基于改進(jìn)的生物傳感器的渦輪泵故障診斷方法

基于改進(jìn)的生物傳感器的渦輪泵故障診斷方法

1齒輪泵故障診斷方法的選擇在液體推動(dòng)系統(tǒng)中，渦旋泵是傳輸推進(jìn)器的核心部件。大多數(shù)大型液體氣體發(fā)動(dòng)機(jī)的故障與此有關(guān)，振動(dòng)是渦旋泵故障的重要原因之一。另一方面,渦輪泵的其它故障也通過(guò)渦輪泵振動(dòng)惡化的形式表現(xiàn)出來(lái)。渦輪泵一旦出現(xiàn)嚴(yán)重故障,將會(huì)導(dǎo)致火箭發(fā)射失敗,造成巨大的經(jīng)濟(jì)損失。因此開(kāi)展大型液體火箭發(fā)動(dòng)機(jī)渦輪泵健康監(jiān)控與故障診斷技術(shù)的研究對(duì)提高我國(guó)運(yùn)載火箭推進(jìn)系統(tǒng)的壽命、安全性、可靠性,降低空間發(fā)射費(fèi)用以及保證載人航天的安全具有重大意義。目前渦輪泵故障診斷方法中常用的統(tǒng)計(jì)學(xué)習(xí)診斷方法只考慮了參數(shù)的幅值變化,沒(méi)有考慮參數(shù)的模式變化,也沒(méi)有考慮參數(shù)之間的相關(guān)變化關(guān)系,缺乏數(shù)據(jù)融合的思想;基于規(guī)則(圖匹配或者句法)渦輪泵故障診斷的方法需要大量的先驗(yàn)知識(shí);基于神經(jīng)網(wǎng)絡(luò)的渦輪泵故障診斷方法又需要大量的分類(lèi)數(shù)據(jù);基于模型的渦輪泵故障診斷方法需要建立精確的數(shù)學(xué)模型,而先驗(yàn)知識(shí)的獲取困難和精確模型難以建立往往限制了這些方法在故障診斷中的使用,特別是對(duì)于航空航天等領(lǐng)域的大型復(fù)雜系統(tǒng),精確模型是很難建立的,先驗(yàn)知識(shí)又是難以獲取的,故障數(shù)據(jù)和異常數(shù)據(jù)是極為缺乏的,如何在大量容易獲取的正常數(shù)據(jù)基礎(chǔ)上,提出快速有效的設(shè)備故障診斷方法,是提高設(shè)備故障診斷魯棒性的重要問(wèn)題。生物免疫系統(tǒng)的反面選擇機(jī)理能在不需要先驗(yàn)知識(shí)的情況下,通過(guò)對(duì)正常知識(shí)的學(xué)習(xí),產(chǎn)生出故障檢測(cè)器,從而有效地保護(hù)身體免受外界的入侵,這種獨(dú)特的工作機(jī)理為研究新的故障診斷方法提供了方向。受生物免疫系統(tǒng)自己—非己識(shí)別機(jī)理的啟發(fā)提出的反面選擇算法能檢測(cè)任何異常變化,本文以渦輪泵的振動(dòng)信號(hào)數(shù)據(jù)為對(duì)象,提出一種基于免疫反面選擇算法的渦輪泵故障診斷方法。首先對(duì)渦輪泵的振動(dòng)信號(hào)進(jìn)行加窗并移動(dòng)窗口的辦法獲取其特征模式向量。對(duì)這些渦輪泵正常的特征模式向量,利用反面選擇算法進(jìn)行學(xué)習(xí)和訓(xùn)練,得到了適合這個(gè)故障的檢測(cè)器集,用這個(gè)檢測(cè)器集來(lái)執(zhí)行故障檢測(cè)。由于常規(guī)的反面選擇算法的實(shí)現(xiàn)受到時(shí)間復(fù)雜性和在非己空間容易產(chǎn)生“孔洞”現(xiàn)象等的限制,文中提出改進(jìn)反面選擇算法,使產(chǎn)生的實(shí)值可變閾值檢測(cè)器有效地覆蓋非己空間,能準(zhǔn)確地檢測(cè)出各種異常,利用改進(jìn)的反面選擇算法從特征中直接產(chǎn)生類(lèi)似生物系統(tǒng)的檢測(cè)器,使不同類(lèi)別的檢測(cè)器反映渦輪泵不同的故障,用學(xué)習(xí)訓(xùn)練后的檢測(cè)器即可對(duì)渦輪泵進(jìn)行監(jiān)測(cè)及診斷。通過(guò)對(duì)三種渦輪泵故障數(shù)據(jù)的檢測(cè),并與Forrest的方法進(jìn)行對(duì)比,檢測(cè)結(jié)果很好地說(shuō)明本文研究的方法故障檢測(cè)效果更好。2抗免疫反應(yīng)選擇算法和反應(yīng)算法2.1免疫組織中t細(xì)胞的檢測(cè)基于免疫機(jī)理的人工免疫系統(tǒng)(AIS)已廣泛應(yīng)用于網(wǎng)絡(luò)安全、數(shù)據(jù)挖掘、故障診斷等領(lǐng)域。免疫識(shí)別是免疫系統(tǒng)的主要功能,也是AIS的核心之一,而識(shí)別的本質(zhì)就是區(qū)分“自我”與“非我”。生物免疫系統(tǒng)的主要功能是檢測(cè)和殺傷來(lái)自生物體內(nèi)和體外稱(chēng)為抗原的非己物質(zhì)。免疫系統(tǒng)的T細(xì)胞在產(chǎn)生過(guò)程中,通過(guò)偽隨機(jī)基因重組過(guò)程在T細(xì)胞表面產(chǎn)生檢測(cè)器,然后T細(xì)胞進(jìn)入胸腺進(jìn)行檢查(稱(chēng)為反面選擇),那些和機(jī)體自身蛋白質(zhì)反應(yīng)的T細(xì)胞被毀滅,只有那些不破壞自身組織的T細(xì)胞存活,這些成熟的T細(xì)胞在體內(nèi)循環(huán),它能檢測(cè)出任何非己物質(zhì),執(zhí)行免疫功能,保護(hù)機(jī)體免受抗原的侵襲。T細(xì)胞的檢測(cè)器能夠準(zhǔn)確識(shí)別非己,這也稱(chēng)為免疫系統(tǒng)的自己—非己識(shí)別過(guò)程。免疫系統(tǒng)能夠通過(guò)對(duì)自己的學(xué)習(xí),對(duì)非己產(chǎn)生記憶,并通過(guò)有限數(shù)量的檢測(cè)器,能夠準(zhǔn)確地識(shí)別和殺傷無(wú)限數(shù)量的非己,體現(xiàn)了免疫系統(tǒng)獨(dú)特的智能機(jī)理和極具魯棒性的處理問(wèn)題的方法。借鑒免疫系統(tǒng)的反面選擇機(jī)理提出的反面選擇算法在異常檢測(cè)時(shí)不需要先驗(yàn)知識(shí),是基于大量的正常數(shù)據(jù)進(jìn)行的,具有很強(qiáng)的魯棒性、并行性和分布式檢測(cè)等特點(diǎn),非常適合于故障樣本缺乏的異常檢測(cè)與故障診斷問(wèn)題,將其用于故障診斷領(lǐng)域具有很大的潛力。2.2基于檢測(cè)串的檢測(cè)受免疫系統(tǒng)自己—非己識(shí)別機(jī)理的啟發(fā),Forrest等提出了用于異常檢測(cè)的二進(jìn)制反面選擇算法。該算法與免疫系統(tǒng)的反面選擇過(guò)程類(lèi)似,通過(guò)隨機(jī)的產(chǎn)生檢測(cè)器,并取消那些能檢測(cè)出自己的檢測(cè)器,以便保留的檢測(cè)器能檢測(cè)任何非己。算法如下:(1)定義自己為需要被保護(hù)或檢測(cè)的有限串集S,串可以是程序、數(shù)據(jù)文件及正常模式的二進(jìn)制編碼等。(2)隨機(jī)產(chǎn)生檢測(cè)器集D,D中的每個(gè)檢測(cè)器都不能與S中的串相匹配。(3)通過(guò)將檢測(cè)器集D中的每個(gè)檢測(cè)器與S中的每個(gè)串相比較來(lái)檢測(cè)S集的變化,如果任意一個(gè)檢測(cè)器與S中的元素匹配,則認(rèn)為S已發(fā)生變化。為了使反面選擇算法更具有實(shí)用性,Gonzalez等對(duì)檢測(cè)器的概念進(jìn)行了推廣,提出了實(shí)值向量檢測(cè)器的概念,擴(kuò)大了反面選擇算法的應(yīng)用范圍。但是這些算法,大多直接借鑒于反面選擇機(jī)理,候選檢測(cè)器如落在正?？臻g中,則拋棄重新產(chǎn)生,這樣檢測(cè)器的產(chǎn)生效率就比較低,同時(shí)檢測(cè)器的檢測(cè)半徑都一樣,使得檢測(cè)器集的多樣性不足,導(dǎo)致對(duì)異?？臻g的覆蓋不夠,從而導(dǎo)致檢測(cè)效果不太理想。2.3檢測(cè)結(jié)果和算法的基本過(guò)程為了克服上述缺點(diǎn),本文針對(duì)旋轉(zhuǎn)機(jī)械異常檢測(cè)的實(shí)際情況,提出改進(jìn)的反面選擇算法,該算法在多維空間下,使每個(gè)檢測(cè)器都有自己的檢測(cè)半徑,通過(guò)克隆和學(xué)習(xí)原理鼓勵(lì)優(yōu)良檢測(cè)器繁殖,并減少檢測(cè)器之間的孔洞數(shù),如圖1和圖2所示,圖1中深色超球群體為自己空間S,常數(shù)半徑閾值的超球檢測(cè)器重疊覆蓋其周?chē)姆羌嚎臻g,這樣不僅造成了檢測(cè)器不能有效的覆蓋“孔洞”區(qū)域,而且大量的檢測(cè)器重疊在一起,使其檢測(cè)效率極低。圖2中每個(gè)檢測(cè)器都有自己的檢測(cè)半徑,這樣即可以很好的覆蓋“孔洞”區(qū)域,又可以使用較少的檢測(cè)器有效地覆蓋非己空間。在本文的算法中,對(duì)于比較優(yōu)良的檢測(cè)器,通過(guò)對(duì)其克隆并進(jìn)行學(xué)習(xí),優(yōu)化檢測(cè)器集的性能,盡可能地覆蓋異?？臻g。本文研究的實(shí)值反面選擇算法的基本過(guò)程如圖3所示。算法中,每個(gè)檢測(cè)器都有自己的中心和檢測(cè)半徑,這個(gè)中心是隨機(jī)產(chǎn)生的,檢測(cè)半徑用來(lái)決定這個(gè)檢測(cè)器的檢測(cè)范圍。對(duì)于候選檢測(cè)器,如其落入正?？臻g中,為了引導(dǎo)其進(jìn)入異?？臻g,提高檢測(cè)器的產(chǎn)生效率,在本算法中對(duì)其進(jìn)行學(xué)習(xí),以使其遠(yuǎn)離正?？臻g,最終成為成熟的檢測(cè)器。對(duì)于成熟的檢測(cè)器,其半徑越大,覆蓋的異?？臻g就比較大,其檢測(cè)效果也更好,因此鼓勵(lì)檢測(cè)半徑較大的檢測(cè)器進(jìn)行克隆繁殖。為了更有效覆蓋異?？臻g,減少檢測(cè)器數(shù)目并提高檢測(cè)器的產(chǎn)生效率,算法中選取半徑比較大而與其它成熟檢測(cè)器重疊值又滿(mǎn)足要求的檢測(cè)器進(jìn)行克隆,并對(duì)這些克隆進(jìn)行學(xué)習(xí)。在每次循環(huán)中,再引入一些隨機(jī)產(chǎn)生的候選檢測(cè)器,以盡可能的覆蓋異?？臻g。當(dāng)?shù)玫阶銐驍?shù)目的檢測(cè)器后,算法結(jié)束。2.4檢測(cè)集的產(chǎn)生過(guò)程在算法中,用歐氏距離來(lái)計(jì)算兩個(gè)點(diǎn)x和y之間的距離E,定義為E(x,y)=(∑|xi?yi|2)1/2E(x,y)=(∑|xi-yi|2)1/2式中x={x0,x1,…,xn-1};y={y0,y1,…,yn-1}。每個(gè)檢測(cè)器都有自己的檢測(cè)半徑,假定候選檢測(cè)器d與距離它最近的正常向量的距離是E,那么檢測(cè)器的半徑rd=E-rs,rs為正常空間的閾值,如果rd<0,則這個(gè)檢測(cè)器落入正常向量空間中,需要對(duì)這個(gè)檢測(cè)器進(jìn)行學(xué)習(xí)。用d=(c,rd)表示一個(gè)候選檢測(cè)器,而dnearest=(cnearest,rnearestd)為距離d最近的檢測(cè)器。如果d落入正?？臻g,則通過(guò)下面的公式對(duì)d進(jìn)行學(xué)習(xí),以使其落在異?？臻g中。cnew=c+αdir|dir|cnew=c+αdir|dir|式中dir=c-cnearest,‖·‖表示m維向量的范數(shù)。同樣地,如果一個(gè)候選檢測(cè)器與其它已存在的檢測(cè)器重疊值大于事先設(shè)定的常數(shù)ζ,為了減少孔洞數(shù),也用這個(gè)最近鄰法來(lái)學(xué)習(xí)這個(gè)候選檢測(cè)器,為了確保這個(gè)過(guò)程的收斂,給定了一個(gè)表示候選檢測(cè)器遠(yuǎn)離正?？臻g與已存在檢測(cè)器的變化衰減系數(shù)α。在每次產(chǎn)生過(guò)程中,當(dāng)檢測(cè)器數(shù)目還不夠時(shí),選擇一些比較優(yōu)良的檢測(cè)器進(jìn)行克隆。用d=(cold,roldd)表示要克隆的檢測(cè)器,d=(cclon,rclond)表示克隆產(chǎn)生的檢測(cè)器,克隆得到的檢測(cè)器其半徑與d相同,即rclond=roldd,而其中心cclon由下式計(jì)算得到cclon=cold+roldddir∥dir∥cclon=cold+rdolddir∥dir∥式中dir=cold-cnearest,cnearest為d的最近鄰的中心。利用反面選擇算法產(chǎn)生出成熟的檢測(cè)器集后,就需要用各種不同的樣本來(lái)測(cè)試檢測(cè)器集,以檢驗(yàn)其有效性并進(jìn)行故障診斷。例如,有一個(gè)樣本p=(cp,rs),計(jì)算p=(cp,rs)和檢測(cè)器d=(c,rd)之間的距離D(cp,c),如果D(cp,c)<(rs+rd),則檢測(cè)器d被激活,輸出為1,表示數(shù)據(jù)異常,可能有故障發(fā)生,否則,輸出為0,表示工作正常。3案例研究3.1模型向量的確定為了使數(shù)據(jù)規(guī)范化,針對(duì)某一正常工況下且經(jīng)過(guò)最大值和最小值之差的方法歸一化處理的時(shí)間序列x1,x2,…,xm,通過(guò)按時(shí)間軸加窗并移動(dòng)窗口的方法獲取一系列的實(shí)值向量作為樣本。如果窗寬width=n,窗口移動(dòng)步長(zhǎng)step=1,則提取的正常模式向量為(x1?x2???xn)(x2?x3???xn+1)????(xm?n+1?xm?n+2???xm)(x1?x2???xn)(x2?x3???xn+1)????(xm-n+1?xm-n+2???xm)所產(chǎn)生的模式向量的總數(shù)為m-n+1。當(dāng)然,窗口移動(dòng)步長(zhǎng)step也可取其它整數(shù)值,窗口移動(dòng)步長(zhǎng)越小,對(duì)正常模式的描述越精確,但相應(yīng)的計(jì)算復(fù)雜性也會(huì)增加。窗口寬度width的選擇決定了正常模式向量的維數(shù),對(duì)于實(shí)際的問(wèn)題,窗口寬度應(yīng)根據(jù)信號(hào)的特點(diǎn)及時(shí)間序列的個(gè)數(shù)進(jìn)行選擇。對(duì)渦輪泵正常工作狀態(tài)數(shù)據(jù)收集的越充分,正常模式向量越具有代表性。渦輪泵正常工作狀態(tài)包括反映渦輪泵正常工作狀態(tài)的各種數(shù)據(jù)類(lèi)型,包括各種歷史數(shù)據(jù)及當(dāng)前數(shù)據(jù)等。以上正常模式向量的構(gòu)造方法反映了信號(hào)的模式變化、幅值變化及其信號(hào)之間的相關(guān)性。3.2液體第一通道口的參數(shù)分析為了驗(yàn)證本文提出方法的有效性,在某液體火箭發(fā)動(dòng)機(jī)渦輪泵上進(jìn)行了正常狀態(tài)、密封泄露故障、軸承磨損故障及管道小孔堵塞故障狀態(tài)室內(nèi)模擬實(shí)驗(yàn)研究。實(shí)驗(yàn)中振動(dòng)信號(hào)采集使用BENTLY3000XL8mm電渦流傳感器,輸出為7.87V/mm,在實(shí)驗(yàn)過(guò)程中,采樣頻率為轉(zhuǎn)速的32倍,實(shí)驗(yàn)時(shí)轉(zhuǎn)子最高工作轉(zhuǎn)速為2×104轉(zhuǎn)/分。采集的信號(hào)經(jīng)A/D卡傳送到計(jì)算機(jī)中為后續(xù)的數(shù)據(jù)分析做準(zhǔn)備。實(shí)驗(yàn)中測(cè)取了4種狀態(tài)下的振動(dòng)信號(hào),由于篇幅有限這里只給出了某個(gè)正常狀態(tài)樣本和某個(gè)軸承磨損故障樣本的時(shí)域波形如圖4和圖5所示。首先采用上文提出的方法,選擇窗寬為4,窗口移動(dòng)步長(zhǎng)取2,提取液體火箭發(fā)動(dòng)機(jī)渦輪泵正常工況和各種故障模式的樣本特征向量,本文中每種狀態(tài)選擇500個(gè)樣本。利用正常樣本按圖3產(chǎn)生檢測(cè)器的方法進(jìn)行離線產(chǎn)生、訓(xùn)練實(shí)值向量檢測(cè)器,在訓(xùn)練檢測(cè)器之前,首先選取檢測(cè)器的學(xué)習(xí)步長(zhǎng)、檢測(cè)器數(shù)量等參數(shù),本文中檢測(cè)器生成參數(shù)rs=0.1,ζ=0.04,α=0.01及檢測(cè)器允許的最小半徑為0.05,檢測(cè)器的數(shù)量為80個(gè)。用訓(xùn)練好的檢測(cè)器可以對(duì)液體火箭發(fā)動(dòng)機(jī)渦輪泵軸承故障進(jìn)行檢測(cè),落在檢測(cè)器檢測(cè)范圍內(nèi)的數(shù)目為465,35個(gè)落在檢測(cè)器檢測(cè)范圍之外,檢測(cè)率為93%。對(duì)于其它故障按照同樣的方法進(jìn)行檢測(cè),檢測(cè)率分別為91%和95%。而用某一故障下的檢測(cè)器集對(duì)其它兩種故障數(shù)據(jù)進(jìn)行檢測(cè),檢測(cè)率都不超過(guò)30%,說(shuō)明產(chǎn)生的檢測(cè)器集只對(duì)相應(yīng)的故障數(shù)據(jù)敏感,從而可以執(zhí)行故障檢測(cè)和識(shí)別。同時(shí)在每種故障下,分別選取一段未經(jīng)學(xué)習(xí)訓(xùn)練的渦輪泵工作正常時(shí)的數(shù)據(jù)進(jìn)行檢測(cè),所有數(shù)據(jù)都在檢測(cè)器檢測(cè)范圍之外,說(shuō)明渦輪泵工作正常,降低了誤檢的可能。為了對(duì)比說(shuō)明本文算法的高效性,本文利用Forrest的算法產(chǎn)生同樣數(shù)目的檢測(cè)器,分別對(duì)3種故障的500個(gè)特征向量進(jìn)行檢測(cè),結(jié)果落在檢測(cè)器范圍內(nèi)的數(shù)目分別為350,395,365,檢測(cè)率分別為70%,79%,73%。兩種方法的檢測(cè)結(jié)果如表1所示,本文研究的算法檢測(cè)率都比直接采用Forrest算法高,這是因?yàn)橐肟寺∽儺惙椒?使得優(yōu)良的檢測(cè)器數(shù)目得以增多,同時(shí)限定了檢測(cè)器的最小半徑,并減少檢測(cè)器之間的重疊率,使得異?？臻g的覆蓋更大一些。在使用本文診斷方法時(shí),檢測(cè)器的閾值半徑r、檢測(cè)器數(shù)量、學(xué)習(xí)步長(zhǎng)等參數(shù)對(duì)診斷結(jié)果都有不同程度的影響。參數(shù)的優(yōu)選比較困難,但根據(jù)液體火箭發(fā)動(dòng)機(jī)渦輪泵振動(dòng)信號(hào)的變化情況選擇比較合理的參數(shù)范圍是可行的。只要參數(shù)選擇合理,診斷的平均準(zhǔn)確率可達(dá)90%以上,如表1所示。從而驗(yàn)證該方法的有效性。4齒輪泵故障診斷價(jià)值以液體火箭發(fā)動(dòng)機(jī)渦輪泵的振動(dòng)信號(hào)為研究對(duì)象,利用生物免疫系統(tǒng)的反面選擇