王文明，張永鑫，侯春來，王禹琪，王海龍，李志偉

1 中國石油大學(xué)(北京) 機(jī)械與儲運(yùn)工程學(xué)院海洋油氣智能裝備實(shí)驗(yàn)室，北京 102249

2 長慶油田分公司第四采油廠，靖邊 718500

0 引言

注水泵是油田注水作業(yè)工藝中的“心臟”設(shè)備，由于實(shí)際生產(chǎn)中注水壓力需求較高，常采用柱塞式往復(fù)注水泵進(jìn)行作業(yè)。然而，由于惡劣的工作環(huán)境，注水泵易損部件的故障率較高，容易出現(xiàn)軸瓦損壞、缸體與十字頭磨損嚴(yán)重、電機(jī)燒損等問題，從而影響整個(gè)注水系統(tǒng)的平穩(wěn)安全運(yùn)行。針對上述問題，研究往復(fù)式注水泵的健康狀態(tài)定量評估，及時(shí)發(fā)現(xiàn)設(shè)備故障狀態(tài)，將為后續(xù)優(yōu)化維修策略提供依據(jù)，對保障注水系統(tǒng)的安全運(yùn)行具有重要意義。

往復(fù)式注水泵設(shè)備健康度評價(jià)流程主要分為數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和健康度計(jì)算3 部分。數(shù)據(jù)采集方面，由于體現(xiàn)注水泵健康狀態(tài)的性能參數(shù)主要為機(jī)械零部件的振動(dòng)信號，通常將振動(dòng)信號作為注水泵的健康度評價(jià)指標(biāo)。針對泵類設(shè)備的健康狀態(tài)評價(jià)方法，目前主要以健康狀態(tài)分類和故障診斷研究為主，對注水泵的健康程度量化的相關(guān)研究較少。國內(nèi)學(xué)者如左學(xué)謙等[1]基于模糊層次分析法建立了柱塞泵的健康狀態(tài)評估模型，成功應(yīng)用于油田用柱塞泵的故障定位與健康狀態(tài)分類，判斷矩陣的選取主觀性較強(qiáng)，導(dǎo)致在實(shí)際應(yīng)用中自適應(yīng)能力較弱；王前江等[2]使用經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)對采集的信號進(jìn)行降噪處理，提取信號特征指標(biāo)后利用核熵成分分析實(shí)現(xiàn)了對離心泵的健康狀態(tài)客觀評價(jià)，EMD方法存在模態(tài)混疊和端點(diǎn)效應(yīng)問題[3]；魏曉良等[4]基于長短時(shí)記憶和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，實(shí)現(xiàn)了對高速柱塞泵的故障診斷，基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)分類方法又需要大量設(shè)備運(yùn)行數(shù)據(jù)，尤其是設(shè)備異常數(shù)據(jù)用于訓(xùn)練健康狀態(tài)分類模型，但在實(shí)際生產(chǎn)工作中，大多數(shù)設(shè)備處于健康工作狀態(tài)，故障數(shù)據(jù)較少，因此容易造成樣本不均衡問題。國外學(xué)者如HANCOCK等[5]采用小波包分析方法對立式泵的振動(dòng)信號進(jìn)行分解，將包含泵正常和故障狀態(tài)特征信號的數(shù)據(jù)包輸入自適應(yīng)神經(jīng)模糊推理系統(tǒng)，實(shí)現(xiàn)了對泵的健康狀態(tài)分類，但小波包分解中閾值和小波包基函數(shù)的選取對降噪結(jié)果影響較大，導(dǎo)致自適應(yīng)能力不強(qiáng)；Lee等[6]利用卡爾曼濾波將液壓齒輪泵的振動(dòng)信號與壓力信號進(jìn)行融合，提取特征后利用長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)成功對齒輪泵進(jìn)行了健康指數(shù)分析及壽命預(yù)測，Orrù PF等[7]采集離心泵的溫度、振動(dòng)、壓力信號，采用多層感知機(jī)與支持向量機(jī)相結(jié)合的方法，實(shí)現(xiàn)了對離心泵潛在故障的識別與分類，但這些方法同樣需要大量故障數(shù)據(jù)進(jìn)行訓(xùn)練機(jī)器學(xué)習(xí)模型，易造成樣本不均衡的問題。

結(jié)合上述研究中存在的優(yōu)點(diǎn)和問題，本文借鑒變分模態(tài)分解(Variational Mode Decomposition, VMD)與支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)相結(jié)合的方法[8]。對往復(fù)式注水泵進(jìn)行健康度評價(jià)計(jì)算，該方法在液壓泵與火炮自動(dòng)機(jī)的健康狀態(tài)監(jiān)測及評價(jià)中已取得較好的實(shí)際應(yīng)用效果[9-10]。算法流程：利用VMD方法對注水泵的振動(dòng)信號進(jìn)行分解，提取模態(tài)分量的排列熵(Permutation Entropy，PE)組成注水泵健康度評價(jià)特征向量；采用SVDD在單值分類問題上的優(yōu)勢，僅使用健康狀態(tài)運(yùn)行下注水泵數(shù)據(jù)樣本的特征向量進(jìn)行SVDD超球體模型的構(gòu)建，引入粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法對模型參數(shù)進(jìn)行優(yōu)化；計(jì)算注水泵不同健康狀態(tài)的數(shù)據(jù)到超球體球心的距離D，參考隸屬度函數(shù)進(jìn)行公式擬合，實(shí)現(xiàn)注水泵的健康度定量評價(jià)。

1 算法簡介

1.1 變分模態(tài)分解

VMD[11]是2014年出現(xiàn)的一種自適應(yīng)信號分解方法，與經(jīng)驗(yàn)?zāi)B(tài)分解法相比，VMD算法將最優(yōu)分解問題轉(zhuǎn)化為變分約束問題，可將信號分解為K個(gè)有限帶寬且?guī)в兄行念l率的本征模態(tài)函數(shù)(Band-Limited Intrinsic Mode Function，BIMF)分量，有效抑制了EMD算法中的模態(tài)混疊問題，具有較高的運(yùn)算效率和抗噪能力。

為檢驗(yàn)VMD算法相較于其他數(shù)據(jù)預(yù)處理方法的優(yōu)勢，從采集到的注水泵振動(dòng)信號中隨機(jī)截取100個(gè)數(shù)據(jù)點(diǎn)，然后分別利用EMD、集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)[12]、自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)[13]、VMD算法對截取的信號進(jìn)行分解。將分解得到的BIMF分量用頻譜圖(圖1)的形式展現(xiàn)，比較信號分解效果。觀察圖1 可以得出，相較于其他信號處理方法，VMD能更明顯的將信號的不同頻率成分分解到不同的BIMF分量中，而且有效抑制了模態(tài)混疊問題。

圖1 信號處理方法BIMF分量頻譜圖Fig. 1 Spectrogram of BIMF component of each signal processing method

1.2 排列熵

熵值可體現(xiàn)出信號序列的復(fù)雜程度，當(dāng)機(jī)械設(shè)備出現(xiàn)故障時(shí)，其振動(dòng)信號的信息熵會發(fā)生改變，因此可以通過信息熵的變化間接判斷出注水泵設(shè)備的健康狀態(tài)變化情況。常見的信息熵有近似熵(Approximate Entropy, AE)[14]、 樣本熵(Sample Entropy, SE)[15]、 模糊熵(Fuzzy Entropy，F(xiàn)E)[16]、 排列熵(Permutation Entropy，PE)[17]等。根據(jù)目前學(xué)者的研究[18]，對比這幾類信息熵，排列熵可有效反映非平穩(wěn)信號隨時(shí)間序列的微小變化，對實(shí)時(shí)的數(shù)據(jù)變化有很強(qiáng)的敏感性，具有計(jì)算量少、魯棒性強(qiáng)、靈敏度高等優(yōu)點(diǎn)，目前已廣泛應(yīng)用于機(jī)械設(shè)備故障診斷、健康狀態(tài)監(jiān)測等領(lǐng)域[19-20]。因此本文提取注水泵振動(dòng)信號的排列熵構(gòu)建特征向量，用于后續(xù)注水泵健康度評價(jià)的相關(guān)計(jì)算。

1.3 支持向量數(shù)據(jù)描述

支持向量數(shù)據(jù)描述[21]的核心思想是利用核函數(shù)對樣本進(jìn)行非線性映射，映射到高維的內(nèi)積空間，在特征空間中尋找一個(gè)盡可能多地包含樣本且體積最小的超球體(最優(yōu)超球體)，使用同樣的映射算法將待測試數(shù)據(jù)集映射至高維空間，計(jì)算數(shù)據(jù)點(diǎn)到超球體中心的距離D，與超球體半徑R相比較便可以判斷其是否正常，如圖2 所示。SVDD可以只對設(shè)備健康運(yùn)行數(shù)據(jù)進(jìn)行最優(yōu)超球體模型的構(gòu)建，同時(shí)將樣本映射到高維空間也降低了不均衡數(shù)據(jù)中樣本重疊的風(fēng)險(xiǎn)，因此相對于其他分類學(xué)習(xí)方法，SVDD分類精度更高。

圖2 SVDD超球體示意圖Fig. 2 Schematic diagram of SVDD hypersphere

1.4 粒子群優(yōu)化算法

選擇高斯核作為SVDD模型搭建過程的核函數(shù)，其關(guān)鍵參數(shù)為懲罰因子C和高斯核參數(shù)s，超球體的體積也主要由懲罰因子C和高斯核參數(shù)s決定[22]。懲罰因子C可以控制模型的復(fù)雜度，s不變時(shí)，隨著C的增加，排除在超球體之外的樣本受到的懲罰變重，對大樣本數(shù)據(jù)的分類效果越差。高斯核參數(shù)s的大小影響支持向量的數(shù)量，當(dāng)C不變時(shí)，s越小，支持向量越多，容易導(dǎo)致超球體模型過擬合。因此這2 個(gè)參數(shù)的選取對SVDD算法的準(zhǔn)確率和魯棒性有很大的影響。為了提高SVDD算法的性能，引入粒子群優(yōu)化(PSO)算法對懲罰因子C和高斯核參數(shù)s進(jìn)行優(yōu)化。

PSO算法主要模擬鳥類覓食的遷移和聚集行為[23]。PSO優(yōu)化SVDD參數(shù)的步驟[24]如下：

(1) 初始化

任意分配初始值給SVDD的懲罰因子C與核函數(shù)參數(shù)s。

(2) 評價(jià)適配度

用C和s表示的待優(yōu)化的每個(gè)粒子來訓(xùn)練SVDD，并計(jì)算每個(gè)粒子的適配值F，計(jì)算公式為:

式中：y為測試樣本的正確分類數(shù)；N為測試樣本總數(shù)。

(3) 迭代更新

假設(shè)在一個(gè)n維空間中，種群X包含m個(gè)粒子，即X=[x1,x2, …,xm]，那么第i個(gè)粒子的位置為xi=[xi1,xi2, …,xin]，第i個(gè)粒子的歷史最優(yōu)位置為，速度為，群體的最佳位置。對于每個(gè)粒子，將C和s下的當(dāng)前適配值與上一步得到的最佳歷史適配值進(jìn)行比較，如果當(dāng)前的適配值優(yōu)于歷史最優(yōu)適配值，則在每次迭代中更新粒子的歷史最優(yōu)值C和s，求解粒子速度和位置的公式為：

式中，i為粒子數(shù)；d為粒子維數(shù)；k為迭代次數(shù)；w為慣性權(quán)重；r1，r2為[0，1]之間的隨機(jī)數(shù)；c1和c2為學(xué)習(xí)系數(shù)，c1代表粒子跟蹤自身歷史最優(yōu)值的系數(shù)，c2代表當(dāng)前粒子對全局最優(yōu)粒子學(xué)習(xí)程度的系數(shù)。

(4) 迭代結(jié)束

設(shè)定最大迭代次數(shù)作為迭代終止條件，當(dāng)達(dá)到最大迭代次數(shù)時(shí)輸出SVDD參數(shù)最優(yōu)解。

2 數(shù)據(jù)采集

2.1 往復(fù)式注水泵現(xiàn)場情況

長慶油田某注水泵房為往復(fù)式柱塞泵，注水壓力需求較高，泵體內(nèi)部振動(dòng)無法避免。部分注水泵因安裝及工藝布局問題振動(dòng)較為明顯，影響正常注水。因此需要對其注水泵進(jìn)行振動(dòng)監(jiān)測，并進(jìn)行健康度評價(jià)，從而能第一時(shí)間發(fā)現(xiàn)泵的異常狀態(tài)，避免因不及時(shí)維修造成的嚴(yán)重?fù)p失。

選用3 臺型號相同但健康狀態(tài)不同的三缸柱塞泵為研究對象，其中第1 臺為剛安裝一個(gè)月的健康運(yùn)行注水泵I，第2 臺為運(yùn)行半年、未發(fā)生過故障的健康狀態(tài)注水泵Ⅱ，第3 臺為振動(dòng)嚴(yán)重以致更換為臨時(shí)管線的健康狀態(tài)較差的注水泵Ⅲ，主要參數(shù)如表1 所示。

表1 注水泵主要參數(shù)Table 1 Main parameters of injection pump

現(xiàn)場采集設(shè)備振動(dòng)數(shù)據(jù)，分別進(jìn)行健康度評價(jià)，與設(shè)備實(shí)際健康狀態(tài)進(jìn)行對比。注水泵現(xiàn)場圖片如圖3 所示。

圖3 注水泵現(xiàn)場圖片F(xiàn)ig. 3 On-site picture of injection pump

2.2 注水泵運(yùn)行數(shù)據(jù)采集

(1)振動(dòng)數(shù)據(jù)采集設(shè)備

選用壓電式加速度傳感器PCB 352C33，靈敏度為100 mVg，最高分辨率1 μg，同時(shí)選用美國NI(National Instruments)公司生產(chǎn)的NI 9234 型4 通道數(shù)據(jù)采集器進(jìn)行傳感器數(shù)據(jù)的采集，其模擬電壓的采集范圍為±5 V，最大采樣率51.2 kS/s。根據(jù)采樣定理，采樣頻率必須大于信號成分中最高頻率的2 倍，本研究項(xiàng)目中采樣頻率設(shè)為1652 Hz。使用LabVIEW軟件編程實(shí)現(xiàn)數(shù)據(jù)的可視化，測量系統(tǒng)及程序界面如圖4 所示。

圖4 采集設(shè)備展示Fig. 4 Collection equipment display

(2)測點(diǎn)布置

振動(dòng)信號采集另一個(gè)關(guān)鍵是測點(diǎn)的布置。測點(diǎn)的選取原則是基于用盡量少的測點(diǎn)，采集到盡量多的設(shè)備運(yùn)行信息。研究項(xiàng)目中振動(dòng)測點(diǎn)均在機(jī)殼表面，每臺注水泵有4 個(gè)測點(diǎn)，注水泵平面結(jié)構(gòu)圖如圖5 所示，測點(diǎn)分別位于：泵閥入口、十字頭部位、曲軸輸入端、驅(qū)動(dòng)電機(jī)輸出端，分別對應(yīng)圖6 的1、2、3、4 標(biāo)記點(diǎn)位置。

圖5 注水泵平面結(jié)構(gòu)Fig. 5 Plane structure of injection pump

圖6 測點(diǎn)布置Fig. 6 Measuring point layout

各測點(diǎn)振動(dòng)信號單次采樣時(shí)間為10 s，每間隔10 min采樣一次，采樣5 次，則每臺注水泵采集到20個(gè)樣本，3 臺注水泵共采集到60 個(gè)樣本，每個(gè)樣本中有約21 000 個(gè)數(shù)據(jù)點(diǎn)，利用這些樣本數(shù)據(jù)進(jìn)行后續(xù)的注水泵健康度分析。

3 數(shù)據(jù)預(yù)處理

采集的振動(dòng)數(shù)據(jù)在進(jìn)行VMD分解之前，首先需要確定分解層數(shù)K的取值。從健康注水泵I的4 個(gè)測點(diǎn)的數(shù)據(jù)樣本中，每個(gè)測點(diǎn)隨機(jī)抽取一個(gè)樣本，從抽取的4 個(gè)樣本中各截取1000 個(gè)數(shù)據(jù)點(diǎn)作為K值計(jì)算樣本，分別使用依次增加的K值對其進(jìn)行VMD分解，以泵閥處樣本數(shù)據(jù)為例，不同分解層數(shù)K對應(yīng)的各BIMF分量的歸一化中心頻率如表1 所示。相鄰分量中心頻率的差值越小，則越容易出現(xiàn)模態(tài)混疊(過分解)現(xiàn)象，觀察表2 可知，當(dāng)K值為6 時(shí)，第一次出現(xiàn)0.2657 Hz和0.2464 Hz這2 個(gè)相近的中心頻率，即可認(rèn)為發(fā)生了過分解，因此分解層數(shù)確立為5。

表2 泵閥待評價(jià)樣本不同K值下的歸一化中心頻率Table 2 The normalized center frequency of the pump valve under different K values of the sample to be evaluated

將各測點(diǎn)樣本數(shù)據(jù)按照確立的分解層數(shù)分解，并進(jìn)行頻譜分析得到圖7。

圖7 不同測點(diǎn)樣本數(shù)據(jù)VMD分解及頻譜分析Fig. 7 VMD decomposition and spectrum analysis of sample data at different measurement points

從圖7 可以看出，VMD方法可以準(zhǔn)確地將振動(dòng)信號分解為從低頻到高頻的多個(gè)單分量模態(tài)信號，且各測點(diǎn)BIMF分量的中心頻率沒有發(fā)生混疊現(xiàn)象。按照同樣的方法，經(jīng)計(jì)算，十字頭、曲軸、電機(jī)測點(diǎn)處數(shù)據(jù)的VMD分解層數(shù)K分別確立為4、5、3。

確定好各測點(diǎn)數(shù)據(jù)的分解層數(shù)后，再隨機(jī)從注水泵I 4 個(gè)測點(diǎn)的數(shù)據(jù)樣本中，每個(gè)測點(diǎn)各抽取1 個(gè)樣本，然后將抽取的數(shù)據(jù)樣本各截取20 000 個(gè)數(shù)據(jù)點(diǎn)，按每組1000 個(gè)數(shù)據(jù)平均分為20 組，共獲得80 組數(shù)據(jù)作為注水泵健康度評價(jià)模型的數(shù)據(jù)基礎(chǔ)。對每組數(shù)據(jù)按照各自位置確定的分解層數(shù)K值進(jìn)行VMD分解，即每組泵閥處樣本數(shù)據(jù)分解為5 個(gè)BIMF分量、每組十字頭處樣本數(shù)據(jù)分解為4 個(gè)BIMF分量、每組曲軸輸入端處樣本數(shù)據(jù)分解為5 個(gè)BIMF分量、每組電機(jī)輸出端處樣本數(shù)據(jù)分解為3 個(gè)BIMF分量，計(jì)算所有分量的排列熵，最后將每組分量的排列熵同樣按照泵閥、十字頭、曲軸、電機(jī)的順序組合成17 維特征向量，作為健康注水泵I的特征向量，如表3 所示。

表3 各測點(diǎn)振動(dòng)信號模態(tài)分量的排列熵值(部分)Table 3 Arrangement entropy of modal components of vibration signal at each measuring point (part)

4 健康度計(jì)算

4.1 健康度定量評估

基于1.3 和1.4 的算法理論，取上述健康注水泵I的特征向量作為訓(xùn)練樣本，輸入用Matlab搭建的PSO-SVDD算法程序構(gòu)建超球體模型。訓(xùn)練樣本經(jīng)PSO-SVDD方法訓(xùn)練后得到優(yōu)化后的懲罰因子C=0.7563，高斯核參數(shù)s=8，超球體模型的半徑R=0.0413。超球體模型搭建完畢，再從注水泵I、注水泵Ⅱ及注水泵Ⅲ的各測點(diǎn)數(shù)據(jù)樣本中各隨機(jī)抽取一個(gè)樣本，按照上述注水泵I特征向量的構(gòu)建方法構(gòu)建測試樣本特征向量。最后將測試樣本特征向量輸入搭建的超球體模型中，通過歐氏距離法[25]得到各個(gè)樣本點(diǎn)到超球體球心的距離D如圖8 所示。

圖8 不同樣本點(diǎn)到超球體球心距離Fig. 8 Distances from different sample points to the center of the hypersphere

由圖8 可知，注水泵I、注水泵Ⅱ的測試樣本數(shù)據(jù)中，絕大部分到超球體球心的距離D小于超球體半徑R，即數(shù)據(jù)點(diǎn)在超球體內(nèi)部，說明注水泵處于健康狀態(tài)。而對于健康狀態(tài)較差的注水泵Ⅲ，其所有樣本數(shù)據(jù)到超球體球心的距離D均大于超球體半徑，即數(shù)據(jù)點(diǎn)均在超球體外部，說明注水泵Ⅲ的運(yùn)行狀態(tài)與健康狀態(tài)注水泵相比產(chǎn)生了較大偏差，健康狀態(tài)較差。計(jì)算結(jié)果與現(xiàn)場注水泵的實(shí)際健康狀態(tài)相符，證明了算法的可靠性。

為進(jìn)一步對注水泵的健康狀態(tài)進(jìn)行定量評估，引入變形后的隸屬度函數(shù)[26]將注水泵樣本數(shù)據(jù)距離超球體球心的距離D轉(zhuǎn)換為健康度H。根據(jù)樣本數(shù)據(jù)距離超球體球心的距離越大，則注水泵健康狀態(tài)越差的特點(diǎn)，設(shè)置當(dāng)D小于R時(shí)，用二次項(xiàng)公式擬合H與R的線性關(guān)系，且滿足D=R時(shí)，健康度約為90 分；當(dāng)D>R時(shí)，用變形后的降半柯西型公式進(jìn)行擬合，并滿足拐點(diǎn)處健康度約為60 分，基于上述條件擬合公式確立為：

將此擬合公式用于定量評估注水泵健康度，得到2 臺測試用注水泵的健康度評價(jià)曲線如圖9 所示。

圖9 注水泵健康度評價(jià)結(jié)果Fig. 9 Health evaluation results of water injection pump

從圖9 中可以看出，注水泵I和注水泵Ⅱ健康度分值基本在90 分以上，總體上說明兩泵均處于健康狀態(tài)；而注水泵Ⅲ健康度分值普遍在70 分左右，說明健康狀態(tài)較差，與實(shí)際情況相符，證明了定量評估健康度算法的可靠性。

4.2 算法對比

為驗(yàn)證PSO-SVDD相較于其他方法優(yōu)化模型的準(zhǔn)確性，采用與上文相同的注水泵訓(xùn)練樣本數(shù)據(jù)，利用五折交叉驗(yàn)證法，將訓(xùn)練樣本數(shù)據(jù)平均分為5 組，每次選取4 組數(shù)據(jù)作為訓(xùn)練集，剩余1 組作為測試集，輪流選取5 次，每次都將訓(xùn)練集分別利用單SVDD方法、貝葉斯優(yōu)化(Bayesian Optimization Algorithm，BOA)[27]SVDD(BOA-SVDD)方法、遺傳算法(Genetic Algorithm，GA)[28]優(yōu) 化SVDD(GA-SVDD)方 法 及PSO-SVDD方法進(jìn)行超球體模型的搭建，將測試集輸入超球體模型，計(jì)算測試集數(shù)據(jù)映射后落在超球體內(nèi)部的比率，作為模型的準(zhǔn)確率，最后分別將5 次的準(zhǔn)確率取平均值，得到每個(gè)算法的綜合準(zhǔn)確率。其中單SVDD方法根據(jù)經(jīng)驗(yàn)手動(dòng)調(diào)參，最終設(shè)置懲罰因子C=0.3，高斯核參數(shù)s=5。計(jì)算結(jié)果對比如表4 所示。

表4 各算法計(jì)算結(jié)果對比Table 4 Comparison of calculation results of various algorithms

由表4 數(shù)據(jù)可得，使用不同算法優(yōu)化參數(shù)后得到的高斯核參數(shù)s幾乎相同，此時(shí)BOA-SVDD、GASVDD和PSO-SVDD這3 種方法的懲罰因子C依次減小，得到SVDD模型的準(zhǔn)確率依次提升，驗(yàn)證了前文所述研究結(jié)果：即當(dāng)s不變時(shí)，隨著C的增加，對樣本數(shù)據(jù)的分類效果越差，建立的模型準(zhǔn)確率也越低。PSO-SVDD準(zhǔn)確率為95%，相比于其他3 種評價(jià)方法的準(zhǔn)確率分別提高了15%、10%和10%，準(zhǔn)確率最高，證明更適合應(yīng)用于對注水泵設(shè)備的健康度評價(jià)。

5 結(jié)論

本文結(jié)合VMD與PSO-SVDD方法對實(shí)際工程中的注水泵進(jìn)行了健康度評價(jià)研究。該評價(jià)方法結(jié)合了VMD和SVDD算法的優(yōu)點(diǎn)，同時(shí)考慮了健康度定量評估的準(zhǔn)確性和真實(shí)性，主要結(jié)論如下：

(1)利用VMD對數(shù)據(jù)集進(jìn)行變分模態(tài)分解，相比EMD等算法，可有效抑制模態(tài)混疊現(xiàn)象。計(jì)算模態(tài)分量的排列熵組成特征向量，保留注水泵健康狀態(tài)特征的同時(shí)，極大提高了計(jì)算效率。

(2)建立了一套可用于對注水泵進(jìn)行健康度定量評價(jià)的方法流程，該方法無需大量設(shè)備故障數(shù)據(jù)，僅利用健康狀態(tài)注水泵的各測點(diǎn)振動(dòng)數(shù)據(jù)，便可建立健康度評價(jià)算法模型。

(3)將健康狀態(tài)不同注水泵的特征向量數(shù)據(jù)輸入到搭建好的健康度算法模型中測試，然后將測試結(jié)果與注水泵的實(shí)際健康狀態(tài)進(jìn)行對比，得出所提出的健康度評價(jià)方法能夠真實(shí)有效地對注水泵的健康度進(jìn)行定量評估。

(4)對比了單SVDD、BOA-SVDD、GA-SVDD與PSO-SVDD方法的準(zhǔn)確率，結(jié)果表明PSO-SVDD方法的準(zhǔn)確性最高，進(jìn)一步驗(yàn)證了該方法的實(shí)用性。