关键词:
离心泵
振动信号
时频分析
特征提取
自编码器
摘要:
离心泵应用十分广泛,从民用、石油化工到国防建设,都扮演着不可或缺的角色。离心泵一旦出现故障可能会造成严重影响,及时诊断出离心泵的健康状态,确保设备工作的稳定性与安全性至关重要。
特征提取是评估离心泵健康状态的重要方法,特征的有效性直接影响到后续故障诊断的效果。传统的特征提取方法仅对离心泵振动信号的时域、频域进行简单处理,在一定条件下能够区分出离心泵的部分故障特征。但实际工业中离心泵振动信号存在噪声大、干扰多等问题,导致传统特征难以有效表征设备状态,进而影响故障诊断的效果。
针对上述问题,本文提出离心泵振动信号时频分析与编码器混合的故障特征提取方法。首先,本文使用时频分析方法分解振动信号,构造深度特征。其次,使用自编码器提取出离心泵的故障敏感特征。最后,通过离心泵试验数据与工业现场数据验证了方法的有效性。具体研究内容包括:
(1)由于部分经典时频统计特征易受噪声影响,而且特征选择方法较多。为获得合适的特征选择方法,本文提出一种基于同类故障数据和不同类故障数据距离的特征选择评价指标,使用补偿距离评估技术作为离心泵振动信号的特征选择方法,并根据该方法从经典时频统计特征中选取出抗噪能力较强的相对有效特征;
(2)为了获取离心泵更全面的故障信息,本文提出了基于EMD和自编码器的特征提取方法。从EMD分解到的不同分量角度出发,根据其能量特性,设计出敏感分量的评价指标。然后通过提取敏感分量的时频特征,构造出深度特征。基于离心泵试验数据验证,所提的深度特征包含更加全面的离心泵故障信息,能更好地表征其健康状态。在通过自编码器对深度特征进行降维后,可以在一定程度上去除冗余信息,故障诊断率有一定程度的提升;
(3)本文提出了基于小波分析和自编码器的特征提取方法,基于小波分解和小波包分解得到的分量,从不同频率尺度的角度分析,分别设计出适合小波分解和小波包分解的评价指标,构造出深度特征。基于离心泵试验数据验证,构造出的深度特征同样有很强的数据挖掘能力和抗噪能力,并通过自编码器降维后,故障诊断率有一定程度的提升;
(4)最后,本文与工业实际相联系,利用工业实际离心泵数据对所提特征提取方法进行测试。在离心泵工业实际数据集中,本文所提基于EMD和基于小波分解的深度特征方法,均能有效地提取出故障敏感特征,在工程实际中有一定应用价值。