基于多源信号融合的离心泵叶轮磨损故障分析.pdf

第 44卷 第 “期 2018年 6 月 工矿自动化 Industry and Mine Automation Vol. 44 No. 6 Jun. 2018 文章编号671-251X201806-0074-06 DOI 10. 13272/j. issn. 1671-251x. 2018020029 基于多源信号融合的离心泵叶轮磨损故障分析 郭文琪1，田慕琴1，宋建成1，耿蒲龙1，姚宇1 1.太原理工大学煤矿电气设备与智能控制山西省重点实验室，山 西 太 原 030024; 2.矿用智能电器技术国家地方联合工程实验室，山 西 太 原 030024 摘要针对离心泵故障信号易被噪声淹没、 数据分析困难的问题， 提出了一种基于多源信号融合的离心 泵叶轮磨损故障分析方法。采集离心泵叶轮正常状态和磨损状态下蜗壳、出 水 口 和 底 座3处的振动信号及 原动机接线端的电信号； 采用小波包分解提取振动信号的特征频段， 通过横向比较各频段能量值确定底座可 作为最佳检测点， 通过纵向比较各频段能量值以缩小频率分析范围； 在 缩 小 频 率 分 析 范 围 的 基 站 上 ， 采用线 性 调 频Z变换对原动机接线端的电信号进行频谱分析， 将故障特征频率与3次谐波频率分离， 从而精确提取 到故障特征频率。试验结果验证了该方法的有效性。 关 键 词 矿 井 主 排 水；离 心 泵；叶 轮 磨 损；故 障 特 征 频 率％多 源 信 号 融 合％小 波 包 分 解；线性调频 Z变换 中图分类号TD636 文献标志码A 网络出版地址Http //kns. cnki. net/kcms/detail/32. 1627. TP. 20180521. 1051. 001. html Wear fault analysis of centrifugal pump impeller based on multi-source signal fusion GUO Wenqi1’2，TIAN Muqin1’2，SONG Jiancheng1’2，GENG Pulong1’2，YAO Yu1’ 2 1. Shanxi Key Laboratory of Mining Electrical Equipment and Intelligent Control, Taiyuan University of Technology’ Taiyuan 030024’ China; 2. National centrifugal pump ； impeller wear; fautt characteristics frequency; 收稿日期2018-02-12;修回日期 2018-04-25;责任编辑 胡娴。 基金项目 山西省科技重大专项项目（ 20131101029;山西省物联网产业发展及应用分析预测（ kxktl605。 作者筒介 郭文琪（ 1991一），男，山西忻州人，硕士研究生，研究方向为矿井主排水设备的状态监测与寿命管理，E-mail 18234132660 163. com。 引用格式 郭文琪， 田慕琴， 宋建成， 等.基于多源信号融合的离心泵叶轮磨损故障分析工矿自动化，2018,4464-79. GUO WenqiTIAN MuqinSONG Jiancheng, et al. Wear fautt analysis of centrifugal pump impeller based on multi-source signal fusion[J]. Industry and Mine Automation, 2018,446 ； 74-79. 2 0 1 8 年 第 6 期 郭 文 琪 等 基 于 多 源 信 号 融 合 的 离 心 泵 叶 轮 磨 损 故 障 分 析 75 multi-source signal fusion; wavelet packet decomposition; chirp Z trans 〇 引言 离心泵是许多工矿企业必不可少的设备之一， 其运行状况会影响企业安全生产。叶轮磨损是离心 泵最常见的故障之一， 因此， 研究离心泵叶轮磨损的 故障特征对于实现离心泵状态监测和故障诊断具有 重要的现实意义。 机械故障诊断方法主要分为两大类①提取不 同状态下信号的特征向量， 将特征向量输入模式识 别器以实现故障诊断12②对信号进行降噪， 提取 各故障状态的特征频率[34]。为了精确提取故障特 征频率， 需要对信号进行降噪、 滤波等处理， 排除与 故障识别无用的频段信息。近年来， 小波分解[5]、 经 验模态分解[]、 局部特征尺度分解[7]等信号处理方 法已广泛应用于机械故障诊断， 并取得了不错的效 果 。小波包分解是小波分解的延伸， 其不仅可对低 频部分进行分解， 而且可对高频部分进行二次分解， 使分解更细致。因此， 可以将小波包分解应用于故 障频段信息的筛选。 针对故障特征频率被基波淹没的问题， 国内外 研究者多采用H ilbelH uang技术将基波与特征频 谱分离[]， 进而得到特征频率， 或者采用滤波算法 如自适应滤波[9]、 盲源分离[10]和小波分解[11]滤去 基波， 得到特征频率。上述方法在信号成分较为复 杂 、 特征频率对应的功率谱密度较小或特征频率被 基波淹没的情况下， 所得到的效果不佳。线性调频 Z 变换[12]作为一种从时域到z 平面的复变换， 适用 于任意长度的采样数列， 优于快速傅里叶变换（ Fast Fourier Transation， FFT;对频谱可实现局部 分析， 节省了计算时间， 谱序列长度M 与信号序列 长度N 可以不同， 可实现谱线的增加， 提高频谱分 辨率， 可用于解决故障特征频率被基波淹没的问题。 本文提出了一种基于多源信号融合的离心泵叶 轮磨损故障分析方法， 对矿井主排水系统所用的离 心泵进行故障诊断分析。采集不同位置的振动信号 和原动机接线端的电信号， 对振动信号进行小波包 分解处理， 在缩小频率分析范围的基础上， 对电信号 线性调 Z 变换 ， 。 1分析方法 采集到的振动信号和原动机接线端的电信号经 F F T 变换后， 振动信号的频谱图中会出现多个频率 尖峰， 无法有效地判断哪一个属于叶轮磨损的特征 频率;而电信号的特征频率和3 次谐波相互混叠， 很 难进行区分。针对上述问题， 依次提出以下解决办 法对振动信号进行小波包分解， 提取并对比各分解 频段的能量值与概率值， 筛选出特征频率;用线性调 频 Z 变换实现对信号频谱的局部分析， 对某一频段 进行密集抽样， 提高分辨率。 1. 1 小波包分解与特征量提取 小 波 包 实 现 了 对 子 空 间 氏 的 正 交 分 解 为小波包分解后的频段序号） ， 3 层小波包分解结 构 如 图 1 所7K ， SQ为振动信号。 图1 3层小波包分解结构 Fig. 1 Structure of three layer wavelet packet decomposition 将子空间用 统 一 表 示 ， 则子空间分解式为 式 中 rn 1，2,，7,w为振动信号米样点数。 每层小波包将原频带一分为二， a 层小波包可 将原频带分割成2“ 个子频带， 从而实现频带细化， 域 分辨 。 小波包分解实现了不同频段间的划分。能量描 述了离心泵系统的做功， 表征离心泵系统中包含的 动力大小； 能量概率描述了某一频段能量在整体能 量中的比重， 表征故障信号存在于某一种频段信号 中的可能性。对正常状态与故障状态下不同频段的 能量与能量概率进行对比， 可确定故障信号在振动 信号的哪一频段。能量与能量概率的计算公式为 “\d Y * 1 E t 2 3 式中 瓦为频段％的能量值％ 1， 2,， 2a; 为频 段％的能量概率0 为采样点） 处对应的采样值。 1.2 线性调频Z 变换 沿 z 平面上的一段螺线作等分角抽样， 抽样点 表 示 如 下 ⑷ 76 工 矿 自 动 化2 0 1 8 年 第 4 4 卷 式中A A expj6U ， A 为起始抽样点的矢量半径 长度， 氏为起始抽样点的相角， W〇 exp汍 W。 为螺线的伸展率， 彡 。为相邻抽样点的角 Y为 叶 片 数 ； / 为 电 动 机 转 动 频 率 ；/为 电 动 机 电 源 频 率 ； 力 为 电 动 机 极 对 数为 转 差 率 。 试 验 选 用2极 电 动 机 ， 电 源 频 率 为50 H z， 转 差 率 为0 .0 2 ,叶 轮 叶 片 数 为6。 因 此 ， 由 理 论 计 算 可 得 叶 轮 磨 损 故 障 频 率 为1 7 H d 3.2 振动信号分析 离 心 泵 输 送 介 质 时 ， 主 要 在z轴 方 向 出 水 ， 导 致 垂 直 方 向 振 动 强 烈 ， 而 水 平 方 向 被 螺 丝 锁 死 ， 振 动 较 小 ， 因 此 ， 对 振 动 强 烈 的z轴 信 号 进 行 分 析 。 时 域 图 中 故 障 前 后 振 动 信 号 变 化 不 明 显 ， 因 此 ， 利 用FFT 变 换 进 行 时 频 变 换 ， 分 析 结 果 如 图5图7所 示 。 正常信号b 故障信号 正常信号频谱d 故障信号频谱 图7底座处振动信号时频波形 Fig. 7 Time and frequency waves of vibration signal at base 时间/s “ 正常信号b 故障信号 400 丨300 丨 200 100 100 200 300 400 500 频率/Hz “ 正常信号频谱 （d 故障信号频谱 图 5 振 号时 Fig. 5 Time and frequency waves of vibration signal at volute c 号 谱d 故障信号频谱 图6出水口处振动信号时频波形 Fig. 6 Time and frequency waves of vibration signal at outlet 由 图5 图7可 得 出 ① 蜗 壳 处故 障 在100，150,250 ,350 Hz附 近 的 振 幅 和 正 常 状 态 下 相 差 较 大 。 ② 出 水 口 处 故 障 在100，1 5 0 ,350, 400 Hz附 近 的 振 幅 和 正 常 状 态 下 相 差 较 大 。 ③ 底 座 处 故 障 在150,350， 00 Hz附 近 的 振 幅 和 正 常 状 态 下 相 差 较 大 。 通 过 频 谱 图 只 能 分 析 出 故 障 可 能 出 现 的 频 率 点 ， 不 能 定 故 障 。 为 了 排 除 对 故 障 用 的 分 ， 振 号 分 解 ，并 将100，15 0,250 ,35 0， 00 H z附 近 频 段 作 为 分 解 后 提 取 的 特 征 频 段 。 采 用db4 Z轴 的 正 常 与 故 障 信 号 进 行 7层 小 波 包 分 解 。频 带 宽 度A / 39. 06 H z共 分 解 成 128 个 频 段 。 选 取 S 3 7 8 . 13 〜117. 19 H z ， S4117. 19〜156. 25 H z，S7234. 38〜273. 44 Hz ， S9 312. 50 〜351. 56 H z ，S11 390. 63 〜 429. 69 H z五 个 频 段 来 计 算 其 能 量 与 概 率 值 ， 结 果 见 表2表4。 表2蜗壳处小波包能量 Table 2 Wavelet packet energy at volute 能量段 状态故障状态 倉 这概倉 这概 S359.775 0 0.0092119.1061 0.032 2 S428. 390 6 0.004445.8909 0.012 4 S753. 651 5 0.0083102.51930.0277 S914. 186 0 0.002216.29800.0031 S1113. 758 8 0.002114.90600.0040 表3出水口处小波包能量 Table 3 Wavelet packet energy at outlet 能 状态故障状态 倉 这概倉 这概 S371.97490.008289.7477 0.012 6 S426.27830.003047.10240.0066 S761.23720.006978.5942 0.011 0 S921.58800.002440.89660.0057 S1119.76370.002237.66510.0053 78 工 矿 自 动 化2 0 1 8 年 第 4 4 卷 表4底座处小波包能量 Table 4 Wavelet packet energy at base 能量段 正常状态故障状态 能量概率能量概 S325. 457 7 0.004441.2608 0. 011 3 S48. 755 9 0.001526.77360.0073 S723. 604 2 0.004137.3161 0. 010 2 S926. 618 8 0.004643.7468 0. 011 9 S11 37.02670.006459.1832 0. 016 2 由表2表 4 可知， 同样的叶轮磨损故障， 在不 同位置检测得到的具有较大能量差的频段不尽相 同。在蜗壳处， S3，S4，S7 频段正常状态与故障状态 的能量相差较大； 在出水口处，S4 ， S9， S1 1 频段正 常状态与故障状态的能量相差较大； 在底座处， S3, S4 ， S7， S9， S11频段正常状态与故障状态的能量相 差较大。综上所述， 在 3 个位置检测到的较大能量 差 频 段 都 包 含 S4,因此， S4 频段即为故障特征频 段 ， 从而排除了与故障识别无关的频率点， 缩小了频 率分析的范围。 在蜗壳处， S4 频段故障状态与正常状态的能量 比为1.616 4;在出水口处，能量比为1.792 4;而在 底座处， 能量比达到3.057 8。因此， 底座是最合适 的 测点 。 3. 3 电信号分析 在缩小频率分析范围的基础上， 为精确提取故 障特征频率， 需要对原动机接线端的电信号进行 分析。 正常状态与故障状态下的电信号时域波形如 图 8 所示， 难以识别故障状态。 正常状态 （b 故障状态 图8正常状态与故障状态下的电信号时域波形 Fig. 8 Time domain waves of electrical signal under normal condition and fault conditoin 对 A 相电流信号进行时频变换， 得到相应频 谱 ， 如 图 9 所示。信号中存在3,5,7次谐波;在频率 50 H z之后， 故障信号功率谱密度较正常信号高； 正 常信号在150 H z处有尖峰（ 即 3 次谐波） ， 而故障信 号相对应的尖峰向左发生了偏移， 与振动信号分析 中所得结论S4 频段为故障特征频段相一致。 图9电信号频谱波形 Fig. 9 Frequency domain waves of electrical signal 综合振动信号和电流信号分析结果， 可得出故 障频率应处于150 H z附近。为了精确提取故障特 征频率， 对 140〜160 H z频段进行密集采样， 采用线 性调频Z 变换得到频谱， 如 图 10所示。在 156 Hz 处 ， 正常状态的频谱尖峰与故障状态下的频谱尖峰 重合， 可以判断156 H z即为3 次谐波频率。145 Hz 处故障状态存在频率尖峰， 而正常状态没有， 因此可 判 断 145 H z为故障特征频率。这与理论分析中叶 轮磨损故障频率为147 H z相吻合， 证明了理论分析 的 性 。 图1 0线 性调频Z变换后的频谱 Fig. 10 Frequency domain waves after chirp Z trans 4结论 以矿井排水系统的离心泵为研究对象， 进行了 叶轮磨损试验， 监测了正常状态和故障状态下离心 泵的电信号和振动信号， 分析叶轮磨损特征频率， 并 对检测到的电信号与振动信号进行深入研究， 得出 以下结论 1 分析比较蜗壳、 出水口和底座处的振动信 号频段能量值， 得出三者在正常状态和故障状态下 2 018 年 第 6 期郭 文 琪 等 基 于 多 源 信 号 融 合 的 离 心 泵 叶 轮 磨 损 故 障 分 析 79 能量值相差较大的频段都包含S 缩小了频率分析 的范围。 2对蜗壳、 出水口和底座处的振动信号频段 能量值进行横向比较， 得出底座处S4 频段故障状态 与正常状态的能量比为3.057 8,大于蜗壳和出水口 处 ， 因此， 底座是最合适的信息检测点。 “ 对电流信号进行线性调频Z 变换， 得出试 验处电压的3 次谐波频率为156 Hz， 较工频电压有 一定的偏移； 故障特征频率为15 Hz， 与理论分析 频 率 17H z相差很小。 参 考 文 献 （ References 1 夏天 ， 王新晴， 肖云魁， 等.应 用EMICAR谱提取柴油 机曲轴轴承故障特征[] .振动.测试与诊断，2010,0 3318-321. XIA Tian， WANG Xinqing， XIAO Yunkui， et al. Feature extraction from crank-shatt bearing fault of diesel engine using empirical mode decomposition and auto regressive model spectrum technology [ J ]. Journal of Vibration， Measurement _ Diagnosis， 2010,303318-321. [2 ]张培林， 李胜.基于小 波 包 变 换 和GA-PLS算法的故 障特征选择方法[J ] .振动.测试与诊断，201 342 385-391. ZHANG Peilin， LI Sheng. Fault feature selection based on wavelet and GA-PLS algorithm [J]. Journal of Vibration， Measurement _ Diagnosis， 2014,42385-391. [ 3 ] YANG YongshengMING AnboZHANG Youyun et al. Discriminative non-negative matrix factorization DNMF and its application to the fault diagnosis of diesel engine [J ]. Mechanical Systems and Signal Processing,2017,95 158-171. [4 ] LI Z， WAN Z， XIONG X， et l The application of LMD and BP neural network in gear fault diagnosis [C]// 25th Chinese Control and Decision Conference， Guiyang,2013. [5 ]任子晖， 刘昊岳， 徐进霞.基 于小 波变 换 和改 进Prony 方法的电能质量扰动分析[ J ] .电力系统保护与控制， 2016,449122-128. REN Zihui， LIU Haoyue， XU Jinxia. Power quality disturbance analysis based on wavelet trans and improved Prony [J]. Power System Protection and Control , 2016,449 122-128. [6 ]蒋永华， 李 荣 强 ， 焦 卫 东 ， 等.应 用EMD和双谱分析 的故障特征提取方法[ J ] .振动.测 试 与 诊 断 ，2017, 372338-342. JIANG Yonghua , LI Rongqiang , J IAO Weidong , et al. Feature extraction based on empirical mode decomposition and bispectrum analysis[J]. Journal of Vibration，Measurement _ Diagnosis，2017， 37 2 338-342. [7 ]郑近德， 程军圣， 杨 宇 .基 于LCD和排列熵的滚动轴 承 故 障 诊 断[ J ] .振 动.测 试 与 诊 断 ，2014, 34 5 802-8068 ZHENG Jinde CHENG Junsheng YANG Yu8A rolling bearing fault diagnosis based on LCD and permutation entropy [J]. Journal of Vibration， Measurement _ Diagnosis，2014，345 802-806. [8 ]曹 莹 ， 段 玉 波 ， 刘继承. Hilbert-Hurng变换中的模态 混 叠 问 题[ J ] .振 动.测 试 与 诊 断 ，2016，36 3 518-5238 CAO Ying , DUAN Yubo , LIU Jicheng. Research and application of mode-mixing in Hilbert-Huang trans [J]. Journal of Vibration， Measurement _ Diagnosis，2016，363 518-523. [ 9]张红梅， 韩万刚.一种新的变步长LM S自适应滤波算 法 研 究 及 其 应 用[J ].仪 器 仪 表 学 报，2015，368 1822-18308 ZHANG Hongmei , HAN Wangang. A new variable step LMS algorithm and its application [J]. Chinese Journal of Scientific Instrument， 2015，36 8 1822-1830. [ 0] 刘光晓， 孟 令 雅 ， 刘 翠 伟 ， 等.基于盲源分离技术的泄 漏 音 波 信 号 滤 波 方 法 分 析[ J ] .振 动 与 冲 击，2014, 3324192-199. LIU Guangxiao， MENG Lingya , LIU Cuiwti , et al. Filtering s of leaky acoustic wave signals based on blind source separation technique [J]. Journal of Vibration and Shock , 2014,3324 192-199. [ 1] 赵志宏， 杨绍普， 刘永强.多小波系数特征提取方法在 故 障 诊 断 中 的 应 用[ J ] .振 动.测 试 与 诊 断 ，2015, 352276-280. ZHAO Zhihong YANG Shaopu LIU Yongqiang8 Application of feature extraction in fault diagnosis based on multi-wavelet coefficients [J ]. Journal of Vibration， Measurement _ Diagnosis， 2015,352276-280. [ 2] 黄永平， 于含， 李 辉 .基 于Matlab的 线 性 调 频Z变换 算法仿真[].实验技术与管理，2016,33457-60. HUANG Yongping , YU Han , LI Hui. Simulation of chirp Z trans based on Matlab [J]. Experimental Technology and Management，2016，334 57-60. [ 3] 姚宇.基于物联网的矿井主排水设备状态监测及寿命 管理系统的开发[D ].太原太原理工大学，2016.