[发明专利]一种基于熵值的离心泵故障诊断方法

说明书

本发明提出了一种基于熵值的离心泵故障诊断方法，称为复合多维多尺度符号动力学熵(CMvMSDE)。首先，为克服传统粗粒化过程中尺度增加而产生复杂度估计不准确和结果波动性较大的缺点，本文提出了复合多尺度粗粒化过程，利用滑动窗口进行多尺度分割，提高了方法的稳定性。其次，基于多变量相空间重构技术，将一维的符号动力学熵拓展到多维符号动力学熵，从而提出复合多维多尺度符号动力学熵。本文所提的CMvMSDE可提高故障特征提取能力，并可进一步丰富熵值理论。最后，结合逻辑回归分类器，有效识别不同的离心泵故障，并且识别率为100％。

技术领域

本发明涉及数字信号处理领域，特别涉及一种基于熵值的离心泵故障诊断方法。

背景技术

离心泵作为重要的能量转化和流体输送设备，具有体积小，重量轻，效率高，结构简单等优势，因此被广泛应用于石化，电力、供水，排水，航空等各个领域中。离心泵通常在恶劣的工况中运行，易发生各种形式的损伤。如果故障发现不及时，可能导致离心泵运行效率下降，生产中断，造成重大的经济损失或灾难性事故。因此，离心泵的故障诊断对保障其安全运行至关重要。

离心泵故障诊断的关键是如何从测得的振动信号中准确提取故障特征。目前在离心泵健康监测中传统的特征提取方法包括：有效值、峭度值、均方根值和快速傅里叶变换(FFT)等。然而，当离心泵发生故障时，测得的振动信号往往呈现出非平稳非线性的特征，上述传统的特征提取方法难以有效提取离心泵隐藏的故障特征，导致最终故障识别率较低。因此，需要寻求一种新的离心泵特征提取方法。

熵在检测时间序列的动态变化方面给予了研究者新的视角，目前已广泛应用于旋转机械的故障诊断。熵值是用来衡量一个时间序列混乱程度的度量，系统越混乱，有序度就越低，因此熵就越大，反之熵就越小。从正常离心泵收集的振动信号由于其高度不规则性而通常具有较大的熵值，而从故障的离心泵收集的振动信号由于较低的不规则性而具有较小的熵值。因此，可以利用熵值作为故障特征来对离心泵的故障类型进行识别。目前，样本熵(SE)和排列熵(PE)是测量给定时间序列的复杂度的最广泛使用的方法。然而，样本熵在分析长信号的效率并不高，排列熵尽管比样本熵快，但其仅考虑时间序列的幅度值的排序，因此易受干扰噪声的影响。因此，研究者提出符号动力学熵(SDE)解决这些问题。与样本熵和排列熵相比，符号动力学熵具有明显的优势，如计算效率高和抗噪性强。同时，符号动力学熵被扩展到多尺度符号动力学熵(MSDE)，成功用于行星齿轮箱的故障诊断。但是，由于MSDE仅考虑从单通道传感器捕获的故障信息，而单个传感器很难全面反应某些大型设备的故障信息，所以MSDE方法在提取离心泵的故障特征时仍存在缺陷。目前，如何充分和有效的利用机器中所有的传感器成为了研究的热点及难点。

离心泵的主要故障模式为轴承故障和叶轮故障。然而，轴承和叶轮之间存在较长的传输路径，因而测得的振动信号较弱，大量的有效信息被噪声淹没，从而导致故障识别的正确率较低。如果用两个传感器收集振动信号，一个安装在轴承末端，另一个安装在叶轮末端，从双通道振动信号中提取的故障特征无疑会提供更多的故障信息，因此能够更全面的反应离心泵的运行状态，从而有效地提高故障识别的正确率。

发明内容

本发明解决的技术问题是：本发明为了解决多尺度符号动力学熵在离心泵故障诊断中不能进行多通道信号分析这一缺点，我们提出了一种新的故障特征提取方法，称为复合多维多尺度符号动力学熵(CMvMSDE)。

本发明的技术方案是：一种基于熵值的离心泵故障诊断方法，包括以下步骤：

步骤1：利用p个通道的震动传感器采集到p个通道的震动信号(每一个通道即为一维变量)，构建多维时间序列矩阵X_i,j，形式如下：

式中，i代表了通道的数目，取值范围为i＝1,2,…,p，即矩阵中每一行表示了一个通道；j代表了数据的长度，取值范围为j＝1,2,…,N。