電流與振動(dòng)信號(hào)融合的轉(zhuǎn)子系統(tǒng)故障診斷研究

石江波 ，楊兆建 ，郭偉杰 ，李 峰

1 引言

轉(zhuǎn)子系統(tǒng)是旋轉(zhuǎn)機(jī)械的核心部件，在工程實(shí)際中應(yīng)用廣泛，而轉(zhuǎn)子系統(tǒng)是否能夠正常運(yùn)行與生產(chǎn)、安全息息相關(guān)，傳統(tǒng)的故障診斷方法都是以分析振動(dòng)信號(hào)作為診斷的手段，信號(hào)過(guò)于單一。運(yùn)用振動(dòng)信號(hào)及電機(jī)電流信號(hào)相融合的分析方法可充分利用兩種信息改善傳統(tǒng)方法故障識(shí)別率不高，并能識(shí)別區(qū)分傳統(tǒng)方法不易區(qū)分的幾種轉(zhuǎn)子系統(tǒng)故障[1-2]。

文獻(xiàn)[3]結(jié)合小波包能量譜分析和共振解調(diào)法，將其用于聲發(fā)射信號(hào)的特征能量提取中。文獻(xiàn)[4]在軸承的故障診斷中運(yùn)用小波包分解提取信號(hào)的能量譜，再用包絡(luò)分析得到功率譜。文獻(xiàn)[5]在航空發(fā)動(dòng)機(jī)轉(zhuǎn)子實(shí)驗(yàn)器上模擬了碰摩故障，運(yùn)用小波包分解提取特征向量，運(yùn)用支持向量機(jī)法進(jìn)行訓(xùn)練測(cè)試并進(jìn)行故障識(shí)別。文獻(xiàn)[6]運(yùn)用諧波小波包技術(shù)提取特征向量，提高了轉(zhuǎn)子故障識(shí)別準(zhǔn)確率。文獻(xiàn)[7]采集轉(zhuǎn)子同一截面不同方向的振動(dòng)信號(hào)結(jié)合小波包絡(luò)解調(diào)及全矢譜數(shù)據(jù)融合技術(shù)對(duì)旋轉(zhuǎn)機(jī)械調(diào)制信號(hào)進(jìn)行分析，得出的結(jié)果優(yōu)于基于全矢譜的傳統(tǒng)包絡(luò)解調(diào)分析。文獻(xiàn)[8]提取電機(jī)電流信號(hào)，運(yùn)用小波包方法提取信號(hào)特征能量譜，再運(yùn)用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)轉(zhuǎn)子系統(tǒng)扭矩激勵(lì)的識(shí)別。文獻(xiàn)[9]為解決軸承故障診斷中特征量提取困難問(wèn)題，提出了基于小波包與奇異值分解的GA-SVM滾動(dòng)軸承故障診斷方法。文獻(xiàn)[10]建立汽車發(fā)動(dòng)機(jī)故障診斷貝葉斯網(wǎng)絡(luò)，利用貝葉斯網(wǎng)絡(luò)進(jìn)行信息融合完成其故障診斷目標(biāo)。文獻(xiàn)[11]提出基于多源信息融合的貝葉斯網(wǎng)絡(luò)故障診斷方法，并對(duì)滾動(dòng)軸承進(jìn)行了故障診斷。文獻(xiàn)[12]運(yùn)用貝葉斯網(wǎng)絡(luò)于轉(zhuǎn)子系統(tǒng)故障診斷，提出一種用于轉(zhuǎn)子故障診斷的網(wǎng)絡(luò)框架，且考慮了實(shí)際運(yùn)行工況及故障征兆，并得到了良好的診斷效果。文獻(xiàn)[13]提出一種基于振動(dòng)頻譜分析和貝葉斯網(wǎng)絡(luò)的轉(zhuǎn)子振動(dòng)故障診斷方法，運(yùn)用作者改進(jìn)的優(yōu)化分簇算法構(gòu)建振動(dòng)故障的貝葉斯網(wǎng)絡(luò)，用貝葉斯網(wǎng)絡(luò)進(jìn)行故障概率計(jì)算進(jìn)而識(shí)別故障類型。綜上所述，大部分的文獻(xiàn)都是通過(guò)振動(dòng)分析方法來(lái)研究轉(zhuǎn)子系統(tǒng)的故障，運(yùn)用的信號(hào)較單一，而提取運(yùn)用電機(jī)電流信號(hào)分析轉(zhuǎn)子系統(tǒng)故障的研究相對(duì)較少。

因此，針對(duì)轉(zhuǎn)子系統(tǒng)的幾種典型故障，在單跨轉(zhuǎn)子試驗(yàn)臺(tái)上模擬轉(zhuǎn)子系統(tǒng)的不平衡、不對(duì)中、碰磨故障，并采集不同故障類型下拖動(dòng)電機(jī)的電流信號(hào)及不同位置的振動(dòng)信號(hào)，利用小波包能量法對(duì)采集的信號(hào)進(jìn)行特征值提取，然后對(duì)特征值進(jìn)行歸一化，最后利用貝葉斯網(wǎng)絡(luò)對(duì)轉(zhuǎn)子系統(tǒng)故障進(jìn)行識(shí)別。

2 試驗(yàn)臺(tái)及試驗(yàn)操作

2.1 轉(zhuǎn)子試驗(yàn)臺(tái)

轉(zhuǎn)子試驗(yàn)臺(tái)示意圖，如圖1所示。轉(zhuǎn)子實(shí)驗(yàn)臺(tái)實(shí)物圖，如圖2所示。保持電機(jī)轉(zhuǎn)速為500r/min，分別在無(wú)故障、轉(zhuǎn)子不平衡、不對(duì)中、轉(zhuǎn)子碰摩四種故障類型下采集兩個(gè)不同位置的x和y向的振動(dòng)信號(hào)以及電機(jī)電流信號(hào)，振動(dòng)信號(hào)由四個(gè)壓電式加速度傳感器采集，電機(jī)電流信號(hào)通過(guò)直流電流變送器最終都接入數(shù)據(jù)采集儀實(shí)現(xiàn)數(shù)據(jù)采集。所研究的故障類型與故障編號(hào)對(duì)照表，如表1所示。

圖1 轉(zhuǎn)子系統(tǒng)實(shí)驗(yàn)臺(tái)示意圖Fig.1 Sketch of Test Bed of Rotor System

圖2 轉(zhuǎn)子試驗(yàn)臺(tái)Fig.2 Bed of Rotor System

表1 故障編號(hào)與故障類型對(duì)照表Tab.1 Comparison Between Fault and Fault Types

3 小波包分解特征提取

3.1 小波包分解原理

圖3 三層小波包分解結(jié)構(gòu)圖Fig.3 Structure of Wavelet Packet Three Layer Decomposition

小波法可很好的細(xì)化分析信號(hào)低頻段特征信息，小波包法可以對(duì)整個(gè)頻率段進(jìn)行細(xì)化分析提取特征量，克服了小波法對(duì)高頻段分析欠缺的不足。小波包分解可多層次劃分頻段，并可根據(jù)實(shí)際需要對(duì)整個(gè)頻帶進(jìn)行任意層次的細(xì)分，可提取出需要的各個(gè)細(xì)化頻帶的能量特征值。每個(gè)頻帶都是正交的，且無(wú)交疊無(wú)遺漏相互獨(dú)立。小波包三層分解過(guò)程示意圖，如圖3所示。

式中：h（k）、g（k）—雙尺度系數(shù)，且 g（k）=（-1）kh（1-k）即兩系數(shù)具有正交關(guān)系；u0（t）—正交尺度函數(shù)；u1（t）—小波基函數(shù)。式（1）即為構(gòu)造的序列為由基函數(shù)u0（t）確定的正交小波包。

由于研究的轉(zhuǎn)子系統(tǒng)故障為轉(zhuǎn)子不平衡、轉(zhuǎn)子不對(duì)中及轉(zhuǎn)子碰摩，這幾種故障均對(duì)各頻帶內(nèi)能量值有較大影響，故以能量值作為特征向量的元素是完全合理的。對(duì)實(shí)測(cè)的各故障狀態(tài)振動(dòng)及電流信號(hào)進(jìn)行小波包變換，得到a層分解各層特征向量，其中M為信號(hào)自頻帶數(shù)量。總信號(hào)為S=S0a+S1a+S2a+…+SMa。得各自頻帶能量：

式中：xmk（m=0，1，…，M；k=0，1，…，n）—信號(hào) SMa的離散點(diǎn)的幅值。最后對(duì)能量向量E進(jìn)行歸一化處理，得到能量特征向量，即小波包能量譜。第一組部分振動(dòng)信號(hào)各頻段特征能量值，如表2所示。

表2 第1組振動(dòng)信號(hào)各頻段特征能量值（部分）Tab.2 First Groups of Vibration Signal Characteristic Energy Value of Each Frequency Band（Part）

4 貝葉斯分類方法

4.1 基于貝葉斯的故障診斷過(guò)程

（1）根據(jù)多傳感器信息融合的廣義定義，利用貝葉斯參數(shù)估計(jì)算法對(duì)小波包法提取并經(jīng)過(guò)歸一化處理的故障特征信息進(jìn)行多特征信息融合，得到最大后驗(yàn)估計(jì)值的計(jì)算公式。

（2）運(yùn)用訓(xùn)練樣本根據(jù)貝葉斯網(wǎng)絡(luò)的構(gòu)建過(guò)程，通過(guò)NBN（樸素貝葉斯）分類器確定故障特征信息與故障模式之間的關(guān)系。

（3）利用建立的NBN分類器簡(jiǎn)化最大后驗(yàn)估計(jì)值公式，得到轉(zhuǎn)子系統(tǒng)的貝葉斯網(wǎng)絡(luò)故障診斷模型。

（4）通過(guò)測(cè)試樣本驗(yàn)證故障診斷模型的有效性并完成診斷。

圖4 故障診斷過(guò)程Fig.4 Fault Diagnosis Process

轉(zhuǎn)子系統(tǒng)的故障診斷過(guò)程，如圖4所示。先采集若干組樣本數(shù)據(jù)，再用三層小波包分解提取初步能量譜，然后對(duì)初步能量譜進(jìn)行歸一化處理，將特征值輸入貝葉斯網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，最后將待識(shí)別故障信號(hào)的特征向量輸入貝葉斯網(wǎng)絡(luò)進(jìn)行故障識(shí)別。

4.2貝葉斯分類器設(shè)計(jì)

從該故障診斷的方法出發(fā)，設(shè)計(jì)了兩個(gè)分類器。在對(duì)兩種故障模式的分類識(shí)別診斷中，給出了判別函數(shù)的概念并利用NBN分類器簡(jiǎn)化了判別函數(shù)。在多故障模式的故障診斷中，選擇用NBN分類器來(lái)簡(jiǎn)化信息融合最大后驗(yàn)概率估計(jì)值公式并建立故障診斷模型。

設(shè) Y=｛Y1，Y2，Y3，…，Yn｝，X=｛X1，X2，X3，…，Xn｝。其中Y表示故障模式類別，X表示特征向量空間。對(duì)提取的特征向量進(jìn)行融合，融合后的最大后驗(yàn)概率估計(jì)值為：

由此采用NBN分類器，假設(shè)特征向量之間相互獨(dú)立，每個(gè)屬性節(jié)點(diǎn)Xi與故障類節(jié)點(diǎn)Yi相關(guān)聯(lián)，這種假設(shè)降低了貝葉斯網(wǎng)絡(luò)構(gòu)建的復(fù)雜性。因此通過(guò)構(gòu)造分類器可將式（5）表示為：

式（6）是信息融合與貝葉斯網(wǎng)絡(luò)相結(jié)合的推理結(jié)果。通過(guò)式（6）計(jì)算出最大后驗(yàn)概率估計(jì)值，相對(duì)應(yīng)的Yj類為診斷后得出的故障類型。

4.3 貝葉斯網(wǎng)絡(luò)建立與診斷

貝葉斯網(wǎng)絡(luò)包括兩個(gè)基本事件層：故障征兆層、故障層，這兩個(gè)事件之間具有直接的因果關(guān)系。轉(zhuǎn)子系統(tǒng)實(shí)際故障類型較多，但是其常見(jiàn)故障基本都是轉(zhuǎn)子不平衡、不對(duì)中、轉(zhuǎn)子碰摩這幾種。需要識(shí)別轉(zhuǎn)子系統(tǒng)是否有故障，因此無(wú)故障作為一種事件類型加入故障事件層。故障事件層節(jié)點(diǎn)選取轉(zhuǎn)子系統(tǒng)幾種典型故障，即無(wú)故障、轉(zhuǎn)子不平衡、不對(duì)中、轉(zhuǎn)子碰摩。

故障征兆層：對(duì)4組振動(dòng)信號(hào)，1組電流信號(hào)分別進(jìn)行三層小波包分解提取能量譜，再進(jìn)行歸一化處理得到最終能量譜。

根據(jù)以上貝葉斯網(wǎng)絡(luò)故障診斷的一般框架，可以建立轉(zhuǎn)子系統(tǒng)常見(jiàn)故障的貝葉斯診斷網(wǎng)絡(luò)。貝葉斯診斷網(wǎng)絡(luò)共兩層，44個(gè)節(jié)點(diǎn)，如圖5所示。

圖5 轉(zhuǎn)子系統(tǒng)故障診斷貝葉斯網(wǎng)絡(luò)模型Fig.5 Bayesian Network Model of Rotor System Fault Diagnosis

4.4 診斷準(zhǔn)確率對(duì)比

為了檢驗(yàn)運(yùn)用融合信號(hào)進(jìn)行轉(zhuǎn)子系統(tǒng)故障診斷與只用振動(dòng)信號(hào)或電機(jī)電流信號(hào)進(jìn)行故障診斷的正確率，分別設(shè)定15，30，45，60，75，90，105，120 組樣本輸入貝葉斯網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，其診斷準(zhǔn)確率對(duì)比曲線，如圖6所示。

從圖6可以看出三種信號(hào)模式下診斷準(zhǔn)確率都隨著樣本數(shù)的增多而增大，只采用電流信號(hào)進(jìn)行診斷準(zhǔn)確率最低，采用振動(dòng)信號(hào)準(zhǔn)確率次之，采用融合信號(hào)準(zhǔn)確率最高而且比較穩(wěn)定。無(wú)論樣本數(shù)量是多是少，運(yùn)用融合信息的診斷準(zhǔn)確率均大于采用單一信號(hào)的正確率。

圖6 三種信號(hào)模式診斷準(zhǔn)確率比較圖Fig.6 Diagnosis Accuracy Comparison Chart of Three Signal Patterns

5 結(jié)論

搭建單跨轉(zhuǎn)子試驗(yàn)臺(tái)，采集幾種典型故障類型下的電機(jī)電流信號(hào)及兩個(gè)不同位置的和向的振動(dòng)信號(hào)，利用小波包能量法提取故障特征向量，并將其提取的特征向量進(jìn)行歸一化處理，然后將樣本數(shù)據(jù)的特征向量輸入貝葉斯網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，最后將待識(shí)別數(shù)據(jù)的特征向量輸入貝葉斯網(wǎng)絡(luò)進(jìn)行故障識(shí)別。結(jié)果表明：采用融合信號(hào)的貝葉斯網(wǎng)絡(luò)診斷準(zhǔn)確率高于運(yùn)用單一信號(hào)進(jìn)行故障診斷的正確率。即使在小樣本下采用融合信息進(jìn)行故障診斷準(zhǔn)確率也比較高，可以滿足診斷精確度的要求。