工艺凝液泵机械密封故障自动检测方法研究及应用.pdf

工艺凝液泵机械密封装置是电机泵的核心装置，在各类工艺凝液泵机械密封联合运行过程中需要工艺凝液泵机械密封装置进行密封处理，提高电机泵的稳态工作能力，由于工艺凝液泵机械密封装置长期处于高温、高盐和高负荷状态下，使得工艺凝液泵机械密封装置容易产生故障，导致整个工艺凝液泵机械密封的运行出现失稳，为了提高电机泵等工艺凝液泵机械密封的稳态运行能力，需要进行工艺凝液泵机械密封装置的故障优化检测1，结合专家诊断系统进行工艺凝液泵机械密封装置的故障优化诊断，研究工艺凝液泵机械密封装置的故障检测方法具有重要意义。对工艺凝液泵机械密封装置的检测是建立在对故障信息的大数据样本分析基础上，提取工艺凝液泵机械密封在不同运行工况下的样本数据，对样本信息进行特征提取和信息挖掘，分析工艺凝液泵机械密封装置故障样本数据的规则性特征量，采用相关的特征提取和属性聚类技术，实现工艺凝液泵机械密封装置的故障检测和诊断分析，传统方法中，对工艺凝液泵机械密封装置的故障*收稿日期：2023-07-26作者简介：巩福贵（1984-），男，内蒙古察右中旗人，助理工程师，主要从事矿物分选及加工研究。Feb.2024Vol.53.No.1（Sum 304）2024 年 2 月第 53 卷第 1 期（总第 304 期）云南冶金YUNNAN METALLURGY工艺凝液泵机械密封故障自动检测方法研究及应用*巩福贵（内蒙古鸿毅知识产权代理有限公司，内蒙古 包头 014030）摘要：针对工艺凝液泵机械密封受环境和自身机械扰动影响易产生失稳故障的问题，构建了基于谱特征分析的故障检测方法：采取大数据传感信息感知方法对故障原始样本信息采样；对采集的的数据进行信号拟合并进行多尺度分解；根据分解的频谱特征分布的差异性进行故障辨识；采用人工神经网络学习算法实现故障自动检测和自适应学习训练。对比分析表明，该方法检测概率提高 8%，具有更好的故障辨识和特征分析能力。关键词：工艺凝液泵；机械；密封；故障；自动检测；特征提取中图分类号：TH165.3文献标识码：A文章编号：1006-0308（2024）01-0133-06Study and Application of Automatic Detection Method for MechanicalSeal Failure of Process Condensate PumpGONG Fu-gui(Inner Mongolia Guhongyi Intellectual Property Agency Limited.,Baotou,Inner Mongolia 014030,China)ABSTRACT：The mechanical seal of process condensate pump is prone to occurs instability fault influenced by environment andself-mechanical disturbance,so it established a failure detection method based on spectral characterization analysis;the big data sensinginformation perception method is adopted for sampling the original failure sample information;the signal fitting of the collected data isdone to perform multi-scale decomposition;the difference of the decomposed spectral characteristics distribution is used for faultidentification;the failure automatic detection and adaptive learning training is realized by artificial neural network learning algorithms.The comparison and analysis results show,by using the method,the detection probability increases 8%,it has better fault identificationand feature analysis capabilities.KEY WORDS：process condensate pump;machinery;sealing;failure;automatic detection;feature extraction133Feb.2024Vol.53.No.1（Sum 304）2024 年 2 月第 53 卷第 1 期（总第 304 期）云南冶金YUNNAN METALLURGY图 1自动检测原理结构图Fig.1The structure diagram of automatic detection principle诊断方法主要有专家系统检测方法、关联规则挖掘方法、人工神经网络检测方法等2-3，其中，文献4中提出基于机器学习的工艺凝液泵机械密封故障信号智能检测算法。构建工艺凝液泵机械密封故障信号模型，对多载波环境下的故障样本数据进行模糊聚类处理，提高故障检测的准确性，但该方法进行故障检测的实时性不好，计算复杂度较高。文献5中提出基于尺度和时延参数联合估计的工艺凝液泵机械密封故障自动检测方法，根据参数估计结果进行故障诊断和自动检测，该方法在受到大量冗余样本数据干扰下的故障检测识别率不高。针对上述问题，本文提出基于谱特征分析的工艺凝液泵机械密封故障检测方法，首先进行工艺凝液泵机械密封故障样本数据采样，对采样的故障样本信息进行特征提取和信号处理，然后根据谱特征提取结果，实现工艺凝液泵机械密封故障自动检测。最后进行仿真试验分析，展示了本文方法在提高工艺凝液泵机械密封故障自动检测能力方面的优越性能。1工艺凝液泵机械密封故障信号模型和特征参数分析1.1机械密封故障检测的原理分析及信号模型为了实现对工艺凝液泵机械密封装置的故障检测，需要进行工艺凝液泵机械密封装置的振动数据挖掘，采用多传感器信息采集方法进行工艺凝液泵机械密封装置的故障样本数据采样，结合经验模态分解和状态识别方法进行工艺凝液泵机械密封装置在检测过程中的参量估计和模式识别6。通过有效检测工艺凝液泵机械密封装置有关参数，结合工况状态预测方法，进行工艺凝液泵机械密封装置的故障自动检测，根据对工艺凝液泵机械密封装置的工况特征分析结果进行故障类别判断7，采用人工神经网络分类学习方法进行工艺凝液泵机械密封不同故障的辨识和自动分类，根据上述原理分析，得到工艺凝液泵机械密封装置的自动检测原理结构图如图 1 所示。根据图 1 给出的工艺凝液泵机械密封装置的自动检测原理结构分布，采用振动传感器进行工艺凝液泵机械密封装置的振动数据采集8，得到原始采集的工艺凝液泵机械密封装置振动数据进行大数据融合和信号拟合，得到振动数据的信号特征分布模型为：其中，isec（t）为振动数据的信号特征分布值；nx为振动数据的分量；ipri（t）为故障信号联合参数；iLmx（t）为故障信号冗余参数。由于任何复杂的信号都是由简单的 IMF（本征模态函数）组成，采用离散数据分析方法，计算工艺凝液泵机械密封装置振动故障的最优特征分布，采用自适应分类学习方法进行工艺凝液泵机械密封装置振动数据的特征分析和融合聚类9，即可得到工艺凝液泵机械密封装置振动数据的统计特征量表示为：其中，x（t）为振动数据的统计特征量；ci代表故障样本数据的各 IMF 分量；rn代表残余函数。（1）（2）134工艺凝液泵机械密封装置振动故障数据的频域特征分布描述为：兹=琢-x（5）其中，x 为障数据的频域特征值；Rioad为下载的大数据样本量，采用幅值响应分析方法；a 为幅值，构建工艺凝液泵机械密封故障信号有效特征分布集合 Lmx10，表示工艺凝液泵机械密封故障信号的幅值，dB 分贝。根据上述分析，构建工艺凝液泵机械密封装置的故障信号检测模型，根据大数据分析方法，进行工艺凝液泵机械密封装置振动故障数据的关联特征提取和检测，zxy为故障检测提供原始数据基础。1.2故障信号的多尺度分解对采集的工艺凝液泵机械密封振动数据进行信号拟合，结合时频特征分解方法对故障信号进行多尺度分解，采用频谱特征分析方法进行工艺凝液泵机械密封装置振动数据的频谱检测11，得到的工艺凝液泵机械密封装置振动数据信号频谱特征形式为：其中，s（t）为振动数据信号频谱特征值；椎k为密封故障检测的干扰噪声，dB；pk为故障数据的关联特征分布集；棕k为振动数据采集参数，为模糊关联参数；u（n）为信号特征量的偏移集合；k 为频谱检测系数。根据工艺凝液泵机械密封故障信号特征量 n 的频谱偏移特性进行信息融合，采用多尺度特征分解方法，得到故障样本的模糊聚类中心满足：其中，hk为频谱输出样本系数；Pn（h）为机械密封故障次数的离散输出集合；f（h）为机械密封故障次数 h 的输入集合；A 为故障数据模糊聚类系数。假设工艺凝液泵机械密封故障检测信号的传递模型满足随机分布性，采用模糊相关性检测方法12，得到工艺凝液泵机械密封故障信号的能量均值为：构建工艺凝液泵机械密封故障样本数据库的关键数据集 X=x1，x2，撰，xn，N 是数据集 X 的数目，工艺凝液泵机械密封装置故障信号的多尺度分解模型为：其中，I（子）为故障信号的多尺度分解值；子 为工艺凝液泵机械密封装置故障调频信号的瞬时频率估计值；Pij（子）为故障调频信号的瞬时频率集合；pi为幅值，根据故障信号的多尺度分解结果进行故障自动检测和优化识别。2故障检测方法优化2.1故障特征提取在上述采用大数据传感信息感知方法进行工艺凝液泵机械密封故障原始样本信息采样并进行故障信号拟合的基础上，进行工艺凝液泵机械密封故障检测，提取工艺凝液泵机械密封故障信号的高阶频谱特征量13，工艺凝液泵机械密封装置故障信号的瞬时频率估计值满足为：（12）式中，xid（t+1）为故障信号的瞬时频率估计值；ipri（t）为故障信号联合参数；iLmx（t）为故障信号冗余参数。当故障数据局部平稳，分析工艺凝液泵机械密封装置高频故障下的关联特征，得到输出增益为：其中，vi（t）为输出增益值；VDC为故障数据输出关联系数。使用双线性分布式检测方法进行液泵机械密封故障信号的时域分解和频谱特征提取，得到频谱特征分布为：（3）（4）（6）（7）（8）（9）（10）（11）（13）（14）巩福贵：工艺凝液泵机械密封故障自动检测方法研究及应用135Feb.2024Vol.53.No.1（Sum 304）2024 年 2 月第 53 卷第 1 期（总第 304 期）云南冶金YUNNAN METALLURGY图 2人工神经网络模型Fig.2Artificial neural network modexk为频谱特征分布值；an为变尺度偏移量。由于信号瞬时频率估计值与真实值基本吻合，结合相关性样本检测方法对工艺凝液泵机械密封故障的输出样本数据进行模糊关联规则调度，得到关联规则项表示为：（15）其中，isec（t）为振动数据的信号特征分布值；nx为振动数据的分量；ipri（t）为故障信号联合参数；iLmx（t）为故障信号冗余参数。把有限的工艺凝液泵机械密封装置振动故障特征集合 X 分为 K 类，采用模糊分类识别方法，进行信息融合，提取工艺凝液泵机械密封故障型号的高阶谱特征量表达式为：工艺凝液泵机械密封故障信号的谱峰为：（17）按照 Hilbert 变换进行时频分解，得到工艺凝液泵机械密封装故障特征提取结果为：其中，故障频谱特征；i 表示工艺凝液泵机械密封故障信号的离散采样长度；ai为幅值，dB。根据上述分析，对提取的故障频谱特征进行人工神经网络学习，结合自适应分类识别方法进行故障的在线检测14。2.2故障检测的自适应学习和聚类输出结合时频特征分解方法对故障信号进行多尺度分解，提取工艺凝液泵机械密封故障信号的高阶频谱特征量，采用机器学习算法对工艺凝液泵机械密封故障信号进行频谱分解运算：（19）结合高阶统计量分析方法，把工艺凝液泵机械密封故障样本的高阶统计量 Xp（u）进行多层分解，可以表示为：采用自适应的人工神经网络学习算法实现工艺凝液泵机械密封故障自动检测和自适应学习训练15，人工神经网络模型如图 2 所示。根据图 2 的人工神经网络学习模型，采用主动学习方法进行工艺凝液泵机械密封故障的多尺度分解，得到工艺凝液泵机械密封故障检测输出：（21）对检测结果进行加窗处理，提高检测的自适应性，得到加窗输出为：其中工艺凝液泵机械密封故障特征的高分辨谱聚类输出为：（23）根据上述分析，采用自适应的人工神经网络学习算法实现工艺凝液泵机械密封故障自动检测和自适应学习训练，提高检测的自适应性和人工智能性，实现故障自动检测。3仿真试验为了验证本文方法在实现工艺凝液泵机械密封故障自动检测中的应用性能，进行仿真试验，试验的仿真工具为 C+，结合 Matlab 7 仿真工具进行工艺凝液泵机械密封故障检测信号处理分析，对工艺凝液泵机械密封故障样本数据采样的测试集为 2 000，信息采样的频率为 10 kHz，故障信号检测的训练函数表达式为 xi（t）=sin2仔（50t+50t2），故障样本数据采样的起始频率为 6 kHz，截止频率为 24 kHz，人工神经网络训练集节点数为 20，加权系数为 0.14，迭代步数为 400，根据上述仿真参量设定，进行机械密封故障检测，得到原始的故障样本数据采集结果如图 3 所示。（16）（18）（20）（22）136图 5检测性能曲线Fig.5Detection performance curve图 3故障样本信息采集结果Fig.3Information collection results of failure samples（a）样本数据 1（b）样本数据 2（c）样本数据 3以图 3 的故障样本数据为研究对象，采用信号分析方法，进行工艺凝液泵机械密封故障检测，提取工艺凝液泵机械密封故障信号的高阶频谱特征量，根据频谱特征分布的差异性进行故障辨识，实现故障自动检测，得到故障检测结果输出如图 4所示。分析图 4 得知，采用本文方法能有效实现工艺凝液泵机械密封故障自动检测，频谱特征的峰值聚焦性较好，说明故障检测的抗干扰能力较强。4应用效果分析为了对比分析不同方法进行工艺凝液泵机械密封故障自动检测故障检测的性能，选取了文献4 方法和文献 5 方法和本文方法进行了对比分析，分析结果得到如图 5 和表 1 所示。图 4故障检测的谱峰分布Fig.4Peak distribution of fault detection巩福贵：工艺凝液泵机械密封故障自动检测方法研究及应用137Feb.2024Vol.53.No.1（Sum 304）2024 年 2 月第 53 卷第 1 期（总第 304 期）云南冶金YUNNAN METALLURGY故障检测准确概率分布见表 1。分析图 5 和表 1 得知，在检测精度上本文方法进行工艺凝液泵机械密封故障检测比文献4方法提高了 15%，比文献 5方法提高了 23%。采用本文方法能有效实现工艺凝液泵机械密封故障检测，随着迭代次数的增加，本文检测概率可以达到 1，该方法比文献 4方法和文献5方法检测概率提高8%。结果表明，该方法检测概率较高，性能较好，故障检测的精度较高。5结 语1）采取大数据分析方法进行了工艺凝液泵机械密封装置振动故障数据的关联特征提取和检测，为故障检测提供原始数据基础；2）采用自适应的人工神经网络学习算法实现工艺凝液泵机械密封故障自动检测和自适应学习训练，提高检测的自适应性和人工智能性；3）采取工艺凝液泵机械密封故障检测，提取工艺凝液泵机械密封故障信号的高阶频谱特征量，根据频谱特征分布的差异性进行故障辨识，实现了故障自动检测；4）经过对比分析表明，本文方法检测概率较高，性能较好，故障检测的精度较高。具有很好的故障辨识和特征分析能力。参考文献：1 李伟峰，王磊.船舶机械设备的常见故障及状态监测与诊断技术研究J.自动化与仪器仪表，2018（6）：32-34.2 李静，高华钰，沈南燕，等.复杂轴类零件非圆轮廓接触式随动测量方法J.机械工程学报，2018，54（5）：38-46.3 刘聪，李颖晖，吴辰，等.基于鲁棒自适应滑模观测器的多故障重构J.控制与决策，2016，31（7）：1219-1224.4 Youcef AMIRAT，Arnaud M譈，NCH.On the Controllabilityof an Advection-diffusion Equation with Respect to theDiffusion Parameter：Asymptotic Analysis and NumericalSimulationsJ.Acta Mathematicae Applicatae Sinica，EnglishSerie，2019，35（1）：54-110.5 李刚，杨传健，贾会星.基于小波特征值容差阈值随机仿真的故障判别方法J.电子测量与仪器学报，2018，32（9）：42-47.6 陈辉，江楠.用于冲击加速度测量的机械滤波器设计J.中国测试，2018，44（10）：107-114.7 田晶，王英杰，王志，等.基于 EEMD 与空域相关降噪的滚动轴承故障诊断方法J.仪器仪表学报，2018，39（7）：144-151.8 兰庆庆，肖本贤.基于网格的密度峰值聚类算法的 RFID定位J.电子测量与仪器学报，2018，32（10）：73-78.9 KAMALI S M，ARBABI A，ARBABI E，et al.Decouplingoptical function andgeometrical form usingconformalflexible dielectric metasurfacesJ.Nature Communications，2016，7（5）：11618.10 BADRINARAYANAN V，KENDALL A，CIPOLLA R.SegNet：a deep convolutional encoder-decoder architecturefor image segmentation J.IEEE Transactions on PatternAnalysis and Machine Intelligence，2017，39（12）：2481-2495.11 WEI X S，LUO J H，WU J.Selective convolutional desc-riptor aggregation for fine-grained image retrievalJ.IEEETransactions on Image Processing，2017，26（6）：2868-2881.12 RAZAVIAN A S，SULLIVAN J，CARLSSON S.Visualinstance retrieval with deep convolutional networksJ.ITETransactions on Media Technology and Applications，2016，4（3）：251-258.13 Ju B，Qian Y T，Ye M C.Collaborative filtering algorithmbased on structured projective nonnegative matrix facto-rization J.JournalofZhejiangUniversity：EngineeringScience，2015，49（7）：1319-1325.14 Li B F，Tang Y D，Han Z.A geometric structure preservingnonnegative matrix factorization for data representation J.Information and Control，2017，46（1）：53-59，64.15 索中英，程嗣怡，袁修久，等.优势决策信息系统规则获取方法及应用J.兵工学报，2015，26（3）：539-544.表 1检测概率对比Tab.1Detection probability comparison迭代次数本文方法文献4方法文献5方法2000.9340.8670.8351000.9100.8340.8113000.9780.8930.8934001.0000.9010.9125001.0000.9210.924138