摘要： 水泵機組振動信號的診斷對機組安全穩(wěn)定運行至關重要.基于現(xiàn)有技術存在的諸多問題，提出一種基于EEMD分解融合多尺度排列熵和多策略優(yōu)化算法結合的水泵機組故障診斷模型.利用EEMD對原始信號進行分解并進行重構，然后計算重構信號的多尺度排列熵組作為特征集，最后建立DBO-BP故障診斷模型.針對DBO算法易陷入局部最優(yōu)解和迭代速度慢等問題，采用萊維飛行、混沌映射和自適應t分布3種方法對蜣螂算法進行優(yōu)化，最終得到LCTDBO-BP的新模型.為探究優(yōu)化后模型的性能，引入多種維度的函數(shù)進行再次分析.結果表明，在單峰和多峰函數(shù)下，所提模型具有明顯的優(yōu)越性.同時利用轉子故障平臺數(shù)據(jù)模擬水泵機組典型故障并進行故障分類驗證，仿真結果表明該模型的準確度達到了98%，與未優(yōu)化模型對比提高了8%.該項研究為水泵機組故障診斷提供了新的手段.

關鍵詞： 水泵機組；故障診斷；優(yōu)化算法；特征提取

中圖分類號： TM312;S277.9 文獻標志碼： A 文章編號： 1674-8530（2025）01-0038-07

DOI：10.3969/j.issn.1674-8530.24.0011

呂順利，曾云，李想，等.基于EEMD結合LCTDBO-BP的水泵機組故障診斷［J］.排灌機械工程學報，2025，43（1）：38-44.

LYU Shunli， ZENG Yun， LI Xiang， et al. Fault diagnosis of pump units based on EEMD and LCTDBO-BP［J］.Journal of drainage and irrigation machinery engineering（JDIME），2025，43（1）：38-44.（in Chinese）

Fault diagnosis of pump units based on EEMD and LCTDBO-BP

LYU Shunli1， ZENG Yun1*， LI Xiang1， ZHANG Jianbo1， WANG Yang2， ZHAO Xiangkuan3

（1. School of Metallurgical and Energy Engineering， Kunming University of Science and Technology， Kunming， Yunnan 650093， China; 2. Manwan Hydropower Plant， Huaneng Lancang River Hydropower Inc.， Lincang， Yunnan 675805，China; 3. Energy Consulting Center， China Huaneng Group Co.， Ltd.， Beijing 100031， China）

Abstract： The diagnosis of vibration signals of pump unit is very important for the safe and stable ope-ration of the units. Based on EEMD decomposition and multi-scale permutation entropy and multi-strategy optimization algorithms， a pump unit fault diagnosis model was proposed. The original signal was decomposed and reconstructed by EEMD， and then the multi-scale permutation entropy group of the reconstructed signal was calculated as the feature set， and finally the DBO-BP fault diagnosis model was established. Aiming at the problems of DBO algorithm， such as easy to fall into local optimal solution and slow iteration speed， three methods， such as Lévy flight， chaotic mapping and adaptive t-distribution were used to optimize the Dung Beetle algorithm， and finally a new model of LCTDBO-BP was obtained. In order to explore the performance of the optimized model， a variety of dimensional functions were introduced for re-analysis. The results indicate that the proposed model has significant advantages under unimodal and multimodal functions. At the same time， the rotor fault platform data was used to simulate the typical faults of the pump unit and verify the fault classification. The simulation results show that the accuracy of the model reaches 98%， which is 8% higher than that of the unoptimized model. This study provides a new methods for diagnosing fault of pump units.

Key words： pump unit;fault diagnosis;optimization algorithm;feature extraction

水泵機組在工業(yè)、農業(yè)及日常生活中有著廣泛的應用，其正常運行對于保障人民生產生活具有重要的意義.然而，由于各種因素的影響，水泵機組在運行過程中可能會出現(xiàn)各種故障［1］.如常見的旋轉部件不對中、不平衡，部件間的磨損、碰撞等.這些容易引起異常振動，造成機械零部件磨損和疲勞，甚至導致部件損壞和斷裂，顯著降低設備的壽命.其次，旋轉部件的不平衡運行會導致機械系統(tǒng)工作時不穩(wěn)定，增加摩擦力和能耗，從而使設備的運行效率下降，能耗增加，甚至引發(fā)安全事故［2］.因此，對水泵機組進行故障診斷，及時發(fā)現(xiàn)和解決故障，對于保障設備安全穩(wěn)定運行具有重要意義.

水泵機組作為旋轉機械的主要代表之一，其振動信號包含了豐富的機組運行狀態(tài)信息，可以通過分析這些信息來診斷出故障的類型和程度［3］.機組振動信號的分析方法主要分為時域分析、頻域分析和時頻域分析［4］.然而，傳統(tǒng)的時域和頻域分析方法主要適用于平穩(wěn)信號，對于水泵機組這類具有顯著時頻變化的信號則難以對其局部信息進行精準描述.時頻方法克服了以上缺陷，能夠有效分析旋轉機械運行產生的非平穩(wěn)信號，成為機械設備信號分析中的主流手段.

目前常用的時頻方法主要有短時Fourier變換［5］ 、小波變換［6］、經驗模態(tài)分解（EMD）［7］、變分模態(tài)分解（VMD）［8］、奇異值分解［9］等.而EEMD算法在處理旋轉機械振動信號時，能夠有效應對非線性振動特性、精細頻譜分解、提取隱含信息、抑制模態(tài)混疊以及展現(xiàn)自適應性等優(yōu)勢，有助于準確分析振動特征、識別潛在故障，提高水泵機組的可靠性和運行效率.而熵作為非線性動力學參數(shù)能夠實現(xiàn)對信號的不確定性和復雜度進行衡量，排列熵廣泛應用于信號處理、故障診斷等領域.傳統(tǒng)的排列熵方法只能對數(shù)據(jù)進行全局分析，難以考慮數(shù)據(jù)的局部特征.多尺度排列熵能在不同時間尺度上對振動信號進行分析，從而捕捉信號在不同頻率范圍內的振動特征，有助于綜合考慮信號的時序性和頻域特性.

同時，人工智能和大數(shù)據(jù)技術的不斷發(fā)展將進一步推動故障診斷技術的智能化.通過建立智能化的故障診斷系統(tǒng)，可以實現(xiàn)自學習、自適應的故障識別和預測，提高故障診斷的準確性和效率.通過建立故障診斷系統(tǒng)、雙向長短時記憶、支持向量機等方法，可以實現(xiàn)智能化的故障診斷.BP神經網(wǎng)絡擁有強大的非線性建模能力，但需要通過調整權重和閾值來逼近任何非線性函數(shù)，因此，利用LCTDBO算法對BP神經網(wǎng)絡2個參數(shù)進行優(yōu)化，增強BP神經網(wǎng)絡的特征分類效果.

綜上，文中將EEMD與多尺度排列熵相結合，利用轉子故障平臺，將提取的特征向量集輸入到LCTDBO-BP中實現(xiàn)故障診斷與狀態(tài)分類，并采用多種方法與未經優(yōu)化模型作對比.

1 研究方法

1.1 基于EEMD融合多尺度排列熵和LCTDBO-BP的水泵機組故障診斷

采用文獻［10］中的轉子故障平臺數(shù)據(jù)模擬水泵機組健康、不平衡、不對中和磨碰4種工況.首先將原始信號用EEMD分解并重構.對于重構后的信號采用多尺度排列熵計算并歸一化處理形成特征集.然后利用LCTDBO-BP對特征集進行特征提取與故障分類.其流程如圖1所示.

1.2 EEMD和多尺度排列熵理論

EEMD是對于EMD的進一步改進，主要在EMD的基礎上加入了隨機擾動，它可以有效改善EMD的模態(tài)混疊問題，并降低噪聲對分解結果的影響，有效提高分解結果的精度和穩(wěn)定性.EEMD分解算法通過多次向原始信號中加入隨機白噪聲，并針對每個噪聲增強的信號執(zhí)行經驗模態(tài)分解（EMD），計算對應IMF分量的平均值以得到更加穩(wěn)定的模態(tài)分量，從而有效地提高信號分解的準確性和可靠性.其計算公式見文獻［11］.文中將轉子故障原始數(shù)據(jù)采用EEMD分解并進行重構，為后續(xù)的特征提取做好鋪墊.

排列熵是一種衡量一維時間序列復雜度的平均熵參數(shù)，常用于提取機械故障的特征.但旋轉機械在運轉過程中的故障特征信息分布在多尺度中，僅用單一尺度的排列熵進行分析，會遺漏其余尺度上的故障信息.多尺度排列熵（MPE）是多尺度熵和排列熵的結合，將時間序列進行多尺度粗粒化，然后計算不同尺度下粗?；蛄械呐帕徐?其原始信號經過EEMD算法分解后，得到長度為N的子頻帶信號x（t），計算其排列熵的主要流程見文獻［12］.

1.3 LCTDBO-BP模型建立

蜣螂優(yōu)化算法（Dung Beetle optimizer，DBO）是一種新型的群智能優(yōu)化算法，靈感來源于蜣螂在自然界中的各種行為，包括滾球、跳舞、覓食等.在DBO算法中，蜣螂的位置和變化遵循一定的規(guī)則［13］：當遇到障礙物時，蜣螂會通過跳舞來重新確定方向；同時，糞球在DBO中作為解的載體，通過模擬蜣螂的滾球行為來更新解的位置.此外，DBO還模擬了蜣螂的覓食行為，通過競爭和合作機制來尋找最優(yōu)解.其具體步驟如下［14］.

1） 滾球行為.在自然環(huán)境中，蜣螂在滾動糞球時通常依賴于天體線索來確保糞球沿直線滾動.考慮到光線強度可能會對蜣螂的路徑造成影響，那么在滾球過程中，蜣螂的位置變化可以根據(jù)式（1）描述.

2 仿真驗證

2.1 信號分解

轉子試驗臺是專門設計用于模擬旋轉機械（如水泵）動態(tài)行為的設備.在試驗條件下，這類設備可以重現(xiàn)運行中的物理現(xiàn)象，如軸承磨損、轉子不對中等運行狀態(tài).這些物理原理在不同規(guī)模的旋轉機械中是類似的［15］.

通過利用轉子試驗臺進行研究，可以在可控的環(huán)境下引入并微調故障狀況.在精確控制故障嚴重程度的同時，還可以監(jiān)測并記錄關鍵數(shù)據(jù).與在實際大型機組上進行故障試驗相比，轉子試驗臺的成本較低且風險較小.并且在旋轉機械中，不同類型故障其頻率成分大不相同.高頻振動信號往往與滾動軸承故障有關，如滾珠脫落或齒輪損傷等；中頻振動則常見于轉子不平衡和扭轉剛度不足引起的問題；而低頻信號則通常與磨損、松動以及設備不對中等故障相關.

通過對這些故障按照高、中、低頻進行分類，可以更準確地識別和定位故障，有針對性地進行維護和修復工作，以確保旋轉機械的安全穩(wěn)定運行，延長設備壽命.

因此，將4種工況的原始信號采用EEMD進行分解并按照高頻、中頻和低頻進行重構，如圖3所示，圖中A為幅值，下標1—4分別表示原始信號、高頻、中頻、低頻；N為樣本序號.

2.2 特征提取

將重構后的信號進行多尺度排列熵計算，并進行歸一化組成特征集，為驗證采用多尺度排列熵的合理性，采用T-SEN將機組不同狀態(tài)信號的特征進行可視化展現(xiàn)，如圖4所示，圖中x，y為映射維度.從圖中可以看出，多尺度排列熵有效地將各類故障信號進行區(qū)分，但不平衡狀態(tài)與健康狀態(tài)有極小部分混疊.

2.3 故障識別

故障診斷的實質是故障識別與分類.為驗證文中所設計模型的優(yōu)越性與合理性，將采用2組單峰F1和F2函數(shù)，2組多峰F8和F10進行充分驗證.并引入灰狼優(yōu)化算法GWO、麻雀搜索算法SSA、鯨魚優(yōu)化算法WOA、北方蒼鷹優(yōu)化算法NGO以及DBO進行對比，如圖5所示，圖中SY為適應度，t為迭代次數(shù).

從圖5可知，在單峰函數(shù)和多峰函數(shù)中，LCTDBO算法均展現(xiàn)出卓越的性能.它能夠迅速實現(xiàn)搜索收斂，并具備深入開發(fā)的潛力.這證明了LCTDBO算法在全局探索和局部開發(fā)之間實現(xiàn)了出色的平衡.與其他算法相比，LCTDBO算法在最終收斂精度和收斂速度上都展現(xiàn)出了顯著的優(yōu)勢.

表1為4種函數(shù)試驗的適應度.通過對比表1中的數(shù)據(jù)，可以清晰地看到該算法性能表現(xiàn).在這些對比中，LCTDBO算法的優(yōu)越性顯而易見，它能在不同的函數(shù)上取得更好的結果，為實際應用提供了更加精確和快速的解決方案.LCTDBO算法的優(yōu)秀表現(xiàn)主要歸功于其獨特的優(yōu)化策略和迭代方式.這種算法采用了新型優(yōu)化策略，在處理復雜問題時能夠更有效地逼近最優(yōu)解.相比其他算法，LCTDBO不僅在收斂精度上有所提升，而且在收斂速度上也表現(xiàn)出顯著優(yōu)勢.

將第2.2條中的特征集輸入到LCTDBO-BP中進行分類驗證，將改進的算法優(yōu)化BP神經網(wǎng)絡的權重和閾值，同時與未經過LCTDBO優(yōu)化的BP神經網(wǎng)絡作對比.其中，訓練集和測試集的比例按2∶8進行劃分.具體分類情況和混淆矩陣如圖6所示，圖中k為測試集樣本數(shù)，E表示不同狀態(tài)（1，2，3，4分別代表正常狀態(tài)、磨碰狀態(tài)、不平衡狀態(tài)、不對中狀態(tài)）.由圖可知，未經過優(yōu)化的SVM算法診斷準確率僅為78.75%；替換為BP神經網(wǎng)絡后，準確率上升到90%，說明BP神經網(wǎng)絡在此模型下效果優(yōu)于SVM，優(yōu)化后的BP神經網(wǎng)絡模型故障診斷率高達98%（與未優(yōu)化模型對比提高了8%），僅錯誤地將一個不平衡狀態(tài)樣本識別為正常狀態(tài)，再次驗證了LCTDBO算法的良好效果，此識別錯誤與上述多尺度排列熵不平衡狀態(tài)與健康狀態(tài)有少量混疊有一定關系.

試驗結果表明，文中所提出的模型對于水泵機組故障診斷具有良好的適配性和工程應用價值.

3 結 論

1） 提出了一種基于EEMD融合多尺度排列熵和LCTDBO優(yōu)化BP神經網(wǎng)絡的水泵機組故障診斷模型.仿真試驗結果表明，該模型的故障診斷準確率達到了98%.

2） 對于DBO算法容易陷入局部最優(yōu)解和迭代速度慢等問題，采用多種策略對DBO算法進行優(yōu)化.通過多組單峰和雙峰函數(shù)進行驗證.結果表明，該優(yōu)化策略可以很好地解決DBO算法存在的問題.

參考文獻（References）

［1］ 裴吉，張猛，武春輝，等. 基于LabVIEW的淮安一站水泵機組振動監(jiān)測系統(tǒng)設計與開發(fā)［J］. 排灌機械工程學報， 2023， 41（3）： 217-223.

PEI Ji， ZHANG Meng， WU Chunhui，et al. Design and development of vibration monitoring system for Huai′an No.1 Station pump unit based on LabVIEW［J］. Journal of drainage and irrigation machinery engineering， 2023，41（3）：217-223.（in Chinese）

［2］ 鄧曉琴，瞿衛(wèi)華，陳金保，等.融合IMF能量矩和BiLSTMNN的水電機組振動故障診斷［J］.水力發(fā)電學報，2023，42（10）：86-95.

DENG Xiaoqin， QU Weihua， CHEN Jinbao， et al. Vibration fault diagnosis of hydropower unit based on IMF energy moment and BiLSTMNN［J］. Journal of hydroelectric engineering， 2023，42（10）：86-95.（in Chinese）

［3］ 吳佳，李明宸，唐文妍.基于DTCNN-SVM的工業(yè)循環(huán)水系統(tǒng)供水泵故障診斷［J］.振動與沖擊，2023，42（13）：226-234.

WU Jia， LI Mingchen， TANG Wenyan. Fault diagnosis of water supply pump in industrial circulating water system based on DTCNN-SVM［J］. Journal of vibration and shock， 2023，42（13）：226-234.（in Chinese）

［4］ 雪增紅，曹瀟，王天周.離心泵機組振動故障診斷與分析［J］.排灌機械工程學報，2018，36（6）：466-471.

XUE Zenghong， CAO Xiao， WANG Tianzhou. Vibration test and analysis of centrifugal pump［J］. Journal of drainage and irrigation machinery engineering， 2018，36（6）：466-471.（in Chinese）

［5］ MANHERTZ G， BERECZKY A. STFT spectrogram based hybrid evaluation method for rotating machine transient vibration analysis［J］." Mechanical systems and signal processing， 2021，154：107583.

［6］ 江遠東，李新國，楊涵.基于連續(xù)小波變換的表層土壤有機碳含量的高光譜估算［J］.江蘇農業(yè)學報，2023，39（1）：118-125.

JIANG Yuandong， LI Xinguo， YANG Han. Hyperspectral estimation of roganic carbon content in surface soils based on continuous wavelet transform［J］. Jiangsu journal of agricultural sciences， 2023，39（1）：118-125.（in Chinese）

［7］ 宋禮威，張翊勛，陳澤宇，等.基于RBF神經網(wǎng)絡的離心泵地腳螺栓松動故障診斷［J］.排灌機械工程學報，2022，40（10）：993-998.

SONG Liwei， ZHANG Yixun， CHEN Zeyu， et al. Fault diagnosis of centrifugal pump anchor bolt loosening based on RBF neural network［J］. Journal of drainage and irrigation machinery engineering， 2022，40（10）：993-998.（in Chinese）

［8］ LIAN J， LIU Z， WANG H， et al. Adaptive variational mode decomposition method for signal processing based on mode characteristic［J］. Mechanical systems and signal processing， 2018， 107：53-77.

［9］ 胥永剛，楊苗蕊，馬朝永.基于改進延伸奇異值分解包的滾動軸承故障診斷［J］.北京工業(yè)大學學報，2023，49（7）：729-736.

XU Yonggang， YANG Miaorui， MA Chaoyong. Improved extended singular value decomposition packet and its application in fault diagnosis of rolling bearings［J］. Journal of Beijing University of Technology， 2023，49（7）：729-736.（in Chinese）

［10］ JUNG W， KIM S H， YUN S H， et al. Vibration， acoustic， temperature， and motor current dataset of rotating machine under varying operating conditions for fault diagnosis［J］. Data in brief， 2023，48：109049.

［11］ JIA Y， LI G， DONG X， et al. A novel denoising method for vibration signal of hob spindle based on EEMD and grey theory［J］. Measurement， 2021，169： 108490.

［12］ 孫苗，吳靜，吳立，等.基于CEEMDAN·MPE-NHT的爆破地震波信號時頻分析［J］.爆破，2023，40（4）：183-191.

SUN Miao， WU Jing， WU Li， et al. Time-frequency analysis of blasting seismic signal based on CEEMDAN·MPE-NHT［J］. Blasting， 2023，40（4）：183-191.（in Chinese）

［13］ 李一飛，王楠，王桂寶，等.基于DBO-SVM與壓縮采樣匹配追蹤算法的軸承故障診斷［J/OL］.軸承，2023：1-8［2024-01-08］. https：//link.cnki.net/urlid/41.1148.th.20230908.1606.002.

LI Yifei， WANG Nan， WANG Guibao， et al. Bearing fault diagnosis based on DBO-SVM and compression sampling matching tracking algorithm［J/OL］.Bearing，2023：1-8［2024-01-08］. https：//link.cnki.net/urlid/41.1148.th.20230908.1606.002.（in Chinese）

［14］ DUAN J， GONG Y， LUO Jun， et al. Air-quality prediction based on the ARIMA-CNN-LSTM combination model optimized by dung beetle optimizer［J］. Scientific reports， 2023，13（1）：12127.

［15］ 崔曉龍.水電機組軸系振動瞬時特征提取與識別方法研究［D］.武漢：華中科技大學，2021.

（責任編輯 張文濤）

收稿日期： 2024-01-15； 修回日期： 2024-04-25； 網(wǎng)絡出版時間： 2024-07-11

網(wǎng)絡出版地址： https：//link.cnki.net/urlid/32.1814.th.20240705.1827.002

基金項目： 云南省揭榜掛帥科技項目（202204BWO50001）；國家自然科學基金資助項目（52079059）

第一作者簡介： 呂順利（1979—），男，陜西西安人，講師（149470438@qq.com），主要從事水力機械優(yōu)化仿真及故障診斷研究.

通信作者簡介： 曾云（1965—），男，云南昭通人，教授（zengyun001@163.com），主要從事水電機組運行穩(wěn)定性與控制策略研究.