基于LMD盒维数与PNN的往复泵声发射故障诊断

裴峻峰 郭 攀 孟朋朋 王 兵 徐延海

(1.常州大学机械工程学院，江苏 常州 213000；2.江苏金石机械集团有限公司，江苏 淮安 223001)

基于LMD盒维数与PNN的往复泵声发射故障诊断

裴峻峰1郭 攀1孟朋朋1王 兵1徐延海2

(1.常州大学机械工程学院，江苏 常州 213000；2.江苏金石机械集团有限公司，江苏 淮安 223001)

针对往复泵泵阀故障诊断，提出使用声发射技术对往复泵泵阀进行故障信号采集。利用局部均值分解(LMD)对非线性声发射信号处理和分形盒维数对非线性信号定量描述的特点，首先对故障信号进行LMD处理，得到含有故障特征的PF分量，然后算出各PF分量的盒维数，通过比较分析盒维数进行故障诊断，最后将各PF分量的盒维数作为特征向量输入概率神经网络(PNN)进行模式识别。通过实验分析，证明该方法对往复泵泵阀故障诊断是有效可行的。

往复泵泵阀 故障诊断 声发射 局部均值分解 盒维数 概率神经网络

往复泵在石油钻井、输油注水方面被广泛应用，大多数情况下输送的介质具有高压、高粘度、高含沙量及大密度等特征。泵阀是往复泵工作过程中较为关键的部件，它对往复泵的正常工作和可靠性有着直接的影响[1,2]。因实际工作中往复泵大多是在比较恶劣的环境下工作，在这类环境下，泵阀在工作中大多处于具有磨砺和腐蚀性介质中，泵阀会因此产生冲击疲劳、磨砺磨损及冲蚀磨损等，且介质的冲击性较强，这些因素均会导致泵阀泄漏，进而影响往复泵正常工作。往复泵泵阀的振动信号是往复泵泵阀故障信息的主要来源[3]。但是对于往复机械而言，振动信号既包含往复机械的冲击特征，又包含旋转机械的非线性平稳特点，故障模式不能像旋转机械那样一一映射[4]，对应的振动特征难以确定，对故障诊断造成了困难，因此提出用声发射技术对往复泵进行故障信息的采集。笔者提出将局部均值分解(LMD)盒维数与概率神经网络(PNN)相结合的方法运用到往复泵泵阀声发射信号的故障诊断中，即将声发射信号LMD分解所得的PF分量的分形盒维数作为特征向量输入到PNN，实现不同泵阀故障的分类识别。

1 声发射①

当材料发生变形或开裂后，材料受到外部或内部的作用力，会有瞬态弹性波因快速释放能量从材料的局部产生，这种物体因受力而产生瞬态弹性波的现象称为声发射现象。声发射源通常意义下是指弹性波在一定的应力作用下因有裂缝或变形产生引起弹性波的物体；而与材料变形或断裂没有直接关系的瞬态弹性波可以称为二次声发射源，如机械摩擦、流体泄漏、燃烧及撞击等[5]。

长期运行时，由于往复泵泵阀的腐蚀、磨损、变形或异物卡涩等原因造成泵阀泄漏，由于泵阀泄漏孔口前后之间的压力有较大的差异，泵阀内的流动介质会在泄漏孔口形成脉动压力场，介质从孔口处喷射而出，产生多相湍流射流，泄漏的声发射信号主要由3个原因引起[6]：机械振动发声——流体介质的压力在阀体内部产生不规则的波动与流体介质中的扰动和冲击使弹性元件振动产生的机械振动声音，这种振动模式产生的声发射，类似于金属拍击。空气动力学或湍流发声——当介质流动时，流体介质从泄漏孔口流出，由于流动突然膨胀或减小，会形成湍流。汽蚀发声——当流体介质泄漏时，液体通过节流孔流段的泄漏会突然收缩，孔口的压力可以使液体汽化，即达到液体的汽化压力时液体蒸发，使部分液体形成泡沫；在流体介质的下游，因流体的扩张而压力上升，随着压力升高，流体介质形成的气泡内部的压力会低于流体介质的外部压力，泡沫因压力差过大破裂产生汽蚀发声。汽蚀发声是泵阀声发射的主要声源，它的大小与流体流动的流量、速度、泵阀大小、阀门进出口压力、泵阀类型、流体的物理性质和泄漏孔口形状有关[7]。因此通过声发射信号可以对往复泵泵阀进行故障诊断和模式识别。

2 故障诊断实验

实验采用的往复泵是BW-250型注浆泵。往复泵在工作时，活塞、密封圈、缸套及泵阀等是液力端的主要易损件，选取活塞磨损、弹簧断裂和阀盘磨损3种故障作为故障样本进行实验。将正常的和带有故障特征的部件分别换上，往复泵泵阀声发射信号采集系统如图1所示。基于LMD盒维数和PNN的往复泵泵阀声发射故障诊断流程如图2所示。

图1 往复泵泵阀声发射信号采集系统

图2 诊断流程

实验中往复泵转速设为72r/min，传感器选择SR150M型声发射传感器，采用SAEU2S声发射采集箱，前置放大器采用PAⅠ系列前置放大器，该系列前置放大器的增益为40±1dB，带宽为10.0kHz～2.0MHz。前置放大器在声发射系统中对准确采集声发射信号起着重要的作用，在整个声发射系统中，前置放大器对噪声测量有较大的影响。在测量声发射信号时为准确测量需要提高增益和降低噪声，前置放大器在整个系统中的作用是提高信噪比性能，具有降低噪声和提高增益的功能。实验时设置采样频率为1MHz，采样长度为140 000点，对4种工况下的声发射信号进行采集。

3 LMD分解和盒维数计算

局部均值分解和经验模态分解(EMD)相比减少了迭代次数，摒除了EMD在处理信号时的具有欠包络和过包络的弊端，复杂的多分量信号可以分解为一系列单一成分的纯调频调幅信号即PF分量，能有效地提取各个故障状态下的信号特征信息，可在一定程度上抑制端点效应，PF分量相较于EMD分解的IMF分量有更多的频率和包络信息得到保存，所以LMD与EMD相比包含原始信号的有效信息较多，含有声发射信息的噪音较少[8～10]。LMD分解有以下7个步骤：

b. 将相邻的mi均用直线连接起来，为得到局部均值函数m11(t)，需要进行平滑处理，可以使用滑动平均法进行。用同样的方法得到包络估计函数α11(t)。

c. 从原始信号x(t)中分离出局部均值函数m11(t)，得到h11(t)=x(t)-m11(t)。

党的十九大报告指出：必须增强群众工作本领，创新群众工作体制机制和方式方法。迈进新时代，面对新矛盾，做好群众工作既要继承传统，又要务实创新；既要适应新形势新任务的要求，又要研究和把握新形势下群众工作的新特点新规律。各级党员干部要以高度的政治责任感，在深入群众、联系群众、宣传群众、组织群众、服务群众、团结群众中，不断提高做好群众工作的能力水平。

e. 原始信号的第1个分量可通过将包络信号α1(t)和纯调频信号s1n(t)相乘得到，PF1(t)=α1(t)s1n(t)。

f.PF1(t)包含给定信号中的最高频率成分，它是一个单分量调幅-调频信号，其瞬时幅值就是包络信号α1(t)，其瞬时频率f1(t)则可由纯调频信号s1n(t)求出。

图3所示是一个活塞磨损声发射信号LMD分解图。声发射信号经LMD分解后，各PF分量在不同频率范围反映了信号的变化趋势，往复泵泵阀声发射信号的主要信息分布在前几个PF分量中，因此前几个PF分量是分析的主要对象，从图3中可以看出PF1(t)～PF6(t)贡献率之和超过95%，而且PF7(t)贡献率很低，残余信号R分量几乎呈直线，说明与原始信号相关性很小，可以忽略不计。

图3 活塞磨损声发射信号LMD分解

在经过LMD处理的基础上结合分形盒维数的方法，计算各LMD分解的PF分量的盒维数。系统的非线性行为可以使用分形理论中的分形维数定量描述其特征量，其中盒维数的大小和变化可以反映非线性信号的复杂程度和不规则程度，它是分形维数的一种[12]。因为盒维数的计算相对于其他分形维数不太复杂,在信号处理中得到了较为广泛的应用。在往复泵泵阀信号的特征提取中，分形盒维数不仅可以定性分析机械系统各故障状态的运行状况,还可以对各状态信号进行量化,对机械系统产生的非线性信号计算盒维数，对其进行进一步的分析比较可实现对复杂机械系统的故障诊断。

设集合F是Rn中任一非空有界子集，记N(A,δ)表示最大直径为δ且能覆盖F的集合的最小数，则F的盒维数定义为：

(1)

然后在lnN(δ)～ln(1/δ)图中确定拟合一段线性良好的信号无标度区，则分形盒维数即是拟合得到的直线斜率。由于分型空间的特殊性，其元素F必定是非空紧子集，故盒维数所针对的集合允许是开的。

利用式(1)求出每种情况下PF1～PF6的盒维数，它可以反映非平稳信号不平稳程度的大小和复杂度的变化，不仅可以对信号进行定性分析，还可以对系统进行定量分析，因此可以准确、清楚地反映4种工况下的故障特征。活塞磨损故障信号各PF分量盒维数如图4所示，可以看出从PF1到PF6分量的盒维数依次减小。信号的盒维数大小反映信号的规则程度，包含的信息量越多，信号不规则的程度越大，其盒维数也越大，盒维数最大的是PF1分量信号，是信号中的主要成分，从PF2到PF6盒维数依次减小，表明与原信号的关联程度也随之减小。

图4 活塞磨损故障信号各PF分量盒维数

对信号进行LMD分解后，计算4种状态声发射信号各PF分量的盒维数(表1)。分形盒维数介于1和2之间，信号越不规则，分形盒维数越大[13]。从表1可以看出，LMD分解信号的各PF分量的盒维数中，不同故障状态下的盒维数数值有明显的区间范围，往复泵泵阀正常状态盒维数最大，依次是阀盘磨损故障盒维数、活塞磨损故障盒维数，弹簧断裂故障盒维数最小。

表1 不同状态的盒维数

正常工况下系统产生声发射信号的因素有缸套、底座等振动发声多方面因素，但不起决定性作用，正常信号PF1～PF4由于信号分布均匀、复杂性大，其盒维数比故障信号盒维数大，而其余PF分量由于随机性小于故障工况，因此其盒维数比故障工况小或差别不大。而且，正常状态的声发射信号也包含规律性的声发射成分，它不是完全的噪声成分。弹簧断裂故障的盒维数与其他运行状态相比最小，由于泵阀在工作过程中弹簧有规律的上下往复运动，弹簧磨损不会产生泄漏孔口，内外压力差相对较小，泵阀内的流体相对平稳，所以弹簧断裂故障的不规则和不确定性较低，盒维数最小。

4 PNN分类预测

19世纪80年代，Specht D F博士首先提出概率神经网络，它是一种基于Parzen窗与贝叶斯分类规则的概率密度函数估计方法。这样的网络权值对应模式样本的分布格局不需要训练，可以满足实时处理的训练要求[14]。

PNN网络经由径向基函数发展成为一种前馈神经网络，比较适用于信号的模式识别，它由输入层、模式层、求和层、输出层共4层组成[15]。其基本结构如图5所示。

图5 PNN的基本结构

随机选取正常、活塞磨损、弹簧断裂、阀盘磨损4种状态下各20组数据，共80组声发射信号，LMD分解的PF1～PF6计算得到的盒维数作为PNN网络的特征向量。任意取其中48组作为训练样本，其余32组作为测试样本进行模式识别，从而训练PNN多故障分类器，分别对正常、活塞磨损、弹簧断裂、阀盘磨损4种状态进行分类。训练样本分类器时，将选取的正常样本标记为1，活塞磨损故障样本标记为2，弹簧断裂故障样本标记为3，阀盘磨损故障样本标记为4。

将样本输入分类器的训练效果如图6所示，可见第13组数据实际故障是阀盘磨损故障(标记为4)，训练时将其识别为正常(标记为1)，故训练误差为-3.0；第16组数据实际故障是活塞磨损故障(标记为2)，训练时将它识别为弹簧断裂故障(标记为3)，训练误差为1.0；第40组数据实际故障是阀盘磨损故障(标记为4)，训练时被识别为弹簧断裂故障(标记为3)，训练误差为-1.0。因此，网络对训练集分类的正确率为93.75%。

图6 PNN的训练效果

利用训练好的网络对测试集分类，分类效果如图7所示，32个测试对象中的30个被正确识别，其中第26组和31组数据将阀盘磨损故障划分到弹簧断裂故障类别中，总体分类成功率为93.75%，分类效果比较理想。

5 结论

5.1LMD分解信号的方法有效地提取了往复泵泵阀声发射信号特征，减小了EMD方法中存在的模式混叠现象，提高了系统的抗噪能力。

5.2在往复泵泵阀故障诊断中LMD和分形盒维数可以定量计算盒维数正常条件和故障的不同部分的描述，说明不同失效模式的盒维数具有可分性和明显的区间范围，采用盒维数计算各个状态下的非线性平稳信号分析比较进行故障诊断。

图7 PNN的预测效果

5.3通过LMD分解声发射信号，计算各分解信号盒维数输入PNN进行识别，减少了工作量且分类效果较好。

5.4声发射技术可以用在往复泵泵阀设备的故障诊断，并取得不错的效果。

[1] 赫伟英，裴峻峰.往复机械故障诊断技术进展综述[J].化工机械，2010,37(5):671～674.

[2] 赵志华，吴力.往复泵故障智能诊断系统的设计[J].化工自动化及仪表，2013,40(6):701～705.

[3] 段玉波，由大伟．往复泵泵阀的状态监测及智能故障诊断综述[J]．自动化技术与应用，2003,22(9):1～4.

[4] 别锋锋，刘杨，裴峻峰，等．EEMD近似熵和SVM在柴油机传动系统中的故障诊断研究[J].机械设计与制造，2015,(3):24～31.

[5] 杨晶.基于声发射检测的阀门泄漏可视化诊断技术

研究[D].长沙：长沙理工大学，2013.

[6] 方学锋，梁华，夏志敏，等.基于声发射技术的阀门泄漏在线检测方法[J].化工机械，2007,34(1):52～54.

[7] 王新颖．承压阀门内漏声学检测方法研究[D].大庆：大庆石油学院，2007.

[8] Smith J S．The Local Mean Decomposition and Its Application to EEG Perception Data[J].Journal of the Royal Society Interface,2005,2(5):443～454.

[9] Huang N E,Shen Z,Long S R,et al.The Emprical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J].Proceedings of the Royal Society a Mathematical Physical and Engineering Sciences,1998,454(1971):903～995.

[10] Yang Y,He Y G,Chen I S,et al.A Gear Fault Diagnosis Using Hilbert Spectrum Based on MODWPT and a Comparison with EMD Approach[J].Measurement,2009,42(4):542～551.

[11] 孙伟，熊邦书，黄建萍，等.小波包降噪与LMD相结合的滚动轴承故障诊断方法[J].振动与冲击，2012,31(18):153～156.

[12] 赵健，雷蕾，蒲小琴.分形理论及其在信号处理中的应用[M].北京：清华大学出版社，2008：2～3.

[13] 刘晓波，马善红.分形盒维数在裂纹转子故障诊断中的应用[J].机床与液压，2009,37(1):164～166.

[14] 付芹，谷立臣.PNN在旋转机械故障诊断中的应用[J].煤矿机械，2009,30(11):237～239.

[15] Specht D F.Probabilistic Neural Networks[J].Neural Networks,1990,3(1):109～118.

(Continued on Page 1321)

AcousticEmissionFaultDiagnosisofReciprocatingPumpBasedonLMDBoxDimensionandPNN

PEI Jun-feng1, GUO Pan1, MENG Peng-peng1, WANG Bing1, XU Yan-hai2

(1.CollegeofMechanicalEngineering,ChangzhouUniversity,Changzhou213000,China; 2.JiangsuJinshiMachineryGroupCo.,Ltd.,Huai′an223001,China)

In view of the fault diagnosis of reciprocating pump valves, making use of acoustic emission technology to acquire fault signals of the reciprocating pump valve was proposed. Based on the characteristics that applying the local mean decomposition (LMD) to process nonlinear acoustic emission signals and employing the box dimension to quantitatively describe the nonlinear signals, firstly, having LMD used to decompose the fault signals to gainPFcomponent which containing fault features and to calculate the box dimension of eachPFcomponent as well as to takePFcomponent’s box dimension as the feature vector and to have it input into

TH321

A

1000-3932(2016)12-1286-06

2016-10-26(修改稿)

国家自然科学基金项目(51175051)