文 | 林輕吟
編輯 | 林輕吟
離心泵是國防和工業領域中廣泛應用的一類機械，并且往往是系統的核心部件，其運作狀态關系整個系統的可靠性和安全性。
大部分離心泵工作環境惡劣，由于長期環境腐蝕和磨損等因素，極易引發軸承與葉輪部件損傷等機械故障。
當離心泵存在故障時，及時發現并排除能夠有效避免因故障帶來的經濟損失。
是以，對離心泵的運作狀态進行監測和故障診斷對于提高裝置效率以及安全可靠性具有重要意義。
近年來，以卷積神經網絡為代表的深度學習技術用于旋轉機械裝置智能故障診斷備受研究學者關注。
離心泵的振動信号受負荷、流體媒體影響，具有較強的非平穩性和較低的信噪比，如何從這種複雜的振動信号中提取離心泵故障特征一直是離心泵故障診斷研究的熱點和難點。
針對離心泵的軸承滾子磨損、内圈磨損、外圈磨損和葉輪磨損等4 種故障狀态，文章對振動信号雙譜圖，通過加速魯棒特征和t-分布随機近鄰入提取技術提取特征向量，并應用機率神經網絡進行了故障模式識别。
利用卷積神經網絡的圖像分類能力，通過一維振動信号轉換為二維灰階圖像或利用信号的 S 時頻變換續小波變換得到二維時頻圖像，對離心泵故障資料集進行了模式分類研究，得到了較好的診斷效果。
此外，為克服噪聲對振動信号的幹擾,本文研究了深度壓縮自編碼技術用于低信噪比環境下的離心泵故障診斷。
在機械裝置故障診斷領域，支援向量機算法也得到了廣泛應用。
SVM是Vapnik提出的，在統計學習理論基礎上發展起來的一種機器學習方法，主要用于解決分類、回歸或異常檢測問題。
相對于深度學習技術，SVM不需要大量的資料樣本支撐，可以在訓練樣本有限時取得較強的泛化能力，這一特點适合于裝置故障資料集有限的工程現狀。
通常情況下，故障診斷技術往往對振動位移、振動速度、振動速度等單一振動信号進行特征提取後進行診斷。
雖然僅利用振動信号能夠取得較好的診斷效果，但有時不同的故障表現的特征可能相似，僅使用單一振動傳感器信号所獲得的資訊有限，對故障特征分析不全面，故障診斷正确率提升較為困難湯造成誤診和漏診。
在離心泵工作過程中，通過布置在裝置上的傳感器可測量得到裝置溫度、壓力、流量、振動等信号。
故障發生時，除出現聲音異常外，現場檢查發現泵殼體溫度高，軸承箱振動、溫度均較高。
這表明這些信号在裝置運作過程中是一個有機整體，它們不僅在空間(測點位置)上相關，而且在時間上也相關，各參數間的相關性含有大量關于裝置健康狀況的資訊，這些相關性能夠反映裝置的運作狀态和故障類型。
●—≺ 理論基礎 ≻—●
通過多實體場傳感器采集離心泵在正常狀态下和故障狀态下的多實體場信号，做好标簽構成樣本資料集。
首先，對樣本資料中的每個樣本按照下面公式進行歸一化處理
其次，計算樣本資料中任意兩個歸一化後的多傳感器信号相關系數，計算公式為
最後，将計算得到的每個任意兩個傳感器信号相關系數組成jxj的相關度信号矩陣R(j為多實體場傳感器信号的數量)，矩陣元素的存儲規則以某一傳感器信号為基礎，将其與其他傳感器信号的相關系數組成一行或一列，形成的相關度資訊矩陣為
可見，多實體場信号相關度矩陣中涵蓋各個實體場信号之間相關性，能夠發現離心泵不同狀态下的各實體場之間的潛在關系，提取的特征資訊豐富。
支援向量機是一種基于統計學理論的機器學習方法，現被廣泛應用于故障診斷、決策分類等領域。
SVM以結構風險最小化為準則，其核心思想是在高維空間中尋找一個超平面，該超平面能夠時各個類别之間的間隔盡可能最大化問。
該超平面的表達式為
SVM在高維空間中尋找超平面問題最終可以轉化為求解如下的優化問題，表達式為
通過不斷優化求解，最終得到的樣本最優分類決策函數為
将已知故障類别的多實體場相關度矩陣作為故障特征輸入SVM中，優化SVM中的參數，獲得最優分離超平面，得到基于多實體場相關分析的故障診斷模型。
将未知故障類别的多傳感器信号轉化為多實體場相關度矩陣後出入故障診斷模型中，即可智能診斷出故障類别。
●—≺ 離心泵故障診斷試驗驗證 ≻—●
基于多實體場相關分析與SVM相結合的故障診斷流程，如圖1所示。
具體診斷步驟為：
步驟1利用不同類型的傳感器采集離心泵在不同狀态下的多實體場信号，分為訓練集和測試集，其中訓練集中含有故障類别标簽。
步驟2對每個樣本的多實體場信号分别進行歸一化處理。
步驟3其次，計算每個樣本的任意兩個歸一化後的多傳感器信号之間的相關系數。
步驟4将得到的任意兩個傳感器信号之間的相關度組成多實體場相關度矩陣。
步驟5建構SVM模型，使用已知故障類型的訓練集多實體場相關度矩陣對SVM參數進行訓練，獲得故障診斷模型。
步驟6将未知故障類别的資料輸入上述故障診斷模型中，自動判别故障類型。
試驗裝置為25ZX3.2-32型離心泵故障模拟實驗台，如圖2所示其中包括電機、離心泵(預制多種故障)、加熱器、冷凝器以及多實體場傳感器等。
試驗時，驅動電機與泵分别固定在兩個不同的基架上，驅動電機軸與泵軸之間采用的是柔性聯軸器相連。
圖2中同時給出了傳感器的布置
模仿“凱斯西儲大學軸承資料中心”、“機械故障預防技術學會”提供的公開資料集中制造故障的方法，分别制造葉輪缺損、軸承内圈磨損、軸承外圈磨損等3種故障，外加正常情況共4種狀态。
葉輪缺損故障的缺損位置在葉輪邊緣，如圖3(a)所示，制造5mmx20mm的缺口作為葉輪磨損故障；軸承内圈磨損故障表現為在軸承内圈制造寬度約為2nun的貫穿故障區域，如圖3(b)所示；軸承外圈磨損故障表現為在軸承外圈制造寬度約為2mm的貫穿故障區域，如圖3(c)所示。
離心泵轉速為2900r/min，采樣頻率為10kHz，分别采集4種狀态下(3種故障狀态和健康狀态)離心泵的聯軸節振動速度信号、軸承振動速度信号、泵體振動速度信号、出口流量信号、出口壓力信号及油液溫度信号等6種多實體場信号，傳感器參數如表1所示。
每類狀态含有50個訓練樣本和50個測試樣本，合計200個訓練樣本和200個測試樣本，每個樣本包含512個資料點，資料集構成如表2所示。
4種狀态下不同實體場傳感器時域波形圖如圖4所示，由左到右、由上到下依次為離心泵的聯軸節振動速度信号、離心泵的軸承振動速度信号、泵體振動速度信号、離心泵的出口流量信号、離心泵的出口壓力信号以及離心泵的油液舷信号。
由圖4可見，4種狀态下的各實體場傳感器信号時域波形相似，很難通過時域波形來判斷其故障類型。
4種狀态下多實體場信号相關度矩陣如圖5所示，其中橫縱坐标的标号1~6分别表示離心泵的聯軸節振動速度信号、軸承振動速度信号、泵體振動速度信号、出口流量信号、出口壓力信号以及油液溫度信号。
基于多實體場相關分析與支援向量機的離心泵故障診斷方法中SVM算法利用LIBSVM工具箱來實作，同時設定懲罰系數C=1，核函數為徑向基函數(radial basis function)，其表達式為
為驗證此方法的有效性，本文使用單一傳感器信号結合SVM的故障診斷方法進行對比，分析不同方法的診斷準确度。
對比方法提取單一信号的時域統計量作為故障特征結合SVM進行診斷，所使用的SVM參數與此方法一緻，提取信号的時域統計量為均方根、振幅均方根、峭度、偏度、峰峰值、峰值因子、脈沖因子、裕度因子、形狀因子、悄度因子血。
●—≺ 故障診斷結果 ≻—●
表3所示為此方法與對比方法的診斷結果，其中Sensorl~Sensorb分别對應離心泵的聯軸節振動速度信号、軸承振動速度信号、泵體振動速度信号、出口流量信号、出口壓力信号以及油液溫度信号。
由結果可以看出，僅使用單一實體場傳感器的診斷結果較差，離心泵的聯軸節振動速度信号、軸承振動速度信号和泵體振動速度信号的診斷結果分别為63.5%、73.0%和90.5%。
使用出口流量信号、出口壓力信号以及油液溫度信号的診斷結果為65.5%，78.5%、82.0%，使用單一傳感器信号的故障診斷正确率最高為90.5%。
相比使用此的故障診斷正确率達到98.5%，比使用單一實體場信号的診斷結果提高了9.4%，結果提升較為明顯。
圖6所示為不同方法診斷結果的混淆矩陣圖，由圖可以看出，使用單一信号進行故障診斷結果較差，但是某一個信号對于某一類故障診斷效果較好。
由圖6(a)可以看出，使用聯軸節振動速度信号進行診斷對于軸承外圈磨損故障診斷效果較好，而對于其他故障診斷效果較差；軸承振動速度信号(見圖6(b))對于四類故障診斷效果均不佳。
泵體振動速度信号(見圖6(c))對于除了軸承内圈的故障，其他故障診斷效果較好；出口流量信号(見圖6(d))對于葉輪磨損和軸承内圈故障診斷效果最佳，為别為100%和98.0%。
出口壓力信号(見圖6(e))以及油液溫度信号(圖6(f))對于正常狀态的診斷結果為100%，而對于其他故障類型診斷效果欠佳。
而使用此對于四類故障診斷效果均占優，如圖6(g)所示。
綜合利用這些多實體場資訊并考慮他們之間的相關性，能夠将各個實體傳感器信号提取到了故障特征進行有效的整合，進而提高故障診斷準确率。
為了直覺的說明此方法的對于離心泵故障特征提取的有效性，使用t-SNE算法對每個單一實體場信号時域特征以及所提出的多實體場相關資訊矩陣特征進行降維可視化。
相比其他單實體場信号，泵體振動速度信号(見圖7(c))能夠稍微将4種故障區分開來，但是分類邊界不明顯。
出口壓力信号(見圖7(e))以及油液溫度信号(見圖7(f))能夠明顯将正常狀态、葉輪磨損故障分離出來，但軸承内圈故障和軸承外圈混在一起，無法畫出明顯的分類邊界。
多實體場相關資訊矩陣方法能夠明顯地區分4種故障，考慮故障發生時各個實體場之間的相關性，特征提取更加充分，如圖7(g)所示。
針對離心泵故障診斷僅使用單一振動信号而存在的故障特征不全面、故障診斷正确率提升困難等問題，提出了一種基于多實體場相關分析與支援向量機相結合故障診斷方法，并且利用離心泵故障資料對所提出的方法進行了驗證。
結果表明:此方法能有效提取到不同故障模式下的多實體場之間的相關性特征，在離心泵故障診斷中準确率為99.0%，相比僅使用單一振動速度信号的SVM方法，故障診斷正确率提高了9.4%。