農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)故障檢測方法

孫兆光

(莒縣青峰嶺水庫管理服務(wù)中心，山東 莒縣 276500)

0 引言

機(jī)械故障檢測技術(shù)[1-2]可對(duì)設(shè)備故障狀態(tài)作出診斷，全面提升設(shè)備可靠性和安全性，其中，抽水泵機(jī)械設(shè)備廣泛應(yīng)用于農(nóng)田水利設(shè)備中。隨著社會(huì)進(jìn)步和生產(chǎn)力的發(fā)展，抽水泵機(jī)械的應(yīng)用更加廣泛，但受到不同因素影響，抽水泵機(jī)械會(huì)產(chǎn)生不同類型的故障，導(dǎo)致設(shè)備的生產(chǎn)效率下降或部分功能喪失。如何確保抽水泵機(jī)械的穩(wěn)定運(yùn)行成當(dāng)前研究的熱點(diǎn)話題，國內(nèi)相關(guān)專家給出了一些較好的研究成果。

任世錦等[3]將集成局部均值分解和改進(jìn)的支持向量機(jī)相結(jié)合，將故障信號(hào)分解為多個(gè)單模態(tài)調(diào)制信號(hào)，加強(qiáng)故障特征提取的有效性，實(shí)現(xiàn)機(jī)械故障診斷；鄭直等[4]對(duì)信號(hào)實(shí)施AMD分解，提取故障分量信號(hào)，將其作為特征向量，采用變分模態(tài)分解和模糊C均值聚類的方法分析信號(hào)，實(shí)現(xiàn)故障信號(hào)檢測；武立平等[5]通過IMF能量特征，構(gòu)建對(duì)應(yīng)二元特征向量，分析變壓器振動(dòng)信號(hào)的特征向量變化情況，最終完成故障檢測。但現(xiàn)有方法中考慮的參數(shù)較少，均存在一定局限性。

為此，本文提出一種農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)故障檢測方法。

1 農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)信號(hào)特征提取

1.1 農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)信號(hào)去噪

采用多分辨分析可更好完成信號(hào)時(shí)頻分析，但由于尺度函數(shù)需要按照二進(jìn)制變化規(guī)律執(zhí)行，在頻數(shù)較高的階段會(huì)出現(xiàn)分辨率較差的情況，只可完成信號(hào)的頻段劃分。

在多分辨率中分析得到解空間M2(S)，可表示為

(1)

j為尺度因子；X(j)為小波子空間。

將尺度空間和小波子空間兩者統(tǒng)一表征，即

(2)

W(j)為尺度空間。

設(shè)定{vn(t)}為關(guān)于序列{ik}的小波包簇，使用以下方式組成子空間簇，即

(3)

使用小波包可對(duì)農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)信號(hào)實(shí)施正交分解，詳細(xì)操作步驟如下所述：

a.將農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)信號(hào)第1次分解結(jié)果的高頻部分和低頻部分，采用二抽取計(jì)算，確保偶數(shù)或奇數(shù)部分有效保留。

b.在進(jìn)一步分解前，不僅需要再次分解高頻部分，同時(shí)仍然采用二抽取計(jì)算，使其在任何頻段均可獲取相同時(shí)頻分辨率。

c.重復(fù)上述操作過程，直至全部抽水泵機(jī)械振動(dòng)信號(hào)完成分解。

d.將各個(gè)頻率段上的信號(hào)重構(gòu)，濾除抽水泵機(jī)械振動(dòng)信號(hào)中的噪聲，最終實(shí)現(xiàn)信號(hào)去噪[6-7]。

1.2 農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)故障特征提取

在上述抽水泵機(jī)械振動(dòng)信號(hào)去噪后，對(duì)農(nóng)田水利設(shè)備中抽水泵機(jī)械頻譜分析過程中，需要尋找?guī)в忻黠@轉(zhuǎn)頻特征的頻譜圖。

a.實(shí)際頻率g(i)提取。在信號(hào)理論頻率g(s)附近隨機(jī)小區(qū)間[x1,y1]內(nèi)提取最高幅值對(duì)應(yīng)頻率。

b.在振動(dòng)信號(hào)幅值譜隨機(jī)區(qū)間內(nèi)，獲取實(shí)際頻率外其他極大值點(diǎn)，同時(shí)采用降序的方式排列。

(4)

n為極大值的數(shù)量；B(i)為第i個(gè)極大值。

d.設(shè)定敏感性指數(shù)，即

(5)

T和Tmax分別為敏感性指數(shù)和最大敏感性指數(shù)，主要反映實(shí)際轉(zhuǎn)頻幅值和周圍高幅值頻率成分之間的相對(duì)水平。

在此基礎(chǔ)上，分析抽水泵機(jī)械振動(dòng)信號(hào)，通過抽水泵結(jié)構(gòu)特點(diǎn)選擇10個(gè)測點(diǎn)，獲取振動(dòng)信號(hào)的變化規(guī)律[8-9]。

引入復(fù)雜度概念，描述時(shí)間序列變化情況，對(duì)不同測點(diǎn)復(fù)雜度通過二值粗?；椒ㄒ约八闹荡至；椒ㄓ?jì)算。由于通過階躍函數(shù)定義不同序列之間的相似性，但序列和實(shí)際樣板類邊緣存在模糊不清情況。其中，模糊熵的詳細(xì)操作步驟如下所述：

a.組建維數(shù)為m的向量，即

(6)

k0(i)為向量的平均值。

(7)

(8)

d.將維數(shù)增加至m+1，同時(shí)重復(fù)步驟a～步驟c，獲取對(duì)應(yīng)函數(shù)的取值，表達(dá)式為

(9)

φ(m+1)(x,y)為函數(shù)取值。

模糊熵[10-11]需要將原始序列映射到維數(shù)較高的空間中，同時(shí)借助幅值的取值范圍計(jì)算不同序列復(fù)雜度，采用模糊函數(shù)獲取不同序列之間的相似性，確保最終獲取的計(jì)算結(jié)果和實(shí)際結(jié)果更加吻合。

采用模糊熵提取農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)故障特征，獲取時(shí)域特征參數(shù)可以表示為

(10)

H為時(shí)域特征參數(shù)；Tx為概率密度函數(shù)；p(x)為抽水泵機(jī)械振動(dòng)幅值。

1.3 抽水泵機(jī)械振動(dòng)故障檢測實(shí)現(xiàn)

在抽水泵機(jī)械振動(dòng)故障檢測中，對(duì)目標(biāo)測試樣本比較少的情況，無法有效訓(xùn)練1個(gè)泛化能力比較強(qiáng)的分類器，導(dǎo)致對(duì)故障數(shù)據(jù)的檢測有限。因此，本文將多層支持向量機(jī)學(xué)習(xí)模型和樣本遷移深度遷移算法相結(jié)合，通過引入大量和目標(biāo)診斷對(duì)象分布特征故障數(shù)據(jù)完成目標(biāo)故障檢測。

選取LSSVM作為多層結(jié)構(gòu)基本學(xué)習(xí)單元[12-13]，在僅少量訓(xùn)練目標(biāo)情況下，對(duì)于一般二分類而言，主要通過源域和目標(biāo)域樣本訓(xùn)練輸入層，完成樣本權(quán)值分配和特征學(xué)習(xí)，完成樣本重構(gòu)，即

s(i)=xiyizi(si,xi)+b

(11)

s(i)為樣本重構(gòu)結(jié)果；xiyizi為測試樣本；(si,xi)為訓(xùn)練樣本對(duì)應(yīng)的標(biāo)簽；b為隨機(jī)常數(shù)。

按照順序?qū)θ坑?xùn)練集中的樣本實(shí)施轉(zhuǎn)換處理，獲取數(shù)量為N的全新訓(xùn)練樣本，將其設(shè)定為下一層的輸入，樣本標(biāo)簽整個(gè)過程不發(fā)生任何改變。

當(dāng)模型建立后，針對(duì)測試樣本v而言，需要經(jīng)過多層轉(zhuǎn)換，最終獲取輸出對(duì)應(yīng)的求解公式為

(12)

v(x)為輸出求解結(jié)果。

在此基礎(chǔ)上，建立樣本遷移對(duì)應(yīng)目標(biāo)函數(shù)。其中，遷移算法核心操作思想為：通過不同目標(biāo)域數(shù)據(jù)，根據(jù)重新分配源域和目標(biāo)域訓(xùn)練樣本權(quán)重，全面提升分類結(jié)果準(zhǔn)確性。

對(duì)于隨機(jī)1組訓(xùn)練數(shù)據(jù)集而言，經(jīng)過優(yōu)化后的目標(biāo)函數(shù)可以表示為

(13)

minR(i,j)為目標(biāo)函數(shù)；h(xi,yi,zi)為懲罰因子；M為懲罰函數(shù)。

在優(yōu)化目標(biāo)函數(shù)中增加源域樣本，可有效改進(jìn)損失函數(shù)，經(jīng)過改進(jìn)后的損失函數(shù)可以表示為

(14)

minR′(i,j)為改進(jìn)后的損失函數(shù)。

源域和目標(biāo)域之間的遷移學(xué)習(xí)是通過損失函數(shù)完成，其中，SVM的樣本遷移原理可以表示為

(15)

ωt為目標(biāo)域訓(xùn)練樣本的權(quán)重向量取值；ω為源域中訓(xùn)練樣本的權(quán)重取值。

為了更好地完成基于樣本遷移的多層SVM[14-15]，在目標(biāo)函數(shù)中同時(shí)對(duì)2個(gè)目標(biāo)域的樣本展開訓(xùn)練。通過LSSVM檢測抽水泵機(jī)械振動(dòng)故障，詳細(xì)操作步驟如下所述：

a.確定網(wǎng)絡(luò)層數(shù)和相關(guān)參數(shù)。

b.將所有樣本標(biāo)準(zhǔn)化處理。

c.將全部樣本放置到輸入層中。

d.采用遷移學(xué)習(xí)完成輸入層訓(xùn)練，對(duì)優(yōu)化目標(biāo)函數(shù)求解，同時(shí)完成樣本重構(gòu)。

e.重構(gòu)樣本，同時(shí)將其應(yīng)用于下一層的訓(xùn)練，重復(fù)以上操作步驟。

f.逐層訓(xùn)練至輸出層，求解分類判別函數(shù)；計(jì)算測試樣本集的預(yù)測標(biāo)簽。

g.輸出故障分類結(jié)果，完成抽水泵機(jī)械振動(dòng)故障檢測。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)方案

為了驗(yàn)證所提農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)故障檢測方法的有效性，需要開展相關(guān)實(shí)驗(yàn)。抽水泵在正常運(yùn)行情況下的信號(hào)頻譜變化情況如圖1所示。

圖1 抽水泵正常運(yùn)行情況下信號(hào)頻域曲線

由圖1可知，在抽水泵正常運(yùn)行情況下，會(huì)出現(xiàn)比較小的波動(dòng)，但不會(huì)對(duì)抽水泵的運(yùn)行產(chǎn)生影響。

為有效模擬抽水泵運(yùn)行時(shí)產(chǎn)生的故障，需要在出口位置放置1個(gè)小型的木塊，確保水泵擁堵。經(jīng)過人為制造故障之后，獲取的故障運(yùn)行頻譜如圖2所示。

圖2 抽水泵故障情況下信號(hào)頻域曲線

2.2 實(shí)驗(yàn)結(jié)果分析

采用本文方法監(jiān)測某抽水泵的機(jī)械振動(dòng)故障信號(hào)變化情況，詳細(xì)檢測結(jié)果如圖3所示。

圖3 抽水泵故障檢測

通過圖3可知，采用本文方法可以準(zhǔn)確檢測抽水泵的故障，獲取準(zhǔn)確的檢測結(jié)果。

將正常信號(hào)頻譜圖和故障信號(hào)頻譜圖在低頻段放大，采用本文方法對(duì)2種信號(hào)對(duì)應(yīng)的局部頻譜進(jìn)行檢測，得到的結(jié)果如圖4所示。

分析圖4中的實(shí)驗(yàn)數(shù)據(jù)可知，故障信號(hào)的尖峰比較明顯，由此可以看出采本文方法可準(zhǔn)確區(qū)分正常信號(hào)和故障信號(hào)。

圖4 正常信號(hào)和故障信號(hào)的局部頻譜

為了驗(yàn)證本文方法的有效性，實(shí)驗(yàn)分析機(jī)械信號(hào)去噪前后的幅值變化情況，結(jié)果如表1所示。

表1 抽水泵機(jī)械振動(dòng)信號(hào)處理前后幅值變化情況

由表1可知，在信號(hào)經(jīng)過去噪處理后，信號(hào)中的噪聲得到有效濾除，可以有效降低幅值，同時(shí)獲取更加準(zhǔn)確的故障檢測結(jié)果，驗(yàn)證本文方法的有效性。

3 結(jié)束語

針對(duì)傳統(tǒng)抽水泵機(jī)械振動(dòng)故障檢測中存在的一系列問題，提出一種農(nóng)田水利設(shè)備中抽水泵機(jī)械振動(dòng)故障檢測方法。經(jīng)實(shí)驗(yàn)測試證明，該方法可以準(zhǔn)確完成抽水泵機(jī)械振動(dòng)故障檢測。