基于人工神經網絡的離心泵空化故障診斷

摘 要：為了研究離心泵空化故障診斷問題，探究人工神經網絡在該問題上的預測效果，通過數值仿真的方法對離心泵流場進行模擬，采集不同狀態下流場內各點壓力值及工作點作為輸入特征，以旋轉區域氣體體積分數為標簽特征，對離心泵空化狀態進行神經網絡建模。使用LSTM和一維卷積網絡處理時序數據，并在特征提取階段添加正則化損失函數以保證網絡稀疏性。最終模型在測試集上的分類任務準確率達到95%以上，能夠有效地對離心泵空化程度進行診斷。

關鍵詞：離心泵；空化；人工神經網絡；自編碼器

中圖分類號：TP277.3 文獻標志碼：B 文章編號：1671-5276（2024）04-0151-03

Centrifugal Pump Cavitation Fault Diagnosis Based on Artificial Neural Network

LIU Chaoxi¹， YE Zhifeng¹， WANG Bin¹， YAN Shebin²

（1. Nanjing University of Aeronautics and Astronautics， Nanjing 2100016， China;2. AECC Guizhou Honglin Aro-engine Control Technology Co.， Ltd.， Guiyang 550009， China）

Abstract：In order to study the cavitation fault diagnosis of centrifugal pump and explore the prediction effect of artificial neural network concerning the fault diagnosis， the flow field of centrifugal pump was simulated by numerical simulation， the pressure values and working points of various points in the downstream field in different states were collected as the input characteristics and the volume fraction of the gas in the rotating region was taken as the label characteristic to conduct the neural network modeling for the cavitation state of the centrifugal pump.The LSTM and one-dimensional convolutional network were used to process the time series data， and the regularization loss function was added in feature extraction stage to ensure network sparsity.The accuracy rate of classification task of the trained model on the test set exceeded 95%， which can effectively diagnose the cavitation degree of centrifugal pump.

Keywords：centrifugal pump; cavitation; artificial neural network; autoencoder

0 引言

在航空航天領域中，離心泵由于其結構簡單、質量較輕以及能承受較高轉速等優點，在燃油、液壓系統中獲得廣泛應用。而在其日常運行中，空化故障是其最常發生的故障之一。在離心泵內部流場中，當局部的壓力低于液體的汽化壓力時，液體會氣化而形成氣泡，并在流到高壓區后發生破裂，對周圍產生沖擊，這種現象就稱為空化。泵空化時由于內部的氣泡會占據流道，干擾正常的流動，影響液泵的加壓性能，并且氣泡不斷地產生與破滅會對壁面持續產生沖擊，使得葉片發生損傷或腐蝕^[1]。由于空化現象機理復雜，涉及到湍流、兩相流等多個方面，且對離心泵的正常工作具有很大的影響，因此其故障診斷方法一直受到廣大學者的重視。

目前工業領域故障診斷主要有3種方法，基于失效物理模型、基于統計可靠性和基于數據驅動的故障診斷方法^[2]。對于實際的復雜系統而言，直接使用其物理模型進行理論上的分析推導來得到一個可靠的模型十分困難。此時基于數據驅動的故障診斷方法就可以發揮重要作用。文獻[3]則將壓力信號和診斷信號兩種數據進行結合建模，實現了基于SVM的航空燃油泵故障識別。通過仿真、實驗等多種方法獲取正常或異常工作狀態下的數據，繞過系統的機理，直接對數據進行建模，最終形成一個只依靠數據的映射模型，來對系統的故障進行診斷。文獻[4]以齒輪泵為研究對象，對其4種常見的故障進行了小波變換+SVM建模，最終建立了一個由4個SVM構成的診斷模型，能夠對包括正常工作的5種狀態進行有效區分。文獻[5]對振動信號進行經驗模式分解，得到了多個固有模態函數（IMF），并將IMF中的前6個送入廣義回歸神經網絡中進行故障診斷，最終分類正確率達到了97.5%。

考慮到實際空化原理十分復雜，對其進行純理論分析顯得十分困難，基于CFD軟件的數值模擬方法和實驗成為了研究空化現象的主要方法^[6]。本文以旋轉區域的氣體體積分數做為離心泵空化程度的度量并將之作為神經網絡輸出，使用流場中監測點的特征以及工作點參數作為輸入，建立離心泵空化模型，研究神經網絡對離心泵空化程度的診斷效果。

相較于一般的使用神經網絡建模，本文充分考慮到了不同數據類型的處理方式，分別對時序型數據、數值型數據設計了網絡層并對其進行特征融合，以使網絡建模思路可以在其他更廣泛的問題上得到應用。此外，本文對使用的稀疏自編碼器進行了改進，通過修改稀疏性限制函數來實現更好的正則化，并將自編碼器直接置于大的預測網絡之中，使得自編碼器在訓練過程中可得到預測結果方向的梯度，優化了訓練過程。

1 離心泵流場數值仿真

為了獲得離心泵在不同狀態下的內部流場特征，獲取空化故障診斷模型的訓練數據，本文使用CFD軟件對流場進行了數值仿真。與實驗相比，數值仿真不僅簡單易行，且可以獲取離心泵內部氣體分布情況，直接對離心泵空化的程度進行分析。

1.1 數值仿真方法

對流場中的湍流計算選用了標準k-ε模型。該模型由Launder和Spalding提出，計算簡單，魯棒性好，且在大范圍湍流的情況下具有較好的預測效果。此外，對于空化模型選擇了Signhal全空化模型^[7]。

1.2 物理模型與計算條件

選擇某型單吸離心泵為研究對象，仿真軟件為Pumplinx。如圖1所示，根據區域劃分笛卡兒網格，最終網格數量為35萬。

離心泵額定工作狀態為：轉速9 000r/min，進口壓力0.2MPa，出口流量50 000L/h。為了得到離心泵在不同空化狀態下的流場特征，通過在不同轉速與流量的工況下減小進口壓力，以逐步誘發離心泵空化。

2 離心泵空化診斷建模

在得到離心泵在不同狀態下的流場數據后，使用人工神經網絡來構建泵的空化程度與所選特征的映射模型，并對神經網絡模型在離心泵空化診斷上的有效性進行驗證。

2.1 數據集構建

基于本文上一節的仿真方案，選定神經網絡模型輸入數據為：流場內各部位如進出口、葉片流道、轉動軸附近預先設置的檢測點壓力、離心泵工作轉速、進口壓力和出口流量。

對于離心泵空化程度的表達，選用了轉動區域的氣體體積分數為判定標準。由于體積分數的大小隨著選定區域的總體積大小變化而變化，而且在一定小范圍內出現的波動幾乎不會對流場產生影響，尤其在空化初生階段，往往在流場內要積累有一定量的氣體才會對外表現出空化的特征。因此，本文對仿真結果進行等級劃分，將氣體體積分數劃定為4個等級來表達空化的程度，將問題轉化為典型的分類問題。

2.2 神經網絡模型

模型的輸入數據有兩種類型：一是監測點壓力值，按照軟件設置的非穩態仿真時間間隔進行采集，得到的是典型的多維時序數據，格式為二維張量；二是工作點狀態，屬于數值型數據，格式為一維張量。

網絡整體結構如圖2所示，其中，Predict為預測網絡，負責輸出最終結果。編碼器Encoder和解碼器Decoder網絡組成了一個自編碼器網絡。本文采取了稀疏自編碼器^[8]的思想，不直接限制中間層編碼h的維數，而是對其實際表達信息量進行限制，并使用一種新的稀疏性限制損失函數：對中間層編碼h的各維度分量進行了限制。在神經網絡中，一般認為某個分量等于0，便認為其基本不攜帶信息。對于中間層各分量，如果其低于某個閾值，便將其置為0，而高于閾值的置為1，這就使得中間層的有效輸出維度受到了抑制，實現了稀疏性限制。

2.3 網絡訓練

在工作點中隨機取15個作為測試集，15個作為驗證集，剩余的56個為訓練集。由于每個工作點都截取了3段數據，因此訓練集最終包含有168條數據，驗證集和測試集各45條。將訓練集數據送入未經訓練的網絡，使用Adam算法對網絡進行迭代，并在每輪結束后再驗證集上進行準確率測試。

2.4 網絡訓練結果分析

圖3和圖4為神經網絡在訓練集和驗證集上分類損失函數的變化過程，橫軸為迭代次數，縱軸為網絡輸出與實際標簽的交叉熵損失值。可以看出，損失函數隨著迭代次數的增加呈現出了顯著的下降趨勢，而在訓練末期，訓練集上損失函數雖仍有下降，但驗證集上卻開始有上升，出現了過擬合趨勢，網絡過度偏向于訓練集的數據本身，忽略了輸入數據的深層特征，使得網絡僅僅能適合于訓練集數據而不具有足夠的泛用性。因此最終選取驗證集上損失最小時刻的模型為最終結果。

在神經網絡建模流程中，由于測試集在一開始便獨立劃分出去，并未參與模型的訓練與調整，因此可以將其視為全新的數據，基于此數據的預測性能也可看做是模型的最終效果。將此前劃分的45條測試集作為網絡輸入進行預測，最終獲得的結果如表1所示，其準確率為95.6%，達到了預期效果。

3 結語

1）人工神經網絡可以有效地建立離心泵流場特征與空化程度之間的對應模型，最終準確率達到了95%以上。因此，使用神經網絡來診斷離心泵空化情況的方法是有效的，在未來的仿真模擬或者實機運行中可以發揮作用。

2）在網絡中嵌入了稀疏自編碼器，并對稀疏性損失函數進行優化，能夠有效地對帶有噪聲的數據進行降噪，并且在實現信息壓縮的情況下防止過擬合。

3）針對實際數據中最常見的兩種類型：時間序列和數值型特征，設計了不同的網絡類型對其進行處理，并且使用concatenate層將二者的信息進行了融合。對于沒有出現的分類型特征，也可以參考數值型特征使用全連接或其他網絡層進行處理，基本可包含所有可能出現的數據類型。通過多種類輸入、多網絡融合的神經網絡設計思路，使該網絡以及其建模思想獲得更廣的應用場景。

參考文獻：

[1] LU J X，YUAN S Q，ZHOU B L，et al. Research on the characteristics under the condition of asymmetric cavitation in a centrifugal pump[C]//2014 ISFMFE - 6th International Symposium on Fluid Machinery and Fluid Engineering. Wuhan. London：IET，2015：1-8.

[2] 李晗，蕭德云. 基于數據驅動的故障診斷方法綜述[J]. 控制與決策，2011，26（1）：1-9，16.

[3] 陳俊柏，劉勇智，陳勇，等. 基于EMD和SVM的機載燃油泵故障診斷研究[J]. 北京航空航天大學學報，2021，47（8）：1687-1696.

[4] 毋文峰，蘇勛家，陳小虎，等. 基于小波包和支持向量機的液壓泵故障診斷[J]. 機床與液壓，2011，39（9）：146-147，154.

[5] AZIZI R，ATTARAN B，HAJNAYEB A，et al. Improving accuracy of cavitation severity detection in centrifugal pumps using a hybrid feature selection technique[J]. Measurement，2017，108：9-17.

[6] 程文潔，張飛宇. 低溫泵內空化流動演化規律的數值仿真[J]. 低溫與超導，2021，49（8）：78-81，92.

[7] SINGHAL A K，ATHAVALE M M，LI H Y，et al. Mathematical basis and validation of the full cavitation model[J]. Journal of Fluids Engineering，2002，124（3）：617-624.

[8] NG A. Sparse autoencoder[J]. CS294A Lecture Notes，2011， 72（1）：1-19.

收稿日期：2023-01-30