水泵故障診斷的方法,水泵故障診斷的方法

隨著信息技術、測試技術與計算機技術的發(fā)展與普及應用，水泵故障診斷的方法不斷更新、擴展與進步。

水泵故障診斷的方法一、基于信號處理的方法

目前用于泵故障診斷中基于信號處理的方法主要有頻譜分析、功率譜估計和小波分析等。頻譜分析是故障診斷中一種常用的方法，被廣泛應用于各工程技術領域：對于泵的故障診斷，人們也應用頻譜分析作了大量的研究。如運用頻譜分析方法對火電廠大型汽輪機組的供水泵進 行診斷，找出了振源及傳遞媒介，為采取改進措施提供了依據：鋅對大型泵組的特點，采用頻譜分析對其狀態(tài)監(jiān)測與故障診斷的方法展開了探討。但是由于泵故障的 多樣性和復雜性，僅僅依賴振動信號的頻譜分析往往只能粗略地知道泵是否存在故障。有時也能得到故障嚴重程度的信息，而對于具體是什么故障以及故障發(fā)生的部 位則難以得到．所以一般只用于泵的簡易診斷。

功率譜估計是在頻域中對信號能量或功率分布情況進行描述。其 中．經典功率譜估計方法（如周期圖法、自相關法）在工程實踐中應用。例如，有人在分析國內大機組給水泵結構及現(xiàn)有振動監(jiān)測保護系統(tǒng)的基礎上，結合 火電廠大型氣動給水泵的振動監(jiān)測實例，采用功率譜估計方法對給水泵振動分析診斷系統(tǒng)策略進行了分析探討，結果表明．通過對振動信號的分析可以確定水泵的zui 合適工作參數(shù)并發(fā)現(xiàn)給水泵內存在的故障及部位．為給水泵及時、有效地維修提供保證。但是，功率譜估計方法存在著計算復雜、方差性能差、分辨率低、對局部故障不敏感等局限。對于平穩(wěn)信號，其頻域的能量分布不隨時間變化，使用功率譜估計方法尚可基本滿足精度要求。

小 波分析是為適應信號處理的實際需要而發(fā)展起來的一種時頻分析方法．與傳統(tǒng)的信號處理方法相比，小波變換在時域和頻域同時具有良好的局部化特征?可用于突變 信號和非平穩(wěn)信號的分析，這在泵的狀態(tài)監(jiān)測以及早期故障診斷中具有重要的意義c目前，小波分析方法已經在泵的故障特征提取中得到了研究和應用。如有人利用 小波分析對輸油泵的振動信號進行了消噪，實驗結果表明，使用該方法能夠有效地抑制信號中的噪聲，提高故障診斷精度。小波變換來源于傅里葉變換和短時傅里葉 變換，盡管它繼承了傅里葉變換和短時傅里葉變換的許多優(yōu)點，克服了它們在某些方面的不足（如時頻局部化特性）。但由于該理論本身也正處于研究發(fā)展之中，因 此仍存在一些需要進一步研究的問題，比如小波函數(shù)的選取問題等。

水泵故障診斷的方法二、基于知識的方法

隨著人工智能及計算機 技術的飛速發(fā)展，基于知識的方法在故障診斷中得到越來越廣泛的應用，目前應用到水泵故障診斷中基于知識的方法主要有粗糙集理論、專家系統(tǒng)、人工神經網絡和 支持向量機等。粗糙集理論是波蘭學者Z Pawlak于1982年提出的一種用于處理不完整不知識的數(shù)學方法，該理論不需要關于數(shù)據的任何初始或附加信息，直接對不完整不數(shù)據進行分析處 理。近年來，粗糙集理論發(fā)展迅速，已經在很多領域得到了應用。有人利用粗糙集理論對離心泵的特征參數(shù)進行約簡，并優(yōu)選出zui簡決策表，形成標準特征庫，提高 了故障診斷的速度和精度。但當故障形式和特征參數(shù)較多時，則有可能會導致較大的決策表以及較多的規(guī)則數(shù)目。同時，由于許多實際應用中的數(shù)據經常是不斷更新 的，因此如何動態(tài)地修正現(xiàn)有模型結構和規(guī)則集，提高系統(tǒng)的自學習能力，還有待于做進一步的研究。

基于專家系統(tǒng)的故障診斷方法其實是一個計算 機智能程序，計算機在采集被診斷對象的信息后，綜合運用各種規(guī)則（專家經驗），進行一系列的推理，必要時還可以隨時調用各種應用程序，運行過程中向用戶索 取必要的信息后，就可快速地找到zui終故障或zui有可能的故障，再由用戶來證實。它一般由數(shù)據庫、知識庫、推理機、解釋機制以及計算機接口5部分組成，其中知 識庫中存儲診斷知識，也就是故障征兆、故障模式、故障成因和處理意見等內容，而數(shù)據庫中存儲了通過測量并處理得到的當前征兆信息，推理機就是使用數(shù)據庫中 的征兆信息通過一定的搜索策略在知識庫中找到對應征兆下可能發(fā)生的故障，然后對故障進行評價和決策。解釋機制可以為此推理過程給出解釋，而人機接口用于知 識的輸入和人機對話。此種方法在水泵的故障診斷中已有不少應用。

模糊故障診斷方法是利用集合論中的隸屬函數(shù)和模糊關系矩陣的概念來解決故障 與征兆之間的不確定關系，進而實現(xiàn)故障的檢測與診斷。、這種方法具有計算簡單、應用方便和結論明確直觀等特點。鑒于模糊故障診斷方法的這種特點，結合泵的 故障與征兆之間的關系，難以使用的數(shù)學模型表述的實際情況，可以借助于這種方法，用隸屬度的概念來描述泵的振動，然后運用模糊綜合評判法找出泵故障的 原因。有人采用模糊故障診斷方法對火電廠給水泵的故障診斷進行了嘗試，為電廠工作人員提供了決策依據，提高了整個機組運行的安全性和經濟性。使用這種方法 存在的問題：但隸屬函數(shù)是人為構造的,含有一定的主觀因素；對特征元素的選擇有一定的要求,如選擇不合理，診斷精度會下降，甚至診斷失敗。

人 工神經網絡是試圖模擬生物神經系統(tǒng)而建立起來的自適應非線性動力學系統(tǒng)，具有可學習性和并行計算能力，可以實現(xiàn)分類、自組織、聯(lián)想記憶和非線性優(yōu)化等功 能。目前在水泵故障診斷中應用較多的是BP網絡以及自組織映射網絡等。文獻在泵互乎二差教障診斷的專家系統(tǒng)模型中加入神經網絡模型，當系統(tǒng)處于在線運行 時，可以高運診斷、識別和學習新事件，從而有效地提高了故障診斷系統(tǒng)的穩(wěn)定性和可靠性。

支持向量機（support vector machine，SVM）是在有限樣本統(tǒng)計學乏理論（statisticallearning theory，SLT）基礎上發(fā)展起來的一種新的機器學習方法，它較好地解決了小樣本、非線性和高維模式識別等實際問題，并克服了神、經網絡學習方法中網 絡結構難以確定、收斂速度慢、局部極小點、過學習與欠學習以及訓練時需要大量數(shù)據樣本等不足，具有良好的推廣性能，成為繼神經網絡研究之后新的研究熱點。 對于線性可分模式，其主要思想就是建立一個超平面作為決策面，該決策面不但能夠將所有訓練樣本正確分類，而且使用訓練樣本中離分類面zui近的點到分類面的距 離zui大。對于非線性不可分模式，該方法通過某種特定的非線性映射，將樣本空問映射到高維特征空間，使其線性可分，并在高維特征空間中構造出*分類超平 面，從而實現(xiàn)分類。有人應用支持向量機的幾種多類分類算法對離心泵的葉片損壞、密封泄漏和汽蝕3種故障進行診斷，并將診斷結果與利用BP神經網絡診斷的結 果相比較。結果表明，采用支持向量機的幾種算法進行診斷較后者具有更高的精度。

水泵故障診斷的方法三、基于解析模型的方法

基于解析模型的方法需要建立被診斷對象的較為的數(shù)學模型，具體又可以分為狀態(tài)估計方法、等價空間方法和參數(shù)估計方法。這三種方法雖然是獨立發(fā)展起來的，但它們彼此之間并不是孤立的，而是存在一定的關系。

狀態(tài)估計方法的基本思想是利用系統(tǒng)的定量模型和測量信號重建某一可測變量，將估計值與測量值之差作為殘差，以檢測和分離系統(tǒng)故障。在能夠獲得系統(tǒng)的數(shù)學模型的情況下，狀態(tài)估計方法是zui直接有效的方法。而在實際中，這一條件往往很難滿足。

等價空間方法的基本思想就是利用系統(tǒng)的輸入輸出的實際測量值檢驗系統(tǒng)數(shù)學模型的等價性（即一致性），以檢測和分離故障。

參 數(shù)估計方法的基本思想是根據模型參數(shù)及相應的物理參數(shù)的變化來檢測和分離故障。與狀態(tài)估計的方法相比，參數(shù)估計法更利于故障的分離。參數(shù)估計方法要求找出 模型參數(shù)和物理參數(shù)之間的一一對應關系，且被控過程需充分激勵。因此將參數(shù)估計方法和其他基于解析模型的方法結合起來使用，可以獲得更好的故障檢測和分離 性能。

在實際情況中，常常無法獲得對象的數(shù)學模型，而且故障引起系統(tǒng)模型結構和參數(shù)變化的形式是不確定的，這就大大限制了基于解析模型診斷方法的使用范圍和效果。對于水泵來 說亦是如此，目前利用基于解析模型診斷的方法對其進行故障診斷的研究也較少。國內有人基于非線性建模技術，利用模糊神經網絡模型對離心泵的故障信號進行估 計。該方法沒有考慮模型不確定性，不具備魯棒性。針對模型不確定性的非線性系統(tǒng)，有人在給出基于參數(shù)估計故障診斷方法的基礎上，以火電廠的冷卻水泵為對 象，對該診斷算法的魯棒性、靈敏度、穩(wěn)定性以及可檢測性進行了分析研究。

相關文章：變頻水泵

推薦使用隔膜泵產品因為隔膜泵屬于泵。