往复泵的轴承和泵阀故障诊断.docx

1、往复泵的轴承和泵阀故障诊断轴承故障诊断摘要 研究了基于BP网络的往复泵轴承故障诊断方法.利用频域和倒频域进行特征提取，采用集成BP网络进行故障诊断和识别，解决了往复泵轴承故障特征提取困难、多故障识别困难的问题.试验结果表明，利用BP网络可以有效地诊断与识别往复泵轴承多故障模式，并且具有很高的成功率。关键词:往复泵;轴承故障;故障诊断;BP网络1往复泵轴承故障特征提取 对于机械系统而言，如有故障，则会引起系统的附加振动，振动信号是动态信号，且包含的信息丰富，适合进行故障诊断。但是如果附加振动信号由于固有信号或者外界对故障信号的干扰很大而淹没，那么如何从振动信号中提取有效信号就是得十分关键。 根据

2、滚动轴承的振动机理，当轴承内圈、外圈轨道与滚柱上出现一处损伤，轴承轨道表面的平滑度受到破坏，每当棍子滚过损伤点时，会产生一次振动。设轨道面与滚动体之间无相对滑动；承受径向、轴向载荷时各部分无变形；外圈固定，则有如下损伤振动频率： 内圈旋转频率为：当内圈有一处损伤时，其振动频率为： 当外圈有一处损伤时，其振动频率为：当滚动体有一处损伤时，其振动频率为：其中：为内圈旋转频率；D为轴承的节圆直径；d为滚动体的直径；为接触角；Z为滚柱个数。 为了克服轴承故障信号较弱且容易被往复泵固有振动信号淹没的困难，选用一下抗干扰能力较强的特征作为故障诊断特征参数。 1.1 振动时的平均能量特征 设在往复泵体上测的

3、的振动加速信号： 它是故障它是故障信号从泵体传输后的信号。根据统计学理论，振动的均方根反映振动的时域信息:特征参数有它代表振动信号的有效值，反映振动的平均能量。1.2振动信号的峰值特征： 是反映振动信号中周期性脉动的特征量.1.3倒谱包络特征:设f(t)为故障激励信号，h(t)为传输通道的脉冲响应.它们相应的Fourier变换有如下关系:和A(w )=F(w )H(w)对以两式进行如下变换式中，r称为倒频率，a( r)为倒频谱.由上式可以看出故障激励信号特性和传递通道的特性被分离开来了，而一般情况下故障激励信号与传递通道信号占据不同的倒频区段，这样可以突出故障振动信号的特性. 用Hilbert

4、变换进行信号分析求时域信号的包络，以达到对功率谱进行平滑，从而突出故障信息.定义信号:为最佳包络.倒谱包络模型实质是对从传感器获得的信号进行倒频谱分析，然后对其倒频谱信号进行包络提取，从而双重性地突出了故障信息，为信噪比小的故障特征的提取提供了依据.2 BP网络进行故障诊断的原理神经网络的组织结构是由求解问题的特征决定的.由于故障诊断系统的复杂性，将神经网络应用于障诊断系统的设计中，将是大规模神经网络的组织和学习问题.为了减少工作的复杂性，减少网络的学习时间，本文将故障诊断知识集合分解为几个逻辑上独立的子集合，每个子集合再分解为若干规则子集，然后根据规则子集来组织网络.每个规则子集是一个逻辑上

5、独立的子网络的映射，规则子集间的联系，通过子网络的权系矩阵表示.各个子网络独立地运用BP学习算法分别进行学习训练.由于分解后的子网络比原来的网络规模小得多且问题局部化了，从而使训练时间大为减少.利用集成BP网络进行往复泵轴承故障诊断的信息处理能力源于神经元的非线性机理特性和BP算法，如图所示： BP网络的学习算法如下，选取的每一个特征参数(包括能量特征，幅值特征和倒谱包络特征)x的值映像到神经网络输入输出层的单个节点上，并对其进行正则处理; Xi= 0.8(X-Xmin)I(Xmax-Xmin)十0.1 (7) 式(7)把特征参数正则到(0.1, 0.9)之间的目的是避免Sigmoid函数输出

6、值极端化而引起学习无法收敛的问题。 对(7)式得到的正则值完成如下运算，得到每个神经元的加权值和闭值: 式中，J代表当前层，l代表前一层，。代表连接权值:C代表当前节点的闭值;代表输出。 在往复泵的轴承故障诊断系统中选取内圈和滚动体的振动能量、振动峰值及倒谱包络6个特征参数，即:子网络输出层有一个节点，集成BP网络输出有多个节点，可以用集成BP网络的输出节点组合来表示一种状态，实现多故障诊断与识别。如下表实验结果是往复泵动力端一个轴承故障的四种状态:轴承正常状态IV，滚动体故障状态I，内圈故障状态II，滚动体与内圈双故障状态III.实验数据如下: 样本IIIIIIIV10.2021030.40

7、45390.6013570.79422420.2987380.4032220.6031190.8009830.2095290.4120920.6059980.79601640.1927770.30226*0.48998*0.80472950.2933330.4122340.5992270.80778360.201350.4021790.6017490.79322170.194530.4034710.71175*0.80488280.31113*0.4066610.6034330.82674190.2100650.4132100.6010880.815756100.2156850.4034720

8、.5908110.805658 *代表误诊样本 由上表可以看出，利用BP网络可以成功地识别往复泵轴承故障(见IV区，成功率10O% )，多故障诊断与识别(见.I、II .川区)的成功率与学习样本量的选取有关，上表是10个学习样本得到的结果，多故障诊断与识别的成功率可以达到80- 90%，试验统计表明，随着学习样本量的增加，多故障诊断与识别的成功率会逐步提高。3结论由于神经网络具有自学习、自组织、联想记忆等多种功能，因此，神经网络方法适合于进行故障诊断研究.本文利用频域和倒频域的振动信号作为特征参数，利用集成BP网络实现了往复泵轴承的多故障诊断与识别.试验结果表明，该方法具有很高的成功率.泵阀故

9、障诊断摘要:针对往复泵在线故障诊断时难以提取故障特征的实际情况，提出一种适于往复泵的在线诊断方法。该方法利用小波包对采集信号进行分解和重构来构造能量特征向量，用该方法构造的特征向量能有效地反映往复泵的故障特征，通过用神经网络进行故障诊断，结果表明该方法能提高往复泵的诊断率。关键词;小波包;神经网络;泵阀;故障诊断引言三缸往复泵是一种往复运动机械，被广泛应用于石油矿场的钻并、地下注水、压裂和石油化工等工艺中的重要设备。在使用过程中，往复泵的泵阀组件因其工况恶劣极易损坏。对其状态监测与故障诊断的研究目前还处于起步阶段因此开展这方面的研究具有重要的理论及实际意义。由于往复泵结构较为复杂，激励源类型较

10、多，不仅受一般的载荷作用，还受不平衡惯性载荷及各种冲击载荷的作用，因此测取的振动信号成分复杂，故在进行其泵阀故障振动信号的特征提取时遇到很多困难。目前缺乏较为有效的泵阀故障特征提取方法，若按常规的谱分析方法得到的故障信息往往不太明显，故很难做出准确的判断。往复泵的主要故障大多可以通过振动法诊断，但振动的时域信号及传统的日月、频谱分析都不能有效提取故障特征，故障诊断的准确率较低。小波包分析是一种先进的时频分析手段，它能有效地提取振动信号中含有冲击信号等故障特征，是往复泵故障特征提取的有效方法。在小波包分解系数单支重构的基础上，提出了以各频率段信号的能量来构造泵故障特征向量的方法，该方法有效地提取

11、泵的全部故障特征，并且不需要设备的模型结构，而是直接利用各频率成分能量的变化来体现泵阀的故障状况，用构造的往复泵的各种故障样本复合特征向量对神经网络进行离线分类训练，再用训练好的神经网络对泵在线诊断。2基于小波包的故障特征提取方法小波包分析能够为信号提供一种更加精细的分析方法，它将频带进行多层次划分，对多分辨分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱相适应，从而提高了时频分辨率，使故障特征提取能在更加细化的频带内进行。2.1小波包分解与单支重构 设为经过消噪处理后的原始信号S再经过小波包分解后的第i层的第J个节点的小波包分解系数，对每个小

12、波包分解系数单支重构，可提取各频带范围的时域信号。以表示的单支重构信号，则总信号S可以表示为:式中i小波包分解的层数(取正整数) 假设原始信号S中最低频率成分为fmin，最高频率成分为fmax,令，则Sij信号代表的频率范围为。2.2特征提取当设备出现故障时，会对各频带内信号的能量有较大的影响，因此，以各频带信号Sij的能量为元素构造特征向量，可有效提取故障特征。由于原始信号S及Sij均为随机信号，设Sij对应的能量为Eij，则有:式中xjk(k=1，2，n)重构信号Sij离散点的幅值由此，特征向量可构造如下:当能量较大时，E通常是一个较大的数值，在分析时会带来一些不便。对特征向量T进行归一化

13、处理，令:向量T即为归一化的特征向量。在故障特征提取过程中，要适当选择小波包分解的层数，若分解层数过少，则不能有效提取故障特征;若分解层数过多，特征向量的维数大，会影响诊断的速度。根据往复泵的故障特点，本文采用3层小波包分解构成8维特征向量来提取往复泵的故障特征。3神经网络诊断从泵的各种故障样本信号中构造复合特征向量后，就可充分利用神经网络的联想记忆和分类功能进行在线故障诊断。神经网络的离线训练和在线诊断过程如图1所示。图中故障训练样本用于离线训练神经网络，通过所训练过的神经网络对在线采集信号进行故障诊断并输出诊断结果。故障训练样本与在线采集信号经过相同的特征提取方法，即通过相同的信号消噪、小

14、波包分解与单支重构、特征提取过程。4实例分析实验中选用3 DJ-2 . 5/ 16型三缸往复泵，实验排出压力为2. 0MPa，泵速为270r/min，实际排量为1.2m/h。采集数据时通过两个Iotech的DBK4动态信号输人卡同步采集3个泵阀上的振动加速度信号，并经A/D卡传送至计算机以供分析。实验过程中，采样频率为l0kHz，采样时间为2s:采集数据状态类型有:正常、1#排出阀弹簧失效、1#排出阀阀芯磨损、2#排出阀弹簧失效、2#排出阀阀芯磨损、3#排出阀弹簧失效、3#排出阀阀芯磨损。由于篇幅所限本文只以正常和1#排出阀阀芯磨损时信号为例。图2分别为某往复泵正常和1#排出阀阀芯磨损振动和压

15、力波形图。为了验证本文提出的方法的有效性，首先做出泵阀的正常和故障信号的频谱图(见图3)。从图中可以看出两种信号的频谱图没有太大的区别，因此又以它们为例进行小波包特征提取，然后用神经网络进行训练和诊断。图4示出了往复泵正常和其1#排出阀阀芯磨损时的振动信号以及相应小波包(dB20)重构的各频段时域信号。图中横坐标为采样点数，纵坐标为振动信号幅值(单位为m)。从图中可以看出正常信号和故障信号在各频段的能量分布具有较大的差别。因此，本文提出利用小波包分解和单支重构来构造往复泵泵阀信号的能量特征向量，然后利用神经网络对其进行诊断。把往复泵的6种故障样本和正常样本(每种工况取200个有代表性的样本)的

16、特征向量输入BP神经网络进行分类训练，通过用所训练的神经网络可对往复泵进行故障诊断。侮种工况选取200个测试样本(与训练样本不同)输入神经网络进行故障诊断，结果表明:以上6种类型故障实测样本的正确诊断率均达到90%以上，实现了对往复泵有效的故障诊断。5结语 本文针对往复泵泵阀振动信号的特点，提出了基于小波包的泵阀故障特征提取的方法。通过对3 DJ-2 . 5/ 16型往复泵泵阀振动信号进行特征提取，用人工神经网络进行识别，结果表明该方法能较准确地提取泵阀的故障特征。通过小波包分解和单支重构来构造能量特征向量的方法，能突出体现设备的故障特征，该方法不仅适于往复泵的故障诊断，而且对其它设备的故障诊断也具有借鉴意义。参考文献1赵玉明,冯子明,赵卫华.往复泵泵阀故障诊断方法.2004;1-3.2张雷涛.往复泵轴承故障诊断的神经网络方法.2004;1-3.3杨兰鱼,斐峻峻,田佳禾.神经网络在往复泵活塞磨损故障诊断中的应用,1997;1.4段礼祥,张来斌,王朝晖,陈或.往复泵泵阀故障的细化谱诊断法,2003,1.