基于小波能量集相似度的水泵故障診斷研究

郭建斌，陳佳文，郝春明，韓 駿，嚴劍衛(wèi)，李 欣(.河海大學能源與電氣學院，南京 0098,.江蘇省太湖地區(qū)水利工程管理處，江蘇 蘇州 58)

0 引 言

大型水泵運行中，細微的機械缺陷通常誘發(fā)異常振動，加強水泵運行振動信號數(shù)據(jù)的分析，從中甄別關鍵警兆信息，對于保障設備安全可靠運行，具有較好的工程現(xiàn)實意義[1]。

近年來，水泵性狀監(jiān)控和故障診斷取得到了廣泛發(fā)展[2]，文獻[3,4]利用頻譜分析方法，為電廠循環(huán)供水泵的安裝、檢修、制造等方面提供重要技術支撐；文獻[5]利用功率譜分析對水泵等流體機械的空化狀態(tài)識別，明確了功率譜對設備故障發(fā)生具有較好特征警兆信息的特點；文獻[6,7]對水泵運行信號開展小波分析，定量分析了汽蝕故障發(fā)生、發(fā)展及其災害影響等警兆信息。可以知道，采用頻譜分析、功率譜分析、小波分析等方法，是泵機運行性態(tài)信號分析與故障警兆信息甄別的重要技術手段[8]。

本文以小波方法分析泵機振動信號，分解出水泵運行信號的各頻段小波能量，并按各能量段信號的異同構(gòu)建特征向量集，實現(xiàn)水泵運行警兆信息甄別，從而建立水泵運行故障的可識別技術，最終確保設備的安全可靠運行。

1 基于小波能量特征集的水泵故障診斷模型

通常故障誘發(fā)設備呈現(xiàn)異常振動，表現(xiàn)為運動能量的無效耗散，從頻譜上表現(xiàn)局部頻段的能量聚集。水泵故障與這種局部頻段能量聚集之間，研究其相互的關聯(lián)規(guī)律性，重點提取出故障表征的特征能量向量集，從而實現(xiàn)設備運行故障的有效偵知和處置。泵故障診斷模型，見圖1所示，通過分頻段分解方法，獲取頻率段的信號能量，重點建立故障與信號局部頻段能量聚集數(shù)據(jù)之間的特征向量集，以此表征設備運行狀態(tài)與特征向量集之間的相似程度，從而實現(xiàn)泵故障的診斷和預警處置。

圖1 水泵故障診斷模型Fig.1 Pump fault diagnosis model

1.1 小波分析處理

(1)小波去噪。在小波分析前，對振動信號中的噪音信息，通常采用通過Matlab降噪工具箱過濾噪音信息。去噪過程見圖2所示，f為待去噪信號，w為噪音信號，s是輸入信號，F(xiàn)δ是Lψ小波變換下的分解系數(shù)的閾值。降噪方法按式(1)進行。

(1)

圖2 小波降噪過程模型Fig.2 Model wavelet noise reduction process

(2)小波分析。在提取泵機振動信號的特征信息過程中，考慮泵運行性態(tài)主要呈現(xiàn)低頻段的信號特征，開展小波信號分解，特別是信號的低頻段細致劃分[9,10]。小波變換算法流程(見圖3所示)，F(xiàn)WT先對信號進行小波變換，原信號分解成高頻部分cD1和低頻部分cA1兩段，其中低頻部分作為信號進行第二次分解，分解成3層。

圖3 FWT算法流程圖Fig.3 FWT algorithm flowchart

1.2 頻率分段的能量信號提取

(2)

(3)

式中：si為在i點振動幅值；xi為信號系數(shù)；n為分解段數(shù)；Ei為各段能量。

2 水泵故障診斷

望虞河樞紐工程，由9臺立式軸流泵組成。按200Hz采樣頻率采集泵機的水導軸承、電機自由端等位置，獲得正常運行、轉(zhuǎn)子不平衡故障、轉(zhuǎn)子不對中、轉(zhuǎn)子與靜止件摩擦等四種泵機運行性狀的振動運行信號。

2.1 水泵運行信號的小波處理

(1)小波去噪。水泵振動信號去噪，主要有Birge-Massart去噪、Penalty閥值去噪等方法， 其中Birge-Massart去噪，比較適合大的毛躁信號處理，考慮這種噪聲對能量分布的影響，本文擬采用Birge-Massart去噪方法對振動信號進行去噪處理。

(2)小波基函數(shù)的選擇。水泵振動分析的常用小波基函數(shù)[11]列見表1，為了選擇更好的小波基函數(shù)，引入小波函數(shù)區(qū)分度的定義：

(4)

式中：Q為小波基函數(shù)的區(qū)分度；Ei為正常信號表示第i段頻率信號的能量；Fi為故障信號第i段頻率信號的能量。

Q值越大表明小波基函數(shù)對正常信號和故障信號的區(qū)分度越大。普遍在Sym2和Sym3有較好的區(qū)分度，Sysm3函數(shù)有更好的對稱性，選擇Sym3作為小波分解的小波基函數(shù)。

表1 不同小波基函數(shù)區(qū)分度QTab.1 Distinguish degree Q of different wavelet basis function

2.2 小波能量特征集

對該工程泵運行振動，按正常運行、轉(zhuǎn)子不平衡故障、轉(zhuǎn)子不對中、轉(zhuǎn)子與靜止件摩擦等4種泵機運行性狀，做小波7層分解，得8頻段為d1(50～100 Hz)、d2(25～50 Hz)、d3(12.5～25 Hz)、d4(6.25～12.5 Hz)、d5(3.125～6.25 Hz)、d6(1.562～3.15 Hz)、d7(0.781～1.52 Hz)、 a7(0～0.781 Hz)(見圖4所示)。可以獲得泵機運行性態(tài)的能量向量集見表2所示。

結(jié)合ISO20000相關標準，明確智慧園區(qū)運營管理的權(quán)責、內(nèi)容和流程等要求，為后續(xù)的支護園區(qū)信息化運維提供支持。智慧園區(qū)運維需要明確相關權(quán)責，其中包括運維職責，基礎設施建設、弱電系統(tǒng)、通信系統(tǒng)和技防系統(tǒng)，包括系統(tǒng)運維質(zhì)量和文檔規(guī)范等內(nèi)容。

圖4 泵機性狀信號各頻段小波分解圖Fig.4 Wavelet decomposition diagram of pump status signal in each frequency band

表2 不同運行狀態(tài)下能量分布向量Tab.2 Energy distribution vector under different operating conditions

為了直觀表征特征向量集，建立(d1, d2, d3, d4, d5, d6, d7, d8)數(shù)據(jù)集與設備運行性態(tài)的關聯(lián)特征圖，見圖5所示。可以知道，小波能量特征集對泵運行故障具有較好的表征性。

圖5 測試信號的特征向量集示意圖Fig 5. the schematic diagram of test signal feature vector set

2.3 基于小波能量集相似度的水泵故障診斷

2.3.1向量相似度

把監(jiān)測信息向量集與故障特征向量集進行相似度甄別，以指向設備故障警兆信息。向量相似度γ[12,13]，主要由兩向量集的大小相似度α和方向相似度β共同確定，按式(5)計算。

(5)

2.3.2基于小波能量集相似度的故障診斷

工程按正常運行、轉(zhuǎn)子不平衡故障、轉(zhuǎn)子不對中、轉(zhuǎn)子與靜止件摩擦等四種泵機運行性狀進行數(shù)據(jù)采集工作，各進行兩次，同時對三類故障同時預設的泵機運行性狀數(shù)據(jù)采集一次工作，通過小波能量集分析技術，開展泵機性狀的能量向量集與其特征向量集的相似度甄別，診斷結(jié)果列見表3所示。

(1)泵機單一故障的能量向量集與其特征向量集的相似度，接近0.9，具有較好的故障辨識與表征度，便于設備運行警兆信息的有效甄別。

(2)泵機正常運行狀態(tài)，與轉(zhuǎn)子不平衡運行狀態(tài)的能量向量集相似度比較接近，容易引起區(qū)分度不夠的誤判。這種現(xiàn)象表明，轉(zhuǎn)子不平衡故障比較容易發(fā)生，需要參考其他的指標加以研判。

(3)綜合故障預設的泵機運行性狀，與故障特征向量集的相似度不是很高，最高僅為0.758，不能辨識清晰發(fā)生哪類故障。但是相對于正常運行狀態(tài)的特征向量集，其相似度已發(fā)生較大的變化，對于表征故障發(fā)生仍然具有較好辨識力，可據(jù)此做為預警警兆信息加以甄別處置，從而確保設備安全可靠運行。

表3 泵機性狀能量向量集的相似度甄別Tab.3 Screening similarity of the pump state energy vector set

注：Test1、Test 2為正常運行狀態(tài)，Test 3、Test 4為轉(zhuǎn)子不對中狀態(tài)，Test 5、Test 6為轉(zhuǎn)子不平衡狀態(tài)，Test 7、Test 8為轉(zhuǎn)子動靜摩擦狀態(tài)，Test 9為綜合故障狀態(tài)。

3 結(jié) 語

(1)水泵運行信號的各頻段小波能量集對水泵性態(tài)的單一故障、多故障等警兆信息甄別具有較好的識別性(相似度接近0.9)。

(2)提取水泵運行信號的各頻段小波能量向量集，與已知故障類型能量向量進行相似度比較，是實現(xiàn)水泵運行警兆信息甄別的可行技術。

(3)泵機多故障復合信號故障，盡管難以辨識清晰發(fā)生哪類故障，但相對于正常運行的特征向量集，其相似度已發(fā)生較大的變化，對于表征故障發(fā)生的定性甄別處置仍然具有較好辨識力。

□

[1] 王 凱, 張永祥, 李 軍. 泵的故障診斷研究綜述[J].水泵技術, 2007,(1):1-5.

[2] 周東華, 胡艷艷. 動態(tài)系統(tǒng)的故障診斷技術[J]. 自動化學報, 2009,(6):748-758.

[3] 錢利華. 電廠循環(huán)供水泵站立式異步電動機振動分析[J]. 排灌機械, 2006,24(2):31-32.

[4] 孫繼平, 鄭召文, 馮德旺, 等. 浪涌對礦井水泵房電磁環(huán)境的影響[J]. 煤炭學報, 2010,35(2):349-352.

[5] 徐朝暉, 徐東海. 水泵與水輪機空化狀態(tài)監(jiān)測與診斷的研究進展[J]. 農(nóng)業(yè)機械學報, 2003,34(1):139-142.

[6] 黃忠富, 姜 哲, 趙斌娟, 等. 利用小波分析診斷水泵初始階段的汽蝕故障[J]. 排灌機械, 2005,23(2):4-7.

[7] 王瑞海, 孫 鵬, 呂振江, 等. 概率神經(jīng)網(wǎng)絡在水泵故障診斷中的應用研究[J]. 煤礦機械, 2014,(10):127.

[8] 徐朝暉, 徐東海. 水泵與水輪機空化狀態(tài)監(jiān)測與診斷的研究進展[J]. 農(nóng)業(yè)機械學報, 2003,34(1):139-142.

[9] 何正友, 陳小勤. 基于多尺度能量統(tǒng)計和小波能量熵測度的電力暫態(tài)信號識別方法[J]. 中國電機工程學報, 2006,26(10):33-39.

[10] 周偉強, 侯立剛, 蘇成利. 基于時間-小波能量包絡譜的滾動軸承特征提取[J]. 遼寧石油化工大學學報, 2014,34(3):75-78.

[11] 孔玲軍.Matlab 小波分析超級學習手冊[M].北京：人民郵件出版社,2014.

[12] 張 宇, 劉雨東, 計 釗. 向量相似度測度方法[J]. 聲學技術, 2009,28(4):532-536.

[13] 焦利明, 楊建立. 一種確定指標權(quán)重的新方法[J]. 指揮控制與仿真, 2006,28(1):94-97.