（机械工程专业论文）三缸往复泵泵阀故障诊断.pdf

大庆石油学院工程硕士专业学位论文 三缸往复泵泵阀故障诊断 摘要 往复泵是工程中广泛应用的一种机械设备。由于其结构复杂，激励源多，对其实施故障诊断比 较困难，尽管取得了一些研究成果，但还有许多问题需要解决。目前，往复泵泵阀故障诊断需要解 决的两个关键的问题是如何有效提取往复泵工作时非平稳时变信号中的故障特征和准确判断故障类 型。本文在吸取前人研究成果的基础上，结合实际，并根据往复泵泵阀振动信号的非平稳特性，提 取了其故障特征，引入了智能诊断方法，较好地解决了往复泵泵阀的故障诊断。 本文以常见的振动信号作为系统特征信号来提取故障特征向量。这种方法的优点是信号测取方 便、处理简单。然后对测取的各种泵阀状态的振动信号利用时域分析、小波包分析技术提取故障 特征，各故障之间的特征区分明显，充分验证了此方法的有效性。为了提高诊断的准确率，将时域 分析与小波包分析的结果融合在一起，构造故障特征向量。同时，本文还构造了三层的前向神经网 络，以提取的故障特征向量作为网络的训练样本数据对神经网络进行训练并采用试验的方法调 整神经网络的初始值。在确定了神经网络的结构和参数后，经检验数据验证训练后的神经网络所得 的网络结构和参数是合理的。通过使用该神经网络进行诊断，结果表明该方法能提高往复泵泵阀故 障的诊断率。 关键词：泵阀：故障诊断；故障特征向量；小波包；人工神经网络；b p 算法 t h e r e s e a r c ho f t h e f a u l t d i a g n o s i s f o r t h e p u m p v a l e so f r e c i p r o c a t i n g p u m p a b s t r a c t r e c i p r o c a t i n gp u m pi saw i d e l yu s e dm a c h i n ee q u i p m e n ti ne n g i n e e r i n g i ti sr a t h e rd i f f i c u l tt o m o n i t o rt h es t a t eo fr e c i p r o c a t i n gp u m po w i n gt oi t sc o m p l e xc o n s t r u c t i o na n ds om a n ys t i m u l a t i o n $ o u r e d a l t h o u g h t h er e s e a r c h e sh a v e b e e nm a d ea n ds o m ea c h i e v e m e n t sh a v eb e e ng a i n e d , b u tp r a c t i c a l a p p l i c a t i o ni si n s u f f i c i e n t , a n dl e s si nt h ea p p l i c a t i o no fi n d u s t r i a ld e v i c e s a tp r e s e n t , t w ok e yi s s u e so f f a u l td i a g n o s i sf o rt h ep u m pv a l v e so fr e c i p r o c a t i n gp u m pa r ee x t r a c t i n gt h ef a u l tf e a t u r ei n f o r m a t i o no f s t a t i o n a r yp r o c e s se f f i c i e n t l yf r o ms y s t e mf e a t u r es i g n a l sa n di d e n t i 母i n gt h es p e c i f i cf a u l t sc o r r e c t l yw i t h a n a l y s i so fc a u s e s t h er e s e a r c hw o r kw h i c h i sc o m b i n e dw i t hp r a c t i c ei nt h i st h e s i si sb a s e do n p r e d e c e s s o r s a c h i e v e m e n t s ，a n db a s e do nv i b r a t i o ns i g n a l so f p u m pv a l e so f r e c i p r o c a t i n gp u m p ，t h ef a u l t f e a t u r ei n f o r m a t i o ni se x t r a c t e d ，i n t e l l i g e n td i a g n o s i sm e t h o d sa r ea d o p t e da n df a u l td i a g n o s i si se f f e c t i v e l y s o l v e df o rr e c i p r o c a t i n gp u m pv a l v e s t h i sp a p e ru s e so r d i n a r yv i b r a t i o ns i g n a l s s y s t e mf e a t u r es i g n a lt op i c k u pf a u l tc h a r a c t e r i s t i c v e c t o r s t h ea d v a n t a g eo ft h i sm e t h o di si t sv i b r a t i o ns i g n a l sa l ee a s yt 0g a i na n da n a l y z e t h e nt h e m e t h o do ft i m ed o m a i na n a l y s i se n dw a v e l e tp a c k e ta n a l y s i si su s e dt oe x t r a c tt h ef a u l tf e a t u r e i n f o r m a t i o nw h i c hi so b v i o u s l yd i f f e r e n tf o rd i f f e r e n tf a u l t t oa d v a n c et h ea c c u r a c yo f t h ef a u l td i a g n o s i s ， t i m ed o m a i na n a l y s i sa n dw a v e l e tp a c k e ta n a l y s i sa r ei n t e r m i x e dt og a i nf a u l tc h a r a c t e r i s t i cv e c t o r s t h e p a p e rc o n s t r u c t sat h r e e l a y e rf o r w a r dn e u r a ln e t w o r kt od i a g n o s i st h ef a u l te n dt r a i n st h en e t w o r kw i t h c h a r a c t e r i s t i cv e c t o r se x t r a c t e d ，a tt h es a r n et i m ea d a p tt h ei n i t i a ld a t ao ft h en e t w o r kt h r o u g ht h et e s t a f t e rc o n f i r mt h ec o n s t r u c t i o na n dp a r a m e t e r so ft h en e t , t h er e s u l ti sv a l i da n dj u s t i f i e dt h r o u g ht h e v e r i f i c a t i o nu s i n gt h et e s ts a m p l ed a t a w h e nt h en e u r a ln e t w o r ki su s e dt od i a g n o s et h ef a u l to f t h ep u m p v a l e s ，i ti sf o u n dt h a tt h em e t h o d sc a nr a i s ea c c u r a c y k e yw o r d s ：p u m pv a l v e ；f a u l td i a g n o s i s ；f a u l tc h a r a c t e r i s t i cw ：c t o r s ；w a v e l e tp a c k e t ； a r t i f i c i a ln e u r a ln e t w o r k ；b pa l g o r i t h m i i 学位论文独创性声明 本人所呈交的学位论文是我在指导教师的指导下进行的研究工作及取得的研究成 果据我所知，除文中已经注明引用的内容外，本论文不包含其他个人已经发表或撰写 过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中作了明确说明并 表示谢意 作者签名：盟，日期：壑竺乙垒：乡 学位论文使用授权声明 本人完全了解大庆石油学院有关保留。使用学位论文的规定学校有权保留学位论 文并向国家主管部门或其指定机构送交论文的电子版和纸质版；有权将学位论文用于非 赢利目的的少量复制并允许论文进入学校图书馆被查阅；有权将学位论文的内容编入有 关数据库进行检索；有权将学位论文的标题和摘要汇编出版保密的学位论文在解密后 适用本规定 学位论文作者签名：工必想、 日期： o 更o - - 0 7 、2 o 导师橼砖杯垫 呐：2 田，上 z 晒7 、6 大庆石油学院工程硬士专业学位论文 创新点摘要 本文在研究过程中，针对三缸往复泵泵阀故障的特点，以提高故障诊断的准确率为 目标，积极探索各种有效途径，在总结前人的基础上，力求创新，主要表现在以下几方 面： ( 1 ) 利用小波包分解并重构的方法，提取不同频段上能量分布的相对量( 占总能量 的百分比) 为特征参数，与以前的方法不同之处在于使用能量的相对量而不使用其绝对 数值。若使用能量的绝对数值，由于各设备的个体差异，可能会引起设备能量的总量有 较大不同，不同设备对应频段的能量的绝对数值可能都相差较大，不利于比较判断；而 采用能量的相对量的方法，不同设备对应频段的能量的百分比不会由设备的个体差异发 生较大变化，有利于比较判断。 ( 2 ) 本文在构造故障特征向量时，将幅值域参数和小波包分解重构后的各频段上的 能量百分比融合在一起，形成了一个多参数联合的故障诊断特征向量，综合了幅值域参 数和小波包分解重构的各自优势，增强的诊断的效果。 i 大庆石油学院工程硕士专业学位论文 引言 本课题研究的目的及意义 随着现代化技术的不断发展，企业的生产装置趋向大型化、高速高效化、自动化和 连续化，对设备的要求不仅是性能好，效率高，还要求在运行中少出故障，否则因故障 停机而带来的损失是十分巨大的。人们对于设备的安全性、可靠性和有效性的要求越来 越高，因此机械设备的故障诊断技术愈来愈受到人们的重视。开展设备状态监测与故障 诊断技术研究，己成为我国各行业当前普遍面临的重要课题。 设备故障诊断是应用现代测试分析手段和诊断理论方法，对运行中的机械设备出现 故障的机理、原因、部位和程度进行识别和诊断，并且根据诊断结论，确定设备的维修 方法和防范措施。各种机械设备的结构组成和工作方式之间往往有很大的差别，不同的 故障诊断领域所使用的方法也不可能完全相同，但是它们的基本思想、基本技术是相通 的。随着计算机和电子技术的飞速发展，故障诊断技术获得了迅猛的发展，成为建立在 信息检换技术、信号处理技术、模式识别理论、人工智能技术、计算机应用技术等各学 科基础上的综合学科。现代工业的发展对机械设备性能的要求越来越高，一次性投资也 越来越大，很多大型石油、化工、电力、钢铁等部门都采用单机、满负荷、连续性的生 产操作方式，一些关键设备一旦出现停机故障将影响全厂生产，其经济损失是十分巨大 的。因此开展设备故障诊断技术对确保机械设备的安全，提高产品质量。节约维修费用 以及防止环境污染等均起到重要作用。在生产中运用先进的设备故障诊断技术，实现设 备的维修体制由计划维修到预知性维修的转变，延长设备的维修周期，可给企业带来巨 大的经济效益“。 目前，对旋转机械的故障诊断研究较多，已形成比较成熟的理论，但对同样广泛应 用于国民经济各个部门的往复机械的故障诊断仍处于研究阶段，还没有比较成熟的理 论，根本不能满足生产需要，所以非常有必要加强这方面的研究”1 。往复泵是石油矿场 中的重要设备，具有泵效高、工作可靠、操作方便、压力排量调节范围广等特点，广泛 应用于钻井、注水( 聚合物) 驱油和压裂等工艺。泵阀组件作为其液力端关键部件，因工 况恶劣经常发生失效，会影响生产的正常进行，甚至会造成巨大的经济损失”1 。 本课题的研究目的就是通过对往复泵泵阀故障诊断的研究，提出适用于往复泵泵阀 故障特征提取与智能故障诊断的方法，提高故障诊断的准确率。 往复泵故障诊断的现状及发展趋势 近年来国内外的机械故障诊断技术发展迅速，研究的手段和方法日新月异，其应用 己遍及各个领域，该技术在往复泵中的应用也取得了很大进展。对往复泵泵阀故障的诊 断，现阶段主要的方法是分析其振动信号。由于往复泵结构复杂，工况恶劣，激振源类 引言 型多，振动信号中既有各种随机振动成分，又有泵阀关闭、机构不平衡等惯性载荷冲击 等造成的瞬态激励响应，各缸之间相互干扰，因此所测得的振动信号含有大量的噪声信 号，而故障信号往往被湮灭在各种噪声信号之中。 由于以上的原因，导致了往复泵泵阀故障诊断存在诸多困难： ( 1 ) 难以提取故障特征 由于振动信号中掺杂大量的非平稳、非周期信号，特别是在某些部件出现故障时， 信号的瞬变特性会更加明显，采用常规的信号分析方法，即仅在频域或仅在时域上通过 振动信号进行分析，都不能反映其中的时变或非平稳特性，这也是阻碍往复泵故障诊断 技术发展的重要“瓶颈”之一，因此需要一种不仅能够准确提取故障特征而且便于后续 智能诊断的信号特征提取方法。 ( 2 ) 缺少具有连续学习功能的故障诊断方法 对于结构复杂的往复泵，很难一次获得大量的故障样本，随着设各运行时间的推移， 会不断的有新故障样本出现。而现在的大多数诊断方法都需要将新样本与旧故障样本一 起对智能诊断系统再进行训练，这样会浪费大量时间，如果新样本不参与再枷练或只用 新样本训练都将会造成巨大的损失，严重影响了其故障诊断的准确性。因此，需要一种 新的故障诊断方法，使其能够具有连续学习功能，在设备运行期间不断的学习新的样 本。 ( 3 ) 实时性差 传统的基于模型的各种诊断方法、模式识别方法等满足不了复杂动态系统故障诊断 所要求的实时性、及时性和稳健性，并且在先验知识方面要求得更高、缺乏自适应和可 学习能力，为此需要寻求一种较好的诊断方法对往复泵进行故障诊断。 针对以上问题，广大科研工作者进行了不断的探索研究，取得了较大的成就。如陈 荣振等对往复泵振动信号进行的能量和分布特征的研究：杨其俊等所进行的三缸往复泵 泵阀故障幅值域多参数诊断法；白允东等研究的时域径向基函数网络诊断法；杨国安等 研究的小波分析在钻井泵阀故障诊断中的应用；时文刚等研究的基于粗集理论的往复泵 泵阀故障诊断法、基于支持向量机的往复泵泵阀故障诊断法i 刘树林等研究的基于免疫 系统的往复泵在线故障诊断系统等。这些研究均取得了较好的研究成果，对故障诊断技 术的发展做出了贡献m 。“。 往复泵故障诊断技术正处于探索、发展阶段，其今后的发展趋势为。一： ( 1 ) 应开展对机器的综合诊断，开展参数融合诊断的研究，提高诊断准确性。 ( 2 ) 充分应用现代研究成果以推动故障诊断技术的发展，将各种不同的智能诊断技 术结合起来的混合诊断系统是智能诊断研究的一个发展趋势。模糊逻辑、神经网络与专 家系统结合的往复泵故障智能诊断模型是最具发展前景的，也是目前人工智能领域的研 究热点之一。模糊诊断、神经网络诊断、人工免疫等智能化诊断将是今后发展主方向。 ( 3 ) 诊断系统将由集中式向分布式发展，同时网络化诊断是今后发展方向。随着网 络技术的发展，可以实现多专家与多系统的共同诊断，一种有效的解决途径就是建立基 2 大庆石油学院工程硬士专业学位论文 于网络的远程往复泵故障诊断与监测系统。 ( 4 ) 应系统地总结目前的研究成果，有计划地将各成果联合、贯通，以形成较为成 熟的往复泵故障诊断系统供实际应用，这也应是目前工作的一个方向。 ( 5 ) 多故障诊断技术问题也是将来一个很重要的研究方向。 本文的主要研究内容 广大科技人员对往复泵泵阀故障诊断已经进行了较多研究工作，取得了一定的成 果。但是，其成果主要是处于理论与试验研究阶段，受现场复杂工况的影响，真正应用 于现场诊断往复泵泵阀故障时的准确率并不是很理想。 本文的主要目的是利用往复泵的振动信号对泵阀进行诊断。针对目前的主要问题， 综合各种方法来提取故障信息，然后利用神经网络进行故障的诊断识别。主要研究内容 如下： ( 1 ) 故障特征提取方法研究 “ 如何从成分复杂的振动信号中，提取出故障信号，以及如何减少干扰信号的影响， 是目前往复泵泵阀故障诊断所要研究的主要问题。在实际诊断过程中，只有从多方面获 得关于诊断对象的多维信息，才能对其进行更可靠、更准确的故障诊断。所以本文将根 据各种方法的优点，进行多参数诊断的方法，构建故障信息。 ( 2 ) 基于人工神经网络的往复泵泵阀故障诊断方法研究 基于知识的故障诊断技术是故障诊断领域中引人注目的发展方向之一，它不需要精 确的数学模型，因此具有良好的应用前景。人工神经网络由于具有处理非线性和自学习 以及并行计算能力，且具有在线诊断能力，使其在往复泵非线性故障诊断中有着广泛应 用。但b p 神经网络由于存在极易陷入局部极小点和收敛速度慢等缺点限制其应用，改 进b p 神经网络，从模式识别角度对往复泵泵阀进行故障诊断，可获得较好的效果。 第1 章设备故障诊断的方法与实现 第1 章设备故障诊断的方法与实现 1 1 故障诊断技术概述 设备故障诊断技术是将医学诊断中的基本思想推广到机械工程领域中，所形成的一 门新兴学科。它是应用现代测试分析手段和诊断理论方法，对运行中的机械设备出现故 障的机理、原因、部位和故障程度进行识别和诊断，并且根据诊断结论，确定设备的维 修方法和防范措施。设备故障诊断技术的对象是设备和由设备群体组成的系统。各种机 械设备的结构组成和工作方式之问往往有很大的差别，不同的故障诊断领域所使用的方 法也不可能完全相同，但是它们的基本思想、基本技术是相通的。 机械设备的故障，就是反映设备丧失工作效能的程度，或者指设备丧失了它所要求 的规定性能或状态。各种设备由于制造精度、性能要求以及设计、操作规范不同，判别 设备是否存在故障，故障的程度如何，是有不同的标准的。有些把设备运行中的状态异 常、缺陷、性能劣化和故障前期作为故障，也有的故障概念是指事故。 现代化生产企业为了极大限度地提高工业生产水平和经济效益，不断地向规模化高 技术含量发展，因此生产装置趋向大型化、高速高效化、自动化和连续化，人们对设备 的要求不仅是性能好，效率高，还要求在运行过程中少出故障，否则因故障停机带来的 损失是十分巨大的。不言而喻，机械设备运行状态的优劣直接影响着社会效益和经济效 益，所以机械设备的状态监测与故障诊断技术也越来越受到人们的重视，但是由于定期 维修将造成不可避免的过修和欠修，过修则增加了不必要的检修费用，欠修则降低了设 备的可靠性和经济性。因此，开展设备状态监测与故障诊断技术研究，已成为我国当前 普遍面临的重要课题。 我国设备故障诊断技术的应用始于2 0 世纪8 0 年代，首先由部分高等院校和科研单 位开展设备诊断技术的学术交流、理论研究和实际应用。随后一些大型企业相继推广应 用了状态监测与故障诊断技术，收到了明显的经济效益。设备故障诊断技术涉及的知识 面广，它的应用与发展，推动了相关领域内许多理论与方法的研究。诸如：数据采集， 信号处理，故障征兆和特征提取，模式识别以及人工智能等一系列物理、数学方法的研 究 1 2 故障诊断的主要内容 设备故障诊断的内容包括状态监测、分析诊断和故障预测三个方面。其具体实施过 程可以归纳为以下四个方面： 4 大庆石油学院工程硕士专业学位论文 ( 1 ) 信号采集设备在运行过程中必然会有力、热、振动及能量等各种量的变化， 由此会产生各种不同信息。根据不同的诊断需要，选择能表征设备工作状态的不同信号， 如振动、压力、温度、噪声、位移、电流、功率等是十分必要的。这些信号一般是用不 同的传感器来测取的。 ( 2 ) 信号处理将采集到的信号进行分类处理、加工，获得能表征机器特征的过程， 也称待征提取过程，如对振动信号从时域变换到频城进行频谱分析即是这个过程。信号 处理( 或诊断数据处理) 的主要内容是统计分析、相关分析、频谱分析、小波分析和模态 分析等，其理论基础是数理统计与随机过程。 ( 3 1 状态识别将经过信号处理后获得的设备特征参数与规定的允许参数或判别参 数进行比较、对比以确定设备所处的状态，是否存在故障及故障的类型和性质等。为此 应正确制定相应的判别准则和诊断策略。 ( 4 ) 诊断决策根据对设备状态的判断，决定应采取的对策和措施，同时应根据当 前信号预测设备状态可能发展的趋势，进行趋势分析。 状态的识别其实就是故障的诊断过程，而诊断决策是针对系统发生的故障，对于应 采取的措旋给出指导性的建议。状态识别和诊断决策技术正向着智能化阶段迈进，在此 阶段，领域专家的知识将得到充分的重视，诊断问题的研究将致力于模拟专家的推理过 程、控制和运用各种诊断知识的能力，将领域专家的经验应用于智能诊断是解决设备故 障诊断领域问题的有效途径。目前，基于信号处理和建模处理的设备诊断技术正发展为 基于知识处理的设备诊断技术，在知识层次上，实现辩证逻辑与数理逻辑的集成、符号 处理与数值处理的统一、推理过程与算法过程的统一、知识库与数据库的交互等。 1 3 故障诊断的实现方法 1 3 1 基于物理模型的故障诊断 它是以物理量为手段来实现故障检测与分离的。常用的方法有硬件冗余方法和模式 识别方法”。 硬件冗余方法不仅可以诊断仪表的故障，还可以检测控制系统的故障。这种方法的 缺陷是要增加更多的仪器设备，使系统更加复杂化。模式识别方法的基本思想是通过对 系统的工作流程经过仿真和分析，加上人们的经验，建立各种故障模式，根据测量信息， 确定系统属于哪一种模式，从而能检测和分离故障。 1 3 。2 基于数学模型的故障诊断 这种方法就是根据系统参数的估计值与其正常值之间的偏离数值，判断出系统的故 障状况。 1 参数估计诊断法：根据参数变化的统计特性来检测故障的发生。直接建立模型， 当故障由参数的显著变化来描述时，可利用已有的参数估计法，基于故障检测信息，根 第1 章设备故障诊断的方法与实现 据参数的估计值与正常值之间的偏差情况来判定系统的故障情况。 2 状态估计法：从系统的状态方程和观测方程的残差序列均值的变化来判断系统的 故障状态。被控对象的状态直接反映系统运行状态，通过估计出系统的状态，并结合适 当的模型可进行故障诊断。 1 3 3 基于智能方法的故障诊断 当前的控制系统变得越来越复杂，很多情况下要想获得系统的精确数学模型是非常 困难的。同时，由于系统故障是多种多样的，其故障和征兆之间不存在简单的一一对应 关系，故障诊断往往是种探索过程。而基于专家系统的故障诊断方法不依赖于系统的 数学模型，而是根据人们的经验和故障信息，设计出智能程序，以此来解决复杂系统的 故障诊断问题。由于神经网络具有很好逼近非线性函数的能力，并且具有自组织、自学 习的特点，当专家系统在遇到未见过的新故障信息或现象而不能正确处理时，神经网络 可以利用它的相似性、联想能力进行诊断。 1 4 故障诊断的任务 故障诊断技术是- f - j 综合性技术，其研究涉及到多门学科，如现代控制理论、可靠 性理论、数理统计、模糊集理论、信息处理、模式识别、人工智能等学科理论。故障诊 断的任务更、由低级到高级，可以分为以下几个方面的内容： ( 1 ) 故障建模按照先验信息和输入输出关系，建立系统故障的数学模型，作为故 障诊断的依据。 ( 2 ) 故障检测从可测量或不可测量变量的估计中，判断被诊断系统是否发生了敌 障。 ( 3 ) 故障分离在检测出故障后，给出故障源的位置，区别出故障原因是执行器、 传感器、被控对象或者是特大扰动。 ( 4 ) 故障辨识在分离出故障后，确定故障的程度、发生时刻及其时变特性。 ( 5 ) 故障的评价与决策判断故障的严重程度及其对诊断对象的影响和发展趋势， 针对不同的工况采取不同的措施。通常在具体研究故障诊断方法时主要研究故障检测、 故障分离和故障辨识。 为了对设备的状态做出判断，判断是否存在故障及故障的程度如何，必须对表征机 器状态的测量值与规定的标准值进行比较。常用的有三种判断标准，即绝对判断标准、 相对判断标准以及类比判断标准。绝对判断标准要求在设备的同一部位或按一定的要求 测得的表征机器设备状态的值与某种相应的判断标准相比较，以评定设备的状态。采用 相对判断标准时，要求对设备的同一部位( 同一工况) 同一种量值进行测定，将设备正 常工作情况定为初始值，按时间先后将实测值与初始值进行比较来判断设备状态。 6 大庆石油学院工程硕士专业学位论文 1 5 智能故障诊断方法综述 随着模糊集理论、专家系统、神经网络技术和小波分析理论的发展以及检测技术、 计算机技术、电子技术和通讯技术等相关领域学科的进一步深入，往复泵故障诊断技术 正朝着智能化方向发展，而目前故障诊断技术由于根据系统采用的特征描述和决策方法 的差异，形成了不同的故障诊断方法，主要有基于信号处理的方法和基于知识的方法( 智 能诊断方法) 等“。基于知识的诊断技术是往复泵故障诊断领域中最引人注目的发展方 向之一，也是目前研究最多、应用较广的一类技术，它不需要精确的数学模型，有着良 好的应用前景。 1 5 1 基于人工神经网络的故障诊断方法 人工神经网络是对生物神经系统的不同组织层次和抽象层次的模拟。神经网络是当 今最活跃的一种理论模型，具有高度非线性映射及自学习、自组织能力，由于人工神经 网络具有处理非线性和自学习以及并行计算能力“”，使其在故障诊断方面有很大的优 势，它在故障诊断中的应用研究主要包括以下几个方面：一是从预测角度应用神经网络 作为动态预测模型进行故障预测；二是从模式识别角度应用神经网络作为分类器进行故 障诊断；三是从知识处理角度建立基于神经网络的专家系统。在应用神经网络进行故障 诊断时分两步：( 1 ) 选择合适的网络结构和规模，借助一定的学习方法，用一个合适的 变量作为神经网络的输入，以对应的故障状态编码为期望输出，进而构成输入、期望输 出样本对，对神经网络进行训练，确定神经网络的权值和阈值：( 2 ) 当神经网络学习收 敛后，固定神经网络的权值和阈值，然后使训练好的神经网络处于联想状态，对于一个 给定的输入，便产生一个相应的输出，由输出与故障编码进行比较，即可诊断出故障。 1 5 2 基于模糊逻辑推理的故障诊断方法 模糊逻辑系统的最大特点是其模糊规则库可以直接利用专家知识构造，因而能够充 分利用和有效处理专家的语言知识及经验，而且一个设计较好的模糊推理系统可以在任 意精度上逼近某个非线性函数，具有非常好的性能“7 “”。 模糊诊断的优点是不需要建立精确的数学模型，适当运用隶属度函数和模糊规则， 进行模糊推理就可以实现模糊诊断的智能化。但是对于复杂的诊断系统，要建立正确的 模糊规则和隶属度函数是非常困难的，而且需要花费很长时间。对于更大的模糊规则和 隶属函数集合而言，难以找出规则与规则间的关系，也就是说规则有“组合爆炸”现象 发生。另外由于系统的复杂性、耦合性，由时域、频域特征空间至故障模式空间的映射 关系往往存在着较强的非线性，此时隶属度函数形状不规则，只能利用规范的隶属函数 7 第l 章设备故障诊断的方法与实现 形状来加以处理，如用三角形、梯形或直线等规则形状来组合子以近似代替，也就使得 非线性系统的诊断结果不够理想。 1 5 3 基于粗糙集的故障诊断方法 粗糙集理论是一种较新的软计算方法，作为刻划不完整性和不确定性的数学工具， 它能有效地分析和处理不精确、不一致、不完善等各种不完备信息，并从中发现隐含的 知识，揭示潜在的规律“”。 粗糙集理论不仅为信息科学和认知科学提供了新的科学逻辑和研究方法，而且为智 能信息处理供了有效的技术，能有效的处理不确定或不耪确知识的表达，并能进行推理、 近似模式分类；从实例中获取知识，并能对不一致信息进行分析；能识别并评估数据之 间的依赖关系，并能在保留关键信息的前提下进行数据约简来获得最小数据量的表达知 识。缺点是缺乏联想、记忆、学习能力。 1 5 4 基于专家系统的故障诊断方法 专家系统是人工智能应用研究最活跃的领域之。专家系统诊断利用专家丰富的实 践经验，模仿专家分析问题和解决问题的思路，而且能够解释自己的推理过程，解释结 论是如何获得的，它克服了基于模型的故障诊断方法对模型过分依赖性，成为一种有效 的诊断方法”“1 。 虽然专家系统能够有效的模拟故障诊断专家完成故障诊断的过程，但是在实际应用 中仍存在一定缺陷： ( 1 ) 获取完备的知识库是形成故障诊断专家系统的瓶颈。如果建立的知识库不完备， 可能导致专家系统推理混乱并得出错误结论，而知识获取及验证其完备性是比较困难 的，这在很大程度上限制了故障诊断专家系统的发展；专家知识表述规则化也有相当大 的难度，当遇到一个没有相关规则与之对应的新故障现象时，系统显得无能为力。 ( 2 ) 在知识推理时，传统的专家系统是用串行方式，其推理方法简单，控制策略不 灵活，推理速度慢，只有匹配知识库内一定的规则集才能得出结论。 ( 3 ) 一般专家系统不具备学习、自我完善能力，现行的故障诊断专家系统在运行过 程中不能从诊断的实例中获得新的知识，一旦发生知识库没有涵盖的新故障，专家系统 将发生诊断错误或无结果。 ( 4 ) 专家系统容错能力较差。在故障后保护装置错误动作的情况下，专家系统因缺 乏有效的方法识别错误信息，容易诊断错误。专家系统的求解能力完全局限于知识库中 仅有的规则，对知识获取时专家知识具有不致性、不完全性和不准确性，系统不能在 实例系统中自我完善。 大庆石油学院工程硬士专业学位论文 1 5 5 基于人工免疫系统的故障诊断方法 人工免疫系统是继人工神经网络和遗传算法被广泛应用于解决工程实际问题后的 优化设计”“、机器学习、联想记忆”、和计算机安全性。7 1 等许多领域。人工免疫 系统通过从不同种类的抗体中构造自己非己非线性自适应网络，在处理动态变化环 境中起作用，基于免疫机理发展的人工免疫系统提供了噪声忍耐、无导师学习、自组织、 不需反面例子，能明晰地表达学习的知识等特点，提供了新颖的解决复杂问题的能力。 生物免疫系统在缺乏先验知识的基础上，能准确地识别和记忆各种非己物质，在自 主学习过程中不断提高免疫功能，对机体进行在线自主故障诊断和健康监控。如何有效 模拟生物免疫系统在线自主故障诊断的机理，研究适于往复压缩机在线自主故障诊断的 免疫模型及算法。是往复压缩机故障诊断研究领域的崭新研究课题。 1 6 本文采用的往复泵泵阀故障诊断方法 设备故障诊断的内容包括状态监铡、分析诊断和故障预测三个方面。而其中最关键 的问题是提取故障特征。利用小波包分析等方法进行故障特征提取，建立适当的神经网 络，然后利用所提取的特征向量作为训练样本对神经网络进行训练，确定神经网络的具 体参数和结构。然后，就可以用此网络对往复泵的泵阀故障进行诊断和预测。本文采用 的故障诊断流程图如下： 图i - i 故障诊断流程图 9 第2 章振动信号的采集 第2 章振动信号的采集 进行设备故障诊断，首先要获取设备的状态信息，这种信息通常来自于设备运行 中的各种状态参数变化。机械设备可作为监测与诊断的信息参数是多种多样的，诸如： 振动、声音、变形、位移、裂纹、磨损、腐蚀、温度、压力、流量、电流、转速、转矩、 功率等各种参数。设备在运行过程中，凡是能够监测设备状态参数的变化，掌握设备在 运行中所处状态( 正常、劣化或故障) ，并能识别、诊断出故障的性质、程度和部位的 任何一种方式方法，都可作为故障诊断的技术手段。在现场的实际工作过程中，由于往 复泵本身复杂结构以及外部恶劣工作环境的影响，因而在运行过程中可能发生多种故 障，而且一种异常征兆也可能由多个故障引起。如何获取有效的状态信息是故障诊断成 功与否的关键。 2 1 试验方案与试验装置 2 1 | 】状态参数的选择 设备诊断的基础和前提是状态参数的监测，监测到的有用信息越多，监测数据越真 实，越容易诊断出故障的原因。监测数据真实性的含义，不仅要求信号具有较高的信噪 比、保真度，还要求能测量到引起故障缘由的直接参数量。当然，不是所有的故障都可 以直接监测到反映故障症候的参数量的，绝大多数机器故障状态是从振动和噪声的信号 分析中获得的。对设备振动信号测试和分析，可获得机体、转子或其它零部件的振动幅 值、频率和相位三个基本要素，经过对信号的分析与识别，可能了解到机器的振动特点、 结构强弱、振动来源、振动部位和故障原因，为诊断提供了依据。由于振动信号采集、 处理方便，并且可以较好地反映故障信息，所以在本文中，往复泵泵阀故障的检测是根 据振动加速度信号分析进行的。 往复泵结构复杂、零部件多，激励源多，各部件的振动信号相互干扰，且振动信号 中掺杂大量的非平稳、非周期信号，特别是在某些部件出现故障时，信号的瞬变特性会 更加明显。在实际的现场工作当中，往复泵的工作环境一般比较复杂，各种设备之间相 互影响，也增加了振动信号的复杂性。在不同部位采集振动信号时，其对泵阀故障的反 映敏感程度不同。在确定测试方案时，传感器的布置应尽可能地靠近待测部位，使所测 信号的传递路线短且直接，尽量避免信号的减弱、畸变或传递受阻，能够最大限度地反 映测试部位的工作状态。在泵阀故障诊断中，振动测点选在阀盖上，因为此处的振动响 应对泵阀故障的反映较其它位置更为敏感，另外从信息传输的角度也可以看出由泵阀到 1 0 大庆石油学院工程硕士专业学位论文 阀盖表面的振动传递路径最短，因而所测得的信噪比最高，信号受路径的影响最小。 2 1 2 试验装置 1 试验用泵 本课题研究的对象是大庆油田三次采油工艺中广泛应用的注聚泵，它是三缸往复 泵，用于将配制好的液态聚合物溶液注入到地下。试验用的往复泵是科达泵业有限公司 生产的3 d j 2 5 1 6 型往复泵，其排量为2 。5 m 3 h ，排出压力为1 6 m p a ，吸入压力为0 。0 4 m p a ， 冲程为7 6 毫米，柱塞直径为3 5 毫米，泵速为1 9 5 m i n - 1 。 图卜1 是科达泵业有限公司生产的3 d 卜2 5 1 6 型往复泵测点布置示意图，其中测点 1 、2 、3 n 时采集三个排出阀的振动信号，测点4 、5 、6 用于同时采集三个吸入阀的振动 信号。 图2 - 1测点位置示意图 2 数采装置 采集振动信号使用的是i o t e c h 便携式数采装置，将三个k i s t l e r 8 7 0 4 8 5 0 型压电加 速度传感器分别吸附在阀盖上，启动正常运转后，同时采集三个泵阀上的振动加速度信 号，经过d a q 2 1 6 b 模数转换卡，以数字信号的形式传输到计算机中储存起来，以备分 析。 数采装置主要参数如下： 图2 - 2数据采集流程图 第2 章振动信号的采集 ( 1 ) i o t e c h d b k 4 信号调理卡 通道数：扩展为6 通道 滤波器类型：b u t t e r w o r t h 频率范围：0 1 h z 5 0 k h z 输入增益：x 1 ，x t o ，x 1 0 0 ，x 2 0 0 ，x 5 0 0 ( x t o ) ( 2 ) i o t e c h d a q 2 1 6 b 模数转换卡 a d 分辨率：1 6 b i t 模拟量输入通道数：1 6 s e 数字量输入输出：4 最大通道容量：2 5 6 a d 转换频率：l o o k h z 可程控增益：x 1 ，x 2 ，x 4 ，x 8 2 2 振动信号的采集 2 2 1 信号采样 信号可理解为信息的载体或信息的表达形式。振动信号为连续的模拟信号，必须转 换为计算机可处理的离散的数字信号。连续时间信号的离散化过程称为采样，它是将连 续的信号雄) 按一定的时问间隔逐点取其瞬时值。 2 2 2 采样频率 采样时间间隔f 的倒数称为采样频率z 。在采样过程中合理确定采样频率，是保证 采样得到的离散信号能够真实反映原信号础) 的基本条件。采样频率越高，采样的点数 越多，信号的复原性越好，但计算的工作量也很大，通常可取采样频率z 为信号最高频 率正的1 0 倍。但由于采样频率高，信号的纪录长度就短，会影响信号的完整性，还会 导致频率分析时，频率轴上的频率间隔a ，太大，频率分辨率太低，一些低频成分就分 析不出来，两个频率很接近的分量也很难分辨出来。 进行频域分析时，为了避免混叠，采样频率f 最小必须大于或等于信号中最高频率 大庆石油学院工程颈士专业学位论文 正的2 倍，即满足采样定理例： 正2 正 ( 2 1 ) 在往复泵泵阀的振动信号中，存在大量的连续分布的频率成分，根据以前的研究资 料可知故障信号的频率一般在5 k h z 以下，而噪声信号的频率一般较高。根据采样定理， 在采集泵阀振动信号时采样频率取为l o k h z ，则采样时间间隔为0 0 0 0 1 s 。 2 2 3 采样点数 时域分析时，采样点数越多，越接近原始信号。采样频率确定后，信号中的最低频 率越低，所需采样点数就越多，反过来说，采样频率和采样点数确定后，所能分析的最 低信号频率也就确定了。在本文中，采样点数为2 0 0 0 0 ，采样时问为2 s 。 2 3 试验过程 2 ，3 。1 泵阀故障类型设置 根据现场的实际情况，设置9 种泵阀状态进行测试，如表2 一l 所示。排出阀和吸入 阀从左至右依次为l 、2 、3 号。 表2 - 1 泵阀状态 序号泵阀状态 l 正常状态 2 1 号排出阀阀芯磨损 3 2 号排出阀阀芯磨损 41 号排山阀弹簧断裂 52 号排出刚弹簧断裂 6 l 号吸入阀阀芯磨损 7 2 号吸入阀阀芯磨损 8 1 号吸入阀弹簧断裂 9 2 号吸入阀弹簧断裂 2 3 2 正常状态测试 全面检查试验用泵，确保其处于完好状态，启动试验泵组投入正常运行。当泵组排 出压力达到正常压力并运行一段时问后，按照测点布置方案，进行测试，采集数据，所 测数据存入计算机内，以便诊断分析之用，同时记录泵的进、出口压力和流量。选择多 第2 章振动信号的采集 台往复泵进行测试，获得多组数据。数据形式( 部分) 如下所示： c h 0 0 - 0 0c h 0 0 0 1c h 0 0 - 1 - o 1 3 0 7 7 e 0 l3 7 4 3 0 e 0 l9 4 4 5 3 e - 0 2 1 6 1 9 0 e - 0 1 3 4 0 7 3 e o l9 4 7 5 9 e 一0 2 1 2 7 l l e 0 13 8 4 9 9 e - 0 11 0 0 8 6 e 0 1 1 4 7 2 5 e - 0 13 1 1 4 4 e - 0 l 9 8 4 2 1 e 0 2 1 5 6 1 0 e o l2 9 4 6 5 e - 0 l8 7 7 3 9 e - 0 2 4 7 5 9 3 e o l5 3 2 3 9 e - 0 1 6 9 4 2 9 e 一0 2 1 1 0 9 3 e 一0 l2 1 9 8 8 e 0 11 0 6 3 6 e 一0 l 1 4 1 2 0 0 9 e 一0 i2 5 6 5 0 e 一0 18 3 1 6 2 e 一0 2 1 ，2 0 3 9 e 一0 l2 5 8 9 5 e 一0 19 3 2 3 3 e 一0 2 一i 1 7 3 4 e 0 12 6 3 8 3 e o l 1 0 2 6 9 e o l 一1 1 4 2 9 e - 0 12 6 3 8 3 e 0 11 0 5 1 3 e 0 1 一1 0 8 8 0 e 一0 l 2 6 0 7 8 e 0 19 9 3 3 6 e - 0 2 泵阀正常状态的振动时域波形如下图所示： 北2 5 - p 2 61 号捧出一 时闻( ，) 图2 3 正常状态下l 号排出阀时域波形图 大庆石油学院工程硕士专业学位论文 北2 - 5 - p 2 63 号捧出一 时闻( s ) 图2 - 4 正常状态下3 号排出阀时域波形图 时甸( s ) 图2 - 5 正常状态下l 号吸入阀时域波形图 第2 章振动信号的采集 图2 - 6 正常状态下3 号吸入阀时域波形图 2 3 3 故障状态测试 按照表2 - 1 的情况分别设置故障状态，启动试验泵组投入运行。当泵组运行一段时 问后，按照测点布置方案，进行测试，采集数据，所测数据存入计算机内，以便诊断分 析之用，同时记录泵的进、出口压力和流量。选择多台往复泵进行测试，获得多组数据。 同时，对真实发生故障的泵进行测试，获得真实数据。时域波形如下图所示： 1 6 大庆石油学院工程硕士专业学位论文 量：二j 5 - p 1 8 1 号榫出罔膏损 ， ， 山- “ 山 j il k l _ l缸山iu 止一山乩l 山- l j i l_i l i “l l h _ r ”i _“f 叩 - _ _ _f i ” t ir 胛 丌l t_ 1 f 孵 n p t 吖 阿| 1 1 l