旋轉機械非線性故障診斷技術

許慶祥

(中國船舶重工集團公司第七一五研究所,浙江 杭州 310023)

旋轉機械非線性故障診斷技術

許慶祥

(中國船舶重工集團公司第七一五研究所,浙江 杭州 310023)

本文主要分析旋轉類機械的故障診斷方法,首先選擇奇異值小波降噪技術對故障信號進行降噪處理,提取故障特征,然后建立基于SVM算法的故障診斷模型.

奇異值;支持向量機;故障診斷

旋轉機械的機械運動主要是由旋轉運動完成的,大型的旋轉機械種類眾多,諸如燃氣輪機、汽輪機、水泵、水輪機以及電動機等.大型的旋轉機械集高速、連續、集中、自動化為一體,是航空、軍工、電力和石化行業的重要裝備.大型裝備是一個統一的整體,設備與設備之間聯系非常緊密,伴隨著各種不確定因素的產生,設備不可避免會出現一些故障,導致設備的功能減弱或缺失,并且機組的故障會帶來連鎖反應,導致整個機械設備無法正常工作,嚴重的會導致整個系統的癱瘓.

旋轉機械故障診斷能夠及時、準確的判斷故障的種類和故障位置,為有效的預防事故提供技術基礎,提高機械設備的可靠性.同時,通過對機械故障的機理分析,有助于整改機械設備的結構設計.近年來,隨著科學技術和計算機技術的進步,為故障診斷與預測技術的發展帶來了契機.本文主要分析旋轉類機械故障診斷技術的發展,并提出基于奇異值小波降噪方法以及基于SVM的旋轉類機械故障診斷方法,為大型旋轉類設備的故障診斷和優化設計提供技術基礎.

1 旋轉類機械故障診斷技術發展

1.1 基于信號分析的傳統故障診斷技術

最早的故障診斷技術是由美國Sohrc于1968年提出的,針對高速渦輪機的故障和起因進行了系統的研究,將典型的故障進行分類,其研究成果對于現在的故障診斷技術尚有一定的指導作用.隨著科學技術的發展,信號分析技術成為有效提取機械設備真實信息的必要條件,機械信號常用的處理方法主要有時域分析、頻域分析和時頻域分析三大類.時域信號可以采集信號的平均值、峰峰值、有效值、方差等信息,還可以統計脈沖指標、峰值因子以及峭度等信息.頻域信號分析技術利用傅里葉變換建立起時域和頻域的橋梁,對信號進行頻譜分析、相干分析、自譜、互譜、細化譜分析、高階譜和解調譜分析等.時頻聯合分析是利用時間和頻率聯合函數對非平穩的信號進行分析和處理,主要采用短時傅里葉變換、小波變換、Hilbert-Huang變換、局域均值分解等技術實現信號的時頻分析.

1.2 基于知識推理的故障診斷技術

工程機械的工況復雜,一般的故障診斷與監測技術難以快速準確的診斷出故障,必要時還需要專家到現場進行聯合診斷.20世紀80年代,人工智能技術發展起來,有人將專家系統技術引入到了故障診斷中,并且得到了成功的應用.以知識處理為核心的智能診斷系統利用專家推理的方法收獲到專家診斷信息,并以此來解決機械故障診斷.專家系統對于專家的技術和相互配合具有很高的依賴性,通過采用多種技術來解決復雜的問題.專家系統雖然在故障診斷領域內取得了一定的成績,但是還是難以像人類專家一樣解決實際問題.

1.3 基于智能算法的故障診斷技術

近些年來,人工神經網絡技術逐漸被應用到各個領域內,神經網絡以其區別于其他傳統信息表達和處理的方式,通過模仿生物神經系統的自適應非線性動力學系統,具有能夠處理復雜多模式,分類、推測和非線性優化問題的能力,能夠對大型旋轉機械的故障診斷具有很大的幫助作用.神經網絡系統具有很強的學習能力和自適應性,適合建立智能的故障識別模型.神經網絡能夠避免專家系統自學習困難和知識表達與組合爆炸的缺陷,推理過程簡單,可以進行在線的實時故障診斷.神經網絡的診斷技術已經被應用到了大型旋轉機械的故障診斷中,并且取得了不錯的研究成果.但是在故障診斷領域,人工神經網絡的網絡結構難以確定,容易出現過學習和欠學習問題.本文采用了基于支持向量機(SVM)的故障診斷技術,SVM能夠確保得到全局最優解,避免了人工神經網絡在故障診斷中的算法缺陷,并且具有良好的泛化能力.

1.4 振動信號降噪技術

大型的旋轉機械信號非常復雜,具有非常豐富的頻率成分,并且帶有典型的非線性特征.采用奇異值分解找出系統能量的N個特征方向,如果系統的動力學維數K小于N,那么將N-K個特征方向的能量分布設置為零.考慮到噪聲通常為高維信號,在各個方向上的分布均不為零,所以將選取K個最大的特征值所對應的特征方向,設置為子空間,將N維空間向量投影到K維,濾除維度高并且能量小的噪聲信號,奇異值分解流程:旋轉機械振動信號→信號矩陣D奇異值分解→得到奇異值→將后N-K個奇異值置零→計算矩陣D→降噪后序列→信號信噪比.

奇異值分解只能保留主能量特征,如果噪聲信號在原始信號中占的分量較大,則特征值會衰減的非常平緩,就找不出維數K,在此點之前的特征值遠大于之后的特征值,就不能取得好的降噪效果.通過將信號進行奇異值分解,利用奇異值特征降低信號中的噪聲和平滑背景信號,然后再對信號進行進一步降噪處理,可以獲得良好的降噪效果.首先將信號進行一次小波變換,在小波域內采用奇異值譜降噪技術對信號進行降噪處理,奇異值小波降噪相比小波降噪和奇異值降噪效果更好.以泵機的振動信號為例,采用奇異值小波降噪、小波降噪和奇異值降噪,降噪效果分別如圖1、圖2和圖3所示,信噪比分別為4.9939、4.9623、4.9836.

圖1 奇異值小波降噪

圖2 小波降噪

圖3 奇異值降噪

1.5 基于SVM的故障診斷技術

支持向量機回歸模型效果受到多種因素影響,懲罰因子C選取的值越大,函數的擬合程度越高,回歸模型的泛化能力會越差.核函數的選擇以及核函數中包含的核參數,都會對模型產生影響.本文首先選定徑向基核函數,然后采用交叉驗證的方法得出訓練樣本在參數范圍內的準確率,選取準確率最高的參數作為支持向量機的最佳模型參數.首先通過初步搜索,先將C的搜索范圍縮小到g的搜索范圍為,精細化參數時C和的步進大小為0.5,通過精細化選擇,最終選擇的懲罰因子為C=11.37,

將旋轉機械故障信號采集的樣本劃分為訓練集和測試集,根據訓練集得到的最優參數值建立支持向量機故障分類模型,得到的測試集故障診斷結果如圖4所示.

圖4 故障診斷結果

2 結語

本文調研了故障診斷技術的發展歷程,以及目前針對旋轉類機械故障診斷的有效方法,最終選定采用基于支持向量機的故障診斷算法對泵機進行故障診斷.首先分析小波降噪、奇異值降噪技術特點,采用奇異值小波降噪方法對故障信號進行降噪處理,選擇徑向基核函數建立故障診斷模型,采用訓練集對模型參數進行尋優,最終建立基于支持向量機的故障診斷模型.

[1]王和平,康景利.一種基于小波模極大值的信號去噪算法[J].系統工程與電子技術,2005,11(27):62-63.

[2]向玲,唐貴基,胡愛軍.旋轉機械非平穩振動信號的時頻分析比較[J].振動與沖擊,2010,29(2):42-45.

TH17

A

1671-0711(2017)11(下)-0033-02