農田水利設備中抽水泵機械振動故障檢測方法

孫兆光

(莒縣青峰嶺水庫管理服務中心，山東 莒縣 276500)

0 引言

機械故障檢測技術[1-2]可對設備故障狀態作出診斷，全面提升設備可靠性和安全性，其中，抽水泵機械設備廣泛應用于農田水利設備中。隨著社會進步和生產力的發展，抽水泵機械的應用更加廣泛，但受到不同因素影響，抽水泵機械會產生不同類型的故障，導致設備的生產效率下降或部分功能喪失。如何確保抽水泵機械的穩定運行成當前研究的熱點話題，國內相關專家給出了一些較好的研究成果。

任世錦等[3]將集成局部均值分解和改進的支持向量機相結合，將故障信號分解為多個單模態調制信號，加強故障特征提取的有效性，實現機械故障診斷；鄭直等[4]對信號實施AMD分解，提取故障分量信號，將其作為特征向量，采用變分模態分解和模糊C均值聚類的方法分析信號，實現故障信號檢測；武立平等[5]通過IMF能量特征，構建對應二元特征向量，分析變壓器振動信號的特征向量變化情況，最終完成故障檢測。但現有方法中考慮的參數較少，均存在一定局限性。

為此，本文提出一種農田水利設備中抽水泵機械振動故障檢測方法。

1 農田水利設備中抽水泵機械振動信號特征提取

1.1 農田水利設備中抽水泵機械振動信號去噪

采用多分辨分析可更好完成信號時頻分析，但由于尺度函數需要按照二進制變化規律執行，在頻數較高的階段會出現分辨率較差的情況，只可完成信號的頻段劃分。

在多分辨率中分析得到解空間M2(S)，可表示為

(1)

j為尺度因子；X(j)為小波子空間。

將尺度空間和小波子空間兩者統一表征，即

(2)

W(j)為尺度空間。

設定{vn(t)}為關于序列{ik}的小波包簇，使用以下方式組成子空間簇，即

(3)

使用小波包可對農田水利設備中抽水泵機械振動信號實施正交分解，詳細操作步驟如下所述：

a.將農田水利設備中抽水泵機械振動信號第1次分解結果的高頻部分和低頻部分，采用二抽取計算，確保偶數或奇數部分有效保留。

b.在進一步分解前，不僅需要再次分解高頻部分，同時仍然采用二抽取計算，使其在任何頻段均可獲取相同時頻分辨率。

c.重復上述操作過程，直至全部抽水泵機械振動信號完成分解。

d.將各個頻率段上的信號重構，濾除抽水泵機械振動信號中的噪聲，最終實現信號去噪[6-7]。

1.2 農田水利設備中抽水泵機械振動故障特征提取

在上述抽水泵機械振動信號去噪后，對農田水利設備中抽水泵機械頻譜分析過程中，需要尋找帶有明顯轉頻特征的頻譜圖。

a.實際頻率g(i)提取。在信號理論頻率g(s)附近隨機小區間[x1,y1]內提取最高幅值對應頻率。

b.在振動信號幅值譜隨機區間內，獲取實際頻率外其他極大值點，同時采用降序的方式排列。

(4)

n為極大值的數量；B(i)為第i個極大值。

d.設定敏感性指數，即

(5)

T和Tmax分別為敏感性指數和最大敏感性指數，主要反映實際轉頻幅值和周圍高幅值頻率成分之間的相對水平。

在此基礎上，分析抽水泵機械振動信號，通過抽水泵結構特點選擇10個測點，獲取振動信號的變化規律[8-9]。

引入復雜度概念，描述時間序列變化情況，對不同測點復雜度通過二值粗粒化方法以及四值粗粒化方法計算。由于通過階躍函數定義不同序列之間的相似性，但序列和實際樣板類邊緣存在模糊不清情況。其中，模糊熵的詳細操作步驟如下所述：

a.組建維數為m的向量，即

(6)

k0(i)為向量的平均值。

(7)

(8)

d.將維數增加至m+1，同時重復步驟a～步驟c，獲取對應函數的取值，表達式為

(9)

φ(m+1)(x,y)為函數取值。

模糊熵[10-11]需要將原始序列映射到維數較高的空間中，同時借助幅值的取值范圍計算不同序列復雜度，采用模糊函數獲取不同序列之間的相似性，確保最終獲取的計算結果和實際結果更加吻合。

采用模糊熵提取農田水利設備中抽水泵機械振動故障特征，獲取時域特征參數可以表示為

(10)

H為時域特征參數；Tx為概率密度函數；p(x)為抽水泵機械振動幅值。

1.3 抽水泵機械振動故障檢測實現

在抽水泵機械振動故障檢測中，對目標測試樣本比較少的情況，無法有效訓練1個泛化能力比較強的分類器，導致對故障數據的檢測有限。因此，本文將多層支持向量機學習模型和樣本遷移深度遷移算法相結合，通過引入大量和目標診斷對象分布特征故障數據完成目標故障檢測。

選取LSSVM作為多層結構基本學習單元[12-13]，在僅少量訓練目標情況下，對于一般二分類而言，主要通過源域和目標域樣本訓練輸入層，完成樣本權值分配和特征學習，完成樣本重構，即

s(i)=xiyizi(si,xi)+b

(11)

s(i)為樣本重構結果；xiyizi為測試樣本；(si,xi)為訓練樣本對應的標簽；b為隨機常數。

按照順序對全部訓練集中的樣本實施轉換處理，獲取數量為N的全新訓練樣本，將其設定為下一層的輸入，樣本標簽整個過程不發生任何改變。

當模型建立后，針對測試樣本v而言，需要經過多層轉換，最終獲取輸出對應的求解公式為

(12)

v(x)為輸出求解結果。

在此基礎上，建立樣本遷移對應目標函數。其中，遷移算法核心操作思想為：通過不同目標域數據，根據重新分配源域和目標域訓練樣本權重，全面提升分類結果準確性。

對于隨機1組訓練數據集而言，經過優化后的目標函數可以表示為

(13)

minR(i,j)為目標函數；h(xi,yi,zi)為懲罰因子；M為懲罰函數。

在優化目標函數中增加源域樣本，可有效改進損失函數，經過改進后的損失函數可以表示為

(14)

minR′(i,j)為改進后的損失函數。

源域和目標域之間的遷移學習是通過損失函數完成，其中，SVM的樣本遷移原理可以表示為

(15)

ωt為目標域訓練樣本的權重向量取值；ω為源域中訓練樣本的權重取值。

為了更好地完成基于樣本遷移的多層SVM[14-15]，在目標函數中同時對2個目標域的樣本展開訓練。通過LSSVM檢測抽水泵機械振動故障，詳細操作步驟如下所述：

a.確定網絡層數和相關參數。

b.將所有樣本標準化處理。

c.將全部樣本放置到輸入層中。

d.采用遷移學習完成輸入層訓練，對優化目標函數求解，同時完成樣本重構。

e.重構樣本，同時將其應用于下一層的訓練，重復以上操作步驟。

f.逐層訓練至輸出層，求解分類判別函數；計算測試樣本集的預測標簽。

g.輸出故障分類結果，完成抽水泵機械振動故障檢測。

2 實驗分析

2.1 實驗方案

為了驗證所提農田水利設備中抽水泵機械振動故障檢測方法的有效性，需要開展相關實驗。抽水泵在正常運行情況下的信號頻譜變化情況如圖1所示。

圖1 抽水泵正常運行情況下信號頻域曲線

由圖1可知，在抽水泵正常運行情況下，會出現比較小的波動，但不會對抽水泵的運行產生影響。

為有效模擬抽水泵運行時產生的故障，需要在出口位置放置1個小型的木塊，確保水泵擁堵。經過人為制造故障之后，獲取的故障運行頻譜如圖2所示。

圖2 抽水泵故障情況下信號頻域曲線

2.2 實驗結果分析

采用本文方法監測某抽水泵的機械振動故障信號變化情況，詳細檢測結果如圖3所示。

圖3 抽水泵故障檢測

通過圖3可知，采用本文方法可以準確檢測抽水泵的故障，獲取準確的檢測結果。

將正常信號頻譜圖和故障信號頻譜圖在低頻段放大，采用本文方法對2種信號對應的局部頻譜進行檢測，得到的結果如圖4所示。

分析圖4中的實驗數據可知，故障信號的尖峰比較明顯，由此可以看出采本文方法可準確區分正常信號和故障信號。

圖4 正常信號和故障信號的局部頻譜

為了驗證本文方法的有效性，實驗分析機械信號去噪前后的幅值變化情況，結果如表1所示。

表1 抽水泵機械振動信號處理前后幅值變化情況

由表1可知，在信號經過去噪處理后，信號中的噪聲得到有效濾除，可以有效降低幅值，同時獲取更加準確的故障檢測結果，驗證本文方法的有效性。

3 結束語

針對傳統抽水泵機械振動故障檢測中存在的一系列問題，提出一種農田水利設備中抽水泵機械振動故障檢測方法。經實驗測試證明，該方法可以準確完成抽水泵機械振動故障檢測。