基于EMD與GA-BP網絡的離心泵汽蝕故障診斷

周云龍 吳 昱

(東北電力大學自動化工程學院，吉林 吉林 132012)

汽蝕是離心泵經常發生的故障之一，汽蝕的發生會給離心泵的正常運轉帶來損害，如改變泵的正常工況、降低其運行效率，此外，長時間的汽蝕會造成葉輪等過流部件的損壞[1]。離心泵進、出口壓力信號的改變能反映汽蝕的發展程度，可作為診斷汽蝕的診斷依據。通過理論研究和實際采集情況得知該信號不是線性、平穩信號。傳統的傅里葉變換和基于傅里葉變換的一些信號處理手段，如短時傅里葉變換、魏格納分布及小波變換等，因其研究前提是假設信號為平穩或分段平穩，且受到不確定原理的限制，較為適合分析線性、平穩信號。經驗模態分解(EMD)是基于信號的局部特征時間尺度，將信號分解為若干本征模態函數(IMF)和的形式。每一個IMF都能體現各自不同頻率和時間尺度下的特性，更能突顯原始信號的局部特征[2]。因此EMD分析方法非常適合分析離心泵的入口壓力脈動信號。

為了使汽蝕實驗精確、全面，在實驗過程中采用變頻器調節流量，將得到的特征向量作為樣本輸入到BP網絡中學習，提高故障診斷的準確率。

1 方法和原理①

1.1 EMD

1.1.1EMD原理

EMD方法是將信號分解成若干本征模態函數和的形式，是建立在一定的假設基礎之上的[2～6]，其中任意一個基本模式分量都滿足以下條件：

a. 全部信號段中，信號必須滿足信號段內極值點的數量等于交叉點的數量，或者信號中極值點、交叉點數量保持一致；

b. 時間軸上的任意一點所對應的上、下兩條包絡曲線代數均值為零，也可以理解為兩包絡曲線關于時間軸是對稱的。

EMD分解是把不平穩信號轉化成平穩信號。分解得到的若干本征模態函數可以看作是按照原始信號頻率從高到低“裁剪”得到的。

1.1.2特征提取算法

在不同的有效汽蝕余量下運轉的離心泵，其對應的入口壓力脈動信號的能量也會相應改變。為了更具體地把握其變化情況，這里采用IMF能量比來表示。現作以下定義：

(1)

(2)

(3)

式中ai(t)——各IMF的幅值函數；

N——每個IMF的數據點。

1.2 GA-BP神經網絡

1.2.1原理

BP網絡在故障診斷分類中的廣泛應用得益于其具有尋優精確性高的特點，但在使用BP神經網絡的過程中也發現了這種學習算法的缺陷，如訓練速度慢和存在局部最優化的問題。遺傳算法是基于生物進化理論的一種自適應優化方法，具有極好的魯棒性，也具有更好的尋找到最優解的能力[7,8]。筆者介紹的GA-BP是遺傳算法和神經網絡的優化算法[3]。通過GA對BP網絡的權值和閾值進行優化，把優化后的網絡應用到汽蝕故障診斷中去，利用了BP網絡預測等功能的同時避免了其局部最優化等問題，在處理這一類問題中有著一定的優勢。

1.2.2特征提取算法

BP神經網絡由輸入層、輸出層和隱含層構成，可以看成一個規模宏大的并行處理器。BP神經網絡具有較強的對環境的適應性和學習能力。筆者所使用的三層BP網絡的結構如圖1所示。

圖1 BP網絡結構

圖1中x1,x2,…,xn為輸入層；xi與隱含層yj的連接權記作V；W是輸出層節點和yj的連接權值。用GA算法優化BP神經網絡，過程如下：

a. 初始化。采用實數編碼，避免了編碼和解碼過程，便于大空間意義上的搜索，提高計算精度。確定群體規模、突變概率，確定交叉規模和交叉概率、最大迭代次數和終止進化條件。

c. 除去樣本外增加的個體是由Gi與Gi+1交叉獲得的。不進行此操作的個體在自我復制后進行下一步操作，其中交叉操作的概率為PC。

d. 變異。在較小的突變概率Pm下突變產生新個體Gj，要求變異概率隨著最優個體不變指數的上升而增加。初始值變異概率為0.001。

e. 將交叉操作和突變原因產生的新個體重插入到種群P中，這種替代方法稱為重插入，并計算新個體的評價函數。

f. 計算個體適配度，當滿足優化條件E(i)≤εGA時，則將結果的最優個體作為優化網絡的系數。如果不滿足條件，重新執行交叉和變異操作直到得到滿足條件的值。

2 實驗裝置和步驟

2.1 實驗裝置

實驗裝置如圖2所示，采用的是氣蝕閉式實驗臺。采用臥式單級離心泵，型號為ISW40-100；泵軸與電機相連成為一體；葉輪為閉式，直徑1m；離心泵的出、入口直徑均為4cm；離心泵在額定工況下流量Q為5.6m3/s，揚程為10m，額定轉速2 900r/min；和離心泵入口直接相連的透明管長0.5m，用以對汽蝕狀態進行實時觀測；真空泵和水箱直接相連，用來改變密閉水箱內的壓力。實驗臺所采用的JC2WY-40渦輪流量計準確度約0.3%，能夠滿足實驗要求。壓力變送器為JYHR-101系列壓力變送器。

圖2 實驗裝置簡圖

2.2 汽蝕信號的采集

信號采集時，先通過變頻器將離心泵調至某一流量，待流體流動穩定后，采集入口壓力脈動信號，記錄流量等參考數據，該數據為離心泵在正常運行狀態下的參考值。完成上述步驟后，啟動真空泵，通過對水箱內部壓力進行調節來改變離心泵的工況。泵有效汽蝕余量會隨著泵體內部壓力的降低而逐漸降低，使得離心泵分別工作在汽蝕初生、輕微汽蝕和嚴重汽蝕3種狀態下，并按上述方法采集離心泵的入口壓力信號。采集完成后將流量變化及有效汽蝕余量等數據記錄作為一組。然后重復以上操作記錄不同流量下的汽蝕狀況。實驗共采集6個流量下的入口壓力信號。

2.3 汽蝕工況判據

汽蝕工況的判據如下：

a. 正常運行。觀察段內為全液相流體，流體流動過程中并無氣泡產生。

b. 初生汽蝕。透明管觀察段內液體流動中出現少量細小的氣泡且氣泡有向低壓區擴散的趨勢。

c. 輕微汽蝕。透明觀察管段內液體氣泡增多，出現連續、小體積、比較均勻分布的氣泡。

d. 嚴重汽蝕。透明段氣泡體積急劇增加形成的汽液兩相流充滿整個管道；泵體振動劇烈，噪聲進一步增強。

3 實驗結果及分析

以額定流量下正常運行、初生汽蝕為例，對信號進行EMD分解，結果如圖3所示。表1是額定流量下各IMF的能量比。從表1和圖3中看出，正常運行時能量主要集中在第2、7兩層，而初生汽蝕和以后狀態的能量主要集中在第2、6、8層。

圖3 額定流量下正常運行、初生汽蝕EMD分解比較

IMF12345678正常0.6837.882.989.9910.102.9935.850.70初生0.034.990.030.010.025.010.0290.02輕微0.015.020.010.020.014.980.0190.04嚴重0.015.010.010.030.034.920.0289.99

觀察表1可知，第5、7層能量比在發生汽蝕時明顯降低，第6層在不同狀態的變化不是很明顯，第8層能量比有明顯升高趨勢，表明低頻能量比在不同狀態時有明顯的不同。文獻[2]指出：離心泵發生汽蝕時，在不同的汽蝕狀態，低頻能量的變化具有參考價值。筆者從低頻能量比來分析離心泵的汽蝕特征。表2為不同流量下IMF能量比的比較。

表2 不同流量下各IMF的能量比比較

由表2縱向比較得知：由正常運行到初生汽蝕，第8層能量比增至原來的40倍左右，第6、7層能量比降至原來的40%左右；由初生汽蝕到輕微汽蝕，第8層能量比增至原來的1.5倍左右，第7層降至原來的50%左右；由輕微汽蝕到嚴重汽蝕，第5、7兩層降低十分明顯。橫向比較得知：在不同流量下，IMF5～8層的能量比變化不大。這說明IMF5～8層的能量比與離心泵的汽蝕狀態有關，可以作為特征值進行網絡訓練。

GA-BP網絡的建模過程如下：

a. 獲得輸入樣本。將IMF5～8層的能量比形成4維能量分布向量，選取4種狀態各50組特征向量輸入到GA-BP網絡中進行訓練。

b. 確定輸出模式。4個輸出神經元的狀態分別為正常運行、汽蝕初生、輕微汽蝕和嚴重汽蝕且輸出值為1時表示屬于此類故障，輸出值為0時表示不屬于此類故障。數值大小在0和1之間，數值的大小也反映了屬于此類故障可能性的大小，即正常運行輸出為[1 0 0 0]T，汽蝕初生為[0 1 0 0]T，輕微汽蝕為[0 0 1 0]T，嚴重汽蝕為[0 0 0 1]T。

c. 選取激活函數。綜合筆者的研究內容，輸入層和輸出層的數值大小在0和1之間，滿足對數S形函數的輸出情況，由此選擇對數S形函數作為激活函數，也利于學習算法的收斂。

d. 訓練精度設置為0.000 1。訓練完成時，隨機選取20組各種工況下的實驗數據用以檢測網絡。得到的網絡訓練誤差如圖4所示，汽蝕情況的識別結果見表3。

圖4 GA-BP網絡訓練誤差

IMF5678期望輸出正常0.9970.000 20.000 00.000 11000初生0.0010.988 20.000 20.000 10100輕微0.0000.000 00.999 40.000 00010嚴重0.0000.000 20.000 00.986 30001

從表3可以看出，利用EMD與GA-BP神經網絡對離心泵汽蝕狀態進行診斷識別，取得了很好的效果，實驗結果也表明，所選取的特征向量能很好地描述汽蝕信號的信息。

4 結束語

經驗模態分解是一種有效的壓力波動信號特征提取方法。離心泵汽蝕故障信號經經驗模態分解后的低頻能量比與汽蝕狀態有關，從而可以構成汽蝕故障診斷的特征向量。經驗模態和GA-BP神經網絡相結合，對離心泵汽蝕狀態有很高的識別精度。