一种输油泵轴承故障诊断方法与流程

本发明涉及轴承故障诊断领域，为了确保石油管道运输安全及经济效益而提出的一种输油泵轴承故障诊断方法，重点在于故障识别，多组证据产生一致或冲突结果时的合成识别，尤其是适用于基于多个传感器信息识别轴承故障状态的情况。
背景技术：
石油是保障国家经济高速平稳发展的重要资源，管道运输作为一种高效、经济、安全的运输方式，凭借其它传统运输不可比拟的优势成为石油运输的首选运输方式。输油泵成为了管道运输中最为关键的动设备，其稳定运行直接影响着石油管道运输系统的安全性。目前，对输油泵轴承故障的诊断大多数情况下基于单个传感器进行简单判断，如采集设备单一的状态信号如振动、温度及流量状态提取故障特征从而识别故障。在自然或人为干扰条件下，采用单个传感器风险很大，单个传感器出现故障可能导致对设备故障状态误判。而采用多个传感器则可以降低误判风险，而在干扰条件下不可避免会存在获取信息的不确定性，导致冲突信息的存在。采用数学平均或简单逻辑处理等方法往往因无法处理这些冲突信息而识别出错误的故障诊断结果。技术实现要素：本发明的目的是针对单一传感器对输油泵故障识别风险大、不确定的问题，提出的一种新的输油泵轴承故障诊断的方法，采用多个传感器检测输油泵轴承数据，应用基于d-s改进后的推理合成公式对于多证据组识别信息融合，从而对输油泵轴承进行故障诊断。本发明的技术方案是：一种输油泵轴承故障诊断方法，它包括以下步骤：(1)、采用加速度传感器对轴承振动信号进行数据采集，进行emd经验模态分解、本征模态函数imf包络谱分析，获得样本数据特征物理量；(2)、基于轴承故障特征矩阵对样本数据特征物理量进行处理，获取bpa值作为bpa证据；(3)、改进d-s证据推理规则对bpa证据进行融合获得轴承故障诊断结果。具体的，步骤(1)中，采用多个加速度传感器检测轴承振动从而获取故障振动信号，并对信号进行频谱分析，在此基础上将故障振动信号进一步emd经验模态分解成不少于三个的本征模态函数imf之和，取前三个本征模态函数imf分别进行包络谱分析，获取样本数据特征物理量。具体的，步骤(2)中，基于灰色关联度，计算采集样本数据特征物理量与轴承故障特征矩阵的灰色关联度获取bpa证据，过程如下：a：滚动轴承故障具体分为内圈故障、外圈故障及滚动体故障，顺次记为故障域{a1,a2,a3}，取各自故障特征频率作为特征物理量，则故障域{a1,a2,a3}的特征参考序列为(xt1,xt2,xt3),t＝1,2,3；特征参考序列(xt1,xt2,xt3),t＝1,2,3中的元素值通过事先理论计算或大量历史故障及其对应样本数据处理统计获得；构成轴承参考故障特征矩阵：b：第i个加速度传感器采集的轴承振动信号经emd处理及包络谱分析后所获取样本数据特征物理量记为p(i)＝(y(i)1,y(i)2，y(i)3)，i＝1,2,…,n，n表示传感器个数；计算p(i)对故障域{a1,a2,a3}的灰关联度{γi1,γi2,γi3}：b1：计算p(i)对故障at在q维的关联系数αtq：其中，t＝1,2,3，q＝1,2,3，ρ为分辨系数，在0～1之间；b2：p(i)对at的灰关联度为γitc：归一化灰关联度{γi1,γi2,γi3}，即获得第i个证据信息对故障at的bpa证据为mi(at)：具体的，步骤(3)中基于证据间冲突因子k对bpa证据进行融合，不同的k值采取不同的融合公式，计算证据间冲突因子k具体为：记焦元为at的识别框架θ，t＝1,2,3；第i、j个加速度传感器采集数据获得的bpa证据分别表示为mi＝(mi(a1),mi(a2),mi(a3))和mj＝(mj(a1),mj(a2),mj(a3))，其中，i、j表示加速度传感器的编号，i,j＝1,2,…,n，n表示轴承加速度传感器的数目，计算n个bpa证据组的冲突因子k：证据组两两组合，计算其冲突因子kij，取kij的最大值作为数据源的冲突因子k，即：k＝max(kij)(5)具体的，步骤(3)中，当k＜0.779时，证据融合公式m(at)为：得到基于各证据源即加速度传感器信息推理出的概率分配m(at)，选择m(at)最大值对应的故障at作为最终输油泵轴承故障诊断结果。具体的，步骤(3)中，当k≥0.779时，证据融合步骤具体为：a：计算对于同一焦元at,t＝1,2,3,两bpa证据间距离dij(at)：将n个bpa证据对某一焦元at的距离矩阵规则化后得到矩阵d*(at)：其中：dij*＝dij(at)/dmax，dmax＝max{dij(at)}；0＜dij*＜1；b：支持度矩阵及他信度计算定义支持度矩阵y(at)＝1-d*(at)，即y(at)中元素yij＝1-dij*,yii＝1：将y(at)按列相加并归一化，得到可信度向量sup(at)：sup(at)＝[sup1(at),sup2(at),…supn(at)](10)supi(at)表示对于同一焦元at，其他证据对证据ei的支持程度；分别计算对于不同焦元{a1,a2,a3}的sup(at)，定义证据的他信度矩阵z：z的第i行反映了其他证据对证据ei的支持程度；对z的行取平均，得证据ei的他信度ti；绝对他信度ti＝ti/max{ti}；c：证据修正基于获得的绝对他信度ti对证据的信任分配值进行修正，记为m*：mi*(at)＝ti*mi(at),i＝1,2,…n，由于绝对他信度不恒为1，在修正后的数据源内加入未知焦元的信任分配值mi*(x)：即修正先后形式为：原始证据bpa为mi＝(mi(a1),mi(a2),mi(a3))，修正后bpa为mi*，mi*＝(mi*(a1),mi*(a2),mi*(a3),mi*(x))＝[timi(a1),timi(a2),timi(a3),1-timi(a1)-timi(a2)-timi(a3)]d：融合公式m(at)：其中，p(at)为at、aa冲突中分给at部分：p*(at)为aa、ab冲突中分给at部分：计算时，对于n个加速度传感器获得的n个证据，首先取第1个证据m1*,第2个证据m2*按式(12)进行推理合成，再将合成结果与第3个证据m3*合成，反复执行，直至最后一个证据mn*合成，得到基于各证据源即各加速度传感器信息推理出的概率分配m(at)，选择m(at)中概率最大值对应的故障at作为最终输油泵轴承故障诊断结果。本发明的有益效果：1、本发明提出的一种输油泵轴承故障诊断方法可处理多个轴承加速度传感器中有传感器损坏导致部分数据失效或异常情况。2、本发明既适用于多轴承加速度传感器信息一致情况，也适用于多轴承加速度传感器信息冲突情况。3、本发明中新提出信息推理合成公式，对冲突信息分配更合理，最大程度融合所得信息，增强识别结果可靠性。4、本发明新提出信息推理合成公式，收敛速度更快，融合效果较好，在证据组较少的情况下就能识别正确目标。5、对于输油泵轴承故障的诊断误判率降低。附图说明图1是本发明的输油泵轴承故障诊断方法流程图图2是实施例中传感器1所采数据处理步骤之待检故障信号1原始振动信号时域波形及频谱图3是实施例中传感器1所采数据处理步骤之待检故障信号1emd分解后三个imf时域波形图4是实施例中传感器1所采数据处理步骤之三个imf频谱图5是实施例中传感器1所采数据处理步骤之三个imf包络谱具体实施方式下面结合实施例对本发明作进一步的说明。一种输油泵轴承故障诊断方法，采用多个轴承加速度传感器采集轴承振动信号，根据对振动信号的处理诊断故障。所述新的输油泵故障诊断方法主要包括：采集数据处理步骤、基本概率分配(basicprobabilityassignment，bpa)步骤及证据推理合成故障识别步骤三个部分。以一个1.5kw的电机，被测试轴承支承电机轴为例。使用电火花加工技术在轴承上布置了单点故障，故障直径为0.1778mm，使用加速度传感器采集振动信号，振动信号通过16通道的dat记录器采集，后期在matlab环境中处理。采样频率为12000hz，轴承转速为1772r/min。轴承尺寸为：(单位：英寸)内圈直径外圈直径厚度滚动体直径节径0.98432.04720.59060.31261.537故障频率:(转速hz的倍数)内圈外圈保持架滚动体5.41523.58480.398284.71351、采集数据处理步骤根据参数计算故障频率，得内圈故障频率为159.93hz，外圈故障频率为105.87hz，滚动体故障频率为139.21hz。利用matlab对所采振动信号进行频谱分析，在此基础上将故障震动信号进一步emd经验模态分解成不少于三个的本征模态函数imf之和，取前三个本征模态函数imf分别进行包络谱分析，得待检故障信号的故障特征量。传感器1所采数据及处理步骤如附图2-5所示。最终获得待检故障信号：p1＝(159.7159.7159.7)2、基本概率分配步骤记内圈故障、外圈故障及滚动体故障为故障域{a1,a2,a3}，基于事先理论计算(具体方法参照上述采集数据处理步骤，其它实施例亦可以通过大量历史故障及其对应样本数据处理统计)获得各故障域故障特征量(xt1,xt2,xt3),t＝1,2,3，即：内圈故障样本特征量为：(159.93,159.93,159.93)外圈故障样本特征量为：(105.87,105.87,105.87)内圈故障样本特征量为：(139.21,139.21,139.21)建立故障样本空间：则根据式(2)(3)计算p1对at的灰关联度为γ1t，如表1所示表1p1对at的灰关联度由式(4)可得待检信号p1对各故障的bpa证据为m1(a1)＝0.5239，m1(a2)＝0.1761，m1(a3)＝0.3；重复以上步骤，依次计算4个传感器所得数据对样本空间的bpa值。3、证据推理合成故障识别步骤本模块对多组证据bpa依据改进d-s推理规则合成，实现对故障的最终识别。下面分别以多个传感器证据间较一致或存在较大冲突两种情况进行说明。(1)若4个传感器采集数据获取的不同证据信息比较一致时，设不同传感器对应的bpa值分别如下(k＝0.5813)：m1(a1)＝0.5239，m1(a2)＝0.1761，m1(a3)＝0.3；m2(a1)＝0.6511，m2(a2)＝0.071，m2(a3)＝0.2779；m3(a1)＝0.708，m3(a2)＝0.07，m3(a3)＝0.222；m4(a1)＝0.5905，m4(a2)＝0.1087，m4(a3)＝0.3008；对4个证据组合推理结果如表2所示表2对一致性证据推理识别结果从表1看出，本发明所述方法收敛明显，对低冲突证据组合很有效，轴承故障诊断结果为a1即内圈故障。(2)若4个传感器采集数据获取的不同证据信息间存在较大冲突的情况，设不同传感器对应的bpa值分别如下(k＝0.9134)：m1(a1)＝0.5239，m1(a2)＝0.1761，m1(a3)＝0.3；m2(a1)＝0，m2(a2)＝0.8907，m2(a3)＝0.1093；m3(a1)＝0.708，m3(a2)＝0.07，m3(a3)＝0.222；m4(a1)＝0.5905，m4(a2)＝0.1087，m4(a3)＝0.3008；对4个证据组合推理结果如表3所示表3对冲突证据推理识别结果结果显示，本发明的方法在收到第3个证据时，就可以正确识别出目标了。分析原因可以发现：受某传感器自身不可靠、环境恶劣等可能因素影响，导致证据2与实际情况有较大的偏差。本发明推理规则考虑了多个bpa证据之间的相互关系，不仅考虑了各个证据的可信度所表征的全局有效性，而且将局部冲突进行合理分配，最大程度地减少“坏值”对融合结果和决策的影响，提高收敛速度的同时，降低了决策风险，在证据比较少的情况下就可以收敛为正确的目标。可见，本发明在多个传感器证据间较一致或存在较大冲突识别系统运行状态都很有效。本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。当前第1页12