別鋒鋒 劉 揚(yáng) 周國(guó)強(qiáng) 呂鳳霞

東北石油大學(xué),大慶,163318

基于局域波法和SVM模型的往復(fù)機(jī)械故障預(yù)測(cè)方法研究

別鋒鋒 劉 揚(yáng) 周國(guó)強(qiáng) 呂鳳霞

東北石油大學(xué),大慶,163318

針對(duì)往復(fù)機(jī)械系統(tǒng)工況的動(dòng)態(tài)特性,提出了一種基于非平穩(wěn)振動(dòng)信號(hào)局域波分析和支持向量機(jī)(SVM)的故障預(yù)測(cè)方法。對(duì)于往復(fù)機(jī)械的振動(dòng)監(jiān)測(cè)信號(hào),利用局域波法獲得其中所包含的特征信息,以此作為預(yù)測(cè)模型的數(shù)據(jù)源;采用SVM作為預(yù)測(cè)手段,將局域波時(shí)頻譜中所包含的局域波分量特征信息作為預(yù)測(cè)控制模型的輸入量。該方法應(yīng)用于工程實(shí)踐中,有效地提高了預(yù)測(cè)精度,并為設(shè)備的工況和剩余壽命定位提供了依據(jù)。

局域波法;支持向量機(jī);故障診斷;趨勢(shì)預(yù)測(cè);往復(fù)機(jī)械

0 引言

故障預(yù)測(cè)是實(shí)現(xiàn)狀態(tài)維修的核心支撐技術(shù)。往復(fù)機(jī)械故障預(yù)測(cè)的重要性是不言而喻的。振動(dòng)監(jiān)測(cè)在系統(tǒng)故障預(yù)測(cè)方面已有廣泛應(yīng)用。相對(duì)于旋轉(zhuǎn)機(jī)械,針對(duì)大型往復(fù)機(jī)械的故障預(yù)測(cè)方法尚不成型,存在諸多盲點(diǎn)和誤區(qū)。首先,往復(fù)機(jī)械系統(tǒng)是一個(gè)帶有大量不可知信息的復(fù)雜系統(tǒng),其振動(dòng)信號(hào)具有強(qiáng)烈的非平穩(wěn)性和非線性特征,這決定了常規(guī)信號(hào)處理方法難以達(dá)到預(yù)期目標(biāo)。傳統(tǒng)信號(hào)分析方法往往容易造成信號(hào)能量譜的泄漏和特征提取的不完全[1],而具有平穩(wěn)或循環(huán)平穩(wěn)運(yùn)行特征的系統(tǒng)的故障預(yù)測(cè)模型(包括數(shù)據(jù)生成和建模方法)也不適用于往復(fù)機(jī)械,因而無(wú)法為系統(tǒng)故障的預(yù)測(cè)提供可靠的數(shù)據(jù)源。其次,針對(duì)往復(fù)機(jī)械故障的短期爆發(fā)和難預(yù)測(cè)特性,傳統(tǒng)時(shí)間序列方法和以神經(jīng)網(wǎng)絡(luò)為代表的人工智能算法在這種貧信息系統(tǒng)中的預(yù)測(cè)效率和準(zhǔn)確度大打折扣[2-3]。

針對(duì)往復(fù)機(jī)械的實(shí)際工況和振動(dòng)信號(hào)特征,基于局域波理論和支持向量機(jī)(SVM)方法,本文提出一種新型的非線性時(shí)間序列預(yù)測(cè)方法。首先對(duì)監(jiān)測(cè)到的振動(dòng)信號(hào)進(jìn)行局域波分解,所獲得的局域波時(shí)頻譜保證了系統(tǒng)振動(dòng)特征的完整性,以此作為SVM預(yù)測(cè)模型的數(shù)據(jù)源。通過(guò)對(duì)往復(fù)機(jī)械故障機(jī)理進(jìn)行分析,以其關(guān)鍵部件故障特征頻率為趨勢(shì)敏感因子進(jìn)行故障預(yù)測(cè)。將該方法應(yīng)用于工程振動(dòng)測(cè)試中,與目前基于貧信息系統(tǒng)的灰色預(yù)測(cè)模型[4]GM(1,1)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,結(jié)果表明,該方法能夠有效地對(duì)往復(fù)機(jī)械故障進(jìn)行預(yù)測(cè),從而為系統(tǒng)的工況定位和關(guān)鍵設(shè)備剩余壽命預(yù)測(cè)提供了可靠的依據(jù)。

1 局域波法在往復(fù)機(jī)械故障分析中的有效性

1.1 局域波理論

局域波法是基于經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)發(fā)展而來(lái)的一種對(duì)非線性、非平穩(wěn)信號(hào)進(jìn)行分析的新方法[5],它源于瞬時(shí)頻率的概念,能在時(shí)頻域內(nèi)對(duì)動(dòng)態(tài)信號(hào)的局部特征進(jìn)行正確描述。瞬時(shí)頻率在研究瞬態(tài)和非平穩(wěn)現(xiàn)象時(shí)非常重要,它能夠反映非平穩(wěn)信號(hào)的時(shí)變性,在非平穩(wěn)信號(hào)的研究中有著廣泛的應(yīng)用前景。局域波法把信號(hào)分解成滿足條件的局域波分量,對(duì)這些分量進(jìn)行Hilbert變換就可以得到信號(hào)的瞬時(shí)頻率和時(shí)頻特征,這就是局域波時(shí)頻分析方法[6]。

通過(guò)對(duì)信號(hào)進(jìn)行 EMD分解,把原始數(shù)據(jù)X(t)分解成n個(gè)局域波分量及一個(gè)剩余分量rn,該剩余分量或者是一個(gè)平均趨勢(shì)或者是一個(gè)常數(shù),即

將信號(hào)幅度在三維空間上表示成時(shí)間和瞬時(shí)頻率的函數(shù),信號(hào)幅度也可以表示成時(shí)間-頻率平面的等高線,這種在時(shí)間-頻率平面上的幅度分布稱為局域波時(shí)頻譜[7]。局域波法可以有效地剔除實(shí)測(cè)信號(hào)中所包含的干擾因子,同時(shí)局域波分量中包含大量的狀態(tài)信息。通過(guò)分析局域波時(shí)頻譜,實(shí)時(shí)監(jiān)測(cè)的非平穩(wěn)、非線性信號(hào)所包含的系統(tǒng)運(yùn)行特征信息基本展露無(wú)遺。局域波時(shí)頻信息作為大型工業(yè)機(jī)組預(yù)測(cè)模型的輸入量有著先天的優(yōu)越性。

1.2 有效性分析

這里以往復(fù)壓縮機(jī)中的典型部件 ——活塞環(huán)為例來(lái)進(jìn)行分析。按照設(shè)備結(jié)構(gòu)參數(shù)[8]可求得該活塞環(huán)振動(dòng)特征頻率為2120.84Hz。取兩組較為典型的數(shù)據(jù)(故障和檢修后)來(lái)分析機(jī)組表面振動(dòng)信號(hào),圖1所示為氣閥監(jiān)測(cè)點(diǎn)振動(dòng)信號(hào)局域波時(shí)頻譜。

分析圖1發(fā)現(xiàn),在不同的工作狀態(tài)下,振動(dòng)信號(hào)的能量分布有很大的不同。初步分析得出如下結(jié)論:在正常狀態(tài)下閥座沖擊時(shí),振動(dòng)信號(hào)能量主要集中于4kH z～6kH z頻段上,而其他頻率成分的能量微乎其微;而在故障狀態(tài)下,由于閥座的失效使得整個(gè)振動(dòng)能量變大而變得分散,對(duì)應(yīng)的4kHz～6kHz頻段振動(dòng)能量有所減弱,而最大的變化在于中高頻段能量顯著地增強(qiáng)了。

對(duì)兩組信號(hào)的局域波時(shí)頻譜進(jìn)行灰度描述,得到圖2所示的灰度值直方圖。

圖1 氣閥振動(dòng)信號(hào)局域波時(shí)頻譜

從圖2可以看出,檢修前后,在 6kH z附近振動(dòng)能量都較為集中,這大致反映了主要監(jiān)測(cè)點(diǎn)氣閥的工作情況,而活塞環(huán)在特征頻率2kH z附近振動(dòng)能量在故障前后發(fā)生了明顯的改變。結(jié)合檢修后的結(jié)果可以充分說(shuō)明局域波時(shí)頻譜分析中特征頻率的重要性和有效性,由此完成了對(duì)典型故障特征的提取和說(shuō)明。

圖2 局域波時(shí)頻譜灰度值直方圖

2 SVM預(yù)測(cè)方法

2.1 SVM原理

SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來(lái)的,其基本思想可用圖3所示的兩維情況說(shuō)明。SVM處理的最基本的問(wèn)題是二元分類問(wèn)題,通過(guò)使用SVM,不同類別的數(shù)據(jù)被一定數(shù)量的支持向量所定義的超平面所分開(kāi)[9]。而對(duì)于非線性回歸問(wèn)題,則通過(guò)引入核函數(shù)的方法來(lái)解決[10]。

圖3 SVM二元分類的示意圖

圖3顯示了一系列兩個(gè)不同類型的數(shù)據(jù)點(diǎn),其中圓代表類A,而方塊代表類B。如圖3所示,方向2的分類面的分類效果優(yōu)于方向1分類面的分類效果。分類面(H)位于兩個(gè)邊界線(H1和H2)的中間。邊界線由離分類面最近的點(diǎn)來(lái)定義,這些點(diǎn)被稱為支持向量,如圖3中灰色的圓和方塊即為支持向量。一旦支持向量被選中,其余的輸入向量將被丟棄,因?yàn)橹С窒蛄恳呀?jīng)包含了分類器所有必需的信息。

SVM中采用不同的內(nèi)積核函數(shù)將形成不同的算法,這里采用的是徑向基核函數(shù):

通過(guò)改變?chǔ)液推渌麉?shù)可以改善SVM的預(yù)測(cè)性能。

2.2 SVM預(yù)測(cè)與評(píng)價(jià)

應(yīng)用SVM對(duì)時(shí)間序列{xi}(i=1,2,…,N)進(jìn)行預(yù)測(cè)。首先,為提高建模精度需對(duì)原始時(shí)序數(shù)值作預(yù)處理,預(yù)處理方式較多,本文采用如下方法進(jìn)行預(yù)處理:

式中,xmax、xmin分別為序列的最大值、最小值。

對(duì)于所有時(shí)間序列,取前面r個(gè)數(shù)值作為訓(xùn)練建模樣本,其余的作為測(cè)試樣本。為更有效地利用有限的數(shù)據(jù),對(duì)其進(jìn)行相空間重構(gòu),即將一維的實(shí)踐序列轉(zhuǎn)換為矩陣形式,以盡可能地挖掘數(shù)據(jù)的信息量。得到用于向量機(jī)學(xué)習(xí)的樣本為

均值系數(shù)可形象地描述出預(yù)測(cè)值和實(shí)際值的擬合度,一般擬合度在0.9以上為較好的擬合。這兩類指標(biāo)分別從逐點(diǎn)比較到整體預(yù)測(cè)趨勢(shì)對(duì)預(yù)測(cè)方法進(jìn)行評(píng)價(jià),從而較為全面地判斷預(yù)測(cè)的準(zhǔn)確性。

3 基于局域波法和SVM模型的往復(fù)機(jī)械故障趨勢(shì)預(yù)測(cè)實(shí)例

3.1 信號(hào)的獲取

這里選取油田用柱塞式注水泵作為研究對(duì)象。柱塞式注水泵作為往復(fù)機(jī)械的典型代表,在當(dāng)前我國(guó)陸上油田生產(chǎn)中有著舉足輕重的地位,其振動(dòng)工況的代表性和特殊性,決定了針對(duì)其機(jī)組進(jìn)行故障預(yù)測(cè)的重要性。圖4為柱塞泵振動(dòng)信號(hào)監(jiān)測(cè)獲取示意圖,通過(guò)對(duì)機(jī)組多個(gè)關(guān)鍵部位進(jìn)行監(jiān)測(cè)并進(jìn)行對(duì)比分析來(lái)保證信號(hào)源獲取的準(zhǔn)確性和完整性。圖4b中,小箭頭和?號(hào)表示測(cè)點(diǎn)位置。

3.2 信號(hào)分析

將采集到的原始振動(dòng)信號(hào)利用局域波法進(jìn)行處理,從振動(dòng)時(shí)頻譜中提取的原始振動(dòng)信號(hào)特殊頻率段的振動(dòng)能量值得到了較完善的保留。

圖5所示為監(jiān)測(cè)到的振動(dòng)原始信號(hào),經(jīng)過(guò)局域波法處理得到信號(hào)的局域波時(shí)頻譜圖見(jiàn)圖6。以采集振動(dòng)信號(hào)數(shù)據(jù)的特征頻段[6](彈簧組件失效,頻率4kH z左右)能量灰度值為數(shù)據(jù)源,利用式(7)進(jìn)行歸一化處理,獲得40個(gè)樣本數(shù)據(jù),以前面30個(gè)數(shù)據(jù)作為訓(xùn)練和建模樣本,后面的10個(gè)樣本數(shù)據(jù)作為預(yù)測(cè)的檢驗(yàn)樣本。

圖4 往復(fù)柱塞泵泵體振動(dòng)信號(hào)測(cè)點(diǎn)布置圖

圖5 振動(dòng)原始信號(hào)示例

圖6 信號(hào)局域波時(shí)頻譜與能量灰度直方圖示例

由SVM預(yù)測(cè)模型計(jì)算出模型預(yù)測(cè)結(jié)果,將其與基于灰色預(yù)測(cè)模型GM(1,1)的預(yù)測(cè)結(jié)果進(jìn)行比較,同時(shí)對(duì)照測(cè)量值,結(jié)果如圖7所示。

由圖7可以看出,利用SVM預(yù)測(cè)模型計(jì)算出的彈簧組件特征頻率段能量灰度值與實(shí)際測(cè)量值曲線走勢(shì)大致相同。經(jīng)過(guò)計(jì)算,其預(yù)測(cè)誤差較小,基本反映了振動(dòng)能量值的變化,而對(duì)應(yīng)的特征頻率段能量灰度值隨時(shí)間的推移與測(cè)量次數(shù)的增加,呈現(xiàn)逐漸增大的趨勢(shì),因此可以斷定柱塞泵該監(jiān)測(cè)點(diǎn)處彈簧組件出現(xiàn)了一定的故障征兆,事后的檢修記錄證實(shí)了對(duì)柱塞泵液力端的故障判斷和分析,彈簧出現(xiàn)了裂紋和一定程度的磨損。

3.3 預(yù)測(cè)結(jié)果評(píng)價(jià)

由圖7可以看出,預(yù)測(cè)曲線與實(shí)際曲線吻合較好,在個(gè)別點(diǎn)上的預(yù)測(cè)相對(duì)誤差可能較大,這主要是由于所采用的數(shù)據(jù)點(diǎn)量較少,對(duì)于這些數(shù)據(jù)點(diǎn)(相點(diǎn)),找到的鄰近相點(diǎn)的距離比較大,造成誤差較大。隨著信號(hào)原始數(shù)據(jù)的不斷豐富,相點(diǎn)密度會(huì)不斷增大,預(yù)測(cè)值也將更趨于合理可信,從而有助于預(yù)測(cè)精度的提高。誤差評(píng)價(jià)指標(biāo)如表2所示,均方誤差為3.15%,而均等系數(shù)為94.23%,達(dá)到了很高的擬合度,說(shuō)明預(yù)測(cè)結(jié)果有較強(qiáng)的可信度。而GM(1,1)模型預(yù)測(cè)結(jié)果有較大的偏差,這是由其對(duì)源信息系統(tǒng)的敏感性及其病態(tài)特性決定的[4]。

圖7 計(jì)算預(yù)測(cè)值與測(cè)量值比較

表2 預(yù)測(cè)評(píng)價(jià)指標(biāo)對(duì)照表 %

4 結(jié)語(yǔ)

往復(fù)機(jī)械工況普遍具有強(qiáng)烈的非平穩(wěn)性,致使其振動(dòng)信號(hào)較之旋轉(zhuǎn)機(jī)械更難以處理,而基于機(jī)組振動(dòng)信號(hào)所產(chǎn)生的預(yù)測(cè)模型原始數(shù)據(jù)很難具有應(yīng)有的準(zhǔn)確性和全面性。本文提出了一種針對(duì)往復(fù)機(jī)械的故障預(yù)測(cè)方法,以油田柱塞式注水泵振動(dòng)工況分析為例,通過(guò)局域波分解對(duì)原始信號(hào)進(jìn)行處理得到時(shí)頻譜,并以此作為預(yù)測(cè)模型的原始數(shù)據(jù),利用SVM預(yù)測(cè)模型得到機(jī)組工況預(yù)測(cè)值。評(píng)估指標(biāo)和對(duì)比結(jié)果證明了本方法的有效性。

[1] 徐章遂,房立青,王希武,等.故障信息診斷原理及應(yīng)用[M].北京:國(guó)防工業(yè)出版社,2000.

[2] A dnan P,Yasar I,H alit Y,eta l.App lication of A rtificial NeuralNetwork to Predic t Specific Fuel Consump tion and Exhaust Temperature for a Diesel Engine[J].Applied Therma l Engineering,2006,26(8/9):824-828.

[3] H uang Siuh-Jer,Huang Chien-Lo.Contro l o f an Inverted Pendulum Using G rey Prediction Model[J].IEEE Trans.Industry App lications,2000,36(2):452-467.

[4] 李健蘭,黃樹(shù)紅.改進(jìn)灰色模型在變壓器故障預(yù)測(cè)中的應(yīng)用[J].華中科技大學(xué)學(xué)報(bào),2008,36(5):100-102.

[5] 蓋強(qiáng).局域波時(shí)頻分析方法的理論研究與應(yīng)用[D].大連:大連理工大學(xué),2001.

[6] 郝志華,馬孝江.局域波法和獨(dú)立成分分析在轉(zhuǎn)子系統(tǒng)故障診斷上的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào),2005,25(3):84-88.

[7] 別鋒鋒.基于局域波時(shí)頻譜的往復(fù)機(jī)故障智能診斷方法研究[D].大連:大連理工大學(xué),2008.

[8] 張雨,徐小林,張建華,等.設(shè)備狀態(tài)檢測(cè)與故障診斷的理論和實(shí)踐[M].長(zhǎng)沙:國(guó)防科技大學(xué)出版社,2000.

[9] 張周鎖,李凌均,何正嘉.基于支持向量機(jī)的機(jī)械故障診斷方法研究[J].西安交通大學(xué)學(xué)報(bào),2002,36(12):1303-1306.

[10] Burges C JC.A Tutorial on Support Vector Machines for Pattern Recognition[J].DataM ining and Know ledge Discovery,1998,2(2):121-167.

Research on Fault Prediction Approach for Reciprocating Machinery Based on LocalWaveMethod and SVM Prediction Model

Bie Fengfeng Liu Yang Zhou Guoqiang LǜFengxia
Northeast Petroleum University,Daqing,Heilongjiang,163318

According to the realw orking status of running reciprocatingmachines,a grey prediction method of diagnosisbased on localw ave time-frequency spectrum and SVM was presented.By local wave time-frequency spectrum,pow er fluctuate of the vibration signals could be reflected on time and frequency dom ain.Comparing the precision of the two main analysis models in diagnosis p rediction on industrial equipment,a step-changing grey p rediction modelw as chosen,inwhich the localwave decomposition was set as the basic input.A pp lication of themethod in faultprediction on a reciprocating compressor system illustrates the precision improvement.

local wavemethod;support vector machine(SVM);fault diagnosis;trend prediction;reciprocating machinery

TP391

1004—132X(2011)06—0687—05

2010—05—27

中國(guó)石油天然氣集團(tuán)公司科學(xué)研究與技術(shù)開(kāi)發(fā)項(xiàng)目(03B209000)

book=691,ebook=121

(編輯 蘇衛(wèi)國(guó))

別鋒鋒,男,1979年生。東北石油大學(xué)機(jī)械科學(xué)與工程學(xué)院副教授、博士。主要研究方向?yàn)闄C(jī)械故障診斷、狀態(tài)監(jiān)測(cè)和石油井架安全檢測(cè)等。劉 揚(yáng),男,1957年生。東北石油大學(xué)校長(zhǎng)、教授、博士研究生導(dǎo)師。周國(guó)強(qiáng),男,1952年生。東北石油大學(xué)機(jī)械科學(xué)與工程學(xué)院研究員。呂鳳霞,女,1978年生。東北石油大學(xué)機(jī)械科學(xué)與工程學(xué)院講師、博士研究生。