基于LMD盒維數與PNN的往復泵聲發射故障診斷

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盒維數與PNN的往復泵聲發射故障診斷

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)對非線性聲發射信號處理和分形盒維數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，通過比較分析盒維數進行故障診斷，最后將各PF分量的盒維數作為特征向量輸入概率神經網絡(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 聲發射 局部均值分解 盒維數 概率神經網絡

往復泵在石油鉆井、輸油注水方面被廣泛應用，大多數情況下輸送的介質具有高壓、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]。因實際工作中往復泵大多是在比較惡劣的環境下工作，在這類環境下，泵閥在工作中大多處于具有磨礪和腐蝕性介質中，泵閥會因此產生沖擊疲勞、磨礪磨損及沖蝕磨損等，且介質的沖擊性較強，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，又包含旋轉機械的非線性平穩特點，故障模式不能像旋轉機械那樣一一映射[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)盒維數與概率神經網絡(PNN)相結合的方法運用到往復泵泵閥聲發射信號的故障診斷中，即將聲發射信號LMD分解所得的PF分量的分形盒維數作為特征向量輸入到PNN，實現不同泵閥故障的分類識別。

1 聲發射①

當材料發生變形或開裂后，材料受到外部或內部的作用力，會有瞬態彈性波因快速釋放能量從材料的局部產生，這種物體因受力而產生瞬態彈性波的現象稱為聲發射現象。聲發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彈性波可以稱為二次聲發射源，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，泵閥內的流動介質會在泄漏孔口形成脈動壓力場，介質從孔口處噴射而出，產生多相湍流射流，泄漏的聲發射信號主要由3個原因引起[6]：機械振動發聲——流體介質的壓力在閥體內部產生不規則的波動與流體介質中的擾動和沖擊使彈性元件振動產生的機械振動聲音，這種振動模式產生的聲發射，類似于金屬拍擊。空氣動力學或湍流發聲——當介質流動時，流體介質從泄漏孔口流出，由于流動突然膨脹或減小，會形成湍流。汽蝕發聲——當流體介質泄漏時，液體通過節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，使部分液體形成泡沫；在流體介質的下游，因流體的擴張而壓力上升，隨著壓力升高，流體介質形成的氣泡內部的壓力會低于流體介質的外部壓力，泡沫因壓力差過大破裂產生汽蝕發聲。汽蝕發聲是泵閥聲發射的主要聲源，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、流體的物理性質和泄漏孔口形狀有關[7]。因此通過聲發射信號可以對往復泵泵閥進行故障診斷和模式識別。

2 故障診斷實驗

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，往復泵泵閥聲發射信號采集系統如圖1所示。基于LMD盒維數和PNN的往復泵泵閥聲發射故障診斷流程如圖2所示。

圖1 往復泵泵閥聲發射信號采集系統

圖2 診斷流程

實驗中往復泵轉速設為72r/min，傳感器選擇SR150M型聲發射傳感器，采用SAEU2S聲發射采集箱，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。前置放大器在聲發射系統中對準確采集聲發射信號起著重要的作用，在整個聲發射系統中，前置放大器對噪聲測量有較大的影響。在測量聲發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種工況下的聲發射信號進行采集。

3 LMD分解和盒維數計算

局部均值分解和經驗模態分解(EMD)相比減少了迭代次數，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頻調幅信號即PF分量，能有效地提取各個故障狀態下的信號特征信息，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α11(t)。

c. 從原始信號x(t)中分離出局部均值函數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，又要務實創新；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律。各級黨員干部要以高度的政治責任感，在深入群眾、聯系群眾、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，它是一個單分量調幅-調頻信號，其瞬時幅值就是包絡信號α1(t)，其瞬時頻率f1(t)則可由純調頻信號s1n(t)求出。

圖3所示是一個活塞磨損聲發射信號LMD分解圖。聲發射信號經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 活塞磨損聲發射信號LMD分解

在經過LMD處理的基礎上結合分形盒維數的方法，計算各LMD分解的PF分量的盒維數。系統的非線性行為可以使用分形理論中的分形維數定量描述其特征量，其中盒維數的大小和變化可以反映非線性信號的復雜程度和不規則程度，它是分形維數的一種[12]。因為盒維數的計算相對于其他分形維數不太復雜,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，分形盒維數不僅可以定性分析機械系統各故障狀態的運行狀況,還可以對各狀態信號進行量化,對機械系統產生的非線性信號計算盒維數，對其進行進一步的分析比較可實現對復雜機械系統的故障診斷。

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，則F的盒維數定義為：

(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，則分形盒維數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，它可以反映非平穩信號不平穩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。活塞磨損故障信號各PF分量盒維數如圖4所示，可以看出從PF1到PF6分量的盒維數依次減小。信號的盒維數大小反映信號的規則程度，包含的信息量越多，信號不規則的程度越大，其盒維數也越大，盒維數最大的是PF1分量信號，是信號中的主要成分，從PF2到PF6盒維數依次減小，表明與原信號的關聯程度也隨之減小。

圖4 活塞磨損故障信號各PF分量盒維數

對信號進行LMD分解后，計算4種狀態聲發射信號各PF分量的盒維數(表1)。分形盒維數介于1和2之間，信號越不規則，分形盒維數越大[13]。從表1可以看出，LMD分解信號的各PF分量的盒維數中，不同故障狀態下的盒維數數值有明顯的區間范圍，往復泵泵閥正常狀態盒維數最大，依次是閥盤磨損故障盒維數、活塞磨損故障盒維數，彈簧斷裂故障盒維數最小。

表1 不同狀態的盒維數

正常工況下系統產生聲發射信號的因素有缸套、底座等振動發聲多方面因素，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，其盒維數比故障信號盒維數大，而其余PF分量由于隨機性小于故障工況，因此其盒維數比故障工況小或差別不大。而且，正常狀態的聲發射信號也包含規律性的聲發射成分，它不是完全的噪聲成分。彈簧斷裂故障的盒維數與其他運行狀態相比最小，由于泵閥在工作過程中彈簧有規律的上下往復運動，彈簧磨損不會產生泄漏孔口，內外壓力差相對較小，泵閥內的流體相對平穩，所以彈簧斷裂故障的不規則和不確定性較低，盒維數最小。

4 PNN分類預測

19世紀80年代，Specht D F博士首先提出概率神經網絡，它是一種基于Parzen窗與貝葉斯分類規則的概率密度函數估計方法。這樣的網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網絡經由徑向基函數發展成為一種前饋神經網絡，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種狀態下各20組數據，共80組聲發射信號，LMD分解的PF1～PF6計算得到的盒維數作為PNN網絡的特征向量。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組數據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組數據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組數據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組數據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 結論

5.1LMD分解信號的方法有效地提取了往復泵泵閥聲發射信號特征，減小了EMD方法中存在的模式混疊現象，提高了系統的抗噪能力。

5.2在往復泵泵閥故障診斷中LMD和分形盒維數可以定量計算盒維數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具有可分性和明顯的區間范圍，采用盒維數計算各個狀態下的非線性平穩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分解聲發射信號，計算各分解信號盒維數輸入PNN進行識別，減少了工作量且分類效果較好。

5.4聲發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．往復泵泵閥的狀態監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.分形盒維數在裂紋轉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)