裴峻峰 郭 攀 孟朋朋 王 兵 徐延海
(1.常州大學機械工程學院,江蘇 常州 213000;2.江蘇金石機械集團有限公司,江蘇 淮安 223001)
基于LMD盒維數(shù)與PNN的往復泵聲發(fā)射故障診斷
裴峻峰1郭 攀1孟朋朋1王 兵1徐延海2
(1.常州大學機械工程學院,江蘇 常州 213000;2.江蘇金石機械集團有限公司,江蘇 淮安 223001)
針對往復泵泵閥故障診斷,提出使用聲發(fā)射技術對往復泵泵閥進行故障信號采集。利用局部均值分解(LMD)對非線性聲發(fā)射信號處理和分形盒維數(shù)對非線性信號定量描述的特點,首先對故障信號進行LMD處理,得到含有故障特征的PF分量,然后算出各PF分量的盒維數(shù),通過比較分析盒維數(shù)進行故障診斷,最后將各PF分量的盒維數(shù)作為特征向量輸入概率神經(jīng)網(wǎng)絡(PNN)進行模式識別。通過實驗分析,證明該方法對往復泵泵閥故障診斷是有效可行的。
往復泵泵閥 故障診斷 聲發(fā)射 局部均值分解 盒維數(shù) 概率神經(jīng)網(wǎng)絡
往復泵在石油鉆井、輸油注水方面被廣泛應用,大多數(shù)情況下輸送的介質(zhì)具有高壓、高粘度、高含沙量及大密度等特征。泵閥是往復泵工作過程中較為關鍵的部件,它對往復泵的正常工作和可靠性有著直接的影響[1,2]。因?qū)嶋H工作中往復泵大多是在比較惡劣的環(huán)境下工作,在這類環(huán)境下,泵閥在工作中大多處于具有磨礪和腐蝕性介質(zhì)中,泵閥會因此產(chǎn)生沖擊疲勞、磨礪磨損及沖蝕磨損等,且介質(zhì)的沖擊性較強,這些因素均會導致泵閥泄漏,進而影響往復泵正常工作。往復泵泵閥的振動信號是往復泵泵閥故障信息的主要來源[3]。但是對于往復機械而言,振動信號既包含往復機械的沖擊特征,又包含旋轉(zhuǎn)機械的非線性平穩(wěn)特點,故障模式不能像旋轉(zhuǎn)機械那樣一一映射[4],對應的振動特征難以確定,對故障診斷造成了困難,因此提出用聲發(fā)射技術對往復泵進行故障信息的采集。筆者提出將局部均值分解(LMD)盒維數(shù)與概率神經(jīng)網(wǎng)絡(PNN)相結合的方法運用到往復泵泵閥聲發(fā)射信號的故障診斷中,即將聲發(fā)射信號LMD分解所得的PF分量的分形盒維數(shù)作為特征向量輸入到PNN,實現(xiàn)不同泵閥故障的分類識別。
當材料發(fā)生變形或開裂后,材料受到外部或內(nèi)部的作用力,會有瞬態(tài)彈性波因快速釋放能量從材料的局部產(chǎn)生,這種物體因受力而產(chǎn)生瞬態(tài)彈性波的現(xiàn)象稱為聲發(fā)射現(xiàn)象。聲發(fā)射源通常意義下是指彈性波在一定的應力作用下因有裂縫或變形產(chǎn)生引起彈性波的物體;而與材料變形或斷裂沒有直接關系的瞬態(tài)彈性波可以稱為二次聲發(fā)射源,如機械摩擦、流體泄漏、燃燒及撞擊等[5]。
長期運行時,由于往復泵泵閥的腐蝕、磨損、變形或異物卡澀等原因造成泵閥泄漏,由于泵閥泄漏孔口前后之間的壓力有較大的差異,泵閥內(nèi)的流動介質(zhì)會在泄漏孔口形成脈動壓力場,介質(zhì)從孔口處噴射而出,產(chǎn)生多相湍流射流,泄漏的聲發(fā)射信號主要由3個原因引起[6]:機械振動發(fā)聲——流體介質(zhì)的壓力在閥體內(nèi)部產(chǎn)生不規(guī)則的波動與流體介質(zhì)中的擾動和沖擊使彈性元件振動產(chǎn)生的機械振動聲音,這種振動模式產(chǎn)生的聲發(fā)射,類似于金屬拍擊??諝鈩恿W或湍流發(fā)聲——當介質(zhì)流動時,流體介質(zhì)從泄漏孔口流出,由于流動突然膨脹或減小,會形成湍流。汽蝕發(fā)聲——當流體介質(zhì)泄漏時,液體通過節(jié)流孔流段的泄漏會突然收縮,孔口的壓力可以使液體汽化,即達到液體的汽化壓力時液體蒸發(fā),使部分液體形成泡沫;在流體介質(zhì)的下游,因流體的擴張而壓力上升,隨著壓力升高,流體介質(zhì)形成的氣泡內(nèi)部的壓力會低于流體介質(zhì)的外部壓力,泡沫因壓力差過大破裂產(chǎn)生汽蝕發(fā)聲。汽蝕發(fā)聲是泵閥聲發(fā)射的主要聲源,它的大小與流體流動的流量、速度、泵閥大小、閥門進出口壓力、泵閥類型、流體的物理性質(zhì)和泄漏孔口形狀有關[7]。因此通過聲發(fā)射信號可以對往復泵泵閥進行故障診斷和模式識別。
實驗采用的往復泵是BW-250型注漿泵。往復泵在工作時,活塞、密封圈、缸套及泵閥等是液力端的主要易損件,選取活塞磨損、彈簧斷裂和閥盤磨損3種故障作為故障樣本進行實驗。將正常的和帶有故障特征的部件分別換上,往復泵泵閥聲發(fā)射信號采集系統(tǒng)如圖1所示。基于LMD盒維數(shù)和PNN的往復泵泵閥聲發(fā)射故障診斷流程如圖2所示。
圖1 往復泵泵閥聲發(fā)射信號采集系統(tǒng)
圖2 診斷流程
實驗中往復泵轉(zhuǎn)速設為72r/min,傳感器選擇SR150M型聲發(fā)射傳感器,采用SAEU2S聲發(fā)射采集箱,前置放大器采用PAⅠ系列前置放大器,該系列前置放大器的增益為40±1dB,帶寬為10.0kHz~2.0MHz。前置放大器在聲發(fā)射系統(tǒng)中對準確采集聲發(fā)射信號起著重要的作用,在整個聲發(fā)射系統(tǒng)中,前置放大器對噪聲測量有較大的影響。在測量聲發(fā)射信號時為準確測量需要提高增益和降低噪聲,前置放大器在整個系統(tǒng)中的作用是提高信噪比性能,具有降低噪聲和提高增益的功能。實驗時設置采樣頻率為1MHz,采樣長度為140 000點,對4種工況下的聲發(fā)射信號進行采集。
局部均值分解和經(jīng)驗模態(tài)分解(EMD)相比減少了迭代次數(shù),摒除了EMD在處理信號時的具有欠包絡和過包絡的弊端,復雜的多分量信號可以分解為一系列單一成分的純調(diào)頻調(diào)幅信號即PF分量,能有效地提取各個故障狀態(tài)下的信號特征信息,可在一定程度上抑制端點效應,PF分量相較于EMD分解的IMF分量有更多的頻率和包絡信息得到保存,所以LMD與EMD相比包含原始信號的有效信息較多,含有聲發(fā)射信息的噪音較少[8~10]。LMD分解有以下7個步驟:
b. 將相鄰的mi均用直線連接起來,為得到局部均值函數(shù)m11(t),需要進行平滑處理,可以使用滑動平均法進行。用同樣的方法得到包絡估計函數(shù)α11(t)。
c. 從原始信號x(t)中分離出局部均值函數(shù)m11(t),得到h11(t)=x(t)-m11(t)。
黨的十九大報告指出:必須增強群眾工作本領,創(chuàng)新群眾工作體制機制和方式方法。邁進新時代,面對新矛盾,做好群眾工作既要繼承傳統(tǒng),又要務實創(chuàng)新;既要適應新形勢新任務的要求,又要研究和把握新形勢下群眾工作的新特點新規(guī)律。各級黨員干部要以高度的政治責任感,在深入群眾、聯(lián)系群眾、宣傳群眾、組織群眾、服務群眾、團結群眾中,不斷提高做好群眾工作的能力水平。
e. 原始信號的第1個分量可通過將包絡信號α1(t)和純調(diào)頻信號s1n(t)相乘得到,PF1(t)=α1(t)s1n(t)。
f.PF1(t)包含給定信號中的最高頻率成分,它是一個單分量調(diào)幅-調(diào)頻信號,其瞬時幅值就是包絡信號α1(t),其瞬時頻率f1(t)則可由純調(diào)頻信號s1n(t)求出。
圖3所示是一個活塞磨損聲發(fā)射信號LMD分解圖。聲發(fā)射信號經(jīng)LMD分解后,各PF分量在不同頻率范圍反映了信號的變化趨勢,往復泵泵閥聲發(fā)射信號的主要信息分布在前幾個PF分量中,因此前幾個PF分量是分析的主要對象,從圖3中可以看出PF1(t)~PF6(t)貢獻率之和超過95%,而且PF7(t)貢獻率很低,殘余信號R分量幾乎呈直線,說明與原始信號相關性很小,可以忽略不計。
圖3 活塞磨損聲發(fā)射信號LMD分解
在經(jīng)過LMD處理的基礎上結合分形盒維數(shù)的方法,計算各LMD分解的PF分量的盒維數(shù)。系統(tǒng)的非線性行為可以使用分形理論中的分形維數(shù)定量描述其特征量,其中盒維數(shù)的大小和變化可以反映非線性信號的復雜程度和不規(guī)則程度,它是分形維數(shù)的一種[12]。因為盒維數(shù)的計算相對于其他分形維數(shù)不太復雜,在信號處理中得到了較為廣泛的應用。在往復泵泵閥信號的特征提取中,分形盒維數(shù)不僅可以定性分析機械系統(tǒng)各故障狀態(tài)的運行狀況,還可以對各狀態(tài)信號進行量化,對機械系統(tǒng)產(chǎn)生的非線性信號計算盒維數(shù),對其進行進一步的分析比較可實現(xiàn)對復雜機械系統(tǒng)的故障診斷。
設集合F是Rn中任一非空有界子集,記N(A,δ)表示最大直徑為δ且能覆蓋F的集合的最小數(shù),則F的盒維數(shù)定義為:
(1)
然后在lnN(δ)~ln(1/δ)圖中確定擬合一段線性良好的信號無標度區(qū),則分形盒維數(shù)即是擬合得到的直線斜率。由于分型空間的特殊性,其元素F必定是非空緊子集,故盒維數(shù)所針對的集合允許是開的。
利用式(1)求出每種情況下PF1~PF6的盒維數(shù),它可以反映非平穩(wěn)信號不平穩(wěn)程度的大小和復雜度的變化,不僅可以對信號進行定性分析,還可以對系統(tǒng)進行定量分析,因此可以準確、清楚地反映4種工況下的故障特征?;钊p故障信號各PF分量盒維數(shù)如圖4所示,可以看出從PF1到PF6分量的盒維數(shù)依次減小。信號的盒維數(shù)大小反映信號的規(guī)則程度,包含的信息量越多,信號不規(guī)則的程度越大,其盒維數(shù)也越大,盒維數(shù)最大的是PF1分量信號,是信號中的主要成分,從PF2到PF6盒維數(shù)依次減小,表明與原信號的關聯(lián)程度也隨之減小。
圖4 活塞磨損故障信號各PF分量盒維數(shù)
對信號進行LMD分解后,計算4種狀態(tài)聲發(fā)射信號各PF分量的盒維數(shù)(表1)。分形盒維數(shù)介于1和2之間,信號越不規(guī)則,分形盒維數(shù)越大[13]。從表1可以看出,LMD分解信號的各PF分量的盒維數(shù)中,不同故障狀態(tài)下的盒維數(shù)數(shù)值有明顯的區(qū)間范圍,往復泵泵閥正常狀態(tài)盒維數(shù)最大,依次是閥盤磨損故障盒維數(shù)、活塞磨損故障盒維數(shù),彈簧斷裂故障盒維數(shù)最小。
表1 不同狀態(tài)的盒維數(shù)
正常工況下系統(tǒng)產(chǎn)生聲發(fā)射信號的因素有缸套、底座等振動發(fā)聲多方面因素,但不起決定性作用,正常信號PF1~PF4由于信號分布均勻、復雜性大,其盒維數(shù)比故障信號盒維數(shù)大,而其余PF分量由于隨機性小于故障工況,因此其盒維數(shù)比故障工況小或差別不大。而且,正常狀態(tài)的聲發(fā)射信號也包含規(guī)律性的聲發(fā)射成分,它不是完全的噪聲成分。彈簧斷裂故障的盒維數(shù)與其他運行狀態(tài)相比最小,由于泵閥在工作過程中彈簧有規(guī)律的上下往復運動,彈簧磨損不會產(chǎn)生泄漏孔口,內(nèi)外壓力差相對較小,泵閥內(nèi)的流體相對平穩(wěn),所以彈簧斷裂故障的不規(guī)則和不確定性較低,盒維數(shù)最小。
19世紀80年代,Specht D F博士首先提出概率神經(jīng)網(wǎng)絡,它是一種基于Parzen窗與貝葉斯分類規(guī)則的概率密度函數(shù)估計方法。這樣的網(wǎng)絡權值對應模式樣本的分布格局不需要訓練,可以滿足實時處理的訓練要求[14]。
PNN網(wǎng)絡經(jīng)由徑向基函數(shù)發(fā)展成為一種前饋神經(jīng)網(wǎng)絡,比較適用于信號的模式識別,它由輸入層、模式層、求和層、輸出層共4層組成[15]。其基本結構如圖5所示。
圖5 PNN的基本結構
隨機選取正常、活塞磨損、彈簧斷裂、閥盤磨損4種狀態(tài)下各20組數(shù)據(jù),共80組聲發(fā)射信號,LMD分解的PF1~PF6計算得到的盒維數(shù)作為PNN網(wǎng)絡的特征向量。任意取其中48組作為訓練樣本,其余32組作為測試樣本進行模式識別,從而訓練PNN多故障分類器,分別對正常、活塞磨損、彈簧斷裂、閥盤磨損4種狀態(tài)進行分類。訓練樣本分類器時,將選取的正常樣本標記為1,活塞磨損故障樣本標記為2,彈簧斷裂故障樣本標記為3,閥盤磨損故障樣本標記為4。
將樣本輸入分類器的訓練效果如圖6所示,可見第13組數(shù)據(jù)實際故障是閥盤磨損故障(標記為4),訓練時將其識別為正常(標記為1),故訓練誤差為-3.0;第16組數(shù)據(jù)實際故障是活塞磨損故障(標記為2),訓練時將它識別為彈簧斷裂故障(標記為3),訓練誤差為1.0;第40組數(shù)據(jù)實際故障是閥盤磨損故障(標記為4),訓練時被識別為彈簧斷裂故障(標記為3),訓練誤差為-1.0。因此,網(wǎng)絡對訓練集分類的正確率為93.75%。
圖6 PNN的訓練效果
利用訓練好的網(wǎng)絡對測試集分類,分類效果如圖7所示,32個測試對象中的30個被正確識別,其中第26組和31組數(shù)據(jù)將閥盤磨損故障劃分到彈簧斷裂故障類別中,總體分類成功率為93.75%,分類效果比較理想。
5.1LMD分解信號的方法有效地提取了往復泵泵閥聲發(fā)射信號特征,減小了EMD方法中存在的模式混疊現(xiàn)象,提高了系統(tǒng)的抗噪能力。
5.2在往復泵泵閥故障診斷中LMD和分形盒維數(shù)可以定量計算盒維數(shù)正常條件和故障的不同部分的描述,說明不同失效模式的盒維數(shù)具有可分性和明顯的區(qū)間范圍,采用盒維數(shù)計算各個狀態(tài)下的非線性平穩(wěn)信號分析比較進行故障診斷。
圖7 PNN的預測效果
5.3通過LMD分解聲發(fā)射信號,計算各分解信號盒維數(shù)輸入PNN進行識別,減少了工作量且分類效果較好。
5.4聲發(fā)射技術可以用在往復泵泵閥設備的故障診斷,并取得不錯的效果。
[1] 赫偉英,裴峻峰.往復機械故障診斷技術進展綜述[J].化工機械,2010,37(5):671~674.
[2] 趙志華,吳力.往復泵故障智能診斷系統(tǒng)的設計[J].化工自動化及儀表,2013,40(6):701~705.
[3] 段玉波,由大偉.往復泵泵閥的狀態(tài)監(jiān)測及智能故障診斷綜述[J].自動化技術與應用,2003,22(9):1~4.
[4] 別鋒鋒,劉楊,裴峻峰,等.EEMD近似熵和SVM在柴油機傳動系統(tǒng)中的故障診斷研究[J].機械設計與制造,2015,(3):24~31.
[5] 楊晶.基于聲發(fā)射檢測的閥門泄漏可視化診斷技術
研究[D].長沙:長沙理工大學,2013.
[6] 方學鋒,梁華,夏志敏,等.基于聲發(fā)射技術的閥門泄漏在線檢測方法[J].化工機械,2007,34(1):52~54.
[7] 王新穎.承壓閥門內(nèi)漏聲學檢測方法研究[D].大慶:大慶石油學院,2007.
[8] Smith J S.The Local Mean Decomposition and Its Application to EEG Perception Data[J].Journal of the Royal Society Interface,2005,2(5):443~454.
[9] Huang N E,Shen Z,Long S R,et al.The Emprical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J].Proceedings of the Royal Society a Mathematical Physical and Engineering Sciences,1998,454(1971):903~995.
[10] Yang Y,He Y G,Chen I S,et al.A Gear Fault Diagnosis Using Hilbert Spectrum Based on MODWPT and a Comparison with EMD Approach[J].Measurement,2009,42(4):542~551.
[11] 孫偉,熊邦書,黃建萍,等.小波包降噪與LMD相結合的滾動軸承故障診斷方法[J].振動與沖擊,2012,31(18):153~156.
[12] 趙健,雷蕾,蒲小琴.分形理論及其在信號處理中的應用[M].北京:清華大學出版社,2008:2~3.
[13] 劉曉波,馬善紅.分形盒維數(shù)在裂紋轉(zhuǎn)子故障診斷中的應用[J].機床與液壓,2009,37(1):164~166.
[14] 付芹,谷立臣.PNN在旋轉(zhuǎn)機械故障診斷中的應用[J].煤礦機械,2009,30(11):237~239.
[15] Specht D F.Probabilistic Neural Networks[J].Neural Networks,1990,3(1):109~118.
(Continued on Page 1321)
AcousticEmissionFaultDiagnosisofReciprocatingPumpBasedonLMDBoxDimensionandPNN
PEI Jun-feng1, GUO Pan1, MENG Peng-peng1, WANG Bing1, XU Yan-hai2
(1.CollegeofMechanicalEngineering,ChangzhouUniversity,Changzhou213000,China; 2.JiangsuJinshiMachineryGroupCo.,Ltd.,Huai′an223001,China)
In view of the fault diagnosis of reciprocating pump valves, making use of acoustic emission technology to acquire fault signals of the reciprocating pump valve was proposed. Based on the characteristics that applying the local mean decomposition (LMD) to process nonlinear acoustic emission signals and employing the box dimension to quantitatively describe the nonlinear signals, firstly, having LMD used to decompose the fault signals to gainPFcomponent which containing fault features and to calculate the box dimension of eachPFcomponent as well as to takePFcomponent’s box dimension as the feature vector and to have it input into
TH321
A
1000-3932(2016)12-1286-06
2016-10-26(修改稿)
國家自然科學基金項目(51175051)