許慶祥

(中國船舶重工集團(tuán)公司第七一五研究所,浙江 杭州 310023)

旋轉(zhuǎn)機(jī)械非線性故障診斷技術(shù)

許慶祥

(中國船舶重工集團(tuán)公司第七一五研究所,浙江 杭州 310023)

本文主要分析旋轉(zhuǎn)類機(jī)械的故障診斷方法,首先選擇奇異值小波降噪技術(shù)對故障信號進(jìn)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(jī);故障診斷

旋轉(zhuǎn)機(jī)械的機(jī)械運(yùn)動主要是由旋轉(zhuǎn)運(yùn)動完成的,大型的旋轉(zhuǎn)機(jī)械種類眾多,諸如燃?xì)廨啓C(jī)、汽輪機(jī)、水泵、水輪機(jī)以及電動機(jī)等.大型的旋轉(zhuǎn)機(jī)械集高速、連續(xù)、集中、自動化為一體,是航空、軍工、電力和石化行業(yè)的重要裝備.大型裝備是一個統(tǒng)一的整體,設(shè)備與設(shè)備之間聯(lián)系非常緊密,伴隨著各種不確定因素的產(chǎn)生,設(shè)備不可避免會出現(xiàn)一些故障,導(dǎo)致設(shè)備的功能減弱或缺失,并且機(jī)組的故障會帶來連鎖反應(yīng),導(dǎo)致整個機(jī)械設(shè)備無法正常工作,嚴(yán)重的會導(dǎo)致整個系統(tǒng)的癱瘓.

旋轉(zhuǎn)機(jī)械故障診斷能夠及時、準(zhǔn)確的判斷故障的種類和故障位置,為有效的預(yù)防事故提供技術(shù)基礎(chǔ),提高機(jī)械設(shè)備的可靠性.同時,通過對機(jī)械故障的機(jī)理分析,有助于整改機(jī)械設(shè)備的結(jié)構(gòu)設(shè)計(jì).近年來,隨著科學(xué)技術(shù)和計(jì)算機(jī)技術(shù)的進(jìn)步,為故障診斷與預(yù)測技術(shù)的發(fā)展帶來了契機(jī).本文主要分析旋轉(zhuǎn)類機(jī)械故障診斷技術(shù)的發(fā)展,并提出基于奇異值小波降噪方法以及基于SVM的旋轉(zhuǎn)類機(jī)械故障診斷方法,為大型旋轉(zhuǎn)類設(shè)備的故障診斷和優(yōu)化設(shè)計(jì)提供技術(shù)基礎(chǔ).

1 旋轉(zhuǎn)類機(jī)械故障診斷技術(shù)發(fā)展

1.1 基于信號分析的傳統(tǒng)故障診斷技術(shù)

最早的故障診斷技術(shù)是由美國Sohrc于1968年提出的,針對高速渦輪機(jī)的故障和起因進(jìn)行了系統(tǒng)的研究,將典型的故障進(jìn)行分類,其研究成果對于現(xiàn)在的故障診斷技術(shù)尚有一定的指導(dǎo)作用.隨著科學(xué)技術(shù)的發(fā)展,信號分析技術(shù)成為有效提取機(jī)械設(shè)備真實(shí)信息的必要條件,機(jī)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(tǒng)計(jì)脈沖指標(biāo)、峰值因子以及峭度等信息.頻域信號分析技術(shù)利用傅里葉變換建立起時域和頻域的橋梁,對信號進(jìn)行頻譜分析、相干分析、自譜、互譜、細(xì)化譜分析、高階譜和解調(diào)譜分析等.時頻聯(lián)合分析是利用時間和頻率聯(lián)合函數(shù)對非平穩(wěn)的信號進(jìn)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(shù)實(shí)現(xiàn)信號的時頻分析.

1.2 基于知識推理的故障診斷技術(shù)

工程機(jī)械的工況復(fù)雜,一般的故障診斷與監(jiān)測技術(shù)難以快速準(zhǔn)確的診斷出故障,必要時還需要專家到現(xiàn)場進(jìn)行聯(lián)合診斷.20世紀(jì)80年代,人工智能技術(shù)發(fā)展起來,有人將專家系統(tǒng)技術(shù)引入到了故障診斷中,并且得到了成功的應(yīng)用.以知識處理為核心的智能診斷系統(tǒng)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(jī)械故障診斷.專家系統(tǒng)對于專家的技術(shù)和相互配合具有很高的依賴性,通過采用多種技術(shù)來解決復(fù)雜的問題.專家系統(tǒng)雖然在故障診斷領(lǐng)域內(nèi)取得了一定的成績,但是還是難以像人類專家一樣解決實(shí)際問題.

1.3 基于智能算法的故障診斷技術(shù)

近些年來,人工神經(jīng)網(wǎng)絡(luò)技術(shù)逐漸被應(yīng)用到各個領(lǐng)域內(nèi),神經(jīng)網(wǎng)絡(luò)以其區(qū)別于其他傳統(tǒng)信息表達(dá)和處理的方式,通過模仿生物神經(jīng)系統(tǒng)的自適應(yīng)非線性動力學(xué)系統(tǒng),具有能夠處理復(fù)雜多模式,分類、推測和非線性優(yōu)化問題的能力,能夠?qū)Υ笮托D(zhuǎn)機(jī)械的故障診斷具有很大的幫助作用.神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有很強(qiáng)的學(xué)習(xí)能力和自適應(yīng)性,適合建立智能的故障識別模型.神經(jīng)網(wǎng)絡(luò)能夠避免專家系統(tǒng)自學(xué)習(xí)困難和知識表達(dá)與組合爆炸的缺陷,推理過程簡單,可以進(jìn)行在線的實(shí)時故障診斷.神經(jīng)網(wǎng)絡(luò)的診斷技術(shù)已經(jīng)被應(yīng)用到了大型旋轉(zhuǎn)機(jī)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(lǐng)域,人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)難以確定,容易出現(xiàn)過學(xué)習(xí)和欠學(xué)習(xí)問題.本文采用了基于支持向量機(jī)(SVM)的故障診斷技術(shù),SVM能夠確保得到全局最優(yōu)解,避免了人工神經(jīng)網(wǎng)絡(luò)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(shù)

大型的旋轉(zhuǎn)機(jī)械信號非常復(fù)雜,具有非常豐富的頻率成分,并且?guī)в械湫偷姆蔷€性特征.采用奇異值分解找出系統(tǒng)能量的N個特征方向,如果系統(tǒng)的動力學(xué)維數(shù)K小于N,那么將N-K個特征方向的能量分布設(shè)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(yīng)的特征方向,設(shè)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(zhuǎn)機(jī)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(jì)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(shù)K,在此點(diǎn)之前的特征值遠(yuǎn)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(jìn)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(jìn)行進(jìn)一步降噪處理,可以獲得良好的降噪效果.首先將信號進(jìn)行一次小波變換,在小波域內(nèi)采用奇異值譜降噪技術(shù)對信號進(jìn)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(jī)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(shù)

支持向量機(jī)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(shù)的擬合程度越高,回歸模型的泛化能力會越差.核函數(shù)的選擇以及核函數(shù)中包含的核參數(shù),都會對模型產(chǎn)生影響.本文首先選定徑向基核函數(shù),然后采用交叉驗(yàn)證的方法得出訓(xùn)練樣本在參數(shù)范圍內(nèi)的準(zhǔn)確率,選取準(zhǔn)確率最高的參數(shù)作為支持向量機(jī)的最佳模型參數(shù).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(xì)化參數(shù)時C和的步進(jìn)大小為0.5,通過精細(xì)化選擇,最終選擇的懲罰因子為C=11.37,

將旋轉(zhuǎn)機(jī)械故障信號采集的樣本劃分為訓(xùn)練集和測試集,根據(jù)訓(xùn)練集得到的最優(yōu)參數(shù)值建立支持向量機(jī)故障分類模型,得到的測試集故障診斷結(jié)果如圖4所示.

圖4 故障診斷結(jié)果

2 結(jié)語

本文調(diào)研了故障診斷技術(shù)的發(fā)展歷程,以及目前針對旋轉(zhuǎn)類機(jī)械故障診斷的有效方法,最終選定采用基于支持向量機(jī)的故障診斷算法對泵機(jī)進(jìn)行故障診斷.首先分析小波降噪、奇異值降噪技術(shù)特點(diǎn),采用奇異值小波降噪方法對故障信號進(jìn)行降噪處理,選擇徑向基核函數(shù)建立故障診斷模型,采用訓(xùn)練集對模型參數(shù)進(jìn)行尋優(yōu),最終建立基于支持向量機(jī)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(tǒng)工程與電子技術(shù),2005,11(27):62-63.

[2]向玲,唐貴基,胡愛軍.旋轉(zhuǎn)機(jī)械非平穩(wěn)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