楊靜宗 施春朝 楊天晴 李常芳

(保山學院大數(shù)據(jù)學院，云南 保山 678000)

隨著礦物管道輸送技術(shù)的不斷發(fā)展，礦物管道的安全輸送已成為備受關(guān)注的一大問題。高壓隔膜泵作為礦漿輸送管道的核心動力源，它是整個系統(tǒng)能否在安全、高效的前提下正常運行的保證。在隔膜泵內(nèi)部故障中約有40%～60%是由單向閥故障引起的，單向閥健康狀態(tài)直接影響了礦物管道的輸送效率。由于機械設(shè)備組件的故障通常伴隨著振動信號的變化，通過采集設(shè)備的振動信號并對其作出相應(yīng)的診斷分析是一種較為適宜的方法之一。然而，由于單向閥的運行過程較為復雜，使得提取的振動信號有非平穩(wěn)性，提取的特征參數(shù)有模糊性，給單向閥故障診斷帶來了極大的困難。近年來，傅里葉變換[1]、短時傅里葉變換[2]和Winger-Ville分布[3]等傳統(tǒng)的分析方法在分析非平穩(wěn)信號中開展了一定程度的應(yīng)用，但是上述方法無法有效兼顧非平穩(wěn)信號在時域與頻域的全局與局部特征。基于局部均值分解(local mean decomposition, LMD)[4]的信號處理方法是目前的研究熱點，其可把非平穩(wěn)信號分解為若干個不同頻率的PF分量和一個余量，有效地抑制了經(jīng)驗模態(tài)分解法(empirical mode decomposition,EMD)[5]產(chǎn)生的模特混疊效應(yīng)，現(xiàn)已被廣泛地應(yīng)用于多個領(lǐng)域，并取得了良好的效果。林江剛等人[6]提出了基于聲發(fā)射信號信息熵特征和LMD相結(jié)合的分析方法，實驗表明，其可以有效識別出低轉(zhuǎn)速狀態(tài)下的軸承故障。沈超等人[7]通過結(jié)合LMD、模糊熵和流形學習的基本思想，對齒輪振動信號進行了故障診斷，證明了所提出方法的有效性。王名月等人[8]提出了一種基于LMD樣本熵和徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別方法，并對振動環(huán)境下的信號進行了識別。結(jié)果表明：該方法對結(jié)構(gòu)損傷的位置和損傷程度都取得了較高的識別精度。王海軍等人[9]針對水電站廠房振動監(jiān)測中易受噪聲干擾的問題，采用數(shù)據(jù)融合和LMD相結(jié)合的方法。實驗表明該方法可以有效提高信號的信噪比，并準確地提取了振動信息。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)識別方法對樣本的數(shù)量要求大，訓練測試的速度較慢，因而難以適應(yīng)實際的工程問題。而灰色關(guān)聯(lián)度分析[10-13]作為灰色系統(tǒng)理論的核心內(nèi)容之一，具有諸多優(yōu)勢：對樣本的分布無特別的要求，算法編程簡單、計算效率高等等?；诖耍疚囊愿裟け脝蜗蜷y為研究對象，采用基于LMD的方法對單向閥的振動信號展開自適應(yīng)的分解，進而提取對應(yīng)的信號故障特征。針對故障模式不易識別的問題，引入灰色關(guān)聯(lián)度，構(gòu)建單向閥故障診斷模型，為單向閥的故障診斷提供一種新的途徑。

1 算法基本原理

1.1 LMD算法原理

LMD方法是由Smith提出的一種信號分解法，其原理是把非平穩(wěn)信號分解為若各個不同頻率的PF分量和一個余量，這些分量由不同尺度的純調(diào)頻信號和包絡(luò)信號相乘得到。若原信號為x(t)，那么分解步驟可以闡述為以下的形式。

(1)計算原信號x(t)的全部局部極值點ni，然后計算相鄰局部極值點的平均值mi：

(1)

通過對mi構(gòu)成的直線展開平滑操作，可以求出x(t)的局部均值函數(shù)m11(t)。

(2)求包絡(luò)估計值：

(2)

同理，通過滑動平均法處理得到包絡(luò)估計函數(shù)a11(t)。

(3)對原信號x(t)進行分離：

h11(t)=x(t)-m11(t)

(3)

(4)對h11(t)進行解調(diào)，可得到：

s11(t)=h11(t)/a11(t)

(4)

進一步，通過重復上述步驟可計算得到包絡(luò)估計函數(shù)a12(t)。若s11(t)不是純調(diào)頻信號，就需要重復以上迭代步驟，直到符合a1(n+1)(t)=1時，計算出純調(diào)頻信號s1n(t)，所以有：

(5)

(6)

迭代終止的條件如下：

(7)

(5)求出包絡(luò)信號：

(8)

(6)計算第1個PF分量：

PF1(t)=a1(t)s1n(t)

(9)

(7)從原信號中把PF1(t)分離出來，求得新的信號u1(t)得新，然后把它作為原始數(shù)據(jù)并循環(huán)重復上述步驟K次，直到uk(t)成為單調(diào)函數(shù)。

(11)

將全部PF分量和uk(t)重組，可得到：

(12)

1.2 灰色關(guān)聯(lián)度理論

灰色關(guān)聯(lián)度是描述時間序列變化趨勢的接近程度[14-16]。有著對稱性、唯一性以及可比性等特點。灰色關(guān)聯(lián)度的基本思想如下：

(2)求|s0|、|si|和|si-s0|。具體公式為：

(3)求各灰色絕對關(guān)聯(lián)度ε0i，(i=1,2,…,m)。具體公式為：

2 基于LMD和灰色關(guān)聯(lián)度的單向閥故障診斷模型

基于LMD和灰色關(guān)聯(lián)度的單向閥故障診斷流程如圖1所示，詳細步驟如下：

(1)選取不同狀態(tài)下的單向閥振動信號，從中得到不同故障數(shù)據(jù)，然后通過LMD和EMD分解法將上述樣本分解成若干個PF分量和IMF分量。

(2)根據(jù)互相關(guān)系數(shù)法，求出各個PF分量和IMF分量的互相關(guān)系數(shù)，然后從中選取和原始信號關(guān)聯(lián)度高的PF分量和IMF分量。

(3)從篩選得到的單向閥處于不同狀態(tài)下的PF分量和IMF分量中分別提取排列熵和奇異值，然后構(gòu)建特征向量T=[T1,T2,T3,T4,T5,T6]和灰色關(guān)聯(lián)度分析模型。

(4)求出待識別模式與單向閥各運行狀態(tài)下的標準模式之間的灰色關(guān)聯(lián)度，然后按照灰色關(guān)聯(lián)度最大準則，對上述關(guān)聯(lián)度值的大小進行對比分析，方可完成單向閥故障狀態(tài)的識別。

3 實驗分析

為獲得不同狀態(tài)下的標準模式特征向量，本實驗采用中國西部某礦漿輸送管線的數(shù)據(jù)采集系統(tǒng)得到的高壓隔膜泵單向閥現(xiàn)場數(shù)據(jù)作為故障檢測的依據(jù)。該管線的泵站采用的隔膜泵型號為TZPM，數(shù)據(jù)采集卡為PXIe-3342型8通道采集卡。所采集到的振動信號包括正常運行、粗顆粒卡閥和磨損擊穿3種狀態(tài)，采樣頻率為2 560 Hz。首先，選取以上3種狀態(tài)的樣本數(shù)據(jù)進行信號分解。經(jīng)過LMD和EMD分解后的單向閥正常運行、粗顆?？ㄩy和磨損擊穿的結(jié)果圖如圖3～5所示。

根據(jù)互相關(guān)準則，計算經(jīng)過LMD、EMD分解后得到的PF分量和IMF分量與原始信號的互相關(guān)程度，所得結(jié)果如圖6所示。通過分析圖6中不同狀態(tài)下的各PF分量和IMF分量與原始信號的互相關(guān)系數(shù)值，可知：經(jīng)過LMD分解后，得到的前3個PF分量與原始信號相關(guān)度相對較高。經(jīng)過EMD分解后，得到的IMF2、IMF3、IMF4分量與原始信號相關(guān)度相對較高?；诖耍狙芯窟x取上述3個PF分量和3個IMF分量分別進行單向閥不同運行狀態(tài)下的排列熵和奇異值特征提取，并構(gòu)造特征向量。為防止數(shù)據(jù)選取的偶然性，實驗分別選取了單向閥在3種狀態(tài)下的信號各20組，并提取對應(yīng)的特征向量。然后，將每種運行狀態(tài)下的10組數(shù)據(jù)作為標準模式向量，剩余的10組數(shù)據(jù)作為待檢測的模式向量。由于篇幅所限，表1中只展示了單向閥正常、磨損擊穿和粗顆粒卡閥狀態(tài)中的1組數(shù)據(jù)提取得到的特征向量。其中，T1～T3為提取的排列熵特征，T4～T6為提取的奇異值特征。

表1 標準模式特征向量

接下來，構(gòu)建灰色關(guān)聯(lián)度模型，模型計算得到的結(jié)果如表2～4所示。表2～4分別為單向閥處于正常狀態(tài)、磨損擊穿和粗顆?？ㄩy下的測試數(shù)據(jù)識別結(jié)果。其中，表中的三列數(shù)據(jù)R1、R2和R3分別為單向閥處于正常、磨損擊穿和粗顆粒卡閥狀態(tài)的關(guān)聯(lián)度值。根據(jù)灰色關(guān)聯(lián)度準則，所得到的結(jié)果值越大，則代表關(guān)聯(lián)程度越高。從表2可看出，所有第一列R1的關(guān)聯(lián)度值均大于第二列R2和第三列R3的關(guān)聯(lián)度值，由此可以判斷出10個測試樣本為單向閥正常運行狀態(tài)下的數(shù)據(jù)，和實際所處的狀態(tài)一致。從表3可看出，樣本1和樣本9中的關(guān)聯(lián)度最大值分別為R3和R1對應(yīng)的結(jié)果值，被錯誤地識別為粗顆?？ㄩy和正常狀態(tài)。其余數(shù)據(jù)均被正確識別為磨損擊穿狀態(tài)。從表4可看出，所有第三列R3的關(guān)聯(lián)度值均大于第一列R1和第二列R2的關(guān)聯(lián)度值，由此可判斷得到所處的狀態(tài)為粗顆?？ㄩy，識別的結(jié)果完全正確。

表2 正常狀態(tài)下基于LMD和灰色關(guān)聯(lián)度的識別結(jié)果

表3 磨損擊穿狀態(tài)下基于LMD和灰色關(guān)聯(lián)度的識別結(jié)果

表4 粗顆?？ㄩy狀態(tài)下基于LMD混合特征和灰色關(guān)聯(lián)度的識別結(jié)果

為分析經(jīng)混合特征建模的灰色關(guān)聯(lián)度模型和利用單一特征直接建模的灰色關(guān)聯(lián)度模型的識別效果，本研究另外進行了2次對比實驗，實驗的識別結(jié)果如圖7和圖8所示。其中，圖7和圖8分別表示采用奇異值特征、排列熵特征直接建模的識別結(jié)果，識別準確率的比較如表4所示。

經(jīng)過對比分析可知：在基于奇異值特征直接建模的識別中，單向閥正常運行、磨損擊穿狀態(tài)被正確識別的個數(shù)均為6個，而粗顆?？ㄩy狀態(tài)被正確識別的個數(shù)僅有6個。在基于排列熵特征直接建模的識別中，單向閥正常運行、磨損擊穿狀態(tài)被正確識別的個數(shù)分別為7個和5個，粗顆?？ㄩy狀態(tài)被正確識別的個數(shù)為8個?；趩我惶卣鹘５姆绞綄蜗蜷y不同類型的故障識別效率不甚理想，識別準確率僅為46.67%和56.67%。在基于混合特征建模的識別結(jié)果中，僅有2個測試數(shù)據(jù)被錯誤識別，識別準確率達到了99.33%，通過聯(lián)合混合特征的方式有效地提高了識別效果。

表5 識別結(jié)果分析

為進一步比較基于LMD和EMD分解法提取的特征的識別結(jié)果，本文同時采用基于LMD和EMD方法提取的混合特征建模的方式進行了灰色關(guān)聯(lián)度識別，結(jié)果如表6所示。從中可看出，基于EMD方法提取的混合特征建模的識別結(jié)果共有25個數(shù)據(jù)被正確識別，準確率僅為83.33%，低于基于LMD方法提取的混合特征建模的識別準確率。通過LMD分解得到的PF分量較好地表征了原信號不同的局部特征信息。

表6 基于LMD和EMD的識別結(jié)果分析

4 結(jié)語

本文針對高壓隔膜泵單向閥故障振動信號的非平穩(wěn)特性，提出了LMD和灰色關(guān)聯(lián)度相結(jié)合的單向閥的故障診斷方法。實驗過程中，分別利用基于LMD和EMD分解法對單向閥3種不同狀態(tài)下的信號進行自適應(yīng)分解，再進一步選取互相關(guān)系數(shù)相對較高的PF分量和IMF分量，然后提取出對應(yīng)的奇異值和排列熵作為特征向量。最后，引入灰色關(guān)聯(lián)度理論，構(gòu)建單向閥故障診斷識別模型。實驗結(jié)果表明：通過混合特征建模的方式更為全面的表征了信號所含的信息，取得的識別效果要優(yōu)于基于單一特征建模的方式。其次，由于LMD方法值是通過純調(diào)頻信號而得到瞬時頻率，而EMD通過對IMF分量進行Hilbert變換獲得瞬時頻率，因而LMD分解法在迭代次數(shù)和抑制端點效應(yīng)上要優(yōu)于EMD分解法。同時，通過對基于上述2種分解法所得到的識別結(jié)果的比較，可知基于LMD提取的混合特征建模的方式得到的識別準確率更高，能夠更加有效地識別小樣本條件下的單向閥故障。