CN104863842B - 一种基于分形理论的隔膜泵故障诊断方法及装置 - Google Patents

Abstract

本发明涉及一种基于分形理论的隔膜泵故障诊断方法及装置，属于机械故障诊断技术领域。本发明包括信号采集模块，用于通过加速度传感器对隔膜泵的振动信号进行检测；信号预处理模块，用于对采集到的隔膜泵振动信号进行预处理；特征提取模块，用于对降噪后的振动信号提取分形故障特征；状态识别模块，用于将提取的分形故障特征与初始导入的历史训练得到的各故障分形特征量进行故障匹配和识别；故障诊断及报警模块，提醒设备维护人员对设备做出相应处理。本发明能快速、直观的反映设备的运行状况，及时向设备维护人员提供可靠的设备运行信息，有效地保证设备运行，从而降低设备故障停机时间，减少计划检修时间和非计划检修时间。

Description

一种基于分形理论的隔膜泵故障诊断方法及装置

技术领域

本发明涉及一种基于分形理论的隔膜泵故障诊断方法及装置，属于机械故障诊断技术领域。

背景技术

管道输送是既铁路运输、公路运输、海陆运输、航空运输之后的第五大运输方式，管道输送不但零污染、低能耗，而且是对生态环境几乎没有破坏。对于一些道路交通不方便的，物质易抛洒或者易泄漏的运输，更是体现了管道输送的优势。所以近年来，管道输送行业发展极为迅速，但如何保证管道的输送的安全和稳定，是一个急需解决的问题。

隔膜泵是管道输送的核心设备之一，它是管道输送的动力输出装置，所以隔膜泵的安全问题也就是管道输送的核心安全问题。只有隔膜泵的有效运行，才能保证管道输送的正常运行，隔膜泵一旦发生故障，将影响设备正常运行，甚至造成严重事故。因此，对隔膜泵的运行状况进行实时监测并实现故障诊断，对于整个管道运输起着至关重要的作用。

但隔膜泵的不同故障通常都源自不同的动力学机理，目前常用频谱分析的方法有时难以获取这方面的信息，而分形维数能够定量的给出描述动力系统所需的独立变量的数目，这样便可通过分形维数来对其进行故障诊断。因此，本发明将分形理论用于隔膜泵故障诊断，对隔膜泵的运行状态进行识别并作出相应反应。

发明内容

本发明提供了一种基于分形理论的隔膜泵故障诊断方法及装置，以隔膜泵发生故障时所产生的振动信号为依据，第一时间发现可能或者已经出现的设备故障，包括隔膜泵单向阀卡阀、隔膜击穿、单向阀磨蚀泄露等故障情况，并及时向设备维护人员报警，以排除故障，保证工业生产的安全正常运行。

本发明基于分形理论的隔膜泵故障诊断方法及装置是这样实现的：

所述方法的具体步骤如下：

Step1、通过信号采集模块对隔膜泵振动信号进行采集；同时将历史训练得到的各故障分形特征量导入故障识别模块，作为故障识别的故障匹配特征量；

Step2、通过预处理模块电路对采集到的振动信号进行放大、滤波去噪和A/D转换，实现信号的降噪处理；

Step3、对降噪后的振动信号进行分形故障特征量提取，包括其关联维数特征量与盒维数特征量的提取；

Step4、将得到的关联维数特征量与盒维数特征量与步骤Step1中导入的历史训练的各故障分形特征量进行故障匹配和识别；

若与故障匹配特征量相匹配，则报警模块提示设备维护人员对设备进行跟踪关注；

若匹配结果超出所设阈值，则发出警报由设备维护人员对设备进行维修处理，同时更新匹配特征量数据库。

所述步骤Step3中，所述分形故障特征量提取包括两个步骤：

(1)首先计算振动信号的关联维数特征量，若其关联维数特征量能反映出故障类型，则继续步骤Step4进行后续的模式识别；

(2)若其关联维数特征量不能反映信号的状态特征，则进一步计算其盒维数特征量对关联维数特征量进行佐证，联合二者特征实现状态识别。

一种基于分形理论的隔膜泵故障诊断装置，包括

信号采集模块，用于通过加速度传感器对隔膜泵的振动信号进行检测，并将历史训练得到各故障分形特征量导入到故障识别模块，作为故障识别模块的故障匹配特征量；所述加速度传感器采取了三个方向的安装方式，分别为轴向、径向和垂直方向；

信号预处理模块，用于对采集到的隔膜泵振动信号进行预处理，包括信号放大、滤波降噪及A/D转换，便于后续的特征提取；

特征提取模块，用于对降噪后的振动信号提取分形故障特征；

状态识别模块，用于将提取的分形故障特征与初始导入的历史训练得到的各故障分形特征量进行故障匹配和识别；

故障诊断及报警模块，用于对故障作出诊断并发出报警，提醒设备维护人员对设备做出相应处理。

本发明的工作原理是：

所述特征提取模块的分形维数算法使用如下：

采用尺度为ε的相同大小的闭集b对整个集合进行覆盖，所需闭集b的数目为N(ε)，设点落入第i个闭集的概率为P_i(ε)，对给定参数q，可计算出广义信息熵K_q(ε)的表达式为：

则广义分形维数特征量的定义式为：

这样，随着q的变化即可得到各重分形维数：

当q＝0时为盒维数特征量：

当q＝2时为关联维数特征量：

这样，分别取其中的q值为2和0，即可求得隔膜泵振动信号的关联维数特征量和盒维数特征量，实现故障特征提取。

本发明的有益效果是：

本发明是一种基于分形理论的隔膜泵故障诊断装置及方法，是针对管道隔膜泵振动信号的特殊性提出的；通过使用本故障诊断装置，可实现隔膜泵运行的实时状态监测，快速、直观的反映设备的运行状况，及时向设备维护人员提供可靠的设备运行信息，有效地保证设备运行，从而降低设备故障停机时间，减少计划检修时间和非计划检修时间。

采用对非线性信号反应敏感的分形维数作为隔膜泵的故障状态特征量，对隔膜泵的各个运行状态进行定量表示，具有简便、直观的特点。

附图说明

图1是本发明的基本框架图；

图2是本发明的系统硬件设计结构图；

图3是本发明的系统故障诊断及报警结构图；

图4是本发明的故障诊断及报警流程图。

具体实施方式

实施例1：如图1-4所示，一种基于分形理论的隔膜泵故障诊断方法及装置，所述方法的具体步骤如下：

Step1、通过信号采集模块对隔膜泵振动信号进行采集；同时将历史训练得到的各故障分形特征量导入故障识别模块，作为故障识别的故障匹配特征量；

Step2、通过预处理模块电路对采集到的振动信号进行放大、滤波去噪和A/D转换，实现信号的降噪处理；

Step3、对降噪后的振动信号进行分形故障特征量提取，包括其关联维数特征量与盒维数特征量的提取；

Step4、将得到的关联维数特征量与盒维数特征量与步骤Step1中导入的历史训练的各故障分形特征量进行故障匹配和识别；

若与故障匹配特征量相匹配，则报警模块提示设备维护人员对设备进行跟踪关注；

若匹配结果超出所设阈值，则发出警报由设备维护人员对设备进行维修处理，同时更新匹配特征量数据库。

所述步骤Step3中，所述分形故障特征量提取包括两个步骤：

(1)首先计算振动信号的关联维数特征量，若其关联维数特征量能反映出故障类型，则继续步骤Step4进行后续的模式识别；

(2)若其关联维数特征量不能反映信号的状态特征，则进一步计算其盒维数特征量对关联维数特征量进行佐证，联合二者特征实现状态识别。

一种基于分形理论的隔膜泵故障诊断装置，包括

信号采集模块，用于通过加速度传感器对隔膜泵的振动信号进行检测，并将历史训练得到各故障分形特征量导入到故障识别模块，作为故障识别模块的故障匹配特征量；所述加速度传感器采取了三个方向的安装方式，分别为轴向、径向和垂直方向；

信号预处理模块，用于对采集到的隔膜泵振动信号进行预处理，包括信号放大、滤波降噪及A/D转换，便于后续的特征提取；

特征提取模块，用于对降噪后的振动信号提取分形故障特征；

状态识别模块，用于将提取的分形故障特征与初始导入的历史训练得到的各故障分形特征量进行故障匹配和识别；

故障诊断及报警模块，用于对故障作出诊断并发出报警，提醒设备维护人员对设备做出相应处理。

实施例2：如图1-4所示，一种基于分形理论的隔膜泵故障诊断方法及装置，所述方法的具体步骤如下：

Step1、通过信号采集模块对隔膜泵振动信号进行采集；同时将历史训练得到的各故障分形特征量导入故障识别模块，作为故障识别的故障匹配特征量；

Step2、通过预处理模块电路对采集到的振动信号进行放大、滤波去噪和A/D转换，实现信号的降噪处理；

Step3、对降噪后的振动信号进行分形故障特征量提取，包括其关联维数特征量与盒维数特征量的提取；

Step4、将得到的关联维数特征量与盒维数特征量与步骤Step1中导入的历史训练的各故障分形特征量进行故障匹配和识别；

若与故障匹配特征量相匹配，则报警模块提示设备维护人员对设备进行跟踪关注；

若匹配结果超出所设阈值，则发出警报由设备维护人员对设备进行维修处理，同时更新匹配特征量数据库。

所述步骤Step3中，所述分形故障特征量提取包括两个步骤：

(1)首先计算振动信号的关联维数特征量，若其关联维数特征量能反映出故障类型，则继续步骤Step4进行后续的模式识别；

(2)若其关联维数特征量不能反映信号的状态特征，则进一步计算其盒维数特征量对关联维数特征量进行佐证，联合二者特征实现状态识别。

一种基于分形理论的隔膜泵故障诊断装置，包括

信号采集模块，用于通过加速度传感器对隔膜泵的振动信号进行检测，并将历史训练得到各故障分形特征量导入到故障识别模块，作为故障识别模块的故障匹配特征量；所述加速度传感器采取了三个方向的安装方式，分别为轴向、径向和垂直方向；

信号预处理模块，用于对采集到的隔膜泵振动信号进行预处理，包括信号放大、滤波降噪及A/D转换，便于后续的特征提取；

特征提取模块，用于对降噪后的振动信号提取分形故障特征；

状态识别模块，用于将提取的分形故障特征与初始导入的历史训练得到的各故障分形特征量进行故障匹配和识别；

故障诊断及报警模块，用于对故障作出诊断并发出报警，提醒设备维护人员对设备做出相应处理。

具体为：采用型号为ADXL335的角度三轴重力加速度传感器对某矿浆管道的隔膜泵振动信号进行采集；并对采集的振动信号通过信号预处理模块硬件电路进行信号放大、滤波降噪和A/D转换，信号放大可采用AD8065芯片，该芯片属于FastFET放大器，此类放大器为电压反馈型放大器，提供FET输入，性能出色，在市场上均可买到；A/D转换可采用AD9225芯片，其特点是单个芯片和单电源供电，片内集成了参考电压源以及高性能的采样保持放大器，其精度为12位。

实施例3：如图1-4所示，一种基于分形理论的隔膜泵故障诊断方法及装置，所述基于分形理论的隔膜泵故障诊断方法的具体步骤如下：

Step1、通过信号采集模块对隔膜泵振动信号进行采集；同时将历史训练得到的各故障分形特征量导入故障识别模块，作为故障识别的故障匹配特征量；历史训练得到的隔膜泵各状态分形特征量如表1所示：

表1隔膜泵各状态下历史训练得到的分形特征量

运行状态	正常状态	隔膜击穿	隔膜泵单向阀卡阀	单向阀磨蚀泄露
					关联维数特征量	4.2109	3.7165	3.1024	3.0734
盒维数特征量	1.7934	1.6472	1.5970	1.4032

Step2、通过预处理模块电路对采集到的振动信号进行放大、滤波去噪和A/D转换，实现信号的降噪处理；

Step3、对降噪后的振动信号进行分形故障特征量提取，包括其关联维数特征量与盒维数特征量的提取；该组振动信号经计算得到其关联维数特征量为3.0824，盒维数特征量为1.4030；

所述步骤Step3中，所述分形故障特征量提取包括两个步骤：

(1)首先计算振动信号的关联维数特征量，若其关联维数特征量能反映出故障类型，则继续步骤Step4进行后续的模式识别；

(2)若其关联维数特征量不能反映信号的状态特征，则进一步计算其盒维数特征量对关联维数特征量进行佐证，联合二者特征实现状态识别。

Step4、将得到的关联维数特征量与盒维数特征量与步骤Step1中导入的历史训练的各故障分形特征量进行故障匹配和识别；经对比发现，新的振动信号的关联维数特征量为3.0824的故障可能是隔膜泵单向阀卡阀，也可能是单向阀腐蚀泄露；因此匹配其盒维数特征量，发现其盒维数特征量与单向阀磨蚀泄露的盒维数特征量更匹配，结合二者匹配结果，可判定该组振动信号对应的为单向阀磨蚀泄露故障；

此时，若所设定的盒维数特征量阈值为0.0010，则二者匹配结果已超出所设阈值，则装置发出警报由设备维护人员对设备进行维修处理，同时更新匹配特征量数据库。

所述基于分形理论的隔膜泵故障诊断装置包括：

信号采集模块，用于通过加速度传感器对隔膜泵的振动信号进行检测，并将历史训练得到各故障分形特征量导入到故障识别模块，作为故障识别模块的故障匹配特征量；所述加速度传感器采取了三个方向的安装方式，分别为轴向、径向和垂直方向；

信号预处理模块，用于对采集到的隔膜泵振动信号进行预处理，包括信号放大、滤波降噪及A/D转换，便于后续的特征提取；

特征提取模块，用于对降噪后的振动信号提取分形故障特征；

状态识别模块，用于将提取的分形故障特征与初始导入的历史训练得到的各故障分形特征量进行故障匹配和识别；

故障诊断及报警模块，用于对故障作出诊断并发出报警，提醒设备维护人员对设备做出相应处理。

上面结合附基于分形理论的隔膜泵故障诊断方法与常用的隔膜泵故障诊断方法，其具有的独特优势如表2所示；

表2常用的隔膜泵故障诊断方法的缺点比较

本基于分形理论的隔膜泵故障诊断方法的优势：完全自适应，不存在过包络、欠包络、边界效应和模态混淆现象等问题；而且对于非线性信号，分形维数具有很好的表征能力，其是定量的给出描述动力系统所需的独立变量的数目，这样便可通过分形维数来对其进行故障诊断。

隔膜泵的不同故障通常都源自不同的动力学机理，频谱分析的方法有时难以获取这方面的信息，而分形维数能够定量的给出描述动力系统所需的独立变量的数目，便可通过分形维数来对其进行故障进行定量描述。

图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.一种基于分形理论的隔膜泵故障诊断方法，其特征在于：所述方法的具体步骤如下：

Step1、通过信号采集模块对隔膜泵振动信号进行采集；同时将历史训练得到的各故障分形特征量导入故障识别模块，作为故障识别的故障匹配特征量；

Step2、通过预处理模块电路对采集到的振动信号进行放大、滤波去噪和A/D转换，实现信号的降噪处理；

Step3、对降噪后的振动信号进行分形故障特征量提取，包括其关联维数特征量与盒维数特征量的提取；

Step4、将得到的关联维数特征量与盒维数特征量与步骤Step1中导入的历史训练的各故障分形特征量进行故障匹配和识别；

若与故障匹配特征量相匹配，则报警模块提示设备维护人员对设备进行跟踪关注；

若匹配结果超出所设阈值，则发出警报由设备维护人员对设备进行维修处理，同时更新匹配特征量数据库；

所述步骤Step3中，所述分形故障特征量提取包括两个步骤：

（1）首先计算振动信号的关联维数特征量，若其关联维数特征量能反映出故障类型，则继续步骤Step4进行后续的模式识别；

（2）若其关联维数特征量不能反映信号的状态特征，则进一步计算其盒维数特征量对关联维数特征量进行佐证，联合二者特征实现状态识别。

2.一种根据权利要求1所述的基于分形理论的隔膜泵故障诊断方法构建的诊断装置，其特征在于：包括

信号采集模块，用于通过加速度传感器对隔膜泵的振动信号进行检测，并将历史训练得到各故障分形特征量导入到故障识别模块，作为故障识别模块的故障匹配特征量；所述加速度传感器采取了三个方向的安装方式，分别为轴向、径向和垂直方向；

信号预处理模块，用于对采集到的隔膜泵振动信号进行预处理，包括信号放大、滤波降噪及A/D转换，便于后续的特征提取；

特征提取模块，用于对降噪后的振动信号提取分形故障特征；

状态识别模块，用于将提取的分形故障特征与初始导入的历史训练得到的各故障分形特征量进行故障匹配和识别；

故障诊断及报警模块，用于对故障作出诊断并发出报警，提醒设备维护人员对设备做出相应处理。