郭 攀,史洪偉,宋傳智,王紅艷,裴峻峰

(1. 宿州學(xué)院 化學(xué)化工學(xué)院，安徽 宿州 234000； 2.常州大學(xué) 機(jī)械工程學(xué)院，江蘇 常州 213000； 3.天地(常州)自動(dòng)化股份有限公司 中煤科工集團(tuán)常州研究院有限公司，江蘇 常州 213000)

旋轉(zhuǎn)機(jī)械在工業(yè)中有著十分重要的應(yīng)用，目前對(duì)于旋轉(zhuǎn)機(jī)械的故障診斷已經(jīng)取得了許多成功的應(yīng)用[1-8]，而國(guó)內(nèi)外對(duì)泵的故障診斷也做了大量研究工作，許多研究都是基于振動(dòng)技術(shù)展開(kāi)的[9-11]。羅紅梅等[12]計(jì)算了有時(shí)標(biāo)信號(hào)和無(wú)時(shí)標(biāo)信號(hào)2時(shí)鉆井泵泵閥振動(dòng)信號(hào)小波包分頻帶能量；Liu Shulin等[13]采用1種改進(jìn)的EMD算法提取振動(dòng)信號(hào)的故障特征，并成功應(yīng)用于泵閥彈簧的故障診斷；V.Muralidharan和V.Sugumaran[14-16]利用不同的小波變換提取特征，并利用決策樹(shù)和模糊邏輯進(jìn)行分類的方法對(duì)泵的汽蝕、葉輪故障、軸承故障以及葉輪軸承復(fù)合故障等進(jìn)行診斷。除了分析振動(dòng)信號(hào)外，分析聲音和壓力信號(hào)進(jìn)行泵的故障診斷的方法也得到了成功應(yīng)用。Sin-Young Lee[17]通過(guò)對(duì)聲音信號(hào)進(jìn)行分析，成功地診斷出泵的軸變形和軸承變形等故障。在無(wú)損檢測(cè)技術(shù)領(lǐng)域，基于聲振信息的故障診斷技術(shù)已經(jīng)成功地應(yīng)用在旋轉(zhuǎn)機(jī)械的故障檢測(cè)。

綜上，雖然許多方法已經(jīng)成功用于泵的故障診斷，但目前對(duì)泵的故障診斷主要是分析單一信號(hào)，而當(dāng)泥漿泵液力端發(fā)生故障時(shí)，僅僅依靠單一的故障信息有時(shí)難以做出精確的診斷，經(jīng)常出現(xiàn)誤診的情況。本文在振動(dòng)分析的基礎(chǔ)上，引入聲音和聲發(fā)射技術(shù)，將聲音、聲發(fā)射信號(hào)和振動(dòng)信號(hào)進(jìn)行融合，并利用SVM算法對(duì)往復(fù)泵液力端故障模式進(jìn)行識(shí)別。

1 實(shí)驗(yàn)原理及方案

多傳感器信息融合通過(guò)對(duì)多個(gè)方面的信息進(jìn)行某種規(guī)則的組合從而獲得更多更有價(jià)值的信息，這不是簡(jiǎn)單的輸入輸出過(guò)程，而是各種信息互相作用的結(jié)果。多傳感器信息融合利用多種類型傳感器獲取的信息具有多方面、多角度的優(yōu)勢(shì)，從而提高了整個(gè)系統(tǒng)的有效性和準(zhǔn)確性[18]。

信息融合按照其融合的數(shù)據(jù)抽象層次可以分為數(shù)據(jù)、特征和決策3個(gè)級(jí)別的信息融合[19]。這3個(gè)級(jí)別從融合診斷信息的表征水平從低到高，分別可以實(shí)現(xiàn)故障、檢測(cè)、故障識(shí)別和故障定位的需要，最終得出融合結(jié)果[20]。

數(shù)據(jù)級(jí)信息融合是最低級(jí)別的信息融合，它是直接在傳感器采集到的原始數(shù)據(jù)信息層面上進(jìn)行的融合。特征級(jí)信息融合是中間級(jí)別的信息融合，該級(jí)融合首先對(duì)采集到的原始信息進(jìn)行特征提取，然后對(duì)獲得的特征信息進(jìn)行融合分析，進(jìn)而進(jìn)行目標(biāo)身份的識(shí)別。決策級(jí)信息融合是高級(jí)別的信息融合，首先完成對(duì)每個(gè)傳感器采集的原始信息進(jìn)行處理，得出對(duì)所研究對(duì)象的初步結(jié)論，然后通過(guò)各個(gè)傳感器的關(guān)聯(lián)進(jìn)行局部決策層的融合處理，并獲得最終的融合結(jié)果。

通過(guò)分形理論等方法對(duì)采集到的聲振信息進(jìn)行特征提取，規(guī)避很多其它方法對(duì)非平穩(wěn)信號(hào)處理的不足，其特征向量對(duì)信號(hào)特征的相關(guān)性大大提高，因此，本文選用特征信息融合方法。信息融合流程如圖1所示，3種信號(hào)同時(shí)采集的現(xiàn)場(chǎng)如圖2所示，實(shí)驗(yàn)設(shè)備組成如圖3所示。

圖1 信息融合流程

圖2 信號(hào)采集現(xiàn)場(chǎng)

圖3 實(shí)驗(yàn)設(shè)備組成

2 聲振信息融合故障診斷

采用聲音、振動(dòng)和聲發(fā)射信號(hào)的分形維數(shù)作為特征值結(jié)合不同核函數(shù)及改進(jìn)的SVM算法進(jìn)行融合診斷，分別與聲音、振動(dòng)和聲發(fā)射3種信號(hào)單獨(dú)診斷的結(jié)果以及兩兩融合的結(jié)果進(jìn)行對(duì)比，觀察故障識(shí)別的準(zhǔn)確率。

2.1 特征向量融合

提取往復(fù)泵聲發(fā)射信號(hào)數(shù)據(jù)分形盒維數(shù)、往復(fù)泵聲音信號(hào)的多重分形特征值以及振動(dòng)信號(hào)的能量重構(gòu)作為其特征值。首先比較不同信號(hào)特征的故障診斷識(shí)別率，然后兩兩進(jìn)行融合，最后將3種信號(hào)融合，觀察識(shí)別效果，分析各種融合狀態(tài)和未融合狀態(tài)下的故障診斷識(shí)別效率，比較分析結(jié)果，判斷是否能改進(jìn)其識(shí)別結(jié)果，決策出最好的識(shí)別方法。

將3種信號(hào)處理得到的特征向量進(jìn)行融合獲得融合特征向量。如聲發(fā)射信號(hào)的分形盒維數(shù)特征向量特征值T1=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1]，聲音信號(hào)的多重分形特征值T2=[4.214 4 0.499 0 2.422 9 4.549 1 3.361 1 2.553 3]，振動(dòng)信號(hào)的能量特征值T3=[0.932 1 0.450 2 0.284 5 0.327 8 0.613 0 0.010 7]，融合特征向量T=[T1,T2,T3]=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1 4.214 4 0.499 0 2.422 9 4.549 1 3.361 1 2.553 3 0.932 1 0.450 2 0.284 5 0.327 8 0.613 0 0.010 7]，T12=[T1,T2]=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1 4.214 4 0.499 0 2.422 9 4.549 1 3.361 1 2.553 3]，T13=[T1,T3]=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1 0.932 1 0.450 2 0.284 5 0.327 8 0.613 0 0.010 7]。將每種工況180組聲發(fā)射盒維數(shù)信號(hào)和180組聲音信號(hào)的多重分形特征值以及180組振動(dòng)加速度信號(hào)能量特征值進(jìn)行融合，獲得每種工況180組融合特征向量，隨機(jī)選取100組作為訓(xùn)練樣本，80組作為待測(cè)樣本，融合后的部分融合特征向量如表1所示。

表1 部分訓(xùn)練樣本

2.2 GA-SVM融合診斷

使用GA-SVM及其它不同核函數(shù)的SVM融合故障診斷，將每種工況的25組數(shù)據(jù)作為訓(xùn)練樣本，20組數(shù)據(jù)作為預(yù)測(cè)樣本，輸入核函數(shù)分別為線性、RBF和經(jīng)過(guò)GA改進(jìn)的SVM，比較不同核函數(shù)的SVM識(shí)別率。

當(dāng)聲發(fā)射分形盒維數(shù)和振動(dòng)兩種信號(hào)融合時(shí)，往復(fù)泵正常運(yùn)行，輸入特征向量：[1.557 8 1.434 2 1.356 2 1.297 6 1.194 5 1.164 8 0.909 1 0.368 6 0.460 5 0.326 4 0.167 5 0.086 4]到SVM訓(xùn)練，輸出的訓(xùn)練結(jié)果為1，說(shuō)明泵正常工作，與實(shí)際工況一致。當(dāng)活塞磨損時(shí)，輸入特征向量：[1.552 1 1.404 7 1.351 9 1.281 7 1.193 2 1.120 2 0.811 0 0.298 7 0.292 7 0.145 9 0.159 7 0.114 9]，輸出結(jié)果為2，說(shuō)明活塞磨損，與實(shí)際工況一致。當(dāng)彈簧斷裂時(shí)，輸入特征向量：[1.533 9 1.398 8 1.345 1 1.273 1 1.189 3 1.142 7 0.778 5 0.591 0 0.305 5 0.192 7 0.185 2 0.058 1]，輸出結(jié)果為3，說(shuō)明彈簧斷裂，與實(shí)際工況一致。當(dāng)閥盤(pán)磨損時(shí)，輸入特征向量：[1.567 9 1.430 8 1.353 3 1.277 2 1.201 4 1.155 8 0.851 4 0.794 2 0.137 6 0.193 7 0.201 5 0.241 6]，輸出結(jié)果為4，說(shuō)明活塞磨損，與實(shí)際工況一致。

當(dāng)聲音信號(hào)多重分形特征值和振動(dòng)兩種信號(hào)融合時(shí)，往復(fù)泵正常運(yùn)行，輸入特征向量：[4.556 3 3.375 4 2.551 6 3.846 4 0.572 9 2.298 7 0.909 1 0.368 6 0.460 5 0.326 4 0.167 5 0.086 4]到SVM訓(xùn)練，輸出的訓(xùn)練結(jié)果為1，說(shuō)明泵正常工作，與實(shí)際工況一致。當(dāng)活塞磨損時(shí)，輸入特征向量：[4.536 8 3.341 6 2.546 9 1.966 0.670 4 2.771 5 0.811 0 0.298 7 0.292 7 0.146 5 0.162 7 0.115 7]，輸出結(jié)果為2，說(shuō)明活塞磨損，與實(shí)際工況一致。當(dāng)彈簧斷裂時(shí)，輸入特征向量：[4.518 6 3.354 2 2.553 1 2.318 1 0.176 2 3.037 5 0.778 5 0.591 0 0.305 5 0.192 7 0.185 2 0.058 1]，輸出結(jié)果為3，說(shuō)明彈簧斷裂，與實(shí)際工況一致。當(dāng)閥盤(pán)磨損時(shí)，輸入特征向量：[4.531 7 3.349 8 2.520 1 2.404 0.261 8 3.062 8 0.851 4 0.794 2 0.137 6 0.193 7 0.201 5 0.241 6]，輸出結(jié)果為4，說(shuō)明活塞磨損，與實(shí)際工況一致。

當(dāng)聲發(fā)射和聲音信號(hào)多重分形特征值兩種信號(hào)融合時(shí)，往復(fù)泵正常運(yùn)行，輸入特征向量：[1.557 8 1.434 2 1.356 2 1.297 6 1.194 5 1.164 8 4.556 3 3.375 4 2.551 6 3.846 4 0.572 9 2.298 7]到SVM訓(xùn)練，輸出的訓(xùn)練結(jié)果為1，說(shuō)明泵正常工作，與實(shí)際工況一致。當(dāng)活塞磨損時(shí)，輸入特征向量：[1.552 1 1.404 7 1.351 9 1.281 7 1.193 2 1.120 2 4.536 8 3.341 6 2.546 9 1.966]，輸出結(jié)果為2，說(shuō)明活塞磨損，與實(shí)際工況一致。當(dāng)彈簧斷裂時(shí)，輸入特征向量：[1.534 0 1.428 8 1.344 7 1.273 1 1.189 3 1.142 7 4.518 6 3.354 2 2.553 1 2.318 1 0.176 2 3.037 5]，輸出結(jié)果為3，說(shuō)明彈簧斷裂，與實(shí)際工況一致。當(dāng)閥盤(pán)磨損時(shí)，輸入特征向量：[1.567 9 1.430 8 1.353 3 1.277 2 1.201 4 1.155 8 4.531 7 3.349 8 2.520 1 2.404 0.261 8 3.062 8]，輸出結(jié)果為4，說(shuō)明活塞磨損，與實(shí)際工況一致。

當(dāng)聲發(fā)射分形盒維數(shù)、聲音信號(hào)多重分形特征值與振動(dòng)3種信號(hào)融合時(shí)，往復(fù)泵正常運(yùn)行，輸入特征向量：[4.556 3 3.375 4 2.551 6 3.846 4 0.572 9 2.298 7 0.909 1 0.368 6 0.460 5 0.326 4 0.167 5 0.086 4]到SVM訓(xùn)練，輸出的訓(xùn)練結(jié)果為1，說(shuō)明泵正常工作，與實(shí)際工況一致。當(dāng)活塞磨損時(shí)，輸入特征向量：[1.552 1 1.404 7 1.351 9 1.281 7 1.193 2 1.120 2 4.536 8 3.341 6 2.546 9 1.966 0.670 4 2.771 5 0.811 0 0.298 7 0.292 7 0.146 5 0.162 7 0.115 7]，輸出結(jié)果為2，說(shuō)明活塞磨損，與實(shí)際工況一致。當(dāng)彈簧斷裂時(shí)，輸入特征向量：[1.534 0 1.428 8 1.344 7 1.273 1 1.189 3 1.142 7 4.518 6 3.354 2 2.553 1 2.318 1 0.176 2 3.037 5 0.778 5 0.591 0 0.305 5 0.192 7 0.185 2 0.058 1]，輸出結(jié)果為3，說(shuō)明彈簧斷裂，與實(shí)際工況一致。當(dāng)閥盤(pán)磨損時(shí)，輸入特征向量：[1.567 9 1.430 8 1.353 3 1.277 2 1.201 4 1.155 8 4.531 7 3.349 8 2.520 1 2.404 0.261 8 3.062 8 0.851 4 0.794 2 0.137 6 0.193 7 0.201 5 0.241 6]，輸出結(jié)果為4，說(shuō)明活塞磨損，與實(shí)際工況一致。

融合后的樣本信息增多，模型訓(xùn)練工作量也在增大。圖4是遺傳算法適應(yīng)度曲線，進(jìn)化代數(shù)設(shè)為200，進(jìn)化代數(shù)為4時(shí)達(dá)到最佳適應(yīng)度，識(shí)別速度較快。將其與80組數(shù)據(jù)輸入訓(xùn)練好的SVM中進(jìn)行故障模式識(shí)別，通過(guò)對(duì)聲發(fā)射、聲音和振動(dòng)3種信號(hào)進(jìn)行模式識(shí)別，識(shí)別結(jié)果見(jiàn)表2，進(jìn)行多傳感器信息融合之后的識(shí)別結(jié)果如表3所示。

圖4 遺傳算法適應(yīng)度曲線

表2 不同SVM單種信號(hào)診斷結(jié)果

從表2可以看出，單種信號(hào)的診斷識(shí)別正確率不算很高，全部識(shí)別正確的不多，不同識(shí)別方法僅有聲音信號(hào)的閥盤(pán)磨損故障全部正確識(shí)別。分析比較3種信號(hào)單獨(dú)識(shí)別時(shí)聲音信號(hào)的識(shí)別效果最好，均不小于95%，很多故障的識(shí)別效率達(dá)到100%，聲發(fā)射信號(hào)的識(shí)別效果整體均在90%以上，而振動(dòng)信號(hào)的識(shí)別結(jié)果卻僅在85%左右。綜合可知使用聲音信號(hào)的多重分形特征值和聲發(fā)射信號(hào)的分形盒維數(shù)的識(shí)別結(jié)果均明顯好于振動(dòng)信號(hào)的能量特征。

表3 不同SVM信息融合診斷結(jié)果

結(jié)合表2和表3的識(shí)別結(jié)果分析可知，兩種信號(hào)融合的識(shí)別效果要明顯好于單種信號(hào)的識(shí)別效果，振動(dòng)信號(hào)與其它信號(hào)結(jié)合后大大改善了其故障識(shí)別效果，振動(dòng)與聲發(fā)射及聲音信號(hào)兩種融合后得出的診斷效果均好于每種信號(hào)單獨(dú)識(shí)別的效果。聲音和聲發(fā)射信號(hào)融合后，輸入GA-SVM識(shí)別效果甚至出現(xiàn)識(shí)別率達(dá)到100%，其它的各種識(shí)別方法也僅有1例誤判。將3種信號(hào)融合后的識(shí)別結(jié)果極大地提高，3種SVM識(shí)別結(jié)果均達(dá)到100%，無(wú)1例誤判，且識(shí)別效果最好。對(duì)比以上結(jié)果，進(jìn)行信息融合的往復(fù)泵故障診斷結(jié)果對(duì)改進(jìn)往復(fù)泵故障診斷識(shí)別效果有較大改善。

3 結(jié)束語(yǔ)

綜合分析可以看出，單種信號(hào)的診斷中聲音信號(hào)的多重分形特征向量診斷結(jié)果最好，聲發(fā)射的分形盒維數(shù)次之，振動(dòng)信號(hào)的能量特征值最差。聲發(fā)射、聲音信號(hào)分別與振動(dòng)信號(hào)結(jié)合后大大改善振動(dòng)信號(hào)的診斷效果。聲發(fā)射和聲音信號(hào)融合后其識(shí)別率更是接近100%。3種信號(hào)的融合診斷結(jié)果最好，使用不同識(shí)別方法的識(shí)別結(jié)果均達(dá)到100%，可靠性最高。從識(shí)別程序比較，3種不同核函數(shù)的SVM可以發(fā)現(xiàn)，經(jīng)過(guò)遺傳算法改進(jìn)的GA-SVM識(shí)別效果最好，相同信號(hào)通過(guò)不同識(shí)別程序的GA-SVM的識(shí)別率均好于其它兩種。