基于LCD-ANN的機(jī)械密封振動(dòng)信號(hào)降噪及特征提取

中圖分類號(hào) TH17 文獻(xiàn)標(biāo)志碼 A 文章編號(hào) 0254-6094（2025）03-0381-08

機(jī)械密封是廣泛應(yīng)用于旋轉(zhuǎn)機(jī)械設(shè)備的一種密封裝置，也是旋轉(zhuǎn)機(jī)械設(shè)備最主要的故障來(lái)源之一[1]。機(jī)械密封的可靠性是大型旋轉(zhuǎn)機(jī)械設(shè)備安全穩(wěn)定運(yùn)行的重要保障。但由于機(jī)械密封經(jīng)常會(huì)面臨苛刻的工作環(huán)境，容易發(fā)生突發(fā)性失效，給工業(yè)生產(chǎn)帶來(lái)直接和間接的損失，嚴(yán)重時(shí)甚至?xí)斐扇藛T傷亡。因此對(duì)機(jī)械密封運(yùn)行狀態(tài)的監(jiān)測(cè)非常有必要[2]，機(jī)械密封運(yùn)行過(guò)程中產(chǎn)生的振動(dòng)信號(hào)通常包含了豐富的設(shè)備狀態(tài)信息，基于振動(dòng)信號(hào)的分析方法已經(jīng)廣泛應(yīng)用于機(jī)械密封。然而，在實(shí)際工作過(guò)程中，機(jī)械密封的振動(dòng)信號(hào)微弱，容易被環(huán)境中的噪聲干擾造成失真，故需要一定的信號(hào)處理手段來(lái)提取出所需的振動(dòng)信號(hào)特征。

針對(duì)機(jī)械振動(dòng)信號(hào)的分析方法，已經(jīng)有部分專家學(xué)者利用振動(dòng)信號(hào)對(duì)機(jī)械密封各個(gè)方面的特性進(jìn)行研究。陳鵬飛等利用可壓縮液體模型和動(dòng)網(wǎng)格方法，研究機(jī)械密封中振動(dòng)對(duì)腔內(nèi)流體造成影響而導(dǎo)致的靜環(huán)脫開(kāi)[3]。郜凱強(qiáng)等針對(duì)機(jī)械密封中波紋管因振動(dòng)而導(dǎo)致的疲勞失效問(wèn)題，采集其不健康狀態(tài)下的振動(dòng)信號(hào)，使用短時(shí)傅里葉變換、插值拼接信號(hào)、仿真計(jì)算等方法對(duì)該情況進(jìn)行研究[4]?；谏鲜鲅芯砍晒?，筆者針對(duì)在噪聲環(huán)境下機(jī)械密封的健康狀態(tài)診斷，利用不同轉(zhuǎn)速下機(jī)械密封的特征值所蘊(yùn)含的信息，對(duì)機(jī)械密封的健康狀態(tài)信息進(jìn)行推測(cè)。

在噪聲環(huán)境下，傳感器所采集到的振動(dòng)信號(hào)難免會(huì)存在一定的噪聲，而為了提升對(duì)振動(dòng)信號(hào)的處理精度，就必須采用合適的方法對(duì)信號(hào)進(jìn)行降噪。到目前為止，大部分降噪方法是基于經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)合閾值降噪。但是，經(jīng)驗(yàn)?zāi)B(tài)分解過(guò)程中存在一系列難以忽略的問(wèn)題，如模態(tài)混疊等，而集合經(jīng)驗(yàn)?zāi)B(tài)雖然在一定程度上解決了這個(gè)問(wèn)題，但其計(jì)算量也相應(yīng)增加，大幅延長(zhǎng)了運(yùn)算時(shí)間[5]。而程軍圣等提出的局部特征尺度分解法，不僅分解速度相較于EMD分解更為迅速，在端點(diǎn)效應(yīng)和迭代次數(shù)等方面也更為優(yōu)秀[6]。QIUZW等采用小波包分解提取信號(hào)的特征能量，解決了復(fù)雜的液壓系統(tǒng)導(dǎo)致的對(duì)液壓缸中的密封磨損難以檢測(cè)的問(wèn)題，并通過(guò)對(duì)比證明小波包分解相較于其他降噪方法的優(yōu)越性[7]。因此，基于LCD分解方法與小波包分解方法在降噪效果上的優(yōu)異性，提出LCD分解聯(lián)合小波包分解，通過(guò)使用小波包分解對(duì)LCD分解出的ISC分量中含噪的分量進(jìn)行降噪，以此提升LCD分解的降噪效果的特征提取方法。

目前，除了信號(hào)處理方法，在機(jī)械密封的狀態(tài)監(jiān)測(cè)中深度學(xué)習(xí)也常被應(yīng)用。李曉輝以密封的膜穩(wěn)定性及其開(kāi)啟轉(zhuǎn)速作為分析診斷的基礎(chǔ)數(shù)據(jù)，再將這些數(shù)據(jù)輸入Elman神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練學(xué)習(xí)，得到兩個(gè)分別基于膜穩(wěn)定性與開(kāi)啟轉(zhuǎn)速的模型，并將兩個(gè)模型的輸出數(shù)據(jù)有機(jī)結(jié)合，得到了效果更為出色的密封端面健康狀態(tài)評(píng)估模型[8]。BARELLIL等研究出了一種基于人工神經(jīng)網(wǎng)絡(luò)來(lái)分析機(jī)械密封端面狀態(tài)的全新系統(tǒng)[9]。

基于以上分析，筆者提出了一種基于LCD分解和小波包分解及人工神經(jīng)網(wǎng)絡(luò)的機(jī)械密封運(yùn)行狀態(tài)識(shí)別新方法。

1智能狀態(tài)識(shí)別方法構(gòu)建

1.1方法介紹與方案

智能狀態(tài)識(shí)別方法主要分為4個(gè)階段，分別為信號(hào)分解階段、信號(hào)分類降噪階段、信號(hào)重構(gòu)階段、構(gòu)建網(wǎng)絡(luò)模型階段。在整個(gè)流程中（圖1），主要運(yùn)用到局部特征尺度分解（LCD）方法、小波包分解方法和人工神經(jīng)網(wǎng)絡(luò)方法，其中LCD分解與小波包分解是運(yùn)用其對(duì)復(fù)雜信號(hào)的自適應(yīng)分解能力以及優(yōu)越的降噪能力來(lái)協(xié)同對(duì)噪聲環(huán)境下所提取到的振動(dòng)信號(hào)進(jìn)行去噪。而人工神經(jīng)網(wǎng)絡(luò)方法則是分析降噪后的信號(hào)中所蘊(yùn)含的特征參數(shù)，在訓(xùn)練得到相應(yīng)模型后，對(duì)機(jī)械密封的運(yùn)

行狀態(tài)進(jìn)行輔助識(shí)別。

1.2局部特征尺度分解

局部特征尺度分解（LCD）是一種具有自適應(yīng)能力的信號(hào)分解方法，可將非線性不平穩(wěn)信號(hào)分解成若干個(gè)不同頻率尺度下的信號(hào)成分，并定義為內(nèi)稟尺度分量（ISC）[10]

LCD分解主要是通過(guò)線性變換對(duì)信號(hào)中極值點(diǎn)劃分成的各個(gè)區(qū)間進(jìn)行轉(zhuǎn)化，并按照劃分順序?qū)⑥D(zhuǎn)化出的基線信號(hào)段依次結(jié)合得到基線信號(hào)L_t 。在將基線信號(hào) L_t 和剩余信號(hào) P₁（t） 從原始信號(hào)分離后，利用ISC分量判據(jù)對(duì) P（t） 進(jìn)行判別，在判別失敗后將 P₁（t） 作為原始信號(hào)，并重復(fù)上述步驟進(jìn)行循環(huán)計(jì)算判別直至判別成功，最后將判別成功的 P_k（t） 作為一個(gè)ISC分量

在重復(fù)提取ISC分量直至最終的殘余分量 單調(diào)或小于一定的閾值后，就可以得到：

1.3小波包分解

空間 是尺度函數(shù)和小波函數(shù)在尺度j下進(jìn)行整數(shù)平移得到函數(shù)后，進(jìn)行線性組合產(chǎn)生的子空間在 L²（R） 中的閉包，空間 的正交基就是兩個(gè)函數(shù)在j尺度下進(jìn)行的整數(shù)平移。

把 {u_{j，n，k}（t）}_k∈Z 作為空間 的標(biāo)準(zhǔn)正交基，則信號(hào) x（t） 在空間 上的投影 ?_xj，n（t） 可以表示成：

其中， d_j，n（k） 被稱為小波包系數(shù)。由二尺度方程可得：

這就是小波包分解Mallat算法的表達(dá)式。

在對(duì)分解后得到的小波包系數(shù)在合適的閾值下進(jìn)行閾值量化后，再將得到的小波包系數(shù)進(jìn)行重構(gòu)，就可以完成一定程度的降噪處理。

1.4LCD結(jié)合小波包的降噪技術(shù)

根據(jù)機(jī)械密封振動(dòng)信號(hào)微弱且實(shí)際工作現(xiàn)場(chǎng)噪聲大的情況，使用基于小波包與LCD的組合降噪方法。

對(duì)信號(hào) X（t） 使用LCD分解進(jìn)行處理后，就會(huì)得到若干相互獨(dú)立的ISC分量，根據(jù)分量中噪聲的含量，可以將所有的ISC分量分為含噪分量與純凈分量，為了更方便的區(qū)分這兩類分量，引入了互相關(guān)系數(shù)這一概念，其表達(dá)式為：

式中 M? 信號(hào)長(zhǎng)度；N. -ISC分量個(gè)數(shù)；R（i） -互相關(guān)系數(shù)；x（i，j） -ISC分量；y（j） 振動(dòng)信號(hào)分量。

互相關(guān)系數(shù)R的大小代表輸入公式的兩個(gè)信號(hào)之間的關(guān)聯(lián)程度，無(wú)噪聲分量與噪聲分量理論上是毫無(wú)關(guān)聯(lián)的，即互相關(guān)系數(shù)為0。因此，當(dāng)一個(gè)ISC分量的互相關(guān)系數(shù)接近于0時(shí)，說(shuō)明該分量中所包含的噪聲較多，如果原封不動(dòng)的將其與其他純凈分量進(jìn)行重構(gòu)，將會(huì)導(dǎo)致最終獲得的降噪后信號(hào)仍有一部分較為明顯的噪聲。

因此，筆者決定使用小波包分解對(duì)LCD分解出的含噪分量進(jìn)行降噪，以此提升LCD降噪的效果，將含噪分量進(jìn)行小波包分解，然后選擇一個(gè)適當(dāng)?shù)拈撝祵?duì)分解出的小波包分解系數(shù)進(jìn)行閥值量化，最后將系數(shù)進(jìn)行小波包重構(gòu)，輸出降噪后的ISC分量。根據(jù)前人經(jīng)驗(yàn)，取互相關(guān)系數(shù)小于0.2的ISC分量進(jìn)行降噪，再將降噪后的分量與之前分解出的純凈分量共同疊加，最終得到降噪后的信號(hào)。

1.5人工神經(jīng)網(wǎng)絡(luò)對(duì)運(yùn)行狀況進(jìn)行預(yù)測(cè)

因不同轉(zhuǎn)速及運(yùn)行情況下機(jī)械密封振動(dòng)信號(hào)各自具有的不同特征值，故使用構(gòu)建完成的ANN針對(duì)這些規(guī)律進(jìn)行提取和計(jì)算，從而運(yùn)用在機(jī)械密封正常運(yùn)行條件下測(cè)量出的相應(yīng)特征值，對(duì)機(jī)械密封可能的特征值進(jìn)行預(yù)測(cè)。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型需要大量的數(shù)據(jù)，使用更多的訓(xùn)練樣本可以增強(qiáng)模型的泛化能力[1]。所以在選擇用于輸入ANN的特征值時(shí)，選擇時(shí)域中典型且表達(dá)時(shí)域特征較鮮明的特征參數(shù)：峰值、峰峰值、均值、均方根值、峭度、峭度因子、脈沖因子、波性因子、偏斜度；選擇頻域中的特征參數(shù)：峰值、均值、均方根值、峭度、偏斜度、重心頻率、均方根頻率、四次方根頻率。

再將預(yù)測(cè)值長(zhǎng)期與測(cè)量得到的振動(dòng)數(shù)據(jù)的特征值進(jìn)行對(duì)比，當(dāng)實(shí)際測(cè)量得到的振動(dòng)數(shù)據(jù)特征值與預(yù)測(cè)值有較大偏差時(shí)，就說(shuō)明機(jī)械密封的運(yùn)行狀況可能出現(xiàn)了故障。

2實(shí)驗(yàn)數(shù)據(jù)采集和實(shí)踐驗(yàn)證

2.1 實(shí)驗(yàn)系統(tǒng)

實(shí)驗(yàn)平臺(tái)為浙大寧波理工學(xué)院高超密封數(shù)字設(shè)計(jì)與先進(jìn)測(cè)控聯(lián)合實(shí)驗(yàn)室的機(jī)械密封實(shí)驗(yàn)臺(tái)，實(shí)物照片如圖2所示。實(shí)驗(yàn)系統(tǒng)主要由5部分組成，分別是傳動(dòng)系統(tǒng)、供氣系統(tǒng)、控制系統(tǒng)、密封系統(tǒng)和測(cè)試系統(tǒng)，主要元器件型號(hào)及性能參數(shù)列于表1。

傳動(dòng)系統(tǒng)：本次實(shí)驗(yàn)用大功率電機(jī)作為直接驅(qū)動(dòng)電源，電機(jī)功率 11kW ，最高轉(zhuǎn)速 6000r/min_? □供氣系統(tǒng)：由壓縮機(jī)、壓力表、流量計(jì)、鋼管等組成，氣路壓力最高可達(dá) 8MPa ，氣路為多接口集成，可供密封實(shí)驗(yàn)臺(tái)進(jìn)行密封氣供給和收集。密封系統(tǒng)：采用雙端面機(jī)械密封，如圖1所示，密封試件靜環(huán)（靜止環(huán)）和密封壓蓋（法蘭盤）固定在密封腔的外殼上，而帶動(dòng)環(huán)（旋轉(zhuǎn)環(huán)）安裝在主軸上，補(bǔ)償力由彈簧提供，動(dòng)環(huán)和靜環(huán)材料均為碳化硅（SiC）。測(cè)試系統(tǒng)：為提高測(cè)試精度，本次實(shí)驗(yàn)的振動(dòng)傳感器通過(guò)磁力安裝在密封壓蓋的徑向平面上，盡可能的靠近被測(cè)密封環(huán)。采用三軸振動(dòng)傳感器，最高采樣率 25kHz ，信號(hào)頻率帶寬 0.5～ 5000Hz 。由計(jì)算機(jī)完成雙通道聲發(fā)射數(shù)據(jù)的實(shí)時(shí)同步采集、記錄和顯示。

2.2 測(cè)試方法與流程

為了提高測(cè)試精度，本次實(shí)驗(yàn)采用三軸振動(dòng)傳感器，通過(guò)磁力將傳感器安裝在密封上測(cè)試 x /y_?z3 個(gè)方位，盡可能靠近被測(cè)密封環(huán)。實(shí)驗(yàn)壓力設(shè)定為 2MPa ，采樣系統(tǒng)采樣率設(shè)置為 25kHz ，打開(kāi)測(cè)試系統(tǒng)，通過(guò)變頻啟動(dòng)器控制電機(jī)啟動(dòng)，具體步驟如下：

a.啟動(dòng)電機(jī)，調(diào)節(jié)變頻控制器，使密封勻速增加到預(yù)定轉(zhuǎn)速 （1000～6000r/min） ;b.讓設(shè)備在該轉(zhuǎn)速下穩(wěn)定運(yùn)行 20s ，開(kāi)始數(shù)據(jù)采集，數(shù)據(jù)采集時(shí)間設(shè)定為 2min ，保存數(shù)據(jù)；c.停車，導(dǎo)出信號(hào)數(shù)據(jù)；d.為模擬工廠嘈雜的噪聲環(huán)境，在查閱相應(yīng)資料后，向信號(hào)中加入相應(yīng)的高斯白噪聲。

2.3 實(shí)驗(yàn)信號(hào)降噪

首先將實(shí)驗(yàn)信號(hào)利用LCD聯(lián)合小波包的降噪方法進(jìn)行降噪，為檢查降噪效果，從 6000r/min 轉(zhuǎn)速的振動(dòng)信號(hào)的降噪后信號(hào)中截取了一段降噪后的數(shù)據(jù)，如圖3所示。

2.4 信號(hào)特征提取

為研究時(shí)域頻域的特征參數(shù)與機(jī)械密封不同轉(zhuǎn)速下振動(dòng)情況之間的關(guān)系，利用Matlab在各個(gè)采樣點(diǎn)中提取時(shí)域的特征參數(shù)，然后使用繪圖工具將處理得到的特征參數(shù)繪制成圖，以便進(jìn)行更直觀的對(duì)比和觀察。

在這個(gè)過(guò)程中，由于提取到的各類特征值在數(shù)值上存在數(shù)量級(jí)的差別，為了方便觀察和對(duì)比，將這些參數(shù)的數(shù)據(jù)進(jìn)行歸一化處理，只將其變化趨勢(shì)展現(xiàn)在圖中。這里需要說(shuō)明的是，為了將各特征值的變化分離開(kāi)來(lái)，將每個(gè)特征值圖像依次向上平移若干個(gè)單位，縱坐標(biāo)不表示實(shí)際值的大小，圖4a從左到右分別是在 2MPa 條件下

2000…4000…6000r/min 的時(shí)域特征參數(shù)變化曲線。同理可以繪制機(jī)械密封的頻域特征參數(shù)的變化，如圖4b所示。

2.5 初期故障識(shí)別模型

利用神經(jīng)網(wǎng)絡(luò)，對(duì)機(jī)械密封的運(yùn)行狀態(tài)的主要識(shí)別步驟如圖5所示。

2.5.1 特征值狀態(tài)相關(guān)

通過(guò)上文所述的特征提取方法，將2000、4000.6000r/min 相應(yīng)的特征參數(shù)放入第1組數(shù)據(jù)，利用特征值的變化來(lái)對(duì)機(jī)械密封不同轉(zhuǎn)速下的運(yùn)行狀態(tài)進(jìn)行判斷。

2.5.2 神經(jīng)網(wǎng)絡(luò)的建立過(guò)程

利用Matlab應(yīng)用中心的NeuralPatternRecognition（識(shí)別神經(jīng)網(wǎng)絡(luò)）工具箱來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行建立、訓(xùn)練和驗(yàn)證，具體操作過(guò)程如圖6所示。

劃分?jǐn)?shù)據(jù)比例。在劃分?jǐn)?shù)據(jù)時(shí)，選擇默認(rèn)的數(shù)據(jù)劃分比例，將提取到的特征和輸出向量隨機(jī)分為3個(gè)部分：訓(xùn)練數(shù)據(jù) 70% ）、校準(zhǔn)數(shù)據(jù)（ 15% 、測(cè)試數(shù)據(jù)（ 15% 。

構(gòu)建神經(jīng)網(wǎng)絡(luò)。理論上3層以上的神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練能夠擬合成任何非線性函數(shù)，同時(shí)層數(shù)越多求解效果也會(huì)越好。但實(shí)際上網(wǎng)絡(luò)層數(shù)增加的同時(shí)，收斂速度變慢，網(wǎng)絡(luò)振蕩、過(guò)擬合等問(wèn)題也會(huì)隨之而出現(xiàn)，所以需要選擇合適的層數(shù)進(jìn)行訓(xùn)練。然后確定隱層神經(jīng)元個(gè)數(shù)，根據(jù)經(jīng)驗(yàn)推薦，神經(jīng)元個(gè)數(shù) N ，輸入節(jié)點(diǎn)數(shù)i，輸出節(jié)點(diǎn)數(shù)o之間應(yīng)該滿足：

其中， η 為整數(shù)且 ηlt;20 。結(jié)合分類要求，合理設(shè)置隱含神經(jīng)元個(gè)數(shù)。

神經(jīng)網(wǎng)絡(luò)性能的評(píng)估。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行階段判別的過(guò)程中，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行性能評(píng)估也是至關(guān)重要的一步。通過(guò)性能評(píng)價(jià)，可以了解網(wǎng)絡(luò)的魯棒性，驗(yàn)證所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)是否滿足設(shè)計(jì)要求，確定是否需要改進(jìn)分類器參數(shù)。ROC曲線（ReceiverOperatingCharacteristicCurve，被測(cè)對(duì)象工作特征曲線）是一種用于評(píng)估二分類模型性能的重要工具。它通過(guò)圖形化展示模型在不同分類閾值下的表現(xiàn)，幫助分析模型的敏感性和特異性之間的平衡。文中用ROC曲線分析判別正確和錯(cuò)誤之間的比例關(guān)系。在坐標(biāo)系上，通過(guò)驗(yàn)證數(shù)據(jù)ROC曲線可以非常直觀地評(píng)估神經(jīng)網(wǎng)絡(luò)的性能。

2.5.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

對(duì)于網(wǎng)絡(luò)層數(shù)，選擇系統(tǒng)默認(rèn)推薦的10層進(jìn)行訓(xùn)練，得到如圖7所示的結(jié)果，

從圖7的訓(xùn)練結(jié)果可以看出，混淆矩陣的整體識(shí)別率達(dá)到了 97.3% ，從ROC曲線中不難發(fā)現(xiàn)，表現(xiàn)最好的是類1（ 2 000r/min 的預(yù)測(cè)結(jié)果，其次是類2（ 4000r/min? ，而效果相對(duì)較差的是類3C 6000r/min ，由此可以推測(cè)，轉(zhuǎn)速越高神經(jīng)網(wǎng)絡(luò)針對(duì)其振動(dòng)特征值的預(yù)測(cè)難度就越高。訓(xùn)練表現(xiàn)如圖8所示。

由圖8可以看出，表現(xiàn)最好的是第13次迭代的0.050674，觀察圖8還可發(fā)現(xiàn)，訓(xùn)練的交叉熵在驗(yàn)證和測(cè)試隨著迭代次數(shù)的增加逐漸趨于平穩(wěn)時(shí)仍具有降低交叉熵的趨勢(shì)，可見(jiàn)本算法仍具有一定的改進(jìn)空間，日后可以繼續(xù)進(jìn)行優(yōu)化。

為證明該方法的普適性，還選擇了 1 000 、3000.5000r/min 對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證，訓(xùn)練結(jié)果如圖9所示。

從圖9可以看出，在更換了數(shù)據(jù)后，混淆矩陣的整體識(shí)別率仍達(dá)到了 98.0% ，較第1組數(shù)據(jù)甚至準(zhǔn)確率更高，從ROC曲線可見(jiàn)，其預(yù)測(cè)準(zhǔn)確率同樣是從類1（ 1000r/min） ，類2（ 3000r/min 到類30 5000r/min 依次遞減，由此可知，隨著轉(zhuǎn)速的提升，神經(jīng)網(wǎng)絡(luò)對(duì)于機(jī)械密封振動(dòng)信號(hào)的特征值的預(yù)測(cè)難度隨之升高。訓(xùn)練表現(xiàn)如圖10所示。第2組的最佳性能為第39次迭代的0.001136，準(zhǔn)確率也同樣比第1組更高。由作為驗(yàn)證組的第2組使用該方法進(jìn)行識(shí)別所得到的結(jié)果具有較為優(yōu)秀的整體識(shí)別率、預(yù)測(cè)準(zhǔn)確率和最佳性能，可以對(duì)該方法的適用性進(jìn)行一定的驗(yàn)證。

3結(jié)論

3.1提出了一種解決在噪聲環(huán)境下機(jī)械密封的運(yùn)行狀態(tài)難以有效識(shí)別的LCD聯(lián)合小波包降噪并通過(guò)ANN模型輔助識(shí)別的方法。ANN訓(xùn)練經(jīng)過(guò)

LCD分解和小波包降噪后得到的振動(dòng)信號(hào)的特征 參數(shù)，對(duì)機(jī)械密封后續(xù)振動(dòng)信號(hào)的特征參數(shù)進(jìn)行 預(yù)測(cè)，從而對(duì)機(jī)械密封的運(yùn)行狀態(tài)進(jìn)行輔助識(shí) 別。

3.2對(duì)含噪信號(hào)的降噪主要依靠LCD對(duì)非平穩(wěn)信號(hào)的分解能力，將含噪信號(hào)分解成若干不同頻率尺度下的信號(hào)分為若干ISC分量，將它們分為純凈分類與含噪分量，并利用小波包降噪對(duì)含噪分量進(jìn)行降噪，最終純凈分量疊加獲得降噪后的信號(hào)。在將降噪后的信號(hào)導(dǎo)人構(gòu)建好的ANN進(jìn)行訓(xùn)練并得到相應(yīng)模型后，實(shí)驗(yàn)表明所得到的模型能夠在噪聲環(huán)境中更有效的實(shí)現(xiàn)對(duì)機(jī)械密封的狀態(tài)識(shí)別。

參考文獻(xiàn)

[1]孫見(jiàn)君，魏龍，顧伯勤.機(jī)械密封的發(fā)展歷程與研究動(dòng)向[J].潤(rùn)滑與密封，2004，39（4）：128-131；134

[2] 尹源，黃偉峰，劉向鋒，等.機(jī)械密封智能化的技術(shù)基礎(chǔ)和發(fā)展趨勢(shì)[J].機(jī)械工程學(xué)報(bào)，2021，57（3）：116-128.

[3] 陳鵬飛，尚冬琴，周立新.靜環(huán)振動(dòng)對(duì)渦輪泵端面密封失效的影響[J].推進(jìn)技術(shù)，2019，40（5）：1129-1135.

[4] 郜凱強(qiáng)，穆塔里夫·阿赫邁德，郭勇.基于振動(dòng)信號(hào)的機(jī)械密封金屬波紋管疲勞分析[J].潤(rùn)滑與密封，2021，46（6）：71-77.

[5] 陳是扦，彭志科，周鵬.信號(hào)分解及其在機(jī)械故障診斷中的應(yīng)用研究綜述［J].機(jī)械工程學(xué)報(bào)，2020，56（17）：91-107.

[6] 程軍圣，鄭近德，楊宇.一種新的非平穩(wěn)信號(hào)分析方法——局部特征尺度分解法［J].振動(dòng)工程學(xué)報(bào)，2012，25（2）：215-220.

[7] QIUZW，MIN R，WANGD Z，etal.Energy featuresfusionbasedhydrauliccylindersealwearandinternalleakage fault diagnosis method [J].Measurement，2022，195：111042.

[8] 李曉暉.流體動(dòng)壓型機(jī)械密封端面狀態(tài)監(jiān)測(cè)及健康評(píng)估[D].成都：西南交通大學(xué)，2016.

[9] BARELLIL，BIDINIG，MARIANIF，etal.Anon-con-ventional qualitycontrol systemto detect surface faultsin mechanical front seals[J].Engineering ApplicationsofArtificialIntelligence，2008，21（7）：1065-1072.

[10]程軍圣，楊怡，楊宇.局部特征尺度分解方法及其在齒輪故障診斷中的應(yīng)用［J].機(jī)械工程學(xué)報(bào)，2012，48（9）：64-71.

[11] 樊琦.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的微渦流混凝投藥控制模型研究[D].上海：華東交通大學(xué)，2018.

（收稿日期：2024-06-28，修回日期：2025-05-19）

Denoising and Feature Extraction of Mechanical Seal Vibration Signals Based on LCD-ANN

WANG Xing-lian'，LIU Wen-kai1，LIU Jian-ming1，ZHAN Pei-de1， LU Jun-jie2，HONG Xian-zhi3

（1.CNPC Lanzhou Petrochemical Company Mechanical and Electrical Instrument Operationand Maintenance Center; 2.NingboTech University，NingboKeyLaboratoryofAdvancedSeal; 3. Chengdu Yitong Seal Co.， Ltd.）

AbstractAiming at the impact characteristics caused by the early fault of mechanical seal are weak and difficult to extract due to the interference of strong background signal and noise，a denoising and feature extraction method of mechanical seal vibration signal based on LCD-ANN was proposed.Firstly，having the vibration signal of the mechanical seal decomposed by the local characteristic-scale decomposition（LCD）method to obtain the noisy ISC component and the pure ISC component；and then，having the noisy signal reconstructed with the pure signal after wavelet packet denoising to realize signal reduction；and finally，having the feature of denoised vibration signals extracted to obtain the typical characteristic parameters in time domain and frequency domain and the having them input into the constructed artificial neural network （ANN）for training， including making use of the trained model for auxiliary identification and outputing the diagnostic results of running state.In addition，having the vibration test bench for mechanical seal established and tested in noise environment show that，the method proposed can realize the state recognition of mechanical seal more effectively in the noise environment.

Key Words mechanical seal，state recognition，vibration signal， neural network pattern recognition