基于多传感器信息融合的往复泵故障诊断

郭 攀,史洪伟,宋传智,王红艳,裴峻峰

(1. 宿州学院 化学化工学院，安徽 宿州 234000； 2.常州大学 机械工程学院，江苏 常州 213000； 3.天地(常州)自动化股份有限公司 中煤科工集团常州研究院有限公司，江苏 常州 213000)

旋转机械在工业中有着十分重要的应用，目前对于旋转机械的故障诊断已经取得了许多成功的应用[1-8]，而国内外对泵的故障诊断也做了大量研究工作，许多研究都是基于振动技术展开的[9-11]。罗红梅等[12]计算了有时标信号和无时标信号2时钻井泵泵阀振动信号小波包分频带能量；Liu Shulin等[13]采用1种改进的EMD算法提取振动信号的故障特征，并成功应用于泵阀弹簧的故障诊断；V.Muralidharan和V.Sugumaran[14-16]利用不同的小波变换提取特征，并利用决策树和模糊逻辑进行分类的方法对泵的汽蚀、叶轮故障、轴承故障以及叶轮轴承复合故障等进行诊断。除了分析振动信号外，分析声音和压力信号进行泵的故障诊断的方法也得到了成功应用。Sin-Young Lee[17]通过对声音信号进行分析，成功地诊断出泵的轴变形和轴承变形等故障。在无损检测技术领域，基于声振信息的故障诊断技术已经成功地应用在旋转机械的故障检测。

综上，虽然许多方法已经成功用于泵的故障诊断，但目前对泵的故障诊断主要是分析单一信号，而当泥浆泵液力端发生故障时，仅仅依靠单一的故障信息有时难以做出精确的诊断，经常出现误诊的情况。本文在振动分析的基础上，引入声音和声发射技术，将声音、声发射信号和振动信号进行融合，并利用SVM算法对往复泵液力端故障模式进行识别。

1 实验原理及方案

多传感器信息融合通过对多个方面的信息进行某种规则的组合从而获得更多更有价值的信息，这不是简单的输入输出过程，而是各种信息互相作用的结果。多传感器信息融合利用多种类型传感器获取的信息具有多方面、多角度的优势，从而提高了整个系统的有效性和准确性[18]。

信息融合按照其融合的数据抽象层次可以分为数据、特征和决策3个级别的信息融合[19]。这3个级别从融合诊断信息的表征水平从低到高，分别可以实现故障、检测、故障识别和故障定位的需要，最终得出融合结果[20]。

数据级信息融合是最低级别的信息融合，它是直接在传感器采集到的原始数据信息层面上进行的融合。特征级信息融合是中间级别的信息融合，该级融合首先对采集到的原始信息进行特征提取，然后对获得的特征信息进行融合分析，进而进行目标身份的识别。决策级信息融合是高级别的信息融合，首先完成对每个传感器采集的原始信息进行处理，得出对所研究对象的初步结论，然后通过各个传感器的关联进行局部决策层的融合处理，并获得最终的融合结果。

通过分形理论等方法对采集到的声振信息进行特征提取，规避很多其它方法对非平稳信号处理的不足，其特征向量对信号特征的相关性大大提高，因此，本文选用特征信息融合方法。信息融合流程如图1所示，3种信号同时采集的现场如图2所示，实验设备组成如图3所示。

图1 信息融合流程

图2 信号采集现场

图3 实验设备组成

2 声振信息融合故障诊断

采用声音、振动和声发射信号的分形维数作为特征值结合不同核函数及改进的SVM算法进行融合诊断，分别与声音、振动和声发射3种信号单独诊断的结果以及两两融合的结果进行对比，观察故障识别的准确率。

2.1 特征向量融合

提取往复泵声发射信号数据分形盒维数、往复泵声音信号的多重分形特征值以及振动信号的能量重构作为其特征值。首先比较不同信号特征的故障诊断识别率，然后两两进行融合，最后将3种信号融合，观察识别效果，分析各种融合状态和未融合状态下的故障诊断识别效率，比较分析结果，判断是否能改进其识别结果，决策出最好的识别方法。

将3种信号处理得到的特征向量进行融合获得融合特征向量。如声发射信号的分形盒维数特征向量特征值T1=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1]，声音信号的多重分形特征值T2=[4.214 4 0.499 0 2.422 9 4.549 1 3.361 1 2.553 3]，振动信号的能量特征值T3=[0.932 1 0.450 2 0.284 5 0.327 8 0.613 0 0.010 7]，融合特征向量T=[T1,T2,T3]=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1 4.214 4 0.499 0 2.422 9 4.549 1 3.361 1 2.553 3 0.932 1 0.450 2 0.284 5 0.327 8 0.613 0 0.010 7]，T12=[T1,T2]=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1 4.214 4 0.499 0 2.422 9 4.549 1 3.361 1 2.553 3]，T13=[T1,T3]=[1.571 4 1.443 7 1.365 5 1.306 6 1.181 0 1.131 1 0.932 1 0.450 2 0.284 5 0.327 8 0.613 0 0.010 7]。将每种工况180组声发射盒维数信号和180组声音信号的多重分形特征值以及180组振动加速度信号能量特征值进行融合，获得每种工况180组融合特征向量，随机选取100组作为训练样本，80组作为待测样本，融合后的部分融合特征向量如表1所示。

表1 部分训练样本

2.2 GA-SVM融合诊断

使用GA-SVM及其它不同核函数的SVM融合故障诊断，将每种工况的25组数据作为训练样本，20组数据作为预测样本，输入核函数分别为线性、RBF和经过GA改进的SVM，比较不同核函数的SVM识别率。

当声发射分形盒维数和振动两种信号融合时，往复泵正常运行，输入特征向量：[1.557 8 1.434 2 1.356 2 1.297 6 1.194 5 1.164 8 0.909 1 0.368 6 0.460 5 0.326 4 0.167 5 0.086 4]到SVM训练，输出的训练结果为1，说明泵正常工作，与实际工况一致。当活塞磨损时，输入特征向量：[1.552 1 1.404 7 1.351 9 1.281 7 1.193 2 1.120 2 0.811 0 0.298 7 0.292 7 0.145 9 0.159 7 0.114 9]，输出结果为2，说明活塞磨损，与实际工况一致。当弹簧断裂时，输入特征向量：[1.533 9 1.398 8 1.345 1 1.273 1 1.189 3 1.142 7 0.778 5 0.591 0 0.305 5 0.192 7 0.185 2 0.058 1]，输出结果为3，说明弹簧断裂，与实际工况一致。当阀盘磨损时，输入特征向量：[1.567 9 1.430 8 1.353 3 1.277 2 1.201 4 1.155 8 0.851 4 0.794 2 0.137 6 0.193 7 0.201 5 0.241 6]，输出结果为4，说明活塞磨损，与实际工况一致。

当声音信号多重分形特征值和振动两种信号融合时，往复泵正常运行，输入特征向量：[4.556 3 3.375 4 2.551 6 3.846 4 0.572 9 2.298 7 0.909 1 0.368 6 0.460 5 0.326 4 0.167 5 0.086 4]到SVM训练，输出的训练结果为1，说明泵正常工作，与实际工况一致。当活塞磨损时，输入特征向量：[4.536 8 3.341 6 2.546 9 1.966 0.670 4 2.771 5 0.811 0 0.298 7 0.292 7 0.146 5 0.162 7 0.115 7]，输出结果为2，说明活塞磨损，与实际工况一致。当弹簧断裂时，输入特征向量：[4.518 6 3.354 2 2.553 1 2.318 1 0.176 2 3.037 5 0.778 5 0.591 0 0.305 5 0.192 7 0.185 2 0.058 1]，输出结果为3，说明弹簧断裂，与实际工况一致。当阀盘磨损时，输入特征向量：[4.531 7 3.349 8 2.520 1 2.404 0.261 8 3.062 8 0.851 4 0.794 2 0.137 6 0.193 7 0.201 5 0.241 6]，输出结果为4，说明活塞磨损，与实际工况一致。

当声发射和声音信号多重分形特征值两种信号融合时，往复泵正常运行，输入特征向量：[1.557 8 1.434 2 1.356 2 1.297 6 1.194 5 1.164 8 4.556 3 3.375 4 2.551 6 3.846 4 0.572 9 2.298 7]到SVM训练，输出的训练结果为1，说明泵正常工作，与实际工况一致。当活塞磨损时，输入特征向量：[1.552 1 1.404 7 1.351 9 1.281 7 1.193 2 1.120 2 4.536 8 3.341 6 2.546 9 1.966]，输出结果为2，说明活塞磨损，与实际工况一致。当弹簧断裂时，输入特征向量：[1.534 0 1.428 8 1.344 7 1.273 1 1.189 3 1.142 7 4.518 6 3.354 2 2.553 1 2.318 1 0.176 2 3.037 5]，输出结果为3，说明弹簧断裂，与实际工况一致。当阀盘磨损时，输入特征向量：[1.567 9 1.430 8 1.353 3 1.277 2 1.201 4 1.155 8 4.531 7 3.349 8 2.520 1 2.404 0.261 8 3.062 8]，输出结果为4，说明活塞磨损，与实际工况一致。

当声发射分形盒维数、声音信号多重分形特征值与振动3种信号融合时，往复泵正常运行，输入特征向量：[4.556 3 3.375 4 2.551 6 3.846 4 0.572 9 2.298 7 0.909 1 0.368 6 0.460 5 0.326 4 0.167 5 0.086 4]到SVM训练，输出的训练结果为1，说明泵正常工作，与实际工况一致。当活塞磨损时，输入特征向量：[1.552 1 1.404 7 1.351 9 1.281 7 1.193 2 1.120 2 4.536 8 3.341 6 2.546 9 1.966 0.670 4 2.771 5 0.811 0 0.298 7 0.292 7 0.146 5 0.162 7 0.115 7]，输出结果为2，说明活塞磨损，与实际工况一致。当弹簧断裂时，输入特征向量：[1.534 0 1.428 8 1.344 7 1.273 1 1.189 3 1.142 7 4.518 6 3.354 2 2.553 1 2.318 1 0.176 2 3.037 5 0.778 5 0.591 0 0.305 5 0.192 7 0.185 2 0.058 1]，输出结果为3，说明弹簧断裂，与实际工况一致。当阀盘磨损时，输入特征向量：[1.567 9 1.430 8 1.353 3 1.277 2 1.201 4 1.155 8 4.531 7 3.349 8 2.520 1 2.404 0.261 8 3.062 8 0.851 4 0.794 2 0.137 6 0.193 7 0.201 5 0.241 6]，输出结果为4，说明活塞磨损，与实际工况一致。

融合后的样本信息增多，模型训练工作量也在增大。图4是遗传算法适应度曲线，进化代数设为200，进化代数为4时达到最佳适应度，识别速度较快。将其与80组数据输入训练好的SVM中进行故障模式识别，通过对声发射、声音和振动3种信号进行模式识别，识别结果见表2，进行多传感器信息融合之后的识别结果如表3所示。

图4 遗传算法适应度曲线

表2 不同SVM单种信号诊断结果

从表2可以看出，单种信号的诊断识别正确率不算很高，全部识别正确的不多，不同识别方法仅有声音信号的阀盘磨损故障全部正确识别。分析比较3种信号单独识别时声音信号的识别效果最好，均不小于95%，很多故障的识别效率达到100%，声发射信号的识别效果整体均在90%以上，而振动信号的识别结果却仅在85%左右。综合可知使用声音信号的多重分形特征值和声发射信号的分形盒维数的识别结果均明显好于振动信号的能量特征。

表3 不同SVM信息融合诊断结果

结合表2和表3的识别结果分析可知，两种信号融合的识别效果要明显好于单种信号的识别效果，振动信号与其它信号结合后大大改善了其故障识别效果，振动与声发射及声音信号两种融合后得出的诊断效果均好于每种信号单独识别的效果。声音和声发射信号融合后，输入GA-SVM识别效果甚至出现识别率达到100%，其它的各种识别方法也仅有1例误判。将3种信号融合后的识别结果极大地提高，3种SVM识别结果均达到100%，无1例误判，且识别效果最好。对比以上结果，进行信息融合的往复泵故障诊断结果对改进往复泵故障诊断识别效果有较大改善。

3 结束语

综合分析可以看出，单种信号的诊断中声音信号的多重分形特征向量诊断结果最好，声发射的分形盒维数次之，振动信号的能量特征值最差。声发射、声音信号分别与振动信号结合后大大改善振动信号的诊断效果。声发射和声音信号融合后其识别率更是接近100%。3种信号的融合诊断结果最好，使用不同识别方法的识别结果均达到100%，可靠性最高。从识别程序比较，3种不同核函数的SVM可以发现，经过遗传算法改进的GA-SVM识别效果最好，相同信号通过不同识别程序的GA-SVM的识别率均好于其它两种。