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(jù)：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(jīng)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*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(jīng)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(jīng)網(wǎng)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(jù)的任何初始或附加信息，直接對不完整不數(shù)據(jù)進行分析處理。近年來，粗糙集理論發(fā)展迅速，已經(jīng)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(jù)經(jīng)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(jīng)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(jù)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(jù)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(jù)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(jù)，提高了整個機組運行的安全性和經(jīng)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(jīng)網(wǎng)絡是試圖模擬生物神經(jīng)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(wǎng)絡以及自組織映射網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡學習方法中網(wǎng)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(jù)樣本等不足，具有良好的推廣性能，成為繼神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jù)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(jīng)網(wǎng)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。
水泵產品：自吸清水泵,臥式熱水泵,柴油機水泵,自動潛水泵,鍋爐給水泵,冷卻水泵,生活給水泵,不銹鋼潛水泵, 低噪音增壓水泵,熱水泵等
