn)的輸出為：

其中x1、x2為輸入，μAi、μBj為隸屬度函數(shù)。

推理層：該層實(shí)現(xiàn)計(jì)算模糊規(guī)則的強(qiáng)度，該層的輸出是相對(duì)應(yīng)輸入的隸屬度的乘積：

歸一化層：在該層根據(jù)以下公式計(jì)算節(jié)點(diǎn)的輸出，具體公式為：

逆模糊化層：在該層產(chǎn)生模糊推理規(guī)則，該層的輸出為：

其中｛p1，q1，u1｝為該層的參數(shù)集，被稱為后續(xù)參數(shù)。

輸出層：該層實(shí)現(xiàn)整體系統(tǒng)輸出，計(jì)算如下：

3 實(shí)驗(yàn)數(shù)據(jù)獲取

本實(shí)驗(yàn)數(shù)據(jù)在國(guó)電大渡河流域大崗山水電站泄洪洞弧形工作閘門上獲取，在某一特定工況下，采用成都眾柴有限公司自主研發(fā)的三向加速度傳感器，傳感器安裝在上、下支臂前端，監(jiān)測(cè)閘門剛性支承的振動(dòng)響應(yīng)，采用16位24通道同步采集卡進(jìn)行振動(dòng)數(shù)據(jù)采集，采樣頻率為2 000 Hz。傳感器測(cè)點(diǎn)布置圖、現(xiàn)場(chǎng)安裝圖如圖2、圖3所示。

圖2 傳感器測(cè)點(diǎn)布置圖

圖3 現(xiàn)場(chǎng)安裝圖

4 算法驗(yàn)證及分析

在以上實(shí)驗(yàn)數(shù)據(jù)獲取過程中，設(shè)置采集卡采樣頻率為2 000 Hz，每個(gè)數(shù)據(jù)樣本為2 560點(diǎn)，所獲得的水工金屬閘門正常狀態(tài)和異常狀態(tài)的振動(dòng)信號(hào)如圖4所示，及其對(duì)應(yīng)的頻譜圖如圖5所示。

圖4 正常狀態(tài)和異常狀態(tài)的振動(dòng)信號(hào)

圖5 正常狀態(tài)和異常狀態(tài)的頻譜

從圖4時(shí)域波形可知，異常狀態(tài)發(fā)生時(shí)，信號(hào)時(shí)域波形幅值具有一定增大，信號(hào)頻譜額外信號(hào)成分增多，但是僅屬于定性分析，無法從定量角度進(jìn)行異常狀態(tài)判斷。采用EEMD對(duì)以上振動(dòng)信號(hào)進(jìn)行分解，設(shè)定EEMD添加噪聲次數(shù)為50，每次增加噪聲幅值系數(shù)為0.15倍的信號(hào)標(biāo)準(zhǔn)差。所獲得的EEMD分解結(jié)果分別如圖6和圖7所示。

圖6 正常狀態(tài)EEMD分解結(jié)果

圖7 異常狀態(tài)EEMD分解結(jié)果

通過EEMD分解，獲得12個(gè)IMF分量，將水工金屬閘門振動(dòng)信號(hào)中包含的狀態(tài)信息按照信號(hào)特性分解到各IMF分量中，從圖7、圖8中可看出IMF7~IMF12主要包含趨勢(shì)信息，因此選擇IMF1~IMF6進(jìn)行深入分析，采用功率譜熵對(duì)IMF1~IMF6進(jìn)行特征量化提取。對(duì)水工金屬閘門正常狀態(tài)和異常狀態(tài)的一系列樣本提取功率譜熵特征，所獲得的各IMF分量功率譜熵分布如圖8所示。

圖8 正常狀態(tài)和異常狀態(tài)功率譜熵分布

從圖8中可以看出，觀察一定數(shù)量樣本IMF1~IMF6的功率譜熵，可以發(fā)現(xiàn)，在IMF1~IMF2，異常狀態(tài)的功率譜熵大于正常狀態(tài)；在IMF3~IMF5，正常狀態(tài)的功率譜熵大于異常狀態(tài)。在IMF1~IMF2，以及IMF4~IMF6，正常狀態(tài)和異常狀態(tài)的功率譜熵存在一定混疊。

結(jié)合ANFIS進(jìn)行狀態(tài)識(shí)別。根據(jù)所提取的IMF1~IMF6的功率譜熵，ANFIS的輸入為6，每個(gè)輸入設(shè)定對(duì)應(yīng)3個(gè)隸屬度函數(shù)，分別為高、中、低；實(shí)驗(yàn)中區(qū)分水工金屬閘門正常狀態(tài)和異常狀態(tài)，ANFIS輸出為2，正常狀態(tài)樣本標(biāo)記為1，異常狀態(tài)樣本標(biāo)記為2。隨機(jī)建立訓(xùn)練樣本和測(cè)試樣本，其中每種狀態(tài)訓(xùn)練樣本50個(gè)，測(cè)試樣本50個(gè)。利用訓(xùn)練樣本對(duì)ANFIS進(jìn)行訓(xùn)練，設(shè)定均方根誤差對(duì)訓(xùn)練過程進(jìn)行控制，訓(xùn)練次數(shù)設(shè)置100，初始訓(xùn)練步長(zhǎng)為0.01，訓(xùn)練完畢后，每個(gè)ANFIS輸入的隸屬度函數(shù)調(diào)整為最優(yōu)質(zhì)，所獲得的每個(gè)ANFIS輸入的隸屬度函數(shù)如圖9所示。

圖9 訓(xùn)練完畢后ANFIS的隸屬度函數(shù)

訓(xùn)練完成后，采用測(cè)試樣本進(jìn)行狀態(tài)識(shí)別能力驗(yàn)證，每種狀態(tài)50個(gè)測(cè)試樣本，所獲得的測(cè)試結(jié)果如表1所示。

表1 ANFIS狀態(tài)識(shí)別結(jié)果

從表1中可以看出，正常狀態(tài)識(shí)別率達(dá)到98%，平均識(shí)別率達(dá)到95%，從實(shí)驗(yàn)數(shù)據(jù)處理結(jié)果可看出所提出方法是一種有效的水工金屬閘門狀態(tài)識(shí)別方法。

5 結(jié)論

提出一種基于振動(dòng)信號(hào)分析的水工金屬閘門狀態(tài)識(shí)別方法。利用EEMD將水工金屬閘門振動(dòng)信號(hào)進(jìn)行分解，振動(dòng)信號(hào)中包含的狀態(tài)特征信息根據(jù)信號(hào)特性被分解到一系列IMFs中。結(jié)合信息熵理論，利用功率譜熵進(jìn)行特征提取，證明功率譜熵能夠量化水工金屬閘門狀態(tài)特征；最后利用ANFIS的數(shù)據(jù)學(xué)習(xí)能力和推理能力實(shí)現(xiàn)水工金屬閘門狀態(tài)識(shí)別。在某種工況的條件下進(jìn)行了實(shí)驗(yàn)驗(yàn)證，證明所采用的基于振動(dòng)信號(hào)分析的水工金屬閘門狀態(tài)識(shí)別方法具有較好效果，下一步可在更多工況條件下開展實(shí)驗(yàn)研究。