一种离心泵振动故障融合诊断方法及振动信号采集装置，其特点是：它通过离心泵振动信号采集装置采集离心泵的正常状态、质量不平衡、转子不对中和基础松动振动信号；利用小波包分解、重构技术实现离心泵振动信号的特征量提取，并将特征向量分别输入子模糊神经网络Ⅰ和Ⅱ，由模糊模式识别子系统预处理后代替相应的传感器信度函数分配的相关系数，整个子模糊神经网络包括数据模糊化层、输入层、隐含层和输出层，利用Ｄ－Ｓ证据理论的组合规则，求得融合后信度函数分配，从而实现离心泵的正常、不平衡、不对中和基础松动状态的融合诊断。其方法科学合理，诊断效率高，诊断结果准确；信号采集装置具有结构简单，性能可靠，信号采集全面、真实有效优点。
【技术实现步骤摘要】
本专利技术涉及故障诊断领域，是一种离心泵振动故障融合诊断方法及振动信号采集装置。
技术介绍
设备故障诊断技术是近20年来逐步形成的一门新兴的边缘综合工程学科。设备故障诊断技术是保证设备安全运行的基本措施之一，它能对设备故障的发展做出早期预报，对出现故障的原因做出判断，然而设备诊断技术从故障特征量入手，故障特征量由采集的原始信号分析得到，只有采集到反映设备实际状态的信号，诊断的后续工作才有意义，因此信号采集技术是设备诊断的基础之一。传统的信号特征提取多采用频谱分析方法，只是利用傅立叶变换从功率谱分析离心泵的故障，仅从频域上进行了分析，没有从时域、频域方面分析，不能全面反映故障的特征，因此，不能够准确诊断离心泵的故障；而目前对于离心泵的振动信号故障诊断多以单一传感器采集信号和诊断离心泵的故障，同样，也不能够真实有效的全面采集信号和准确诊断离心泵的故障；现有也有应用支持向量机的多类分类算法，方法较传统BP有些优点，但没有考虑传感器的多信息资源，故障诊断的准确性仍然受到限制。
技术实现思路
本专利技术的目的在于提供一种能够高效、准确诊断故障的离心泵振动故障融合诊断方法；本专利技术的另一目的在于提供上述方法所需要的，结构合理，信号采集全面、真实有效的离心泵振动信号采集装置。解决其技术问题采用的技术方案是一种离心泵振动故障融合诊断方法，其特殊之处在于，它包括以下步骤(1)离心泵振动信号的采集通过离心泵振动信号采集装置，利用径向垂直位移、径向水平位移、轴向位移和加速度传感器采集离心泵的正常状态、质量不平衡、转子不对中和基础松动振动信号，将上述信号输入到数据采集器中，再由与数据采集器连接的计算机完成离心泵振动信号的采集；(2)原始数据的小波包特征量提取小波包分析是从小波分析延伸出来的一种对信号进行更加细致的分解和重构方法，能够把信号映射到一个有小波伸缩、平移而成的一组基函数上，实现信号在不同频带、不同时刻的合理分离，为故障特征频率的分离、微弱信号的提取以实现故障诊断提供了高效有力的工具。利用小波包分解、重构技术对离心泵故障中的径向垂直位移、径向水平位移、轴向位移和加速度振动信号进行3层小波包分解、重构，实现8个频带信号能量的特征提取；且以8个频带信号的能量为元素构造特征向量，实现离心泵正常状态信号，质量不平衡、转子不对中和基础松动振动信号的特征量提取，并作为子模糊神经网络的输入特征向量；以下是小波包的分解算法和重构算法。设gjn(t)∈UJN,]]>则gjn可表示为gjn=Σldtj,nun(2jt-l)---(1)]]>小波包的分解算法由{dlj+1，n}求{dlj，2n}与{dlj，2n+1}dlj,2n=Σkak-2ldkj+1,ndlj,2n+1=Σkbk-2ldkj+1,n---(2)]]> 小波包的重构算法由{dli,2n}与(dlj,2n+1}求{dlj+1,n}dlj+1,n=Σk---(3)]]>设Xij为原始信号S经过小波包分解后的第i层的第j个节点的小波包分解系数，对每个小波包分解系数单支重构，可提取各频带范围的时域信号。以Sij表示Xij的单支重构信号，则原始信号S可以表示为S=Σj=12iSij---(4)]]>式中i为小波包分解的层数(取正整数)。假设原始信号S中，最低频率成分为fmin，最高频率成分为fmax，令Δf＝(fmax-fmin)/2i，则Sij信号代表的频率范围为(fmin+(j+1)Δf)～(fmin+(j+1)Δf)。功率谱中质量不平衡状态下表现为1倍明显增大；转子不对中状态下为2倍频明显增大，伴随1倍频增大；基础松动状态下为1倍频增大，各个整倍频也伴随增大。因此，以各频带信号Sij的能量为元素构造特征向量，可有效提取故障特征。由于原始信号S为随机信号，Sij也是随机信号，设Sij对应的能量为Eij，则有Eij=∫|Sij(t)|2dt=Σk=1n|xjk|2---(5)]]>式中，Xjk(k＝1，2，…，n)表示重构信号Sij的离散点的幅值。由此，特征向量T可构造如下T=---(6)]]>离心泵出现故障时，会对各频带内信号的能量有较大的影响。因此，采用3层小波包分解构成特征向量来提取离心泵的位移和加速度信号故障特征。以8个频带信号的能量为元素构造特征向量，并作为子模糊神经网络的输入特征向量；(3)子模糊神经网络的初步诊断对于前向网络，BP算法是一种很实用的算法，它通过调整网络权值与阈值能达到网络的目标输出之间误差平方和最小。但传统的BP算法具有明显的局限性，主要表现在收敛速度慢，且目标函数存在局部极小点，而模糊神经网络故障诊断可以通过模糊量化法提炼出一种具代表性标准样本，然后输入到改进的BP神经网络进行训练。在诊断时，输入向量先由模糊模式识别子系统预处理，再以处理后的样本作为网络的输入向量。可以较好地克服传统BP算法的不足。离心泵径向垂直位移、径向水平位移、轴向位移和加速度振动信号经过3层小波包分解、重构技术提取的特征向量分别输入子模糊神经网络I和II，由模糊模式识别子系统预处理，再以处理后的样本作为网络的输入向量，利用模糊神经网络输出来代替相应的传感器信度函数分配的相关系数，整个子模糊神经网络包括4层数据模糊化层、输入层、隐含层和输出层；第一层是模糊化层，其作用是将输入信号进行模糊化处理；第二层为输入层，接收的模糊化量分别为振动位移和加速度的正常、不平衡、不对中和基础松动信号；第三层为隐含层；第四层是输出层，分别代表振动的正常状态、质量不平衡、转子不对中和基础松动故障状态输出结果。模糊神经网络模糊隶属度的确定离心泵故障诊断中以降半柯西分布型隶属函数来求取相对应的隶属度μx=0(0≤x≤a)k(x-a)21-k(x-a)2(a≤x≤∞)---(7)]]>取系数a＝0，即a为正域均有效，上式可简化为 μx=kx21+kx2=x21k+x2---(8)]]>根据多次试验的研究经验，k值取为k=1(Σi=1nxi/n)2---(9)]]>式中n为xi不为零的个数。(4)D-S证据理论数据融合算法Dempste-Shafter(D-S)证据理论建立了广义Bayes理论，根据人的推理模式，采用与概率区间或不确定区间来决定多证据下假设的似然函数。①分辨框如果定义代表某一事件的参数为θ，它的可能取值的集合为Θ，则称Θ为分辨框，Θ的所有子集所构成的集合就是Θ的幂集，记为2Θ；②基本概率值如果Θ是一个分辨框，那么函数m2Θ→称为基本概率分布，当①m(Φ)＝0(Φ为空集)；②ΣA⋐Θm(A)=1,]]>这里A为焦元，m(A)为基本概率值，即2Θ中全部元素的基本概率之和为1；③D-S证据理论的组合规则如下传感器i对目标j的信度函数分配mi(j)，亦即故障信息i对故障状态j本文档来自技高网...
【技术保护点】
一种离心泵振动故障融合诊断方法，其特征在于它包括以下步骤：（１）通过离心泵振动信号采集装置的径向垂直位移、径向水平位移、轴向位移和加速度传感器采集离心泵的正常状态、质量不平衡、转子不对中和基础松动振动信号，将上述信号输入到数据采集器 中，再由与数据采集器连接的计算机完成离心泵振动信号的采集；（２）原始数据的小波包特征量提取：利用小波包分解、重构技术对离心泵的径向垂直位移、径向水平位移、轴向位移和加速度振动信号进行３层小波包分解、重构，实现８个频带信号能量的特征提 取；且以８个频带信号的能量为元素构造特征向量，实现离心泵正常状态信号，质量不平衡、转子不对中和基础松动振动信号的特征量提取，并作为子模糊神经网络的输入特征向量；（３）子模糊神经网络的初步诊断：通过模糊量化法提炼出一种具代表性标准样本 ，输入到改进的ＢＰ神经网络进行训练；离心泵径向垂直位移、径向水平位移、轴向位移和加速度振动信号经过３层小波包分解、重构技术提取的特征向量分别输入子模糊神经网络Ⅰ和Ⅱ，由模糊模式识别子系统预处理，再以处理后的样本作为网络的输入向量，利用模糊神经网络输出来代替相应的传感器信度函数分配的相关系数，整个子模糊神经网络包括４层：数据模糊化层、输入层、隐含层和输出层；（４）Ｄ－Ｓ证据理论数据融合算法：将信息融合技术应用离心泵故障诊断中，建立和提出模糊神经网络与Ｄ－Ｓ证据理论融合诊 断的框架与方法，运用模糊神经网络产生各种故障模式的基本概率分配，相关系数作为证据体对命题的基本可信度，利用Ｄ－Ｓ证据理论的组合规则，可求得融合后信度函数分配；（５）诊断结果：实现离心泵的正常、不平衡、不对中和基础松动状态的融合诊断。...
【技术特征摘要】
【专利技术属性】
技术研发人员：周云龙，洪君，赵鹏，孙斌，张毅，洪文鹏，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：22[中国|吉林]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。