基于LMD信號(hào)重構(gòu)和支持向量機(jī)的柱塞泵故障診斷分析

洪曉藝, 翟東媛，喬慶鵬

(1.新鄉(xiāng)職業(yè)技術(shù)學(xué)院，電子信息系，河南 新鄉(xiāng) 453006；2.湖南大學(xué)，電子信息工程系，湖南 長沙 410082；3.河南財(cái)政金融學(xué)院，人工智能學(xué)院，河南 鄭州 450046)

引言

柱塞泵屬于當(dāng)前工業(yè)生產(chǎn)領(lǐng)域獲得廣泛使用的輸送泵，具備運(yùn)行過程穩(wěn)定并可以達(dá)到高壓高效率的性能[1-3]。但考慮到柱塞泵的組成結(jié)構(gòu)較復(fù)雜，并且通常都是處于長期高速運(yùn)轉(zhuǎn)的狀態(tài)，較易發(fā)生表面磨損與松靴磨損的問題，從而引起安全事故[4-5]。最初對柱塞泵開展故障診斷時(shí)通常需要通過技術(shù)人員根據(jù)之前經(jīng)驗(yàn)進(jìn)行判斷，之后升級(jí)為可以通過參數(shù)測試的方法完成診斷過程，現(xiàn)在已能實(shí)現(xiàn)智能診斷的功能。其中，智能診斷是從柱塞泵殼體與端蓋位置獲取振動(dòng)信號(hào)，之后通過系統(tǒng)分析柱塞泵的工作狀態(tài)[6-8]。目前，對這方面開展研究的學(xué)者也較多，任立通等[9]采用隨機(jī)共振方法處理振動(dòng)信號(hào)，對振動(dòng)信號(hào)頻率進(jìn)行增強(qiáng)后獲得更高的信噪比，由此提升了準(zhǔn)確度，采用上述方法診斷非線性特征時(shí)獲得了理想的診斷效果，不過需要較長計(jì)算時(shí)間，算法處理過程太復(fù)雜。胡晉偉等[10]利用超限學(xué)習(xí)機(jī)對柱塞泵進(jìn)行滑靴磨損故障診斷，先對振動(dòng)信號(hào)實(shí)施預(yù)處理，再提取得到特征向量，將其輸入到超限學(xué)習(xí)機(jī)并診斷滑靴磨損程度。袁兵等[11]綜合運(yùn)用集合經(jīng)驗(yàn)?zāi)B(tài)分解和SVM的方法，準(zhǔn)確診斷得到滑靴耳軸磨損、柱塞泵滑靴磨損以及球頭松動(dòng)情況。張華等[12]同時(shí)采用SVM和符號(hào)動(dòng)力學(xué)信息熵的方法構(gòu)建得到信息熵特征集，實(shí)現(xiàn)了對液壓泵的不同類型故障識(shí)別功能，但采用此方法需要經(jīng)過復(fù)雜的診斷過程，花費(fèi)較長的學(xué)習(xí)時(shí)間，并且整體流程太復(fù)雜，由此降低了診斷效率。

本研究用LMD對診斷流程進(jìn)行了簡化處理。為了對重構(gòu)信號(hào)特征提取優(yōu)勢進(jìn)行分析，在SVM中輸入原始信號(hào)與重構(gòu)信號(hào)特征數(shù)據(jù)集，之后比較了訓(xùn)練和診斷所得結(jié)果。

1 局部均值分解(LMD)原理

LMD可以通過自適應(yīng)的方式把復(fù)雜振動(dòng)信號(hào)分解成不同物理分量的組合結(jié)果，獲得信號(hào)本質(zhì)特征，有效克服端點(diǎn)效應(yīng)，避免發(fā)生模態(tài)混疊情況，降低迭代次數(shù)，獲得更完整信號(hào)信息，更適合分解非線性柱塞泵故障信號(hào)[13-14]。

算法計(jì)算流程如下：

(1) 根據(jù)信號(hào)x(t)確定各個(gè)極值點(diǎn)，之后計(jì)算相鄰極值的均值。計(jì)算得到信號(hào)x(t)包絡(luò)估計(jì)值，然后通過滑動(dòng)平均方法處理2條折線，達(dá)到平滑的效果，由此得到局部均值函數(shù)m11(t)以及包絡(luò)估計(jì)函數(shù)v11(t)。

(2) 將信號(hào)x(t)中的m11(t)去除：

d11(t)=x(t)-m11(t)

(3) 以d11(t)和v11(t)相除獲得s11(t)。

s11(t)=d11(t)/v11(t)

從理論層面分析可知，s11(t)屬于純調(diào)頻信號(hào)，對應(yīng)的包絡(luò)估計(jì)函數(shù)v12(t)為1，當(dāng)v12(t)不為1時(shí)，則以s11(t)代替信號(hào)x(t)再重新執(zhí)行以上過程，最終獲得純調(diào)頻信號(hào)s11(t)，滿足-1≤s11(t)≤1，對應(yīng)的包絡(luò)估計(jì)函數(shù)v12(t)為1。

進(jìn)行實(shí)際運(yùn)算時(shí)，通常會(huì)設(shè)置更寬的迭代終止條件，對于一個(gè)微小量Δ，存在以下的迭代終止條件：

1-Δ≤v1n(t)≤1+Δ。

(4) 對上述所有包絡(luò)估計(jì)函數(shù)乘積處理，得到以下包絡(luò)信號(hào)v1(t)：

(5)s1n(t)與v1(t)乘積屬于原始信號(hào)分解得到的首個(gè)PF分量。

PF1(t)=s11(t)v1(t)

以包絡(luò)信號(hào)v1(t)表示PF1瞬時(shí)幅值，通過處理純調(diào)頻信號(hào)s1n(t)獲得瞬時(shí)頻率。

(6) 將原信號(hào)x(t)的第一個(gè)PF分量去除，以u1(t)作為輸入信號(hào)繼續(xù)執(zhí)行以上過程，經(jīng)過k次循環(huán)處理直到uk成為單調(diào)函數(shù)停止，得到以下表達(dá)式：

圖1給出了LMD計(jì)算過程的具體流程。

圖1 LMD流程圖

2 柱塞泵故障特征提取

2.1 柱塞泵特征數(shù)據(jù)集

柱塞泵的故障類型主要包括配流盤磨損、柱塞磨損、滑靴磨損等形式[15-16]。采用常規(guī)信號(hào)處理方式不能精確反饋故障信號(hào)特征，無法區(qū)分故障類型。本研究采用加速度傳感器處理柱塞泵X軸方向的信號(hào)，柱塞泵振動(dòng)信號(hào)采集方式如圖2所示。選取A10VS045型柱塞泵作為試驗(yàn)對象，通過放置于泵殼體上的加速度傳感器采集振動(dòng)信號(hào)。從中提取得到信號(hào)特征，先對采集獲得的5種狀態(tài)振動(dòng)信號(hào)實(shí)施LMD分解與重構(gòu)，并以重構(gòu)信號(hào)樣本熵和原始信號(hào)標(biāo)準(zhǔn)差構(gòu)成故障特征向量再從中提出得到特征參數(shù)。圖3給出了柱塞泵故障特征的具體提取流程。

1.電動(dòng)機(jī) 2.柱塞泵 3.單向節(jié)流閥 4.壓力表5.溢流閥 6.過濾器 7.油箱 8.加速度傳感計(jì)圖2 柱塞泵振動(dòng)信號(hào)采集示意圖

圖3 特征提取基本流程圖

對振動(dòng)信號(hào)采集得到150個(gè)樣本，各樣本包含了約3500個(gè)數(shù)據(jù)，一種狀態(tài)包含150組特征向量，以隨機(jī)方式選擇100組訓(xùn)練樣本，再對剩余50組樣本進(jìn)行測試。表1給出了特征數(shù)據(jù)集。

表1 柱塞泵特征數(shù)據(jù)集

2.2 故障信號(hào)分解與重構(gòu)

將工作壓力設(shè)定為10 MPa情況下，再對去噪處理后的柱塞泵處于正常、柱塞磨損、配流盤磨損、滑靴磨損與松靴磨損狀態(tài)下的信號(hào)實(shí)施LMD分解，對各工況振動(dòng)信號(hào)進(jìn)行分解得到5～6個(gè)PF分量。對松靴磨損故障LMD分解得到如圖4所示的時(shí)域，結(jié)果顯示，最初幾個(gè)PF分量中存在原始信號(hào)，只形成了很小的PF5與殘余量，因此可以判斷其屬于噪聲成分。對LMD分解過程進(jìn)行分析可以發(fā)現(xiàn)，PF分量屬于原始振動(dòng)信號(hào)一部分，體現(xiàn)了信號(hào)頻率部分。當(dāng)PF分量中含有原始振動(dòng)信號(hào)有效特征頻率成分時(shí)，則存在較強(qiáng)相關(guān)性，虛假分量只存在少量有效特征頻率，對應(yīng)的相關(guān)性也較弱。此時(shí)可以通過相關(guān)系數(shù)法處理分解后的PF分量和原始振動(dòng)信號(hào)，以低相關(guān)性的分量作為噪聲信號(hào)，同時(shí)重構(gòu)高相關(guān)性的分量。

圖4 松靴磨損信號(hào)LMD分解圖

選擇具備較高有效特征頻率成分的PF分量實(shí)施重構(gòu)，同時(shí)以PF分量和原始信號(hào)相關(guān)系數(shù)均值達(dá)到0.01的PF分量實(shí)施信號(hào)重構(gòu)。按照同樣的方式獲得其余4種狀態(tài)對應(yīng)的重構(gòu)信號(hào)。為確保重構(gòu)信號(hào)滿足有效性，測試了重構(gòu)信號(hào)和原始振動(dòng)信號(hào)的相關(guān)性水平，得到表2所示的各狀態(tài)重構(gòu)信號(hào)和原始信號(hào)之間的相關(guān)系數(shù)，結(jié)果顯示，每種狀態(tài)重構(gòu)信號(hào)和原始信號(hào)之間的相關(guān)系數(shù)都達(dá)到0.9以上，說明重構(gòu)信號(hào)內(nèi)已經(jīng)含有原始信號(hào)主要信息。

表2 重構(gòu)信號(hào)與原始信號(hào)相關(guān)性

2.3 故障特征提取

圖5給出了對柱塞泵5種工作狀態(tài)下形成的振動(dòng)信號(hào)進(jìn)行預(yù)處理得到的樣本熵值ζ曲線，結(jié)果顯示，正常、松靴磨損與滑靴磨損狀態(tài)下的原始信號(hào)發(fā)生了混疊情況。圖6是利用LMD對柱塞泵各工作狀態(tài)下形成的振動(dòng)信號(hào)分解重構(gòu)得到的樣本熵值。通過對比發(fā)現(xiàn)，對滑靴磨損、柱塞磨損、正常狀態(tài)下的振動(dòng)信號(hào)進(jìn)行LMD分解與重構(gòu)處理后獲得了不同的樣本熵值，便于對其快速區(qū)分，同時(shí)發(fā)現(xiàn)配流盤磨損與松靴磨損間發(fā)生了輕微混疊。各狀態(tài)重構(gòu)信號(hào)樣本熵形成了比原始信號(hào)樣本熵更優(yōu)的分布狀態(tài)，說明LMD重構(gòu)信號(hào)可以減弱噪聲對故障特征提取造成的影響。

圖5 原始信號(hào)樣本熵值

圖6 重構(gòu)信號(hào)樣本熵值

3 故障診斷與對比分析

3.1 SVM多類分類器的構(gòu)建

選擇柱塞泵的同一種故障樣本組成一類，以1進(jìn)行表示，以剩余4種狀態(tài)樣本組成另一類，將其表示成-1。構(gòu)建得到4個(gè)二分類器，分別為SVM1，SVM2，SVM3，SVM4，通過二叉樹的方式對4個(gè)二分類器組合，建立得到能夠?qū)χ?種狀態(tài)進(jìn)行識(shí)別的SVM多類分類器，結(jié)果見圖7。

圖7 SVM多類分類器流程圖

3.2 柱塞泵故障診斷

圖8給出了對數(shù)據(jù)集進(jìn)行訓(xùn)練測試所得結(jié)果，各組樣本對應(yīng)的類別B如下：正常狀態(tài)包含0～40組，配流盤磨損包含40～80組，柱塞磨損包含80～120組，滑靴磨損2.5 mm包含120～160組，松靴磨損包含160～200組。根據(jù)圖8可知，200組樣本中只2個(gè)樣本(柱塞磨損和松靴磨損)發(fā)生了識(shí)別錯(cuò)誤，準(zhǔn)確率高達(dá)99%，表明以SVM多類分類器可以獲得較高故障識(shí)別診斷準(zhǔn)確率。

圖8 基于SVM的柱塞泵五種狀態(tài)預(yù)測分類

3.3 對比分析

為了測試重構(gòu)特征數(shù)據(jù)集有效性，在SVM多類分類器算法中輸入重構(gòu)信號(hào)特征向量數(shù)據(jù)集，再將其與原始信號(hào)集診斷結(jié)果進(jìn)行對比，結(jié)果見表3。由表3可知：相對于原始信號(hào)，LMD重構(gòu)信號(hào)達(dá)到了更高的訓(xùn)練準(zhǔn)確度與測試準(zhǔn)確性，表現(xiàn)出很好的計(jì)算精度。表明本研究LMD重構(gòu)信號(hào)特征方法在處理柱塞泵故障診斷方面具有很好的效果。

表3 準(zhǔn)確度結(jié)果對比 %

4 結(jié)論

(1) 每種狀態(tài)重構(gòu)信號(hào)和原始信號(hào)之間的相關(guān)系數(shù)都達(dá)到0.9以上，說明重構(gòu)信號(hào)內(nèi)已經(jīng)含有原始信號(hào)主要信息。各狀態(tài)重構(gòu)信號(hào)樣本熵形成了比原始信號(hào)樣本熵更優(yōu)的分布狀態(tài)，說明LMD重構(gòu)信號(hào)可以減弱噪聲對故障特征提取造成的影響。

(2) 200組樣本中只2個(gè)樣本(柱塞磨損和松靴磨損)發(fā)生了識(shí)別錯(cuò)誤，準(zhǔn)確率高達(dá)99%，表明以SVM多類分類器可以獲得較高的故障識(shí)別診斷準(zhǔn)確率。相對于原始信號(hào)，LMD重構(gòu)信號(hào)達(dá)到了更高的訓(xùn)練準(zhǔn)確度與測試準(zhǔn)確性，表現(xiàn)出很好的計(jì)算精度。