乐增孟，温焱明，杨来志
（中山嘉明电力有限公司，广东中山 528403）
在机械传动系统中，离心泵滚动轴承最主要的部件，其故障也是系统故障的主要原因之一。当离心泵滚动轴承产生故障时，从其自身的加速度、速度或位移等物理量中，可以监测提取到许多运行状态数据，这些数据具有多振荡性和多变性特征。尤其是故障刚发生时，因为传递出的物理量微弱，导致初始故障表征微小，以及设备、环境等原因，难以对初始故障物理量进行采集和分析。但当离心泵滚动轴承产生运行故障时，由于故障物理量的调幅特性，可以通过数据包络线分析得到离心泵运行故障的特征频率。
为实现离心泵滚动轴承的故障的精准判断，利用变分模态分解方法提取离心泵滚动轴承的故障物理量，并进行诊断：①先利用变分模态分解，对离心泵滚动轴承初始故障物理量进行剖析；
②利用信息熵最小值的原理完善故障物理量，对离心泵滚动轴承故障的特征频率进行提取。经由试验数据分析，证明其可以更精确地采集判断离心泵滚动轴承初始故障物理量的微弱特征，可以对离心泵滚动轴承故障进行更精确的诊断。
1.1 变分模态分解算法
变分模态分解（Variational Mode Decomposition，VMD）是一种基于维纳滤波的自适应物理量处理新方法。通过变模态分解的方法，可以从未经开发的物理量中提取故障明显物理量，从而提取弱故障表征物理量。故障判断方法流程如图1 所示。
（1）优化模态数K 的数量。重置模态数K 的数量，K=2，默认松弛变量α 和带宽τ，设置为初始值：α=200，τ=0。对原始物理量进行分解，如加速度、速度或位移，并计算每个模式的信息熵，以确定信息熵是否为最小值。若信息熵为最小值，则确定模态数K 数量，K=K；
如果不是，设置K=K+1，重复上述步骤，直到所获取的信息熵为最小值，则停止上述步骤，直到选择出最合适的K。本研究所选取的K 的取值区域为［2，16］，长度为1。
（2）对松弛变量α 进行优化。设置α 的取值区域为［100，1000］，长度为20。
（3）对未经开发的加速度、速度或位移等物理量进行基于上述优化［K，α］的分解，得到相应的IMF（Intrinsic Mode Functions，内涵模态）分量，并且可获得熵最小值所在的IMF分量。
（4）对选取的IMF分量进行包络线分析，将离心泵轴承故障的理论特征频率测试谱进行比较，确定离心泵轴承的工作状态。
1.2 物理量仿真分析
为验证提出方法的有效性，本文对离心泵轴承内环故障的模拟物理量进行解析：①对信息熵的参数进行优化，并利用变模态分解，分解成一定数量的模态；
②使用信息熵的最小值来选择灵敏度IMF。
fs代表频率，fn代表结构共振频率，fi代表内环故障频率，fr代表旋转频率，B 代表阻尼比。设置优化方法所取得样品的fs=13 000 Hz，所采集的fn=4000 Hz，所采集fi=80 Hz，所采集fr=38 Hz，所采集的B=600。为确保所设计的计算方法是有效的，增加了一个信噪比为-6 db 的无规则噪声影响。
在模拟物理量的时域时，发现内圈故障时域波形随时间变化不大，然而内圈故障测试谱会随着时间的增加而逐渐降低，导致所采集噪声影响下的冲击特征不明显。这种情况下虽然可以采集故障特征，但所有故障都被噪声所充斥，为了提高物理量的信噪比，需要对噪声进行处理。
1.3 外圈故障VMD 参数优化
因为受到噪声的破坏，未处理的物理量的数值会受到十分明显的干扰，所以用VMD 分解对物理量进行解析，重置K=2，并定义为取值间隔［2，16］。利用最小信息熵原理对模态数K 进行优化，通过解析后，可以得到最小熵。当得到最小熵为（0，558）时，设置模态数K=10。如图2 所示，为模态数和熵峰度最大值的关系。
图2 模态数K 与熵峰度最大值的关系
图3 为松弛变量α 与峰度最大值的关系，取定K=10，优化松弛变量α。当α=650 时，熵的最小值设置为0.552 9。于是，设置最优参数区域为［10，650］。
图3 松弛变量α 与熵峰度最大值的关系
基于上述诊断与仿真，采集到故障的离心泵滚动轴承特定频率，经过去噪并提取包络，发现故障的典型信号，实现对故障的诊断与定位。
2.1 外圈故障分析
为了验证设计的基于变分模态分解的离心泵滚动轴承故障诊断技术是否有效，需要利用实际数据进行具体分析。本文试验使用的离心泵滚动轴承型号为6205RS JEM SKF，样品频率fs为12 000 Hz。所测试出的时域波形和经验模态分解（Empirical Mode Decomposition，EMD）的检测频率：工作轴转频29.95 Hz，外圈故障频率109.83 Hz。可以得到，计算后的离心泵滚动轴承转频fr和外圈故障状态下故障特征频率fo数值差异明显。
分别观察离心泵外环故障数据初始物理量的时域波形和试验谱，可以发现IMF2 时域波形随时间变化不明显，但EMD分解的IMF2 测试谱可以看出随着时间的流逝而逐渐减弱。这是因为噪声的存在，无法从时域图中清楚提取出影响特征。而在测试光谱中，虽然可以提取故障的特征频率，但故障的特征频率会受到噪声的强烈影响，从而导致无法对数据进行区分的问题。
2.2 VMD 参数优化
利用本文设计的方法对离心泵滚动轴承外圈故障物理量进行计算解析。首先对模态数K 进行优化，如图4 所示，是模态数K 与熵最小值的关系。通过数据分析，当K=15 时，取得熵的最小值为0.519 5，所以取模态数为K=15。
图4 模态数K 与熵最小值的关系
给定K=15，对松弛变量α 进行优化。通过数据分析可以得出，当α=1950 时，具有熵最小值0.514 9。如图5 所示，为α 与熵最小值的关系。通过分析，可得最佳数据区域为［15，1950］。
图5 松弛变量α 与熵最小值的关系
对外圈故障物理量进行VMD 分解，可得各个IMF 的信息熵：IMF11 熵0.699 5，IMF12 熵0.665 5，IMF13 熵0.514 9，IMF14 熵0.728 7。IMF13 的信息熵具有最小值，因此选取IMF13 进行测试谱分析。
对IMF13 的故障测试数据进行分析后，优化后的技术测试能够十分简便地提取出外圈故障的故障特征频率fo及其旋转频率fr。通过对所提取的数据进行分析，可以对离心泵滚动轴承外圈故障进行准确诊断。
2.3 内圈故障分析
为了对比优化后的方法是否适用，需要对离心泵滚动轴承内圈故障数据进行分析。对多个数据点进行提取解析后得出，因为初始获取的物理量所含噪声量较小，在测试中加入噪声影响，信噪比值为-1 dB，以实现测试的公平性和可比性。通过计算得出，转动频率值为fr=28.83 Hz，故障特征频率值为fi=155.7 Hz。
根据所测得的数据，可以看出内圈故障时域波形随着时间的流逝不发生明显的变化，外圈故障测试谱也呈现出稳定前进的趋势。由于噪声的影响，时域波形不能提取冲击特性；
虽然测试谱可以得出旋转和故障的特征频率，但通过分析数据可以看出，由于噪声的影响所获得的结果并不理想。
2.4 内圈故障VMD 参数优化
经过分析可得到，当K=9 时，可以获得熵的最小值为0.627 0。于是，选取K=9 作为最优模态数。
传统方法用于处理噪声增大的内环故障数据。分解后获得了13 个IMF 分量，计算每个分量IMF 的熵值。计算结果表明，IMF2 信息熵最小，因此对其试验谱选择了所涉及的破坏分析。无论是内环故障的特征频率，还是其旋转频率，都不能从测试光谱中提取出来。而且通过数据对比可以清楚地发现，运用优化后的技术效果明显优于传统技术，也能够十分准确地对故障进行提取诊断。所以，本文提出的方法比以往的方法更具有优势。
综上所述，本文研究的基于变分模态分解的离心泵滚动轴承故障诊断技术，可以对离心泵滚动轴承初始故障物理量的微弱特征进行更精确的采集判断；
对比传统方法，可以更精确地诊断出离心泵滚动轴承的故障。
离心泵滚动轴承在故障发生的初期，其特征与信息相比往往较弱，因此很难对其进行提取。而通过信息熵的变分模态分解方法可以很好地将噪声影响降到最低，从故障物理量中提取微弱的故障特征信息。
通过对变分模态分解IMF 的多分量，应选择包含多种多样的故障特征信息的有效IMF 问题。将信息熵最小值的效果明显的选取方法成功地应用于模拟物理量和IMF 实际数据，并且所获得的数据更优于以往。
从上述分析可以看出，变分模态分解克服了传统模态混合的缺陷，是一种有效的自适应物理量处理方法。但其影响参数需要提前设定，确定其影响参数的搜索区域缺乏理论支撑。为保证其具有更精确的离心泵滚动轴承故障诊断效果，还需要在这方面进行进一步的研究。
猜你喜欢 变分信息熵离心泵 基于信息熵可信度的测试点选择方法研究军民两用技术与产品(2022年1期)2022-06-01基于机器学习的离心泵气液两相压升预测农业工程学报(2022年4期)2022-04-24离心泵后泵腔内液体压力数值分析与验证研究科学家(2022年3期)2022-04-11概率生成模型变分推理方法综述计算机研究与发展(2022年3期)2022-03-09离心泵流场外特性及激励数值计算防爆电机(2021年5期)2021-11-04变工况下离心泵性能研究防爆电机(2021年5期)2021-11-04多项式变分不等式解集的非空紧性和估计杭州电子科技大学学报(自然科学版)(2021年1期)2021-03-17近似边界精度信息熵的属性约简华东师范大学学报（自然科学版）(2018年3期)2018-05-14基于信息熵的承运船舶短重风险度量与检验监管策略研究中国水运(2016年11期)2017-01-04信息熵及其在中医“证症”关联中的应用研究电脑知识与技术(2016年27期)2016-12-15