段智勇，劉才學，艾 瓊，何 攀

(中國核動力研究設計院，四川 成都 610213)

屏蔽泵是核動力裝置一回路中的重要設備，是反應堆一回路壓力邊界的重要組成部分，其安全可靠運行是確保核動力系統(tǒng)正常運行的基礎[1]。從屏蔽泵設計、制造和運行經驗反饋來看，屏蔽泵零部件的摩擦和磨損是易發(fā)生的故障，如屏蔽泵出現過軸承磨損、葉輪口環(huán)刮磨、轉子不平衡和屏蔽套鼓包刮磨等故障類型[2]。因此及時盡早地發(fā)現屏蔽泵運行異常狀態(tài)，準確高效地診斷出屏蔽泵出現的故障類型，能夠為其維修時間和維修措施提供可靠的指導，從而有效避免故障運行惡化而可能導致更嚴重的后果，確保設備運行的安全性和可靠性。

屏蔽泵又稱為無密封離心泵，泵和電機被封閉在一個被泵送介質充滿的壓力殼體內，此殼體內只有靜密封。電機的轉子和泵的葉輪固定在同一根軸上，用隔離套將電機的轉子和定子隔開，轉子在被輸送的介質中轉動，其動力通過定子磁場傳遞給轉子。這種結構取消了傳統(tǒng)離心泵具有的旋轉軸密封裝置，故能做到完全無泄漏[3]。

由于屏蔽泵的特殊結構無法直接測量轉子的振動位移，其故障振動信號探測只能在泵外實施[2]。目前，針對屏蔽泵出現的異常狀態(tài)，一般利用已積累的經驗知識進行故障原因分析[4,5]，上述方法能夠較有效地識別屏蔽泵的部分故障源，但較依賴于人員經驗且診斷效率相對較低。本文針對屏蔽泵典型故障識別問題，研究了基于隨機森林的故障診斷方法，利用屏蔽泵故障模擬試驗研究獲得了故障狀態(tài)下的振動信號數據，在故障信號分析的基礎上提取了診斷特征量，然后以其作為輸入量訓練隨機森林算法模型，以實現屏蔽泵典型故障的準確診斷。

1 隨機森林診斷算法原理

隨機森林(Random Forests，RF)算法[6]結合了Breimans的“Boot Strap Aggregating”思想和H.O.的“random subspace”方法[7]。它是一個由多個決策樹(Decision Tree,DT)組成的分類器群，所有的決策樹隨機生成，從而形成RF，森林中的樹之間沒有關聯。診斷時，將測試數據輸入RF，然后讓每一顆決策樹獨自進行診斷分類，即“投票”，最后綜合投票結果，將所有決策樹中分類結果最多的那類為最終結果。RF算法的優(yōu)點為[8]：(1)它能夠處理高維度數據且不需要進行特征選擇，而且在訓練完之后可以得出“哪些維度比較重要”的結論；(2)創(chuàng)建隨機森林，使用無偏估計；(3)能檢測到維度間的影響；(4)實現過程簡單，且易于使用并行化方法處理。

構建RF分類診斷模型的步驟如下[9](設樣本的特征量個數為M,且0

(1)自助重采樣。從訓練樣本數據集中采用有回放采樣的方法，隨機抽取k個樣本(k為決策樹的數量)，形成新的訓練樣本集，具體方法見參考文獻[10]。

(2)決策樹生成。利用自助重采樣得到的k個訓練樣本集創(chuàng)建對應的單顆決策樹。單顆決策樹的生成方法：從M個特征量中隨機選取m個特征量作為當前節(jié)點的分裂特征集，然后根據節(jié)點不純度最小的原則對節(jié)點進行分裂。

(3)為使每個節(jié)點不純度最小，單顆決策樹不進行剪枝，保證其完整生長。

(4)投票。對于測試數據集，利用單顆決策樹進行測試，得到對應的類別，從而RF得到多個結果。然后采用“投票”的方法，將單個決策樹中輸出類別最多的結果作為待測試數據集的最終所屬類別。

本文利用隨機森林方法進行屏蔽泵故障診斷的實施方案流程如圖1所示。

圖1 屏蔽泵故障診斷實施方案流程Fig.1 The process of faults diagnosis program for canned motor pump

2 屏蔽泵典型故障特征量提取與分析

2.1 故障樣本數據的獲取

梳理屏蔽泵在長時間運行過程中出現的機械類故障主要包括軸承磨損、轉子不平衡、葉輪口環(huán)刮磨、轉子與定子屏蔽套刮磨等，通過搭建屏蔽泵運行試驗回路，設計加工相應故障類型及不同故障程度的模擬試驗件，在高速穩(wěn)態(tài)工況下開展屏蔽泵正常運行狀態(tài)和上述各種故障狀態(tài)下的運行試驗，利用壓電式加速度傳感器配套相應的采集系統(tǒng)測量屏蔽泵在各種運行狀態(tài)下的振動信號數據，傳感器測點布置參考文獻[2]中的方法，即在屏蔽泵靠近上、下導軸承位置指向軸心方向相隔90°分別布置2個傳感器(X方向、Y方向)，在頂蓋垂直下止推軸承方向布置1個傳感器(Z方向)，測點布置位置示意圖如圖2所示。

圖2 屏蔽泵振動信號測點布置位置示意圖Fig.2 The placements position of vibration signal measurement points of canned motor pump

屏蔽泵上述各種故障狀態(tài)模擬試驗與正常狀態(tài)運行試驗采用交叉方式進行，即將故障模擬試驗件安裝到屏蔽泵上模擬某一種故障狀態(tài)運行后，更換上屏蔽泵正常完好的零部件確認其狀態(tài)恢復正常后，再進行下一類故障狀態(tài)的模擬試驗，這樣可以確保獲取到真實可靠的反應每一類故障狀態(tài)信息的振動信號數據，通過故障模擬試驗，經篩選共獲得了屏蔽泵不同狀態(tài)下的振動信號數據樣本信息如表1所示，每條振動數據中包括了5個測點的振動信號原始序列。

表1 屏蔽泵故障模擬試驗獲取的樣本數據信息Table 1 The sample data information obtained by faults simulation test of canned motor pump

2.2 振動信號特征量提取

屏蔽泵是典型的旋轉機械，運轉過程中其整機、零部件都會有不同程度的振動，部分故障狀態(tài)下如轉子不平衡等會引起屏蔽泵的異常振動。振動烈度是評價旋轉設備振動大小的一個重要指標，通常定義在10～1 000 Hz范圍內取振動速度的有效值，提取屏蔽泵運行振動烈度特征量，其計算公式為[11]：

(1)

vi為振動速度信號，是對振動加速度信號去直流之后利用Simpson數值積分法計算，其結果為：

(2)

式中：i=0,1,…,N-1，N為單次采樣的點數;

Δt——采樣時間間隔;

aj——采集的振動加速度信號。

對于屏蔽泵摩擦或磨損類故障如葉輪口環(huán)刮磨、屏蔽套刮磨等會引起屏蔽泵高頻摩擦噪聲異常，一般分布在1～10 kHz范圍內，可提取摩擦噪聲特征量，它是由振動加速度信號在某一頻段內的幅值譜的有效值轉化而來，其計算方法如下：

(3)

式中：a0=1 μm/s2，是基準值;

ai——某一頻段內振動加速度信號采樣序列。

同時，提取屏蔽泵運行時振動加速度時域信號的有效值(RMS)、方差、峭度等統(tǒng)計特征量，一般在正常運行狀態(tài)下統(tǒng)計特征量的波動相對較??；由于屏蔽泵具備旋轉機械的特點，部分故障狀態(tài)下會引起轉動基頻或倍頻處幅值的明顯變化，因此提取屏蔽泵運行時振動加速度信號在1/3f、1/2f、f、2f、3f、4f、6f、8f、12f等各階倍頻的幅值，上述特征量的計算方法可參考文獻[12]。

2.3 故障與正常狀態(tài)特征量對比分析

通過對振動加速度信號進行特征量提取，獲得了屏蔽泵在各種運行狀態(tài)下的特征量樣本數據，對故障和正常運行狀態(tài)下的特征量數據進行對比分析，發(fā)現故障狀態(tài)下的部分特征量較正常出現明顯的增長，且隨著故障程度的惡化而上升。由于不同故障類型的特征量存在相似的變化且特征量較多，無法歸納出規(guī)則知識進行診斷，因而采用基于隨機森林的方法進行屏蔽泵故障診斷是一種有效途徑。圖3是軸承磨損故障下X方向(上部)測點歸一化的1/2f幅值特征量數據與正常運行狀態(tài)下的對比，圖4是轉子不平衡故障下X方向(上部)測點歸一化的1f幅值特征量數據與正常運行狀態(tài)下的對比。

圖3 軸承磨損故障與正常狀態(tài)下歸一化的特征量對比Fig.3 Comparison of normalized features data between bearing wear fault and normal state of canned motor pump

圖4 轉子不平衡故障與正常狀態(tài)下歸一化的特征量對比Fig.4 Comparison of normalized features data betweenrotor unbalance fault and normal state of canned motor pump

圖5是葉輪口環(huán)刮磨故障狀態(tài)下X方向(下部)測點歸一化的有效值特征量數據與正常運行狀態(tài)下的對比，圖6是轉子與定子屏蔽套刮磨故障狀態(tài)下X方向(下部)測點歸一化的摩擦噪聲特征量數據與正常運行狀態(tài)下的對比。

圖5 葉輪口環(huán)刮磨故障與正常狀態(tài)下歸一化的特征量對比Fig.5 Comparison of normalized features data between impeller ring scraping fault and normal state of canned motor pump

圖6 屏蔽套刮磨故障與正常狀態(tài)下歸一化的特征量對比Fig.6 Comparison of normalized features data betweenshielding sleeve scraping fault and normal state of canned motor pump

3 屏蔽泵診斷模型訓練及驗證

對屏蔽泵振動信號進行特征量提取與分析之后，利用得到的表2中的特征量構建了隨機森林算法訓練的輸入樣本空間，輸出則對應屏蔽泵上述的5種狀態(tài)(包括正常狀態(tài)和4類故障狀態(tài))，將由故障模擬試驗獲得的屏蔽泵特征量樣本數據隨機均分成三份，以其中的一份數據作為診斷建模的訓練數據，剩余的兩份數據作為診斷模型測試和驗證的樣例數據，用于模型訓練和驗證的樣例數據信息如表3所示。

表2 隨機森林算法建模用特征量信息Table 2 The features information for model establishment by random forests algorithm

表3 屏蔽泵故障診斷模型訓練與驗證用樣本數據信息Table 3 The sample data information for training and verification of faults diagnostic model

將屏蔽泵故障訓練樣例數據作為隨機森林算法輸入量，算法中樹的棵樹設置為100，對隨機森林診斷模型參數進行訓練，從而建立了基于隨機森林的屏蔽泵典型故障診斷模型，同時采用了貝葉斯(Bayes)算法模型和支持向量機(SVM)算法模型對樣例數據進行了學習，分別得到各訓練模型的分類準確率對比如表4所示，可以看到隨機森林分類模型訓練的準確率要好于貝葉斯模型和支持向量機模型。

表4 基于不同算法訓練的屏蔽泵故障分類模型準確率對比Table 4 Accuracy Comparison of Faults Diagnosis Models Based on Different Algorithms

評判診斷模型的好壞還需要分析模型對訓練樣例之外的新數據的泛化能力，因此利用剩余的數據對所建立的屏蔽泵診斷模型進行測試和驗證，得到各模型的測試結果如表5所示。從中可以看出隨機森林診斷模型對新數據的預測準確率要高于其他兩種模型，且與模型訓練時的準確率基本一致，診斷模型具備了良好的泛化診斷能力，實現了屏蔽泵典型故障的有效識別和診斷。

表5 測試數據對屏蔽泵診斷模型的測試結果Table 5 The Test Results of Diagnostic Models for Canned Motor Pump Based on Test Data

4 結論

本文提出的屏蔽泵典型故障診斷方法以隨機森林算法為基礎，利用屏蔽泵故障模擬和正常狀態(tài)運行試驗獲取的振動信號數據，從中提取了用于訓練建模的特征量樣本數據，并據此建立了屏蔽泵典型故障診斷模型，通過對診斷模型進行測試和驗證，表明了所建立的隨機森林診斷模型能夠有效地對屏蔽泵典型故障進行識別與診斷，診斷準確率達97%以上，相對比優(yōu)于貝葉斯和支持向量機診斷模型。該方法對核動力屏蔽泵運行中的故障識別與診斷具有一定的應用價值，為相應監(jiān)測與診斷系統(tǒng)的開發(fā)和工程應用奠定了基礎。