基于主成分分析法的離心泵汽蝕故障特征分析

王德民

（海軍裝備部駐上海地區第三軍事代表室，上海 200031）

0 引言

離心泵在偏離額定工況或入口發生堵塞時，會出現汽蝕現象。汽蝕的侵蝕可引起葉輪的麻點或裂紋，更嚴重的是可使葉片破裂，大大降低了離心泵的運行效率和使用壽命[1-2]。因此，預防和減少離心泵汽蝕損傷具有重要意義。尋找適當的汽蝕故障診斷和識別方法，防止汽蝕破壞，提高水泵的抗汽蝕性能，具有重要的意義。有關研究表明, 離心泵振動信號是檢測汽蝕的重要參數。原始振動數據有三種類型的特征：時域特征、頻域有限元特征和時頻域特征。均方根值、峰度因子、峰值因子以及經驗模態分解（Empirical Mode Decomposition，EMD）信號的特征雖然可以提取出原始特征，但仍具有高維性，且包含冗余信息。因此，需要利用主成分分析（Principal Components Analysis，PCA)對原始特征進行處理，得到典型的汽蝕特征，從而進行離心泵汽蝕故障的診斷[3-4]。

1 主成分分析法

為防止各檢測對象出現因不同單位造成的問題，通過標準數據的處理方式來歸一化處理每個參數在樣本空間的占比，從而使變化較大的參數在樣本空間中不占主導，來達到弱化該數據的目的；將采集的數據和樣本信息通過標準數據的處理方式使數據與樣本的的重心重合[5-6]。

1）對所有數據樣本進行標準化處理：

2 汽蝕故障診斷應用分析

故障模擬試驗在上海船舶設備研究所研制的給水系統故障模擬試驗臺上進行，該試驗臺可模擬多種系統故障，包括閥門故障、離心泵故障等。采集正常狀態，輕度中度和重度的汽蝕故障離心泵安裝機腳振動信號。數據采集頻率為65 536 Hz，每次采集120 s，將信號分割為1 920個樣本，每個樣本由4 096個數據點組成，訓練樣本1 000個，測試樣本920個。

對1 000個樣本進行EMD分解，信號由5個本征模態函數（Intrinsic Mode Function，IMF）分量和1個殘差組成。從原始信號和5個IMF分量中提取時域特征，組成一個含有頻率信息的30維特征向量。汽蝕振動信號及其EMD分解見圖1。

圖1 振動信號的EMD 分解

在故障模擬試驗4種工況下，有4 000個訓練樣本，每個樣本有30個特征，因此特征數據集為4 000×30矩陣s_(4 000×30)。如峰度因子見圖3(a)，各工況下樣本峰度因子的正態分布模型見圖3(b)，模型參數如表1所示。雖然正常條件與其他條件分離，但3種空化條件混合在一起。所以下一步將使用PCA方法在降低特征維數的同時提取敏感特征。

圖3 樣本的峰度因子和分布模型（續）

表1 峰度因子的正態分布參數

表2 訓練數據集特征值

表2 訓練數據集特征值（續）

由圖4可見，在特征1的軸線上，正常、輕度和中度空化具有較好的識別性，在特征3的軸線上，嚴重空化與其他3種空化是分離的。綜上所述，該主要特征在4種工況下都能很好地分離測試樣品。同時，樣本在新特征空間中的標準差也趨于一致，這一點得到了提高。

圖4 經過PCA 處理后的敏感特征

3 結論

本文提出了離心泵汽蝕故障的特征分析方法，對故障模擬試驗臺架振動原始數據和IMFs進行域特征計算，構成原始特征向量，并研究了特征的正態分布模型；應用主成分分析方法提取敏感特征，驗證并分離了不同程度汽蝕故障，為離心泵汽蝕故障的分析診斷奠定了良好的基礎。