摘 要：為了研究離心泵空化故障診斷問(wèn)題，探究人工神經(jīng)網(wǎng)絡(luò)在該問(wèn)題上的預(yù)測(cè)效果，通過(guò)數(shù)值仿真的方法對(duì)離心泵流場(chǎng)進(jìn)行模擬，采集不同狀態(tài)下流場(chǎng)內(nèi)各點(diǎn)壓力值及工作點(diǎn)作為輸入特征，以旋轉(zhuǎn)區(qū)域氣體體積分?jǐn)?shù)為標(biāo)簽特征，對(duì)離心泵空化狀態(tài)進(jìn)行神經(jīng)網(wǎng)絡(luò)建模。使用LSTM和一維卷積網(wǎng)絡(luò)處理時(shí)序數(shù)據(jù)，并在特征提取階段添加正則化損失函數(shù)以保證網(wǎng)絡(luò)稀疏性。最終模型在測(cè)試集上的分類任務(wù)準(zhǔn)確率達(dá)到95%以上，能夠有效地對(duì)離心泵空化程度進(jìn)行診斷。

關(guān)鍵詞：離心泵；空化；人工神經(jīng)網(wǎng)絡(luò)；自編碼器

中圖分類號(hào)：TP277.3 文獻(xiàn)標(biāo)志碼：B 文章編號(hào)：1671-5276（2024）04-0151-03

Centrifugal Pump Cavitation Fault Diagnosis Based on Artificial Neural Network

LIU Chaoxi¹， YE Zhifeng¹， WANG Bin¹， YAN Shebin²

（1. Nanjing University of Aeronautics and Astronautics， Nanjing 2100016， China;2. AECC Guizhou Honglin Aro-engine Control Technology Co.， Ltd.， Guiyang 550009， China）

Abstract：In order to study the cavitation fault diagnosis of centrifugal pump and explore the prediction effect of artificial neural network concerning the fault diagnosis， the flow field of centrifugal pump was simulated by numerical simulation， the pressure values and working points of various points in the downstream field in different states were collected as the input characteristics and the volume fraction of the gas in the rotating region was taken as the label characteristic to conduct the neural network modeling for the cavitation state of the centrifugal pump.The LSTM and one-dimensional convolutional network were used to process the time series data， and the regularization loss function was added in feature extraction stage to ensure network sparsity.The accuracy rate of classification task of the trained model on the test set exceeded 95%， which can effectively diagnose the cavitation degree of centrifugal pump.

Keywords：centrifugal pump; cavitation; artificial neural network; autoencoder

0 引言

在航空航天領(lǐng)域中，離心泵由于其結(jié)構(gòu)簡(jiǎn)單、質(zhì)量較輕以及能承受較高轉(zhuǎn)速等優(yōu)點(diǎn)，在燃油、液壓系統(tǒng)中獲得廣泛應(yīng)用。而在其日常運(yùn)行中，空化故障是其最常發(fā)生的故障之一。在離心泵內(nèi)部流場(chǎng)中，當(dāng)局部的壓力低于液體的汽化壓力時(shí)，液體會(huì)氣化而形成氣泡，并在流到高壓區(qū)后發(fā)生破裂，對(duì)周圍產(chǎn)生沖擊，這種現(xiàn)象就稱為空化。泵空化時(shí)由于內(nèi)部的氣泡會(huì)占據(jù)流道，干擾正常的流動(dòng)，影響液泵的加壓性能，并且氣泡不斷地產(chǎn)生與破滅會(huì)對(duì)壁面持續(xù)產(chǎn)生沖擊，使得葉片發(fā)生損傷或腐蝕^[1]。由于空化現(xiàn)象機(jī)理復(fù)雜，涉及到湍流、兩相流等多個(gè)方面，且對(duì)離心泵的正常工作具有很大的影響，因此其故障診斷方法一直受到廣大學(xué)者的重視。

目前工業(yè)領(lǐng)域故障診斷主要有3種方法，基于失效物理模型、基于統(tǒng)計(jì)可靠性和基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法^[2]。對(duì)于實(shí)際的復(fù)雜系統(tǒng)而言，直接使用其物理模型進(jìn)行理論上的分析推導(dǎo)來(lái)得到一個(gè)可靠的模型十分困難。此時(shí)基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法就可以發(fā)揮重要作用。文獻(xiàn)[3]則將壓力信號(hào)和診斷信號(hào)兩種數(shù)據(jù)進(jìn)行結(jié)合建模，實(shí)現(xiàn)了基于SVM的航空燃油泵故障識(shí)別。通過(guò)仿真、實(shí)驗(yàn)等多種方法獲取正常或異常工作狀態(tài)下的數(shù)據(jù)，繞過(guò)系統(tǒng)的機(jī)理，直接對(duì)數(shù)據(jù)進(jìn)行建模，最終形成一個(gè)只依靠數(shù)據(jù)的映射模型，來(lái)對(duì)系統(tǒng)的故障進(jìn)行診斷。文獻(xiàn)[4]以齒輪泵為研究對(duì)象，對(duì)其4種常見的故障進(jìn)行了小波變換+SVM建模，最終建立了一個(gè)由4個(gè)SVM構(gòu)成的診斷模型，能夠?qū)Πㄕ９ぷ鞯?種狀態(tài)進(jìn)行有效區(qū)分。文獻(xiàn)[5]對(duì)振動(dòng)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸猓玫搅硕鄠€(gè)固有模態(tài)函數(shù)（IMF），并將IMF中的前6個(gè)送入廣義回歸神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障診斷，最終分類正確率達(dá)到了97.5%。

考慮到實(shí)際空化原理十分復(fù)雜，對(duì)其進(jìn)行純理論分析顯得十分困難，基于CFD軟件的數(shù)值模擬方法和實(shí)驗(yàn)成為了研究空化現(xiàn)象的主要方法^[6]。本文以旋轉(zhuǎn)區(qū)域的氣體體積分?jǐn)?shù)做為離心泵空化程度的度量并將之作為神經(jīng)網(wǎng)絡(luò)輸出，使用流場(chǎng)中監(jiān)測(cè)點(diǎn)的特征以及工作點(diǎn)參數(shù)作為輸入，建立離心泵空化模型，研究神經(jīng)網(wǎng)絡(luò)對(duì)離心泵空化程度的診斷效果。

相較于一般的使用神經(jīng)網(wǎng)絡(luò)建模，本文充分考慮到了不同數(shù)據(jù)類型的處理方式，分別對(duì)時(shí)序型數(shù)據(jù)、數(shù)值型數(shù)據(jù)設(shè)計(jì)了網(wǎng)絡(luò)層并對(duì)其進(jìn)行特征融合，以使網(wǎng)絡(luò)建模思路可以在其他更廣泛的問(wèn)題上得到應(yīng)用。此外，本文對(duì)使用的稀疏自編碼器進(jìn)行了改進(jìn)，通過(guò)修改稀疏性限制函數(shù)來(lái)實(shí)現(xiàn)更好的正則化，并將自編碼器直接置于大的預(yù)測(cè)網(wǎng)絡(luò)之中，使得自編碼器在訓(xùn)練過(guò)程中可得到預(yù)測(cè)結(jié)果方向的梯度，優(yōu)化了訓(xùn)練過(guò)程。

1 離心泵流場(chǎng)數(shù)值仿真

為了獲得離心泵在不同狀態(tài)下的內(nèi)部流場(chǎng)特征，獲取空化故障診斷模型的訓(xùn)練數(shù)據(jù)，本文使用CFD軟件對(duì)流場(chǎng)進(jìn)行了數(shù)值仿真。與實(shí)驗(yàn)相比，數(shù)值仿真不僅簡(jiǎn)單易行，且可以獲取離心泵內(nèi)部氣體分布情況，直接對(duì)離心泵空化的程度進(jìn)行分析。

1.1 數(shù)值仿真方法

對(duì)流場(chǎng)中的湍流計(jì)算選用了標(biāo)準(zhǔn)k-ε模型。該模型由Launder和Spalding提出，計(jì)算簡(jiǎn)單，魯棒性好，且在大范圍湍流的情況下具有較好的預(yù)測(cè)效果。此外，對(duì)于空化模型選擇了Signhal全空化模型^[7]。

1.2 物理模型與計(jì)算條件

選擇某型單吸離心泵為研究對(duì)象，仿真軟件為Pumplinx。如圖1所示，根據(jù)區(qū)域劃分笛卡兒網(wǎng)格，最終網(wǎng)格數(shù)量為35萬(wàn)。

離心泵額定工作狀態(tài)為：轉(zhuǎn)速9 000r/min，進(jìn)口壓力0.2MPa，出口流量50 000L/h。為了得到離心泵在不同空化狀態(tài)下的流場(chǎng)特征，通過(guò)在不同轉(zhuǎn)速與流量的工況下減小進(jìn)口壓力，以逐步誘發(fā)離心泵空化。

2 離心泵空化診斷建模

在得到離心泵在不同狀態(tài)下的流場(chǎng)數(shù)據(jù)后，使用人工神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建泵的空化程度與所選特征的映射模型，并對(duì)神經(jīng)網(wǎng)絡(luò)模型在離心泵空化診斷上的有效性進(jìn)行驗(yàn)證。

2.1 數(shù)據(jù)集構(gòu)建

基于本文上一節(jié)的仿真方案，選定神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)為：流場(chǎng)內(nèi)各部位如進(jìn)出口、葉片流道、轉(zhuǎn)動(dòng)軸附近預(yù)先設(shè)置的檢測(cè)點(diǎn)壓力、離心泵工作轉(zhuǎn)速、進(jìn)口壓力和出口流量。

對(duì)于離心泵空化程度的表達(dá)，選用了轉(zhuǎn)動(dòng)區(qū)域的氣體體積分?jǐn)?shù)為判定標(biāo)準(zhǔn)。由于體積分?jǐn)?shù)的大小隨著選定區(qū)域的總體積大小變化而變化，而且在一定小范圍內(nèi)出現(xiàn)的波動(dòng)幾乎不會(huì)對(duì)流場(chǎng)產(chǎn)生影響，尤其在空化初生階段，往往在流場(chǎng)內(nèi)要積累有一定量的氣體才會(huì)對(duì)外表現(xiàn)出空化的特征。因此，本文對(duì)仿真結(jié)果進(jìn)行等級(jí)劃分，將氣體體積分?jǐn)?shù)劃定為4個(gè)等級(jí)來(lái)表達(dá)空化的程度，將問(wèn)題轉(zhuǎn)化為典型的分類問(wèn)題。

2.2 神經(jīng)網(wǎng)絡(luò)模型

模型的輸入數(shù)據(jù)有兩種類型：一是監(jiān)測(cè)點(diǎn)壓力值，按照軟件設(shè)置的非穩(wěn)態(tài)仿真時(shí)間間隔進(jìn)行采集，得到的是典型的多維時(shí)序數(shù)據(jù)，格式為二維張量；二是工作點(diǎn)狀態(tài)，屬于數(shù)值型數(shù)據(jù)，格式為一維張量。

網(wǎng)絡(luò)整體結(jié)構(gòu)如圖2所示，其中，Predict為預(yù)測(cè)網(wǎng)絡(luò)，負(fù)責(zé)輸出最終結(jié)果。編碼器Encoder和解碼器Decoder網(wǎng)絡(luò)組成了一個(gè)自編碼器網(wǎng)絡(luò)。本文采取了稀疏自編碼器^[8]的思想，不直接限制中間層編碼h的維數(shù)，而是對(duì)其實(shí)際表達(dá)信息量進(jìn)行限制，并使用一種新的稀疏性限制損失函數(shù)：對(duì)中間層編碼h的各維度分量進(jìn)行了限制。在神經(jīng)網(wǎng)絡(luò)中，一般認(rèn)為某個(gè)分量等于0，便認(rèn)為其基本不攜帶信息。對(duì)于中間層各分量，如果其低于某個(gè)閾值，便將其置為0，而高于閾值的置為1，這就使得中間層的有效輸出維度受到了抑制，實(shí)現(xiàn)了稀疏性限制。

2.3 網(wǎng)絡(luò)訓(xùn)練

在工作點(diǎn)中隨機(jī)取15個(gè)作為測(cè)試集，15個(gè)作為驗(yàn)證集，剩余的56個(gè)為訓(xùn)練集。由于每個(gè)工作點(diǎn)都截取了3段數(shù)據(jù)，因此訓(xùn)練集最終包含有168條數(shù)據(jù)，驗(yàn)證集和測(cè)試集各45條。將訓(xùn)練集數(shù)據(jù)送入未經(jīng)訓(xùn)練的網(wǎng)絡(luò)，使用Adam算法對(duì)網(wǎng)絡(luò)進(jìn)行迭代，并在每輪結(jié)束后再驗(yàn)證集上進(jìn)行準(zhǔn)確率測(cè)試。

2.4 網(wǎng)絡(luò)訓(xùn)練結(jié)果分析

圖3和圖4為神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集和驗(yàn)證集上分類損失函數(shù)的變化過(guò)程，橫軸為迭代次數(shù)，縱軸為網(wǎng)絡(luò)輸出與實(shí)際標(biāo)簽的交叉熵?fù)p失值?？梢钥闯?，損失函數(shù)隨著迭代次數(shù)的增加呈現(xiàn)出了顯著的下降趨勢(shì)，而在訓(xùn)練末期，訓(xùn)練集上損失函數(shù)雖仍有下降，但驗(yàn)證集上卻開始有上升，出現(xiàn)了過(guò)擬合趨勢(shì)，網(wǎng)絡(luò)過(guò)度偏向于訓(xùn)練集的數(shù)據(jù)本身，忽略了輸入數(shù)據(jù)的深層特征，使得網(wǎng)絡(luò)僅僅能適合于訓(xùn)練集數(shù)據(jù)而不具有足夠的泛用性。因此最終選取驗(yàn)證集上損失最小時(shí)刻的模型為最終結(jié)果。

在神經(jīng)網(wǎng)絡(luò)建模流程中，由于測(cè)試集在一開始便獨(dú)立劃分出去，并未參與模型的訓(xùn)練與調(diào)整，因此可以將其視為全新的數(shù)據(jù)，基于此數(shù)據(jù)的預(yù)測(cè)性能也可看做是模型的最終效果。將此前劃分的45條測(cè)試集作為網(wǎng)絡(luò)輸入進(jìn)行預(yù)測(cè)，最終獲得的結(jié)果如表1所示，其準(zhǔn)確率為95.6%，達(dá)到了預(yù)期效果。

3 結(jié)語(yǔ)

1）人工神經(jīng)網(wǎng)絡(luò)可以有效地建立離心泵流場(chǎng)特征與空化程度之間的對(duì)應(yīng)模型，最終準(zhǔn)確率達(dá)到了95%以上。因此，使用神經(jīng)網(wǎng)絡(luò)來(lái)診斷離心泵空化情況的方法是有效的，在未來(lái)的仿真模擬或者實(shí)機(jī)運(yùn)行中可以發(fā)揮作用。

2）在網(wǎng)絡(luò)中嵌入了稀疏自編碼器，并對(duì)稀疏性損失函數(shù)進(jìn)行優(yōu)化，能夠有效地對(duì)帶有噪聲的數(shù)據(jù)進(jìn)行降噪，并且在實(shí)現(xiàn)信息壓縮的情況下防止過(guò)擬合。

3）針對(duì)實(shí)際數(shù)據(jù)中最常見的兩種類型：時(shí)間序列和數(shù)值型特征，設(shè)計(jì)了不同的網(wǎng)絡(luò)類型對(duì)其進(jìn)行處理，并且使用concatenate層將二者的信息進(jìn)行了融合。對(duì)于沒(méi)有出現(xiàn)的分類型特征，也可以參考數(shù)值型特征使用全連接或其他網(wǎng)絡(luò)層進(jìn)行處理，基本可包含所有可能出現(xiàn)的數(shù)據(jù)類型。通過(guò)多種類輸入、多網(wǎng)絡(luò)融合的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)思路，使該網(wǎng)絡(luò)以及其建模思想獲得更廣的應(yīng)用場(chǎng)景。

參考文獻(xiàn)：

[1] LU J X，YUAN S Q，ZHOU B L，et al. Research on the characteristics under the condition of asymmetric cavitation in a centrifugal pump[C]//2014 ISFMFE - 6th International Symposium on Fluid Machinery and Fluid Engineering. Wuhan. London：IET，2015：1-8.

[2] 李晗，蕭德云. 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J]. 控制與決策，2011，26（1）：1-9，16.

[3] 陳俊柏，劉勇智，陳勇，等. 基于EMD和SVM的機(jī)載燃油泵故障診斷研究[J]. 北京航空航天大學(xué)學(xué)報(bào)，2021，47（8）：1687-1696.

[4] 毋文峰，蘇勛家，陳小虎，等. 基于小波包和支持向量機(jī)的液壓泵故障診斷[J]. 機(jī)床與液壓，2011，39（9）：146-147，154.

[5] AZIZI R，ATTARAN B，HAJNAYEB A，et al. Improving accuracy of cavitation severity detection in centrifugal pumps using a hybrid feature selection technique[J]. Measurement，2017，108：9-17.

[6] 程文潔，張飛宇. 低溫泵內(nèi)空化流動(dòng)演化規(guī)律的數(shù)值仿真[J]. 低溫與超導(dǎo)，2021，49（8）：78-81，92.

[7] SINGHAL A K，ATHAVALE M M，LI H Y，et al. Mathematical basis and validation of the full cavitation model[J]. Journal of Fluids Engineering，2002，124（3）：617-624.

[8] NG A. Sparse autoencoder[J]. CS294A Lecture Notes，2011， 72（1）：1-19.

收稿日期：2023-01-30