基于局域波法和SVM模型的往復機械故障預測方法研究

別鋒鋒 劉 揚 周國強 呂鳳霞

東北石油大學,大慶,163318

基于局域波法和SVM模型的往復機械故障預測方法研究

別鋒鋒 劉 揚 周國強 呂鳳霞

東北石油大學,大慶,163318

針對往復機械系統(tǒng)工況的動態(tài)特性,提出了一種基于非平穩(wěn)振動信號局域波分析和支持向量機(SVM)的故障預測方法。對于往復機械的振動監(jiān)測信號,利用局域波法獲得其中所包含的特征信息,以此作為預測模型的數(shù)據(jù)源;采用SVM作為預測手段,將局域波時頻譜中所包含的局域波分量特征信息作為預測控制模型的輸入量。該方法應用于工程實踐中,有效地提高了預測精度,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;故障診斷;趨勢預測;往復機械

0 引言

故障預測是實現(xiàn)狀態(tài)維修的核心支撐技術(shù)。往復機械故障預測的重要性是不言而喻的。振動監(jiān)測在系統(tǒng)故障預測方面已有廣泛應用。相對于旋轉(zhuǎn)機械,針對大型往復機械的故障預測方法尚不成型,存在諸多盲點和誤區(qū)。首先,往復機械系統(tǒng)是一個帶有大量不可知信息的復雜系統(tǒng),其振動信號具有強烈的非平穩(wěn)性和非線性特征,這決定了常規(guī)信號處理方法難以達到預期目標。傳統(tǒng)信號分析方法往往容易造成信號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)運行特征的系統(tǒng)的故障預測模型(包括數(shù)據(jù)生成和建模方法)也不適用于往復機械,因而無法為系統(tǒng)故障的預測提供可靠的數(shù)據(jù)源。其次,針對往復機械故障的短期爆發(fā)和難預測特性,傳統(tǒng)時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)中的預測效率和準確度大打折扣[2-3]。

針對往復機械的實際工況和振動信號特征,基于局域波理論和支持向量機(SVM)方法,本文提出一種新型的非線性時間序列預測方法。首先對監(jiān)測到的振動信號進行局域波分解,所獲得的局域波時頻譜保證了系統(tǒng)振動特征的完整性,以此作為SVM預測模型的數(shù)據(jù)源。通過對往復機械故障機理進行分析,以其關(guān)鍵部件故障特征頻率為趨勢敏感因子進行故障預測。將該方法應用于工程振動測試中,與目前基于貧信息系統(tǒng)的灰色預測模型[4]GM(1,1)的預測結(jié)果進行對比,結(jié)果表明,該方法能夠有效地對往復機械故障進行預測,從而為系統(tǒng)的工況定位和關(guān)鍵設(shè)備剩余壽命預測提供了可靠的依據(jù)。

1 局域波法在往復機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)驗模式分解(EMD)發(fā)展而來的一種對非線性、非平穩(wěn)信號進行分析的新方法[5],它源于瞬時頻率的概念,能在時頻域內(nèi)對動態(tài)信號的局部特征進行正確描述。瞬時頻率在研究瞬態(tài)和非平穩(wěn)現(xiàn)象時非常重要,它能夠反映非平穩(wěn)信號的時變性,在非平穩(wěn)信號的研究中有著廣泛的應用前景。局域波法把信號分解成滿足條件的局域波分量,對這些分量進行Hilbert變換就可以得到信號的瞬時頻率和時頻特征,這就是局域波時頻分析方法[6]。

通過對信號進行 EMD分解,把原始數(shù)據(jù)X(t)分解成n個局域波分量及一個剩余分量rn,該剩余分量或者是一個平均趨勢或者是一個常數(shù),即

將信號幅度在三維空間上表示成時間和瞬時頻率的函數(shù),信號幅度也可以表示成時間-頻率平面的等高線,這種在時間-頻率平面上的幅度分布稱為局域波時頻譜[7]。局域波法可以有效地剔除實測信號中所包含的干擾因子,同時局域波分量中包含大量的狀態(tài)信息。通過分析局域波時頻譜,實時監(jiān)測的非平穩(wěn)、非線性信號所包含的系統(tǒng)運行特征信息基本展露無遺。局域波時頻信息作為大型工業(yè)機組預測模型的輸入量有著先天的優(yōu)越性。

1.2 有效性分析

這里以往復壓縮機中的典型部件 ——活塞環(huán)為例來進行分析。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)來分析機組表面振動信號,圖1所示為氣閥監(jiān)測點振動信號局域波時頻譜。

分析圖1發(fā)現(xiàn),在不同的工作狀態(tài)下,振動信號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,振動信號能量主要集中于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振動能量變大而變得分散,對應的4kHz～6kHz頻段振動能量有所減弱,而最大的變化在于中高頻段能量顯著地增強了。

對兩組信號的局域波時頻譜進行灰度描述,得到圖2所示的灰度值直方圖。

圖1 氣閥振動信號局域波時頻譜

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

圖2 局域波時頻譜灰度值直方圖

2 SVM預測方法

2.1 SVM原理

SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來的,其基本思想可用圖3所示的兩維情況說明。SVM處理的最基本的問題是二元分類問題,通過使用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[9]。而對于非線性回歸問題,則通過引入核函數(shù)的方法來解決[10]。

圖3 SVM二元分類的示意圖

圖3顯示了一系列兩個不同類型的數(shù)據(jù)點,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)位于兩個邊界線(H1和H2)的中間。邊界線由離分類面最近的點來定義,這些點被稱為支持向量,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,因為支持向量已經(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):

通過改變σ和其他參數(shù)可以改善SVM的預測性能。

2.2 SVM預測與評價

應用SVM對時間序列{xi}(i=1,2,…,N)進行預測。首先,為提高建模精度需對原始時序數(shù)值作預處理,預處理方式較多,本文采用如下方法進行預處理:

式中,xmax、xmin分別為序列的最大值、最小值。

對于所有時間序列,取前面r個數(shù)值作為訓練建模樣本,其余的作為測試樣本。為更有效地利用有限的數(shù)據(jù),對其進行相空間重構(gòu),即將一維的實踐序列轉(zhuǎn)換為矩陣形式,以盡可能地挖掘數(shù)據(jù)的信息量。得到用于向量機學習的樣本為

均值系數(shù)可形象地描述出預測值和實際值的擬合度,一般擬合度在0.9以上為較好的擬合。這兩類指標分別從逐點比較到整體預測趨勢對預測方法進行評價,從而較為全面地判斷預測的準確性。

3 基于局域波法和SVM模型的往復機械故障趨勢預測實例

3.1 信號的獲取

這里選取油田用柱塞式注水泵作為研究對象。柱塞式注水泵作為往復機械的典型代表,在當前我國陸上油田生產(chǎn)中有著舉足輕重的地位,其振動工況的代表性和特殊性,決定了針對其機組進行故障預測的重要性。圖4為柱塞泵振動信號監(jiān)測獲取示意圖,通過對機組多個關(guān)鍵部位進行監(jiān)測并進行對比分析來保證信號源獲取的準確性和完整性。圖4b中,小箭頭和?號表示測點位置。

3.2 信號分析

將采集到的原始振動信號利用局域波法進行處理,從振動時頻譜中提取的原始振動信號特殊頻率段的振動能量值得到了較完善的保留。

圖5所示為監(jiān)測到的振動原始信號,經(jīng)過局域波法處理得到信號的局域波時頻譜圖見圖6。以采集振動信號數(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)進行歸一化處理,獲得40個樣本數(shù)據(jù),以前面30個數(shù)據(jù)作為訓練和建模樣本,后面的10個樣本數(shù)據(jù)作為預測的檢驗樣本。

圖4 往復柱塞泵泵體振動信號測點布置圖

圖5 振動原始信號示例

圖6 信號局域波時頻譜與能量灰度直方圖示例

由SVM預測模型計算出模型預測結(jié)果,將其與基于灰色預測模型GM(1,1)的預測結(jié)果進行比較,同時對照測量值,結(jié)果如圖7所示。

由圖7可以看出,利用SVM預測模型計算出的彈簧組件特征頻率段能量灰度值與實際測量值曲線走勢大致相同。經(jīng)過計算,其預測誤差較小,基本反映了振動能量值的變化,而對應的特征頻率段能量灰度值隨時間的推移與測量次數(shù)的增加,呈現(xiàn)逐漸增大的趨勢,因此可以斷定柱塞泵該監(jiān)測點處彈簧組件出現(xiàn)了一定的故障征兆,事后的檢修記錄證實了對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 預測結(jié)果評價

由圖7可以看出,預測曲線與實際曲線吻合較好,在個別點上的預測相對誤差可能較大,這主要是由于所采用的數(shù)據(jù)點量較少,對于這些數(shù)據(jù)點(相點),找到的鄰近相點的距離比較大,造成誤差較大。隨著信號原始數(shù)據(jù)的不斷豐富,相點密度會不斷增大,預測值也將更趨于合理可信,從而有助于預測精度的提高。誤差評價指標如表2所示,均方誤差為3.15%,而均等系數(shù)為94.23%,達到了很高的擬合度,說明預測結(jié)果有較強的可信度。而GM(1,1)模型預測結(jié)果有較大的偏差,這是由其對源信息系統(tǒng)的敏感性及其病態(tài)特性決定的[4]。

圖7 計算預測值與測量值比較

表2 預測評價指標對照表 %

4 結(jié)語

往復機械工況普遍具有強烈的非平穩(wěn)性,致使其振動信號較之旋轉(zhuǎn)機械更難以處理,而基于機組振動信號所產(chǎn)生的預測模型原始數(shù)據(jù)很難具有應有的準確性和全面性。本文提出了一種針對往復機械的故障預測方法,以油田柱塞式注水泵振動工況分析為例,通過局域波分解對原始信號進行處理得到時頻譜,并以此作為預測模型的原始數(shù)據(jù),利用SVM預測模型得到機組工況預測值。評估指標和對比結(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用[M].北京:國防工業(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,黃樹紅.改進灰色模型在變壓器故障預測中的應用[J].華中科技大學學報,2008,36(5):100-102.

[5] 蓋強.局域波時頻分析方法的理論研究與應用[D].大連:大連理工大學,2001.

[6] 郝志華,馬孝江.局域波法和獨立成分分析在轉(zhuǎn)子系統(tǒng)故障診斷上的應用[J].中國電機工程學報,2005,25(3):84-88.

[7] 別鋒鋒.基于局域波時頻譜的往復機故障智能診斷方法研究[D].大連:大連理工大學,2008.

[8] 張雨,徐小林,張建華,等.設(shè)備狀態(tài)檢測與故障診斷的理論和實踐[M].長沙:國防科技大學出版社,2000.

[9] 張周鎖,李凌均,何正嘉.基于支持向量機的機械故障診斷方法研究[J].西安交通大學學報,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

中國石油天然氣集團公司科學研究與技術(shù)開發(fā)項目(03B209000)

book=691,ebook=121

(編輯 蘇衛(wèi)國)

別鋒鋒,男,1979年生。東北石油大學機械科學與工程學院副教授、博士。主要研究方向為機械故障診斷、狀態(tài)監(jiān)測和石油井架安全檢測等。劉 揚,男,1957年生。東北石油大學校長、教授、博士研究生導師。周國強,男,1952年生。東北石油大學機械科學與工程學院研究員。呂鳳霞,女,1978年生。東北石油大學機械科學與工程學院講師、博士研究生。