基于局域波法和SVM模型的往复机械故障预测方法研究

别锋锋 刘 扬 周国强 吕凤霞

东北石油大学,大庆,163318

基于局域波法和SVM模型的往复机械故障预测方法研究

别锋锋 刘 扬 周国强 吕凤霞

东北石油大学,大庆,163318

针对往复机械系统工况的动态特性,提出了一种基于非平稳振动信号局域波分析和支持向量机(SVM)的故障预测方法。对于往复机械的振动监测信号,利用局域波法获得其中所包含的特征信息,以此作为预测模型的数据源;采用SVM作为预测手段,将局域波时频谱中所包含的局域波分量特征信息作为预测控制模型的输入量。该方法应用于工程实践中,有效地提高了预测精度,并为设备的工况和剩余寿命定位提供了依据。

局域波法;支持向量机;故障诊断;趋势预测;往复机械

0 引言

故障预测是实现状态维修的核心支撑技术。往复机械故障预测的重要性是不言而喻的。振动监测在系统故障预测方面已有广泛应用。相对于旋转机械,针对大型往复机械的故障预测方法尚不成型,存在诸多盲点和误区。首先,往复机械系统是一个带有大量不可知信息的复杂系统,其振动信号具有强烈的非平稳性和非线性特征,这决定了常规信号处理方法难以达到预期目标。传统信号分析方法往往容易造成信号能量谱的泄漏和特征提取的不完全[1],而具有平稳或循环平稳运行特征的系统的故障预测模型(包括数据生成和建模方法)也不适用于往复机械,因而无法为系统故障的预测提供可靠的数据源。其次,针对往复机械故障的短期爆发和难预测特性,传统时间序列方法和以神经网络为代表的人工智能算法在这种贫信息系统中的预测效率和准确度大打折扣[2-3]。

针对往复机械的实际工况和振动信号特征,基于局域波理论和支持向量机(SVM)方法,本文提出一种新型的非线性时间序列预测方法。首先对监测到的振动信号进行局域波分解,所获得的局域波时频谱保证了系统振动特征的完整性,以此作为SVM预测模型的数据源。通过对往复机械故障机理进行分析,以其关键部件故障特征频率为趋势敏感因子进行故障预测。将该方法应用于工程振动测试中,与目前基于贫信息系统的灰色预测模型[4]GM(1,1)的预测结果进行对比,结果表明,该方法能够有效地对往复机械故障进行预测,从而为系统的工况定位和关键设备剩余寿命预测提供了可靠的依据。

1 局域波法在往复机械故障分析中的有效性

1.1 局域波理论

局域波法是基于经验模式分解(EMD)发展而来的一种对非线性、非平稳信号进行分析的新方法[5],它源于瞬时频率的概念,能在时频域内对动态信号的局部特征进行正确描述。瞬时频率在研究瞬态和非平稳现象时非常重要,它能够反映非平稳信号的时变性,在非平稳信号的研究中有着广泛的应用前景。局域波法把信号分解成满足条件的局域波分量,对这些分量进行Hilbert变换就可以得到信号的瞬时频率和时频特征,这就是局域波时频分析方法[6]。

通过对信号进行 EMD分解,把原始数据X(t)分解成n个局域波分量及一个剩余分量rn,该剩余分量或者是一个平均趋势或者是一个常数,即

将信号幅度在三维空间上表示成时间和瞬时频率的函数,信号幅度也可以表示成时间-频率平面的等高线,这种在时间-频率平面上的幅度分布称为局域波时频谱[7]。局域波法可以有效地剔除实测信号中所包含的干扰因子,同时局域波分量中包含大量的状态信息。通过分析局域波时频谱,实时监测的非平稳、非线性信号所包含的系统运行特征信息基本展露无遗。局域波时频信息作为大型工业机组预测模型的输入量有着先天的优越性。

1.2 有效性分析

这里以往复压缩机中的典型部件 ——活塞环为例来进行分析。按照设备结构参数[8]可求得该活塞环振动特征频率为2120.84Hz。取两组较为典型的数据(故障和检修后)来分析机组表面振动信号,图1所示为气阀监测点振动信号局域波时频谱。

分析图1发现,在不同的工作状态下,振动信号的能量分布有很大的不同。初步分析得出如下结论:在正常状态下阀座冲击时,振动信号能量主要集中于4kH z～6kH z频段上,而其他频率成分的能量微乎其微;而在故障状态下,由于阀座的失效使得整个振动能量变大而变得分散,对应的4kHz～6kHz频段振动能量有所减弱,而最大的变化在于中高频段能量显著地增强了。

对两组信号的局域波时频谱进行灰度描述,得到图2所示的灰度值直方图。

图1 气阀振动信号局域波时频谱

从图2可以看出,检修前后,在 6kH z附近振动能量都较为集中,这大致反映了主要监测点气阀的工作情况,而活塞环在特征频率2kH z附近振动能量在故障前后发生了明显的改变。结合检修后的结果可以充分说明局域波时频谱分析中特征频率的重要性和有效性,由此完成了对典型故障特征的提取和说明。

图2 局域波时频谱灰度值直方图

2 SVM预测方法

2.1 SVM原理

SVM是从线性可分情况下的最优分类面发展而来的,其基本思想可用图3所示的两维情况说明。SVM处理的最基本的问题是二元分类问题,通过使用SVM,不同类别的数据被一定数量的支持向量所定义的超平面所分开[9]。而对于非线性回归问题,则通过引入核函数的方法来解决[10]。

图3 SVM二元分类的示意图

图3显示了一系列两个不同类型的数据点,其中圆代表类A,而方块代表类B。如图3所示,方向2的分类面的分类效果优于方向1分类面的分类效果。分类面(H)位于两个边界线(H1和H2)的中间。边界线由离分类面最近的点来定义,这些点被称为支持向量,如图3中灰色的圆和方块即为支持向量。一旦支持向量被选中,其余的输入向量将被丢弃,因为支持向量已经包含了分类器所有必需的信息。

SVM中采用不同的内积核函数将形成不同的算法,这里采用的是径向基核函数:

通过改变σ和其他参数可以改善SVM的预测性能。

2.2 SVM预测与评价

应用SVM对时间序列{xi}(i=1,2,…,N)进行预测。首先,为提高建模精度需对原始时序数值作预处理,预处理方式较多,本文采用如下方法进行预处理:

式中,xmax、xmin分别为序列的最大值、最小值。

对于所有时间序列,取前面r个数值作为训练建模样本,其余的作为测试样本。为更有效地利用有限的数据,对其进行相空间重构,即将一维的实践序列转换为矩阵形式,以尽可能地挖掘数据的信息量。得到用于向量机学习的样本为

均值系数可形象地描述出预测值和实际值的拟合度,一般拟合度在0.9以上为较好的拟合。这两类指标分别从逐点比较到整体预测趋势对预测方法进行评价,从而较为全面地判断预测的准确性。

3 基于局域波法和SVM模型的往复机械故障趋势预测实例

3.1 信号的获取

这里选取油田用柱塞式注水泵作为研究对象。柱塞式注水泵作为往复机械的典型代表,在当前我国陆上油田生产中有着举足轻重的地位,其振动工况的代表性和特殊性,决定了针对其机组进行故障预测的重要性。图4为柱塞泵振动信号监测获取示意图,通过对机组多个关键部位进行监测并进行对比分析来保证信号源获取的准确性和完整性。图4b中,小箭头和⊗号表示测点位置。

3.2 信号分析

将采集到的原始振动信号利用局域波法进行处理,从振动时频谱中提取的原始振动信号特殊频率段的振动能量值得到了较完善的保留。

图5所示为监测到的振动原始信号,经过局域波法处理得到信号的局域波时频谱图见图6。以采集振动信号数据的特征频段[6](弹簧组件失效,频率4kH z左右)能量灰度值为数据源,利用式(7)进行归一化处理,获得40个样本数据,以前面30个数据作为训练和建模样本,后面的10个样本数据作为预测的检验样本。

图4 往复柱塞泵泵体振动信号测点布置图

图5 振动原始信号示例

图6 信号局域波时频谱与能量灰度直方图示例

由SVM预测模型计算出模型预测结果,将其与基于灰色预测模型GM(1,1)的预测结果进行比较,同时对照测量值,结果如图7所示。

由图7可以看出,利用SVM预测模型计算出的弹簧组件特征频率段能量灰度值与实际测量值曲线走势大致相同。经过计算,其预测误差较小,基本反映了振动能量值的变化,而对应的特征频率段能量灰度值随时间的推移与测量次数的增加,呈现逐渐增大的趋势,因此可以断定柱塞泵该监测点处弹簧组件出现了一定的故障征兆,事后的检修记录证实了对柱塞泵液力端的故障判断和分析,弹簧出现了裂纹和一定程度的磨损。

3.3 预测结果评价

由图7可以看出,预测曲线与实际曲线吻合较好,在个别点上的预测相对误差可能较大,这主要是由于所采用的数据点量较少,对于这些数据点(相点),找到的邻近相点的距离比较大,造成误差较大。随着信号原始数据的不断丰富,相点密度会不断增大,预测值也将更趋于合理可信,从而有助于预测精度的提高。误差评价指标如表2所示,均方误差为3.15%,而均等系数为94.23%,达到了很高的拟合度,说明预测结果有较强的可信度。而GM(1,1)模型预测结果有较大的偏差,这是由其对源信息系统的敏感性及其病态特性决定的[4]。

图7 计算预测值与测量值比较

表2 预测评价指标对照表 %

4 结语

往复机械工况普遍具有强烈的非平稳性,致使其振动信号较之旋转机械更难以处理,而基于机组振动信号所产生的预测模型原始数据很难具有应有的准确性和全面性。本文提出了一种针对往复机械的故障预测方法,以油田柱塞式注水泵振动工况分析为例,通过局域波分解对原始信号进行处理得到时频谱,并以此作为预测模型的原始数据,利用SVM预测模型得到机组工况预测值。评估指标和对比结果证明了本方法的有效性。

[1] 徐章遂,房立青,王希武,等.故障信息诊断原理及应用[M].北京:国防工业出版社,2000.

[2] A dnan P,Yasar I,H alit Y,eta l.App lication of A rtificial NeuralNetwork to Predic t Specific Fuel Consump tion and Exhaust Temperature for a Diesel Engine[J].Applied Therma l Engineering,2006,26(8/9):824-828.

[3] H uang Siuh-Jer,Huang Chien-Lo.Contro l o f an Inverted Pendulum Using G rey Prediction Model[J].IEEE Trans.Industry App lications,2000,36(2):452-467.

[4] 李健兰,黄树红.改进灰色模型在变压器故障预测中的应用[J].华中科技大学学报,2008,36(5):100-102.

[5] 盖强.局域波时频分析方法的理论研究与应用[D].大连:大连理工大学,2001.

[6] 郝志华,马孝江.局域波法和独立成分分析在转子系统故障诊断上的应用[J].中国电机工程学报,2005,25(3):84-88.

[7] 别锋锋.基于局域波时频谱的往复机故障智能诊断方法研究[D].大连:大连理工大学,2008.

[8] 张雨,徐小林,张建华,等.设备状态检测与故障诊断的理论和实践[M].长沙:国防科技大学出版社,2000.

[9] 张周锁,李凌均,何正嘉.基于支持向量机的机械故障诊断方法研究[J].西安交通大学学报,2002,36(12):1303-1306.

[10] Burges C JC.A Tutorial on Support Vector Machines for Pattern Recognition[J].DataM ining and Know ledge Discovery,1998,2(2):121-167.

Research on Fault Prediction Approach for Reciprocating Machinery Based on LocalWaveMethod and SVM Prediction Model

Bie Fengfeng Liu Yang Zhou Guoqiang LǜFengxia
Northeast Petroleum University,Daqing,Heilongjiang,163318

According to the realw orking status of running reciprocatingmachines,a grey prediction method of diagnosisbased on localw ave time-frequency spectrum and SVM was presented.By local wave time-frequency spectrum,pow er fluctuate of the vibration signals could be reflected on time and frequency dom ain.Comparing the precision of the two main analysis models in diagnosis p rediction on industrial equipment,a step-changing grey p rediction modelw as chosen,inwhich the localwave decomposition was set as the basic input.A pp lication of themethod in faultprediction on a reciprocating compressor system illustrates the precision improvement.

local wavemethod;support vector machine(SVM);fault diagnosis;trend prediction;reciprocating machinery

TP391

1004—132X(2011)06—0687—05

2010—05—27

中国石油天然气集团公司科学研究与技术开发项目(03B209000)

book=691,ebook=121

(编辑 苏卫国)

别锋锋,男,1979年生。东北石油大学机械科学与工程学院副教授、博士。主要研究方向为机械故障诊断、状态监测和石油井架安全检测等。刘 扬,男,1957年生。东北石油大学校长、教授、博士研究生导师。周国强,男,1952年生。东北石油大学机械科学与工程学院研究员。吕凤霞,女,1978年生。东北石油大学机械科学与工程学院讲师、博士研究生。