基于振動信號的中速磨煤機(jī)故障識別

陳雪飛,楊 鍇,徐文杰,謝 丹

(1.國能長源武漢青山熱電有限公司,湖北 武漢 430080;2.武漢理工大學(xué) 機(jī)電工程學(xué)院,湖北 武漢 430070)

磨煤機(jī)是鍋爐制粉系統(tǒng)最重要的輔機(jī)設(shè)備,目前,磨煤機(jī)故障主要由經(jīng)驗(yàn)豐富的操作人員來判斷。但由于燃煤電廠現(xiàn)有監(jiān)測手段的診斷邏輯簡單,方法單一,加之現(xiàn)場運(yùn)行數(shù)據(jù)中所包含的故障狀態(tài)和故障數(shù)據(jù)不完整,增加了開展相關(guān)研究的難度,導(dǎo)致只有少數(shù)學(xué)者進(jìn)行了相關(guān)的研究。

基于數(shù)學(xué)模型和人工智能的故障診斷方法是磨煤機(jī)故障診斷相關(guān)研究的主要方法。在基于數(shù)學(xué)模型的故障診斷方法中,首先需對復(fù)雜的機(jī)理進(jìn)行分析,建立數(shù)學(xué)模型,然后比較系統(tǒng)測量值和數(shù)學(xué)模型預(yù)測值之間的差值計算殘差,以此判斷故障是否發(fā)生[1]?；谌斯ぶ悄艿哪ッ簷C(jī)故障診斷方法利用分布式控制系統(tǒng)(distributed control system,DCS)獲取海量運(yùn)行數(shù)據(jù),通過機(jī)器學(xué)習(xí)和人工智能技術(shù)對磨煤機(jī)進(jìn)行故障診斷[2]。大部分研究均利用溫度、電流、風(fēng)壓等對磨煤機(jī)故障進(jìn)行診斷。

由于燃煤電廠磨煤機(jī)的初始設(shè)計測點(diǎn)并未包含振動測點(diǎn),致使該設(shè)備少有進(jìn)行振動監(jiān)測,而磨煤機(jī)振動是磨煤機(jī)的常見癥狀, 且當(dāng)磨煤機(jī)振動異常時,若不及時處理,會造成接頭斷裂、加速硬件磨損等,甚至被迫停磨,因此磨煤機(jī)振動異常將嚴(yán)重影響機(jī)組安全運(yùn)行和經(jīng)濟(jì)性能。

目前,常見的振動故障研究方法是對采集的振動信號通過信號處理方法提取故障特征,然后利用機(jī)器學(xué)習(xí)算法進(jìn)行分類識別。對于信號的處理,希爾伯特黃變換(hilbert-huang transform,HHT)是一種新的非平穩(wěn)信號的時頻分析方法[3]。EMD (empirical mode decomposition)在HHT中起到關(guān)鍵作用,但EMD存在模式混疊現(xiàn)象,端點(diǎn)效應(yīng)和停止條件難以判定等缺點(diǎn)。文獻(xiàn)[4]為抑制模態(tài)混疊現(xiàn)象與端點(diǎn)效應(yīng)缺陷,利用EEMD(ensemble empirical mode decomposition)改進(jìn)的HHT進(jìn)行軸承故障特征提取,結(jié)果表明EEMD雖能對模態(tài)混疊現(xiàn)象起到一定抑制作用,但不能完全消除。為了解決這個問題,文獻(xiàn)[5]提出了變分模態(tài)分解(variational modal decomposition,VMD)。與EMD遞歸篩選模式相比,VMD將信號轉(zhuǎn)化為非遞歸的變分模態(tài)分解模式,具有較好的魯棒性和穩(wěn)定性[6]。

針對上述問題,筆者基于所構(gòu)建的磨煤機(jī)振動監(jiān)測系統(tǒng)采集的振動信號,提出一種K值優(yōu)化的VMD-HHT邊際譜結(jié)合最小二乘向量機(jī)(least squares support vector machine, LSSVM)模型,應(yīng)用于磨煤機(jī)的故障診斷。

1 構(gòu)建磨煤機(jī)振動監(jiān)測系統(tǒng)

1.1 傳感器安裝

根據(jù)某電廠#14機(jī)組制粉系統(tǒng)的磨煤機(jī)現(xiàn)場運(yùn)行環(huán)境,在綜合考量實(shí)用性和經(jīng)濟(jì)性后,最終選擇安裝精確度為±1%以內(nèi),線性度為±2%,分辨率為0.15 mm/s rms,靈敏度為19.7 mv/mms的一體化測振傳感器。

由于磨煤機(jī)本體的大多數(shù)部位表面溫度較高,為保證所選傳感器存活率,綜合考量安裝需求和后續(xù)采集數(shù)據(jù)的便利性,選擇磨煤機(jī)中架體的吊耳安裝振動傳感器,如圖1所示。

圖1 振動傳感器安裝位置

1.2 振動信號采集效果分析

所裝的振動傳感器采集到的振動數(shù)據(jù)通過帶屏蔽層線纜傳輸?shù)紻CS系統(tǒng)。本文所用數(shù)據(jù)樣本來源于某電廠#14機(jī)組制粉系統(tǒng)中速磨煤機(jī)故障數(shù)據(jù)。數(shù)據(jù)樣本包括正常情況、磨煤機(jī)斷煤、磨輥損壞、磨內(nèi)有異物、及碾磨油壓下降5種狀態(tài)引起磨煤機(jī)振動異常的原始振動數(shù)據(jù)。

選擇各故障前后2.5 min,300個采樣點(diǎn)為一個數(shù)據(jù)樣本。圖2為磨煤機(jī)5種狀態(tài)的原始振動數(shù)據(jù)。由于每個類型對應(yīng)不同樣本的原始振動數(shù)據(jù)類似,因此本文只列舉5種類型對應(yīng)單個樣本的原始振動數(shù)據(jù)。從圖2可知,磨煤機(jī)正常運(yùn)行和發(fā)生故障時的振動信號波形有所不同,發(fā)生不同故障時,振動信號波形也各有特征。

圖2 數(shù)據(jù)樣本圖

2 VMD-HHT邊際譜

2.1 VMD

2.1.1 VMD原理

VMD算法中,本征模態(tài)函數(shù)(intrinsic mode function, IMF)被定義為一個調(diào)幅-調(diào)頻信號:

uk(t)=Ak(t)cosφk(t)

(1)

式中:Ak(t)為uk(t)的瞬時幅值。ωk(t)為uk(t)的瞬時頻率,wk(t)=dφk(t)/dt;φk(t)為相位。

uk(t)視為幅值為Ak(t)、頻率為ωk(t)的諧波信號。

若原始信號可分解為K個IMF分量,則變分約束模型為:

(2)

式中:uk為K個本征模態(tài)函數(shù)(IMF);ωk(t)為各IMF的中心頻率;δ(t)為單位脈沖函數(shù);j為虛數(shù)單位;t為時間;ω為頻率。

為求解上述模型的最優(yōu)解,引用ξ來避免約束最小值現(xiàn)象的出現(xiàn)。

(3)

式中:ξ為增廣拉格朗日函數(shù);α為懲罰參數(shù);λ(t)為拉格朗日乘子;f(t)為原始信號。

VMD分解與EMD分解有所不同的地方在于EMD分解無需設(shè)置參數(shù),而VMD算法需要設(shè)置參數(shù),因分解受懲罰參數(shù)α和分量個數(shù)K的影響,分量個數(shù)K值會直接影響最終的處理結(jié)果,同時懲罰參數(shù)α值越大,得到各IMF分量的帶寬越小。

2.1.2 VMD中K值的確定

VMD需要事先選定模態(tài)數(shù)K,每個模態(tài)的區(qū)分主要是中心頻率的不同。模態(tài)分解個數(shù)較少時,原始信號中一些重要信息將會被濾掉丟失;信號的分解個數(shù)較多時,會產(chǎn)生頻率混疊。因此,筆者采用相鄰模態(tài)分量的相關(guān)性確定K[7]。相鄰模態(tài)的相關(guān)系數(shù)如表1所示。

表1 相鄰模態(tài)的相關(guān)系數(shù)

表1中,Cab為分解出的第a個模態(tài)和第b個模態(tài)的相關(guān)系數(shù)。當(dāng)分解層數(shù)K不斷增加,IMF分量會出現(xiàn)通頻帶重合,發(fā)生模態(tài)混疊的現(xiàn)象,從而導(dǎo)致振動信號的過分解。出現(xiàn)模態(tài)混疊之后,多個低頻模態(tài)成分會被合并,同時高頻成分也被分解到了低頻成分中,從而導(dǎo)致低頻成分之間相互影響的增加,即相關(guān)系數(shù)Cab會增大。但如果繼續(xù)加大分解層數(shù),高頻成分會被繼續(xù)分解到低頻成分中,從而增加了低頻成分中的噪聲和雜波,反而可能降低低頻成分之間的相關(guān)度。當(dāng)模態(tài)數(shù)K小于4時,相鄰模態(tài)分量的相關(guān)系數(shù)均小于0.15,這表明模態(tài)分解正常。當(dāng)K為4時,分解出的低頻模態(tài)分量的相關(guān)系數(shù)相較于K=2、3時,明顯增大。筆者認(rèn)為此時IMF分量出現(xiàn)混疊的現(xiàn)象,導(dǎo)致振動信號過分解。因此對振動信號進(jìn)行VMD分解時模態(tài)數(shù)設(shè)為3。此外,α采用VMD默認(rèn)值2 000,τ設(shè)為0.3,以保證實(shí)際振動信號分解的保真度。

2.2 HHT邊際譜

HHT邊際譜是將VMD分解得到的IMF分量進(jìn)行計算,具體計算步驟如下:

步驟1VMD計算IMF分量ci的f(t):

(4)

步驟2計算原始信號f(t)的H(α,t):

(5)

步驟3HHT邊際譜計算公式為:

(6)

HHT邊際譜能反映信號中是否存在這一頻率信號,其數(shù)值大小更是直接反映這一頻率可能在信號中存在概率的大小。

3 LSSVM原理

最小二乘支持向量機(jī)LSSVM是支持向量機(jī)SVM(support vector machine)的改進(jìn), 它能夠處理分類和回歸問題,且尤其擅長對小樣本數(shù)據(jù)的機(jī)器學(xué)習(xí)。它使用損失函數(shù)的線性最小二乘準(zhǔn)則代替不等式約束[8]?；驹硎?給定一組訓(xùn)練樣本,通過對一個最小化正則化誤差的二次規(guī)劃問題求解,得到一個最優(yōu)超平面,從而實(shí)現(xiàn)對新樣本的預(yù)測和分類。原空間中,具有等式約束的LSSVM可表示式為:

s.t.yi=wTφ(x)+b+ei

(7)

式中:J(w,e)為目標(biāo)函數(shù),yi為約束函數(shù);w為權(quán)重向量;b為誤差;γ為懲罰因子;ei為松弛變量。

拉格朗日函數(shù)L可表示為:

L(w,b,e,α)=J(w,e)-

(8)

其中αi為拉格朗日乘子。根據(jù)The Karush-Kuhn-Tucker(KKT)條件求解,則LSSVM模型如式(9)所示,該方程為多維空間中的曲線:

(9)

式中:K(x,xi)為核函數(shù);x為訓(xùn)練集樣本的輸入向量;αi、b為式(9)的求解結(jié)果。

Mercer核函數(shù)有幾種不同的類型,如sigmoid、多項(xiàng)式和徑向基函數(shù)。徑向基函數(shù)RBF(radial basis function)是核函數(shù)的常見選擇,需要設(shè)置的參數(shù)很少,且總體性能很好。因此,選擇RBF作為核函數(shù)。

(10)

因此,LSSVM模型需要優(yōu)化兩個參數(shù),即高斯徑向基核函數(shù)的參數(shù)σ2和懲罰因子γ,使用5折交叉驗(yàn)證法[9]來確定LSSVM最佳的參數(shù)σ2和懲罰因子γ。

4 故障診斷方法及實(shí)例

4.1 故障診斷方法

基于所構(gòu)建的磨煤機(jī)振動監(jiān)測系統(tǒng)采集的振動信號,利用VMD-HHT邊際譜結(jié)合灰狼算法優(yōu)化最小二乘向量機(jī)LSSVM方法對磨煤機(jī)進(jìn)行故障診斷,診斷流程如圖3所示。

圖3 故障診斷流程圖

故障診斷的具體步驟如下:

(1)為增強(qiáng)算法的魯棒性,提高方法的準(zhǔn)確性和性能,先對數(shù)據(jù)樣本進(jìn)行db3層小波包去噪,然后進(jìn)行中心化和標(biāo)準(zhǔn)化處理,中心化和標(biāo)準(zhǔn)化公式如下:

z=(s-μ)/σ

(11)

式中:s為原始數(shù)據(jù)樣本;μ為平均值;σ為標(biāo)準(zhǔn)差;z為結(jié)果。

(2)確定VMD分解層數(shù)K(經(jīng)計算K=3),對數(shù)據(jù)樣本進(jìn)行分解。

(3)求取K個IMF的邊際譜。

(4)提取VMD-HHT邊際譜做特征向量,建立基于振動信號的磨煤機(jī)故障典型樣本空間。

(5)將特征向量輸入LSSVM進(jìn)行故障分類。

(6)根據(jù)故障分類結(jié)果得出最終的結(jié)論。

4.2 故障診斷實(shí)例

4.2.1 數(shù)據(jù)樣本獲取

定義正常情況為類型F1,磨煤機(jī)斷煤引起磨煤機(jī)振動異常為類型F2,磨輥損壞為引起磨煤機(jī)振動異常為類型F3,磨內(nèi)有異物引起磨煤機(jī)振動異常為類型F4,碾磨油壓下降引起磨煤機(jī)振動異常為類型F5。所用數(shù)據(jù)樣本來源于某電廠制粉系統(tǒng)的故障數(shù)據(jù),包括20組F1、20組F2、5組F3、5組F4及10組F5。由于故障樣本整體不均衡,采用SMOTE(synthetic minority oversampling technique)算法將少數(shù)類樣本擴(kuò)充合成新樣本[10]。

SMOTE算法的生成過程為:

(1)對于少數(shù)類中每一個樣本m,以歐氏距離為標(biāo)準(zhǔn)計算它到少數(shù)類樣本集中所有樣本的距離,得到其k近鄰。

(2)根據(jù)樣本不平衡比例設(shè)置一個采樣比例以確定采樣倍率N,對于每一個少數(shù)類樣本m,從其k近鄰中隨機(jī)選擇若干個樣本,假設(shè)選擇的近鄰為mn。

(3)對于每個隨機(jī)選出的近鄰mn,分別與原樣本按式(12)構(gòu)建新樣本mnew:

mnew=m+rand(0,1)×(mn-m)

(12)

對F3和F4樣本集,取N=4,k=5,各合成新樣本15條,使F3和F4樣本與F1樣本數(shù)據(jù)量相同。對F5樣本集,取N=2,k=3,合成F5樣本總計10條,使F5樣本與F1樣本數(shù)據(jù)量相同。

4.2.2 數(shù)據(jù)特征提取

對數(shù)據(jù)樣本進(jìn)行db3層小波包去噪,然后進(jìn)行中心化和標(biāo)準(zhǔn)化處理后,分別以5種狀態(tài)下的振動信號的特征提取結(jié)果為例進(jìn)行說明,每個類型對應(yīng)不同樣本的特征提取結(jié)果類似,因此只列舉5種類型對應(yīng)單個樣本的特征提取結(jié)果。

為了驗(yàn)證VMD-HHT邊際譜的診斷識別效果,利用EMD-HHT邊際譜和EEMD-HHT邊際譜對振動信號的5種狀態(tài)進(jìn)行特征提取,如圖4(a)～圖4(c)所示。從圖4可知:①EMD-HHT邊際譜的故障特征頻率幅值混疊,無法清晰辨識不同故障信號的主要頻率成分;②EEMD-HHT邊際譜相較于EMD-HHT邊際譜,故障特征頻率幅值相對清晰,但仍無法完全清晰辨識不同故障信號的主要頻率成分;③VMD-HHT 邊際譜相對于EEMD-HHT邊際譜、EMD-HHT 邊際譜而言,能直接清晰辨識故障特征頻率幅值。

圖4 各邊際譜的特征提取結(jié)果

為了進(jìn)一步分析VMD-HHT邊際譜的特征提取效果,設(shè)置幅值上限值為0.1,其VMD-HHT邊際譜-2如圖5所示。從圖5可知,特征提取結(jié)果不僅在不同的頻率段有各自的波峰特征,且各波峰幅值也有所不同。在圖5中,F1類型特征提取結(jié)果中,在0～10 Hz和10～20 Hz有數(shù)個波峰;F2類型特征提取結(jié)果中在20～30 Hz和45～55 Hz有數(shù)個波峰;F3類型特征提取結(jié)果中在10～15 Hz、85～95 Hz和100～120 Hz有數(shù)個波峰;F4 類型特征提取結(jié)果中在25～35 Hz和55～70 Hz有數(shù)個波峰;F5類型特征提取結(jié)果中在5～10 Hz和25～35 Hz分別有數(shù)個波峰。因此,不同故障引起磨煤機(jī)振動異常對應(yīng)的特征提取結(jié)果都可以表征引起振動故障的具體原因。

圖5 VMD-HHT邊際譜-2

4.2.3 診斷結(jié)果及分析

將VMD-HHT邊際譜作為磨煤機(jī)故障GWO-LSSVM(grey wolf optimizer-LSSVM)模型的輸入特征樣本。數(shù)字標(biāo)簽1～5分別分配給F1,F2,F3,F4,F5 5種狀態(tài)。經(jīng)SMOTE算法處理后,各樣本均有20組,總共100個樣本。分別取各樣本10組,共50組用于訓(xùn)練,剩下的50個樣本用于測試。將訓(xùn)練樣本和測試樣本分別集成到GWO-LSSVM模型中進(jìn)行分類故障識別。為了達(dá)到滿意的效果,使用5折交叉驗(yàn)證法[10]來確定GWO算法的種群大小和迭代次數(shù)。選擇種群大小為20,迭代次數(shù)為50。

將50種訓(xùn)練樣本整合到GWO-LSSVM模型中,進(jìn)行5種類型的特征訓(xùn)練。訓(xùn)練完成后,將剩下的50組測試樣本輸入到訓(xùn)練好的GWO-LSSVM模型中進(jìn)行分類驗(yàn)證。訓(xùn)練分類效果如圖6所示。

圖6 GWO-LSSVM分類結(jié)果圖

實(shí)驗(yàn)結(jié)果表明, 50個測試樣本中,正確識別48個測試樣本,只有2組分類錯誤。因此,GWO-LSSVM對驗(yàn)證樣本的分類準(zhǔn)確率為96%。產(chǎn)生識別誤差的原因可能是可用的訓(xùn)練樣本較少,如果增加訓(xùn)練樣本的數(shù)量,則可以進(jìn)一步提高識別結(jié)果的準(zhǔn)確性。為了比較驗(yàn)證VMD-HHT邊際譜的診斷識別效果,將EMD-HHT邊際譜和EEMD-HHT邊際譜也作為GWO-LSSVM模型的輸入特征樣本。分別使用這3種方法進(jìn)行訓(xùn)練和分類,表2為3種特征提取方法的故障識別率比較。

表2 不同故障特征提取方法的識別率比較

從表2可知,VMD-HHT邊際譜得到的特征向量的診斷識別效果的正確識別率要高于EMD-HHT邊際譜和EEMD-HHT邊際譜得到的特征向量。這是因?yàn)閂MD比EMD和EEMD具有更好的魯棒性,可以有效地提取不同中心頻率的模態(tài)分量。因此,它具有較高的狀態(tài)識別率。

結(jié)果表明,VMD-HHT邊際譜特征值提取結(jié)合GWO-LSSVM模型的故障診斷方法能夠準(zhǔn)確地對中速磨煤機(jī)的上述4種故障狀態(tài)進(jìn)行分類。

5 結(jié)論

筆者構(gòu)建了磨煤機(jī)振動監(jiān)測系統(tǒng),并基于所構(gòu)建的磨煤機(jī)振動監(jiān)測系統(tǒng)采集的振動信號,提出一種K值優(yōu)化的VMD-HHT邊際譜結(jié)合最小二乘向量機(jī)LSSVM模型,應(yīng)用于磨煤機(jī)的故障識別。實(shí)驗(yàn)結(jié)果表明,該方法的分類準(zhǔn)確率高于基于EMD和EEMD的方法。雖然GWO-LSSVM模型的數(shù)據(jù)樣本有限,但分類驗(yàn)證樣本的準(zhǔn)確率可以達(dá)到96%。