中圖分類號 TH17 文獻標志碼 A 文章編號 0254-6094（2025）03-0381-08

機械密封是廣泛應(yīng)用于旋轉(zhuǎn)機械設(shè)備的一種密封裝置，也是旋轉(zhuǎn)機械設(shè)備最主要的故障來源之一[1]。機械密封的可靠性是大型旋轉(zhuǎn)機械設(shè)備安全穩(wěn)定運行的重要保障。但由于機械密封經(jīng)常會面臨苛刻的工作環(huán)境，容易發(fā)生突發(fā)性失效，給工業(yè)生產(chǎn)帶來直接和間接的損失，嚴重時甚至會造成人員傷亡。因此對機械密封運行狀態(tài)的監(jiān)測非常有必要[2]，機械密封運行過程中產(chǎn)生的振動信號通常包含了豐富的設(shè)備狀態(tài)信息，基于振動信號的分析方法已經(jīng)廣泛應(yīng)用于機械密封。然而，在實際工作過程中，機械密封的振動信號微弱，容易被環(huán)境中的噪聲干擾造成失真，故需要一定的信號處理手段來提取出所需的振動信號特征。

針對機械振動信號的分析方法，已經(jīng)有部分專家學者利用振動信號對機械密封各個方面的特性進行研究。陳鵬飛等利用可壓縮液體模型和動網(wǎng)格方法，研究機械密封中振動對腔內(nèi)流體造成影響而導(dǎo)致的靜環(huán)脫開[3]。郜凱強等針對機械密封中波紋管因振動而導(dǎo)致的疲勞失效問題，采集其不健康狀態(tài)下的振動信號，使用短時傅里葉變換、插值拼接信號、仿真計算等方法對該情況進行研究[4]。基于上述研究成果，筆者針對在噪聲環(huán)境下機械密封的健康狀態(tài)診斷，利用不同轉(zhuǎn)速下機械密封的特征值所蘊含的信息，對機械密封的健康狀態(tài)信息進行推測。

在噪聲環(huán)境下，傳感器所采集到的振動信號難免會存在一定的噪聲，而為了提升對振動信號的處理精度，就必須采用合適的方法對信號進行降噪。到目前為止，大部分降噪方法是基于經(jīng)驗?zāi)B(tài)分解結(jié)合閾值降噪。但是，經(jīng)驗?zāi)B(tài)分解過程中存在一系列難以忽略的問題，如模態(tài)混疊等，而集合經(jīng)驗?zāi)B(tài)雖然在一定程度上解決了這個問題，但其計算量也相應(yīng)增加，大幅延長了運算時間[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的特征能量，解決了復(fù)雜的液壓系統(tǒng)導(dǎo)致的對液壓缸中的密封磨損難以檢測的問題，并通過對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，通過使用小波包分解對LCD分解出的ISC分量中含噪的分量進行降噪，以此提升LCD分解的降噪效果的特征提取方法。

目前，除了信號處理方法，在機械密封的狀態(tài)監(jiān)測中深度學習也常被應(yīng)用。李曉輝以密封的膜穩(wěn)定性及其開啟轉(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)中進行訓(xùn)練學習，得到兩個分別基于膜穩(wěn)定性與開啟轉(zhuǎn)速的模型，并將兩個模型的輸出數(shù)據(jù)有機結(jié)合，得到了效果更為出色的密封端面健康狀態(tài)評估模型[8]。BARELLIL等研究出了一種基于人工神經(jīng)網(wǎng)絡(luò)來分析機械密封端面狀態(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)的機械密封運行狀態(tài)識別新方法。

1智能狀態(tài)識別方法構(gòu)建

1.1方法介紹與方案

智能狀態(tài)識別方法主要分為4個階段，分別為信號分解階段、信號分類降噪階段、信號重構(gòu)階段、構(gòu)建網(wǎng)絡(luò)模型階段。在整個流程中（圖1），主要運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用其對復(fù)雜信號的自適應(yīng)分解能力以及優(yōu)越的降噪能力來協(xié)同對噪聲環(huán)境下所提取到的振動信號進行去噪。而人工神經(jīng)網(wǎng)絡(luò)方法則是分析降噪后的信號中所蘊含的特征參數(shù)，在訓(xùn)練得到相應(yīng)模型后，對機械密封的運

行狀態(tài)進行輔助識別。

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)能力的信號分解方法，可將非線性不平穩(wěn)信號分解成若干個不同頻率尺度下的信號成分，并定義為內(nèi)稟尺度分量（ISC）[10]

LCD分解主要是通過線性變換對信號中極值點劃分成的各個區(qū)間進行轉(zhuǎn)化，并按照劃分順序?qū)⑥D(zhuǎn)化出的基線信號段依次結(jié)合得到基線信號L_t 。在將基線信號 L_t 和剩余信號 P₁（t） 從原始信號分離后，利用ISC分量判據(jù)對 P（t） 進行判別，在判別失敗后將 P₁（t） 作為原始信號，并重復(fù)上述步驟進行循環(huán)計算判別直至判別成功，最后將判別成功的 P_k（t） 作為一個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下進行整數(shù)平移得到函數(shù)后，進行線性組合產(chǎn)生的子空間在 L²（R） 中的閉包，空間 的正交基就是兩個函數(shù)在j尺度下進行的整數(shù)平移。

把 {u_j，n，k（t）}_k∈Z 作為空間 的標準正交基，則信號 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算法的表達式。

在對分解后得到的小波包系數(shù)在合適的閾值下進行閾值量化后，再將得到的小波包系數(shù)進行重構(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)機械密封振動信號微弱且實際工作現(xiàn)場噪聲大的情況，使用基于小波包與LCD的組合降噪方法。

對信號 X（t） 使用LCD分解進行處理后，就會得到若干相互獨立的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，其表達式為：

式中 M? 信號長度；N. -ISC分量個數(shù)；R（i） -互相關(guān)系數(shù)；x（i，j） -ISC分量；y（j） 振動信號分量。

互相關(guān)系數(shù)R的大小代表輸入公式的兩個信號之間的關(guān)聯(lián)程度，無噪聲分量與噪聲分量理論上是毫無關(guān)聯(lián)的，即互相關(guān)系數(shù)為0。因此，當一個ISC分量的互相關(guān)系數(shù)接近于0時，說明該分量中所包含的噪聲較多，如果原封不動的將其與其他純凈分量進行重構(gòu)，將會導(dǎo)致最終獲得的降噪后信號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LCD分解出的含噪分量進行降噪，以此提升LCD降噪的效果，將含噪分量進行小波包分解，然后選擇一個適當?shù)拈撝祵Ψ纸獬龅男〔ò纸庀禂?shù)進行閥值量化，最后將系數(shù)進行小波包重構(gòu)，輸出降噪后的ISC分量。根據(jù)前人經(jīng)驗，取互相關(guān)系數(shù)小于0.2的ISC分量進行降噪，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。

1.5人工神經(jīng)網(wǎng)絡(luò)對運行狀況進行預(yù)測

因不同轉(zhuǎn)速及運行情況下機械密封振動信號各自具有的不同特征值，故使用構(gòu)建完成的ANN針對這些規(guī)律進行提取和計算，從而運用在機械密封正常運行條件下測量出的相應(yīng)特征值，對機械密封可能的特征值進行預(yù)測。

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)練樣本可以增強模型的泛化能力[1]。所以在選擇用于輸入ANN的特征值時，選擇時域中典型且表達時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)測值長期與測量得到的振動數(shù)據(jù)的特征值進行對比，當實際測量得到的振動數(shù)據(jù)特征值與預(yù)測值有較大偏差時，就說明機械密封的運行狀況可能出現(xiàn)了故障。

2實驗數(shù)據(jù)采集和實踐驗證

2.1 實驗系統(tǒng)

實驗平臺為浙大寧波理工學院高超密封數(shù)字設(shè)計與先進測控聯(lián)合實驗室的機械密封實驗臺，實物照片如圖2所示。實驗系統(tǒng)主要由5部分組成，分別是傳動系統(tǒng)、供氣系統(tǒng)、控制系統(tǒng)、密封系統(tǒng)和測試系統(tǒng)，主要元器件型號及性能參數(shù)列于表1。

傳動系統(tǒng)：本次實驗用大功率電機作為直接驅(qū)動電源，電機功率 11kW ，最高轉(zhuǎn)速 6000r/min_? □供氣系統(tǒng)：由壓縮機、壓力表、流量計、鋼管等組成，氣路壓力最高可達 8MPa ，氣路為多接口集成，可供密封實驗臺進行密封氣供給和收集。密封系統(tǒng)：采用雙端面機械密封，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，而帶動環(huán)（旋轉(zhuǎn)環(huán)）安裝在主軸上，補償力由彈簧提供，動環(huán)和靜環(huán)材料均為碳化硅（SiC）。測試系統(tǒng)：為提高測試精度，本次實驗的振動傳感器通過磁力安裝在密封壓蓋的徑向平面上，盡可能的靠近被測密封環(huán)。采用三軸振動傳感器，最高采樣率 25kHz ，信號頻率帶寬 0.5～ 5000Hz 。由計算機完成雙通道聲發(fā)射數(shù)據(jù)的實時同步采集、記錄和顯示。

2.2 測試方法與流程

為了提高測試精度，本次實驗采用三軸振動傳感器，通過磁力將傳感器安裝在密封上測試 x /y_?z3 個方位，盡可能靠近被測密封環(huán)。實驗壓力設(shè)定為 2MPa ，采樣系統(tǒng)采樣率設(shè)置為 25kHz ，打開測試系統(tǒng)，通過變頻啟動器控制電機啟動，具體步驟如下：

a.啟動電機，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)定運行 20s ，開始數(shù)據(jù)采集，數(shù)據(jù)采集時間設(shè)定為 2min ，保存數(shù)據(jù)；c.停車，導(dǎo)出信號數(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，向信號中加入相應(yīng)的高斯白噪聲。

2.3 實驗信號降噪

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

2.4 信號特征提取

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

在這個過程中，由于提取到的各類特征值在數(shù)值上存在數(shù)量級的差別，為了方便觀察和對比，將這些參數(shù)的數(shù)據(jù)進行歸一化處理，只將其變化趨勢展現(xiàn)在圖中。這里需要說明的是，為了將各特征值的變化分離開來，將每個特征值圖像依次向上平移若干個單位，縱坐標不表示實際值的大小，圖4a從左到右分別是在 2MPa 條件下

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

2.5 初期故障識別模型

利用神經(jīng)網(wǎng)絡(luò)，對機械密封的運行狀態(tài)的主要識別步驟如圖5所示。

2.5.1 特征值狀態(tài)相關(guān)

通過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對機械密封不同轉(zhuǎn)速下的運行狀態(tài)進行判斷。

2.5.2 神經(jīng)網(wǎng)絡(luò)的建立過程

利用Matlab應(yīng)用中心的NeuralPatternRecognition（識別神經(jīng)網(wǎng)絡(luò)）工具箱來對神經(jīng)網(wǎng)絡(luò)進行建立、訓(xùn)練和驗證，具體操作過程如圖6所示。

劃分數(shù)據(jù)比例。在劃分數(shù)據(jù)時，選擇默認的數(shù)據(jù)劃分比例，將提取到的特征和輸出向量隨機分為3個部分：訓(xùn)練數(shù)據(jù) 70% ）、校準數(shù)據(jù)（ 15% 、測試數(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)過訓(xùn)練能夠擬合成任何非線性函數(shù)，同時層數(shù)越多求解效果也會越好。但實際上網(wǎng)絡(luò)層數(shù)增加的同時，收斂速度變慢，網(wǎng)絡(luò)振蕩、過擬合等問題也會隨之而出現(xiàn)，所以需要選擇合適的層數(shù)進行訓(xùn)練。然后確定隱層神經(jīng)元個數(shù)，根據(jù)經(jīng)驗推薦，神經(jīng)元個數(shù) N ，輸入節(jié)點數(shù)i，輸出節(jié)點數(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)元個數(shù)。

神經(jīng)網(wǎng)絡(luò)性能的評估。利用神經(jīng)網(wǎng)絡(luò)進行階段判別的過程中，對神經(jīng)網(wǎng)絡(luò)進行性能評估也是至關(guān)重要的一步。通過性能評價，可以了解網(wǎng)絡(luò)的魯棒性，驗證所設(shè)計的神經(jīng)網(wǎng)絡(luò)是否滿足設(shè)計要求，確定是否需要改進分類器參數(shù)。ROC曲線（ReceiverOperatingCharacteristicCurve，被測對象工作特征曲線）是一種用于評估二分類模型性能的重要工具。它通過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誤之間的比例關(guān)系。在坐標系上，通過驗證數(shù)據(jù)ROC曲線可以非常直觀地評估神經(jīng)網(wǎng)絡(luò)的性能。

2.5.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

對于網(wǎng)絡(luò)層數(shù)，選擇系統(tǒng)默認推薦的10層進行訓(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，混淆矩陣的整體識別率達到了 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)測結(jié)果，其次是類2（ 4000r/min? ，而效果相對較差的是類3C 6000r/min ，由此可以推測，轉(zhuǎn)速越高神經(jīng)網(wǎng)絡(luò)針對其振動特征值的預(yù)測難度就越高。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)練的交叉熵在驗證和測試隨著迭代次數(shù)的增加逐漸趨于平穩(wěn)時仍具有降低交叉熵的趨勢，可見本算法仍具有一定的改進空間，日后可以繼續(xù)進行優(yōu)化。

為證明該方法的普適性，還選擇了 1 000 、3000.5000r/min 對神經(jīng)網(wǎng)絡(luò)進行驗證，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，混淆矩陣的整體識別率仍達到了 98.0% ，較第1組數(shù)據(jù)甚至準確率更高，從ROC曲線可見，其預(yù)測準確率同樣是從類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)對于機械密封振動信號的特征值的預(yù)測難度隨之升高。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，準確率也同樣比第1組更高。由作為驗證組的第2組使用該方法進行識別所得到的結(jié)果具有較為優(yōu)秀的整體識別率、預(yù)測準確率和最佳性能，可以對該方法的適用性進行一定的驗證。

3結(jié)論

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

LCD分解和小波包降噪后得到的振動信號的特征 參數(shù)，對機械密封后續(xù)振動信號的特征參數(shù)進行 預(yù)測，從而對機械密封的運行狀態(tài)進行輔助識 別。

3.2對含噪信號的降噪主要依靠LCD對非平穩(wěn)信號的分解能力，將含噪信號分解成若干不同頻率尺度下的信號分為若干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含噪分量進行降噪，最終純凈分量疊加獲得降噪后的信號。在將降噪后的信號導(dǎo)人構(gòu)建好的ANN進行訓(xùn)練并得到相應(yīng)模型后，實驗表明所得到的模型能夠在噪聲環(huán)境中更有效的實現(xiàn)對機械密封的狀態(tài)識別。

參考文獻

[1]孫見君，魏龍，顧伯勤.機械密封的發(fā)展歷程與研究動向[J].潤滑與密封，2004，39（4）：128-131；134

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

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

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

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

[6] 程軍圣，鄭近德，楊宇.一種新的非平穩(wěn)信號分析方法——局部特征尺度分解法［J].振動工程學報，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.流體動壓型機械密封端面狀態(tài)監(jiān)測及健康評估[D].成都：西南交通大學，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].機械工程學報，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，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