基于振動信號分析的水工金屬閘門狀態識別方法

楊 軍，劉鵬鵬，漆玉龍，胡仲明

（1.國能大渡河大崗山發電有限公司，四川 雅安 625400；2.成都大匯物聯科技有限公司，四川 成都 610000）

1 引言

水工金屬閘門是水利工程中的關鍵設備，是完成水利泄洪功能、保障水工建筑物使用效果的重要組成，其運行狀態優劣直接影響到整個水利工程，甚至引起安全事故，對流域內人民和生命財產安全造成巨大影響[1]。因此開展水工金屬閘門狀態監測及狀態識別研究對于提高水工金屬閘門的安全性、可靠性及可維護性具有重要意義。

針對水工金屬閘門的狀態監測目前多采用應變傳感器、壓力傳感器、振動傳感器、傾角傳感器、聲發射傳感器等[2]，其中振動監測能夠直觀反應閘門狀態，具有快速性和狀態變化的靈敏性等優點，是未來水工金屬閘門狀態監測的主要發展方向。水工金屬閘門在流激作用下產生的振動信號比較復雜，傳統方法進行振動信號分析具有一定難度，機電裝備振動信號分析方法給水工金屬閘門狀態識別提供思路。針對水工金屬閘門振動信號復雜多變、且耦合性較強的特點，一般基于振動信號的狀態識別需經信號分解、特征提取、狀態識別等過程。信號分解是將水工金屬閘門耦合性較強的振動信號分解為一系列易于分析的信號分量，常見的信號分解方法包括經驗模態分解、局部均值分解、變分模態分解、集合經驗模態分解等[3]，各種方法各有優勢。其中經驗模態分解方法容易造成信號混疊，變分模態分解方法必須提前確定信號中心頻率，預估信號分量個數，分解過程無法自適應。EEMD充分利用了高斯白噪聲的均勻輔助作用，通過在信號中加入高斯白噪聲，改善信號極值點分布，能夠有效避免信號模態混疊，同時分解過程完全自適應具有顯著優勢。

在特征提取方面，信息熵理論被越來越多地應用于振動信號的狀態特征量化提取，其能夠表征非線性信號的復雜性和平穩性，相比于具有統計意義的時域特征、頻域特征等，具有更精細的特征刻畫能力[4]。

在狀態識別方面，以神經網絡為代表的智能分類算法在傳統機電裝備故障診斷中得到了廣泛應用和驗證，可以為水工金屬狀態識別提供借鑒。傳統的識別算法包括BP神經網絡、支持向量機、極限學習機等[5]；同時隨著技術的發展，例如卷積神經網絡、堆棧自動自動編碼機等深度學習算法也獲得應用；同時，模糊邏輯、模糊推理也被證明具有較好的識別效果。但是以上方法各具優勢，同時具有各自缺點，充分利用神經網絡的數據學習能力和模糊邏輯的推理能力，可形成自適應神經模糊推理系統（ANFIS），能夠兼具神經網絡和模擬推理的優勢，形成一種有效的狀態識別方法[6]。

2 算法模型

2.1 集合經驗模態分解

EEMD充分利用了高斯白噪聲的均勻輔助作用，通過在水工金屬閘門原始振動信號加入高斯白噪聲，改善信號極值點分布，有效避免信號模態混疊問題，算法具體步驟如下[3,7]：

（1）進行參數初始化，初始化白噪聲添加次數M。

（2）設水工金屬閘門原始振動信號為x(t)，加入第m次白噪聲后獲得的振動信號為xm(t)=x(t)+βwm(t)，其中wm(t)為加入的白噪聲，β為幅值系數，并初始化m=1。

（3）對于信號xm(t)，進行EMD過程，即針對xm(t)利用樣條曲線求取其上包絡線和下包絡線的均值曲線，并以此計算信號xm(t)和均值曲線的差值，記為

（6）則針對在原始振動信號中每次加入白噪聲后的信號，重復以上過程（2）~（5）；即如果m沒有達到設定次數M，則m=m+1，重復過程（2）~（5），直到達到設定的白噪聲添加次數，則可以獲得M組IMF分量，即，i=1，2，...，I；m=1，2，...，M。

（7）針對每次加入高斯白噪聲獲得的IMF分量進行總體平均，就可獲得最終的EEMD分解結果，則最終獲得的EEMD分解結果為：

其中Ci(t)，i=1，2，...，I為EEMD分解所獲得的最終IMF分量。

2.2 功率譜熵提取

針對水工金屬閘門振動信號經過EEMD獲得的一系列IMF分量Ci(t)進行功率譜熵特征提取，從功率譜分布角度對各IMF分量的信號特征進行量化。假設某一分量為Ci(t)=（x1，x2，...，xN），對其進行傅里葉變換獲得F（ω）=FFT（Ci(t)），進一步獲得其功率譜為：

進一步功率譜熵可表示為：

2.3 自適應神經模糊推理系統

ANFIS充分利用神經網絡的數據學習能力和模糊邏輯的推理能力，其具有模糊化層、推理層、歸一化層、逆模糊化層和輸出層，ANFIS基本結構如圖1所示[6]。

圖1 ANFIS基本結構

模糊化層：實現將輸入層的輸入根據隸屬度函數進行模糊化，該層節點的輸出為：

其中x1、x2為輸入，μAi、μBj為隸屬度函數。

推理層：該層實現計算模糊規則的強度，該層的輸出是相對應輸入的隸屬度的乘積：

歸一化層：在該層根據以下公式計算節點的輸出，具體公式為：

逆模糊化層：在該層產生模糊推理規則，該層的輸出為：

其中｛p1，q1，u1｝為該層的參數集，被稱為后續參數。

輸出層：該層實現整體系統輸出，計算如下：

3 實驗數據獲取

本實驗數據在國電大渡河流域大崗山水電站泄洪洞弧形工作閘門上獲取，在某一特定工況下，采用成都眾柴有限公司自主研發的三向加速度傳感器，傳感器安裝在上、下支臂前端，監測閘門剛性支承的振動響應，采用16位24通道同步采集卡進行振動數據采集，采樣頻率為2 000 Hz。傳感器測點布置圖、現場安裝圖如圖2、圖3所示。

圖2 傳感器測點布置圖

圖3 現場安裝圖

4 算法驗證及分析

在以上實驗數據獲取過程中，設置采集卡采樣頻率為2 000 Hz，每個數據樣本為2 560點，所獲得的水工金屬閘門正常狀態和異常狀態的振動信號如圖4所示，及其對應的頻譜圖如圖5所示。

圖4 正常狀態和異常狀態的振動信號

圖5 正常狀態和異常狀態的頻譜

從圖4時域波形可知，異常狀態發生時，信號時域波形幅值具有一定增大，信號頻譜額外信號成分增多，但是僅屬于定性分析，無法從定量角度進行異常狀態判斷。采用EEMD對以上振動信號進行分解，設定EEMD添加噪聲次數為50，每次增加噪聲幅值系數為0.15倍的信號標準差。所獲得的EEMD分解結果分別如圖6和圖7所示。

圖6 正常狀態EEMD分解結果

圖7 異常狀態EEMD分解結果

通過EEMD分解，獲得12個IMF分量，將水工金屬閘門振動信號中包含的狀態信息按照信號特性分解到各IMF分量中，從圖7、圖8中可看出IMF7~IMF12主要包含趨勢信息，因此選擇IMF1~IMF6進行深入分析，采用功率譜熵對IMF1~IMF6進行特征量化提取。對水工金屬閘門正常狀態和異常狀態的一系列樣本提取功率譜熵特征，所獲得的各IMF分量功率譜熵分布如圖8所示。

圖8 正常狀態和異常狀態功率譜熵分布

從圖8中可以看出，觀察一定數量樣本IMF1~IMF6的功率譜熵，可以發現，在IMF1~IMF2，異常狀態的功率譜熵大于正常狀態；在IMF3~IMF5，正常狀態的功率譜熵大于異常狀態。在IMF1~IMF2，以及IMF4~IMF6，正常狀態和異常狀態的功率譜熵存在一定混疊。

結合ANFIS進行狀態識別。根據所提取的IMF1~IMF6的功率譜熵，ANFIS的輸入為6，每個輸入設定對應3個隸屬度函數，分別為高、中、低；實驗中區分水工金屬閘門正常狀態和異常狀態，ANFIS輸出為2，正常狀態樣本標記為1，異常狀態樣本標記為2。隨機建立訓練樣本和測試樣本，其中每種狀態訓練樣本50個，測試樣本50個。利用訓練樣本對ANFIS進行訓練，設定均方根誤差對訓練過程進行控制，訓練次數設置100，初始訓練步長為0.01，訓練完畢后，每個ANFIS輸入的隸屬度函數調整為最優質，所獲得的每個ANFIS輸入的隸屬度函數如圖9所示。

圖9 訓練完畢后ANFIS的隸屬度函數

訓練完成后，采用測試樣本進行狀態識別能力驗證，每種狀態50個測試樣本，所獲得的測試結果如表1所示。

表1 ANFIS狀態識別結果

從表1中可以看出，正常狀態識別率達到98%，平均識別率達到95%，從實驗數據處理結果可看出所提出方法是一種有效的水工金屬閘門狀態識別方法。

5 結論

提出一種基于振動信號分析的水工金屬閘門狀態識別方法。利用EEMD將水工金屬閘門振動信號進行分解，振動信號中包含的狀態特征信息根據信號特性被分解到一系列IMFs中。結合信息熵理論，利用功率譜熵進行特征提取，證明功率譜熵能夠量化水工金屬閘門狀態特征；最后利用ANFIS的數據學習能力和推理能力實現水工金屬閘門狀態識別。在某種工況的條件下進行了實驗驗證，證明所采用的基于振動信號分析的水工金屬閘門狀態識別方法具有較好效果，下一步可在更多工況條件下開展實驗研究。