主給水泵軸承不對(duì)中故障的振動(dòng)特征提取與診斷方法

摘要：本文針對(duì)主給水泵軸承不對(duì)中故障問題，深入研究其振動(dòng)特征提取與診斷方法。通過分析軸承不對(duì)中故障產(chǎn)生的機(jī)理，運(yùn)用多種信號(hào)處理技術(shù)提取故障特征，包括時(shí)域分析、頻域分析以及時(shí)頻分析等。同時(shí)，結(jié)合機(jī)器學(xué)習(xí)算法構(gòu)建診斷模型，提高故障診斷的準(zhǔn)確性和效率。研究結(jié)果表明，所提出的振動(dòng)特征提取與診斷方法能夠有效識(shí)別主給水泵軸承不對(duì)稱故障，為電廠主給水泵的安全穩(wěn)定運(yùn)行提供可靠的技術(shù)支持。

關(guān)鍵詞：主給水泵；軸承不對(duì)中；振動(dòng)特征；故障診斷

引言

軸承不對(duì)中是指主給水泵的軸系在安裝、運(yùn)行過程中，由于各種原因?qū)е赂鬏S承中心線之間的相對(duì)位置發(fā)生偏移，無法保持理想的對(duì)中狀態(tài)。這種故障會(huì)引起泵體振動(dòng)加劇、噪聲增大，嚴(yán)重時(shí)可能導(dǎo)致軸承磨損、軸斷裂等嚴(yán)重后果，進(jìn)而影響整個(gè)電廠的正常生產(chǎn)，甚至引發(fā)安全事故。因此，準(zhǔn)確提取主給水泵軸承不對(duì)中故障的振動(dòng)特征，并采用有效的診斷方法及時(shí)發(fā)現(xiàn)和處理故障，對(duì)于保障電廠主給水泵的安全穩(wěn)定運(yùn)行具有重要意義。

一、主給水泵軸承不對(duì)中故障產(chǎn)生的機(jī)理?主給水泵軸承不對(duì)中故障的原因主要有以下幾點(diǎn):一是安裝時(shí)，因主給水泵的軸系安裝偏差大或?qū)Ω鬏S承間的相對(duì)位置沒有進(jìn)行適當(dāng)?shù)膶?duì)中調(diào)整；二是主給水泵在運(yùn)行過程中受汽輪機(jī)轉(zhuǎn)子帶動(dòng)旋轉(zhuǎn)，在其自身重力和離心力的作用下，會(huì)產(chǎn)生不同程度的徑向位移(稱為“脹差”)，當(dāng)轉(zhuǎn)動(dòng)部分與靜止部分之間有間隙存在時(shí)，會(huì)使兩者的連接處受到剪切應(yīng)力作用，并且隨著轉(zhuǎn)速升高，這種現(xiàn)象將更為嚴(yán)重[1]。因此，在正常工作條件下，轉(zhuǎn)子部件必然要產(chǎn)生不同程度的熱膨脹和冷收縮。這就使得處于同一剛性基礎(chǔ)上的不同機(jī)組部件間出現(xiàn)較大的溫差而導(dǎo)致不同的機(jī)械位移量。同時(shí)，由于主給水泵是高轉(zhuǎn)速、多支承系統(tǒng)，其結(jié)構(gòu)特點(diǎn)決定了該系統(tǒng)的不平衡慣性矩較大，所以它比其他低轉(zhuǎn)速、單支承的大型電機(jī)更容易產(chǎn)生振動(dòng)問題；由于電廠地基不均勻下沉造成的主給水泵基礎(chǔ)傾斜等原因造成主給水泵軸承中心線偏離設(shè)計(jì)值，導(dǎo)致軸承中心線偏移。長期運(yùn)行過程中，軸承、軸頸等零部件的磨損同樣會(huì)破壞軸系的對(duì)中狀態(tài)。?對(duì)于不對(duì)稱的情況，此時(shí)系統(tǒng)處于非對(duì)稱工作狀態(tài)下運(yùn)行，即不對(duì)中使軸上各部件間的相互關(guān)系發(fā)生了改變，而引起其承載能力的變化(如增加了彎曲應(yīng)力、扭轉(zhuǎn)應(yīng)力等)，進(jìn)而使得轉(zhuǎn)子系統(tǒng)的動(dòng)態(tài)特性發(fā)生變化；同時(shí)還會(huì)帶來不平衡量的變化，使機(jī)械噪聲增大或不穩(wěn)定，造成某些零部件因超負(fù)荷工作而損壞。因此，該類故障將導(dǎo)致轉(zhuǎn)子系統(tǒng)振動(dòng)加劇，并產(chǎn)生周期性的徑向及軸向振動(dòng)信號(hào)。根據(jù)上述原理可知，通過監(jiān)測(cè)設(shè)備所測(cè)得的振動(dòng)信號(hào)中含有大量的有關(guān)于不對(duì)中故障的信息，經(jīng)過一定的預(yù)處理后從中選擇合適的特征值來描述軸承不對(duì)中這一現(xiàn)象就可以完成對(duì)不對(duì)中故障的識(shí)別診斷。二、主給水泵軸承不對(duì)中故障的振動(dòng)特征提取?（一）時(shí)域分析方法?時(shí)域分析是最基本的一種對(duì)振動(dòng)信號(hào)的分析方式，通過對(duì)振動(dòng)信號(hào)的時(shí)域統(tǒng)計(jì)參數(shù)進(jìn)行計(jì)算就可以獲得一些有關(guān)該信號(hào)的基本特性[2]。常見的時(shí)域統(tǒng)計(jì)參數(shù)有均值(mean)、標(biāo)準(zhǔn)偏差(variance)，峭度(kurtosis)等等。其中均值反映的是信號(hào)的平均值；方差表示的是數(shù)據(jù)分散的程度或隨機(jī)變量取值大小不一致性的程度(即離散性)；峭度用來表征脈沖波形尖銳程度的一個(gè)量，它與正態(tài)分布相比所具有的峰度差別稱為非正態(tài)分布的“尾部”，它的數(shù)值等于第三階矩除以第二階矩平方根之比，它是判斷一個(gè)時(shí)間序列是否具有平穩(wěn)性的指標(biāo)之一，也常用于判定一個(gè)隨機(jī)過程是否有周期現(xiàn)象存在以及周期性變化幅度的大小。例如，在某電廠主給水泵軸承不對(duì)中狀態(tài)下的在線監(jiān)測(cè)系統(tǒng)中，利用采集的數(shù)據(jù)對(duì)該泵組進(jìn)行了實(shí)時(shí)監(jiān)控，并對(duì)其時(shí)域統(tǒng)計(jì)參數(shù)進(jìn)行了求解：正常狀態(tài)下振動(dòng)信號(hào)的均值為0.2V，方差為0.05，峭度為3.1；軸承不對(duì)中的時(shí)候，振動(dòng)信號(hào)的均值上升到了0.5V，方差增大到0.12，峭度達(dá)到4.5。這些時(shí)域統(tǒng)計(jì)參數(shù)的變化表明振動(dòng)信號(hào)的特征發(fā)生了明顯改變，為故障診斷提供了初步的依據(jù)。?（二）頻域分析方法?頻域分析是對(duì)時(shí)域中的振動(dòng)信號(hào)先經(jīng)過傅里葉變換得到頻域函數(shù)再對(duì)頻域函數(shù)做進(jìn)一步研究的一種方法。通常情況下，由于傅里葉變換的作用使得復(fù)雜的時(shí)間序列變成了簡單地由不同的頻率分量組成的周期性時(shí)間序列，并且把一個(gè)物理過程描述成許多諧振子(以簡諧運(yùn)動(dòng)形式)所組成系統(tǒng)的總合；因此，利用這種手段能從理論上或?qū)嶒?yàn)上確定出物體受力情況、速度分布及其他各種參數(shù)等。對(duì)于主給水泵軸承不對(duì)稱故障來說，也可以采用這種方法來分析故障特征頻率。一般說來，當(dāng)出現(xiàn)軸承不對(duì)中故障的時(shí)候，其振動(dòng)信號(hào)的頻譜圖就會(huì)出現(xiàn)一些特殊的現(xiàn)象:平行不對(duì)中故障會(huì)使振動(dòng)信號(hào)的頻譜中存在明顯的1倍頻成分增加的現(xiàn)象并且還可能存在一定的2倍頻或者3倍頻成分的存在；而對(duì)于角向不對(duì)中則只存在比較明顯的一次諧波峰值的增加，同時(shí)還有二次諧波的幅度比一次大很多的情況發(fā)生。比如，在某個(gè)主給水泵軸承角度不對(duì)中故障的案例中就進(jìn)行了這樣的處理，首先使用FFT對(duì)該泵組振動(dòng)信號(hào)進(jìn)行頻域分析并繪制了相應(yīng)的頻譜圖，其中橫坐標(biāo)代表的是各階次頻率對(duì)應(yīng)的轉(zhuǎn)速數(shù)值，縱坐標(biāo)則是各個(gè)對(duì)應(yīng)點(diǎn)處的加速度有效值大小，對(duì)其振動(dòng)信號(hào)進(jìn)行傅里葉變換后，發(fā)現(xiàn)1倍頻幅值為2.3m/s2，2倍頻幅值達(dá)到3.5m/s2，而正常運(yùn)行時(shí)1倍頻幅值為1.2m/s2，2倍頻幅值為0.8m/s2。通過對(duì)比頻譜中故障特征頻率幅值的變化，可以判斷軸承是否存在不對(duì)中故障以及不對(duì)中故障的類型。?（三）時(shí)頻分析方法?由于主給水泵工作狀況會(huì)隨著機(jī)組的工況而改變，導(dǎo)致它的振動(dòng)信號(hào)也呈現(xiàn)出一定的時(shí)變性；所以不能單純利用常規(guī)的時(shí)域或頻域的方法來研究該類信號(hào)所蘊(yùn)含的機(jī)理信息。為了更好地體現(xiàn)時(shí)變性特點(diǎn)，必須使用時(shí)頻分析技術(shù)來進(jìn)行處理。常見的有短時(shí)傅里葉變換(STFT)、小波變換等。其中STFT是在時(shí)域內(nèi)對(duì)信號(hào)進(jìn)行分塊截取并加上一個(gè)窗函數(shù)后，再對(duì)該部分?jǐn)?shù)據(jù)進(jìn)行快速傅里葉變換(FFT)，這樣就得到了一個(gè)小片段的頻譜曲線[3]。通過對(duì)這些頻譜曲線做疊加運(yùn)算就可以獲得整個(gè)信號(hào)在整個(gè)時(shí)間段內(nèi)的時(shí)頻分布圖像。STFT可以較好地體現(xiàn)出信號(hào)的時(shí)變頻率成分，但是由于窗函數(shù)是一個(gè)固定的值，使得其只能同時(shí)擁有較好的時(shí)間分辨率或者頻率分辨率，無法兼顧兩者，即當(dāng)提高時(shí)間分辨率的時(shí)候必然要降低頻率分辨率，反之亦然；而小波變換則能很好地解決這個(gè)問題，它通過選擇合適的小波基函數(shù)，能夠根據(jù)信號(hào)的不同頻率成分自動(dòng)調(diào)整分析窗口的大小，在高頻段具有較高的時(shí)間分辨率，在低頻段具有較高的頻率分辨率，從而更有效地提取信號(hào)的時(shí)變特征。?以某主給水泵在負(fù)荷變化過程中軸承出現(xiàn)不對(duì)稱故障為例，采用小波變換對(duì)其振動(dòng)信號(hào)進(jìn)行分析。通過小波變換得到的時(shí)頻圖清晰地顯示了故障特征頻率隨時(shí)間的變化情況。在負(fù)荷增加過程中，1倍頻和2倍頻成分逐漸增大，并且其出現(xiàn)的時(shí)間與負(fù)荷變化的時(shí)間相對(duì)應(yīng)。這表明小波變換能夠有效提取出主給水泵軸承不對(duì)中故障信號(hào)在不同工況下的時(shí)變特征，為故障診斷提供更準(zhǔn)確的信息。三、主給水泵軸承不對(duì)中故障的診斷方法?（一）基于支持向量機(jī)的診斷方法?支持向量機(jī)(SupportVectorMachine，簡稱SVM)是根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論建立的一種新型的監(jiān)督式學(xué)習(xí)模型，其分類效果良好。對(duì)于主給水泵軸承不對(duì)中故障診斷來說，先要從采集到的振動(dòng)信號(hào)中提取出能夠反映故障信息的重要特征參量(例如上文所述的時(shí)域統(tǒng)計(jì)參數(shù)、頻域特征頻率幅值以及時(shí)頻分析得到的特征參數(shù)等等)，再把這些重要的特征參量形成一個(gè)特征矢量作為SVM的學(xué)習(xí)樣本；其次就是利用大量包含主給水泵正常工況及軸承不對(duì)中各種嚴(yán)重程度下振動(dòng)數(shù)據(jù)的數(shù)據(jù)庫來訓(xùn)練SVM；最后由經(jīng)過訓(xùn)練后的SVM對(duì)新采樣獲得的未知狀態(tài)的被監(jiān)測(cè)對(duì)象所產(chǎn)生的一組新的特征矢量進(jìn)行判別，從而實(shí)現(xiàn)對(duì)該設(shè)備當(dāng)前工作狀態(tài)的判斷與預(yù)測(cè)。要想使SVM達(dá)到最佳的工作狀態(tài)還需要對(duì)其進(jìn)行一定的優(yōu)化處理。目前比較常用的方法主要有交叉驗(yàn)證法(CrossValidation，CV)，粒子群優(yōu)化算法(ParticleSwarmOptimizationAlgorithm，簡稱為PSOA)等[4]。粒子群優(yōu)化的支持向量機(jī)(PSO-SVM)，該算法是對(duì)SVM分類器中的核函數(shù)系數(shù)和懲罰因子這兩個(gè)關(guān)鍵參數(shù)同時(shí)進(jìn)行優(yōu)化，這樣就使得分類面更符合實(shí)際情況并更加合理地分離不同的類別。在某電廠主給水泵軸承不對(duì)中故障診斷實(shí)際工程應(yīng)用中，采用了粒子群優(yōu)化的支持向量機(jī)(PSO-SVM)來進(jìn)行診斷。通過對(duì)100組正常數(shù)據(jù)和100組軸承不對(duì)中故障數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，結(jié)果表明PSO-SVM的診斷準(zhǔn)確率達(dá)到了95%，相比未優(yōu)化的SVM診斷準(zhǔn)確率提高了8%。?（二）基于人工神經(jīng)網(wǎng)絡(luò)的診斷方法?人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)是一種以模仿人腦神經(jīng)系統(tǒng)為依據(jù)建立起來的信息處理系統(tǒng)的總稱，它能夠?qū)崿F(xiàn)信息的記憶與存儲(chǔ)，并且具備良好的自組織能力和自學(xué)習(xí)的能力；同時(shí)還可以對(duì)復(fù)雜函數(shù)關(guān)系進(jìn)行逼近計(jì)算并能完成復(fù)雜的非線性映射任務(wù)。對(duì)于主給水裝置泵組軸系不對(duì)稱的故障診斷問題來說，目前常用的基于人工智能技術(shù)的方法主要是使用人工神經(jīng)網(wǎng)絡(luò)來進(jìn)行故障識(shí)別分類[5]。其中應(yīng)用最為廣泛的是多層感知器(Multi-LayerPerceptron，MLP)，MLP是一個(gè)三層前饋型網(wǎng)絡(luò)，包括一個(gè)輸入層(InLayer)，一個(gè)或多個(gè)隱含層(HiddenLayer)以及一個(gè)輸出層(OutputLayer)；它們之間的每個(gè)節(jié)點(diǎn)都代表一個(gè)神經(jīng)元，而相鄰兩層間的所有神經(jīng)元都是全互連的。在進(jìn)行故障診斷時(shí)，將提取出的振動(dòng)信號(hào)特征量作為輸入向量輸入至人工神經(jīng)網(wǎng)絡(luò)的輸入層(InLayer)，經(jīng)中間層(HiddenLayer)中的神經(jīng)元進(jìn)行非線性的運(yùn)算后，在輸出層(OutputLayer)獲得相應(yīng)的診斷結(jié)果。為了防止人工神經(jīng)網(wǎng)絡(luò)產(chǎn)生“過擬合”現(xiàn)象，可以采取一定的措施來避免這種現(xiàn)象的發(fā)生，通常采用正則化方法和早停法等。例如，在某主給水泵軸承不對(duì)中故障診斷研究中，構(gòu)建了一個(gè)具有3層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，輸入層有10個(gè)神經(jīng)元（對(duì)應(yīng)10個(gè)特征參數(shù)），隱藏層有15個(gè)神經(jīng)元，輸出層有3個(gè)神經(jīng)元（分別對(duì)應(yīng)正常狀態(tài)、平行不對(duì)中故障和角度不對(duì)中故障）。通過對(duì)200組數(shù)據(jù)進(jìn)行訓(xùn)練和50組數(shù)據(jù)進(jìn)行測(cè)試，該人工神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率達(dá)到了92%。?（三）融合診斷方法?單個(gè)診斷方法存在一些缺陷，在此基礎(chǔ)上利用多源信息實(shí)現(xiàn)故障診斷系統(tǒng)集成化是解決這一問題的有效途徑之一。隨著工業(yè)互聯(lián)網(wǎng)與邊緣計(jì)算技術(shù)的發(fā)展，故障診斷系統(tǒng)的集成化正邁向更智能的階段。一方面，異構(gòu)數(shù)據(jù)融合成為新趨勢(shì)，將運(yùn)行參數(shù)、環(huán)境數(shù)據(jù)、維護(hù)記錄等非結(jié)構(gòu)化信息納入診斷體系；另一方面，深度學(xué)習(xí)算法的引入使系統(tǒng)具備自適應(yīng)融合能力，如基于注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)能動(dòng)態(tài)調(diào)整各診斷信息的權(quán)重。常見的融合方式有特征提取層的并行結(jié)構(gòu)和決策級(jí)融合兩種形式，并行結(jié)構(gòu)即由多個(gè)不同的診斷單元構(gòu)成一個(gè)系統(tǒng)的子模塊，尤其適用于早期微弱故障特征的捕捉，但也面臨數(shù)據(jù)冗余導(dǎo)致計(jì)算負(fù)荷過重、各單元協(xié)同效率待提升等問題；決策級(jí)融合則是把各種獨(dú)立的診斷方法或模型的輸出作為輸入信號(hào)送到更高層次上，然后通過某種算法(如投票)做出最后判斷的過程。

例如，以某主給水泵軸承不對(duì)中故障為例采取了決策級(jí)融合方法，進(jìn)行實(shí)驗(yàn)分析。首先使用支持向量機(jī)(SVM)，人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)以及決策級(jí)融合三種方法對(duì)該主給水泵軸承不對(duì)中的故障進(jìn)行診斷。其中SVM與ANN的分類正確率分別為93%，90%；而基于決策級(jí)融合方法的診斷則得到了更高的97%的分類正確率。由此可見，通過多源信息融合，能更充分地發(fā)揮各個(gè)診斷方法的優(yōu)點(diǎn)，有效地提高了主給水系泵軸不對(duì)中故障診斷的精準(zhǔn)。結(jié)束語本文對(duì)主給水泵軸承不對(duì)中故障的振動(dòng)特征提取與診斷方法進(jìn)行了深入研究。通過分析軸承不對(duì)中故障產(chǎn)生的機(jī)理，采用時(shí)域分析、頻域分析和時(shí)頻分析等方法提取故障振動(dòng)特征，能夠有效獲取反映故障的特征參數(shù)。同時(shí)，結(jié)合支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)以及融合診斷方法構(gòu)建故障診斷模型，提高了故障診斷的準(zhǔn)確性和效率。研究結(jié)果表明，所提出的振動(dòng)特征提取與診斷方法在主給水泵軸承不對(duì)中故障診斷中具有良好的應(yīng)用效果，能夠?yàn)殡姀S主給水泵的安全穩(wěn)定運(yùn)行提供可靠的技術(shù)保障。

參考文獻(xiàn)

[1]姚震，羅吉江.某核電機(jī)組主給水泵保護(hù)跳泵邏輯優(yōu)化探討[J].儀器儀表用