基于数学形态谱的水泵振动识别研究

第45卷第14期2014年7月人民长江YangtzeRiverV01．45．No．14July，2014文章编号：1001—4179(2014)14—0093—04基于数学形态谱的水泵振动识别研究梁兴(南昌工程学院机械与电气工程学院，江西南昌330099)摘要：针对实测水泵振动信号夹杂噪声等现象，利用多尺度数学形态谱及形态谱熵理论，对不同转速下的水泵振动实测信号进行分析，提取相应的特征形状和特征量，进行振动故障-／g,~1，并验证了该方法的可行性与准确性。研究表明，随着转速的逐步增加，存在着不对中和不平衡故障的水泵机组，其振动特性可以划分为正常运行、周期性碰摩运行及混沌运行3类；当水泵振动类型相同时，随着转速的变化，相应的数学形态谱及形态谱熵分析结果几乎不变；采用数学形态谱及形态谱熵理论能够对夹杂大量噪声的故障测试信号进行分析处理，且故障信号识别成功率较高，其中形态谱识别成功率高于形态谱熵，能较好地达到故障识别的目的．也充分证明了该方法的抗干扰性关键词：水泵振动识别；故障诊断；数学形态谱；形态谱熵中图法分类号：TK731文献标志码：A水泵振动信号识别与分析一直是故障诊断研究的热点，但是由于水泵运行涉及因素较多，实测振动信号含有大量的噪声，不仅不利于信号分析处理，也将直接影响故障诊断结果的准确性¨J。常见的水力机械诊断方法较多，比如范春生等采用Fn、等方法对水电机组异常振动信号进行了分析，提取了相应信号特征，奠定了故障诊断的基础；刘红梅等利用小波包和Elman神经网络对水泵振动信号进行了识别分析，实现了故障分类；张飞等利用BP神经网络算法分析水电机组振动特性，进而预测其振动趋势；熊朝坤等将模糊神经网络理论应用于水电机组，建立了全新的故障诊断模型，提高了水电机组故障诊断的准确性；吴丹等基于支持向量机方法进行液压泵故障诊断，并对支持向量机诊断方法进行了优化。但是，上述方法或是侧重于提取特征向量，或是针对已有特征向量进行故障诊断或预测，机组振动分析及诊断研究的全面性不足；且上述智能算法理论尚不完善，其参数选择存在一定的随机性，直接影响到诊断结果；另外，水泵种类多，工况复杂，转速和噪声信号差异较大，信号分频与消噪难度大，导致上述方法适应能力差、应用不广泛且计算复杂，难以满足水泵振动识别和故障诊断可靠性的要求。为此，本文引入多尺度数学形态谱理论，将信号处理与故障诊断融合在一起，通过提取并对比信号的形态谱和形态谱熵，达到信号分类与识别的目的，为信号处理和水泵故障诊断提供了一种新方法。1多尺度数学形态谱及形态谱熵理论数学形态谱是一种融合积分几何、随机集论、泛函分析等多学科知识的交叉科学，它利用多尺度／单尺度的结构元素逐步测量被检信号，进而提取特征量，达到信号分析处理的目的。由于其数学理论较完备，且在信号处理过程中能够较好地保留信号的原始信息，现已被广泛地应用于医学图像处理、计算机文字识别和工业监测等诸多领域内⋯。数学形态谱的计算结果与结构元素的形状和尺度大小密切相关。一般而言，结构元素的形状越接近于目标函数本身，处理效果越明显，信号识别效果也越好，但它将导致结构元素形状复杂、尺度增多，计算量增大Ll。因此，考虑到计算量和水泵振动信号所含噪收稿日期：2014—04—29基金项目：江西省科技厅2013年度科技项目(20132BDH8oO22)作者简介：梁兴，男，博士，主要从事流体机械及工程方面的研究。E—mail：liangxny@163．corn94人民长江声特点，选用三角形结构元素进行处理。假定-厂()为目标函数，g(x)为结构元素。则)关于g()的数学形态谱可通过下式计算：PSf(f’g)=A>t0(1)PSf(f，g)=一二A<0(2)在式(1)和式(2)中，A(=J)dx表征)在定义域U(I厂())中的有界面积；。代表开运算；·代表闭运算；当A≥0时，形态谱采用开运算计算；反之，则采用闭运算计算。u(，(戈))被称为目标函数)的投影空间，可用下式定义：())={(，)l∈R，t∈R，t≤)，∈sup(f)}(3)由于数学形态谱信号识别结果往往以图片形式显示，不利于在线诊断水泵故障类型，为此，引入“熵”概念，以便对识别结果进行量化处理，采用数值形式表征故障信号的特征。数学形态谱熵可用下式计算：PSE(f／g)=一>q()lg(q())(4)式(4)中，g()=PSs(17,，g)／A(f·kg)，如果将PSE(f／g)除以lg(Ⅳ+k+1)，就能够得到归一化的形态谱熵。趔期尺度(a)转速为5rad／s时尺度(d)转速为12rad／s时2多尺度数学形态谱信号处理可行性分析针对某水泵模型(人为设置其存在着质量偏心和不对中故障，主轴和轴承间隙为1mm)，从1～50rad／s进行主轴振动测试，其方向振动峰值汇集图如图1所示。图1不I司转速下x方向