離心泵振動故障診斷方法研究及系統(tǒng)實現(xiàn)

近年來,設備故障診斷作為一門各學科交叉的新技術,得到了迅速發(fā)展并產(chǎn)生了巨大的經(jīng)濟效益。正常運行以及發(fā)生故障的離心泵會使設備產(chǎn)生振動,這種振動信號中包含了豐富的泵體運行狀態(tài)信息,而且易于采集,可以應用其進行離心泵運行狀態(tài)的監(jiān)測與診斷。由于離心泵故障振動信號是非平穩(wěn)信號,因此有必要選擇恰當?shù)倪m合于非平穩(wěn)信號分析的信號處理方法。從離心泵運行機體上采集到的振動信號由于受到現(xiàn)場實驗環(huán)境以及條件的影響,勢必存在噪聲,如何對信號進行降噪處理是離心泵振動故障振動的重要基礎。本文提出了第二代小波與新型改進閾值函數(shù)相結合的信號去噪方法。該方法利用第二代小波對故障信號進行分解,并采用新型改進閾值函數(shù)對分解信號的小波系數(shù)做閾值處理。同時引入基于類可分離性測度的降噪評價準則,實現(xiàn)了對復雜振動信號的降噪效果的評價。仿真和實測振動信號的去噪結果表明,該方法融合了第二代小波和改進閾值函數(shù)的優(yōu)點,能更好的消除振動信號噪聲。針對去噪后的振動信號,應用HHT變換、復雜度計算、連續(xù)小波變換、提升小波包、第二代小波包以及混沌遞歸理論等對其進行分析計算,提取有效特征參數(shù),組成特征向量,輸入分類模型,實現(xiàn)對離心泵故障類型的診斷。分類模型中主要有徑向基神經(jīng)網(wǎng)絡（RBF神經(jīng)網(wǎng)絡）、改進的Elman神經(jīng)網(wǎng)絡、zui小二乘法支持向量機以及相關向量機等,通過學習、訓練和識別的結果可以看出,基于提升小波包特征和相關向量機模型的識別效果,但與其他組合相比,識別率相差不大。本文重點研究了基于隱Markov模型（Hidden Markov Model, HMM）的故障診斷方法。HMM克服了傳統(tǒng)診斷方法只停留在靜態(tài)觀測的缺陷,非常適合于描述短時平穩(wěn)的非平穩(wěn)信號,經(jīng)驗證其故障信號分類結果優(yōu)于其它信號處理方法。二維隱Markov模型（2D-HMM）作為HMM的一般化模型,它由外部HMM和基于外部HMM各狀態(tài)的內(nèi)部HMM兩部分組成。因而它具有HMM的優(yōu)點,且從時域和頻域兩個角度全面地描述信號,非常適合于處理離心泵運行過程中出現(xiàn)的非平穩(wěn)性強、重復再現(xiàn)性不佳的信號。在應用本文所采用的幾種信號特征提取方法的基礎上,結合2D-HMM模型,驗證了基于2D-HMM的離心泵故障診斷方法的有效性。zui后,根據(jù)應用需求,在Windows XP平臺上使用Visual Basic6.0語言編程開發(fā)了離心泵運行狀態(tài)在線監(jiān)測及故障診斷系統(tǒng),確定了系統(tǒng)硬件和軟件總體結構和各功能模塊。研究結果證明了該系統(tǒng)有效監(jiān)測離心泵的運行狀態(tài)和診斷振動故障,具有較好的實用價值。離心泵有立式、臥式、單級、多級、單吸、雙吸、自吸式等多種形式。其主要的工作原理有：離心是物體慣性的表現(xiàn)。比如雨傘上的水滴，當雨傘緩慢轉(zhuǎn)動時，水滴會跟隨雨傘轉(zhuǎn)動，這是因為雨傘與水滴的摩擦力做為給水滴的向心力使然。但是如果雨傘轉(zhuǎn)動加快，這個摩擦力不足以使水滴在做圓周運動，那么水滴將脫離雨傘向外緣運動。就象用一根繩子拉著石塊做圓周運動，如果速度太快，繩子將會斷開，石塊將會飛出。這個就是所謂的離心離心泵就是根據(jù)這個原理設計的。高速旋轉(zhuǎn)的葉輪葉片帶動水轉(zhuǎn)動，將水甩出，從而達到輸送的目的。