基于主成分分析法的离心泵汽蚀故障特征分析

王德民

（海军装备部驻上海地区第三军事代表室，上海 200031）

0 引言

离心泵在偏离额定工况或入口发生堵塞时，会出现汽蚀现象。汽蚀的侵蚀可引起叶轮的麻点或裂纹，更严重的是可使叶片破裂，大大降低了离心泵的运行效率和使用寿命[1-2]。因此，预防和减少离心泵汽蚀损伤具有重要意义。寻找适当的汽蚀故障诊断和识别方法，防止汽蚀破坏，提高水泵的抗汽蚀性能，具有重要的意义。有关研究表明, 离心泵振动信号是检测汽蚀的重要参数。原始振动数据有三种类型的特征：时域特征、频域有限元特征和时频域特征。均方根值、峰度因子、峰值因子以及经验模态分解（Empirical Mode Decomposition，EMD）信号的特征虽然可以提取出原始特征，但仍具有高维性，且包含冗余信息。因此，需要利用主成分分析（Principal Components Analysis，PCA)对原始特征进行处理，得到典型的汽蚀特征，从而进行离心泵汽蚀故障的诊断[3-4]。

1 主成分分析法

为防止各检测对象出现因不同单位造成的问题，通过标准数据的处理方式来归一化处理每个参数在样本空间的占比，从而使变化较大的参数在样本空间中不占主导，来达到弱化该数据的目的；将采集的数据和样本信息通过标准数据的处理方式使数据与样本的的重心重合[5-6]。

1）对所有数据样本进行标准化处理：

2 汽蚀故障诊断应用分析

故障模拟试验在上海船舶设备研究所研制的给水系统故障模拟试验台上进行，该试验台可模拟多种系统故障，包括阀门故障、离心泵故障等。采集正常状态，轻度中度和重度的汽蚀故障离心泵安装机脚振动信号。数据采集频率为65 536 Hz，每次采集120 s，将信号分割为1 920个样本，每个样本由4 096个数据点组成，训练样本1 000个，测试样本920个。

对1 000个样本进行EMD分解，信号由5个本征模态函数（Intrinsic Mode Function，IMF）分量和1个残差组成。从原始信号和5个IMF分量中提取时域特征，组成一个含有频率信息的30维特征向量。汽蚀振动信号及其EMD分解见图1。

图1 振动信号的EMD 分解

在故障模拟试验4种工况下，有4 000个训练样本，每个样本有30个特征，因此特征数据集为4 000×30矩阵s_(4 000×30)。如峰度因子见图3(a)，各工况下样本峰度因子的正态分布模型见图3(b)，模型参数如表1所示。虽然正常条件与其他条件分离，但3种空化条件混合在一起。所以下一步将使用PCA方法在降低特征维数的同时提取敏感特征。

图3 样本的峰度因子和分布模型（续）

表1 峰度因子的正态分布参数

表2 训练数据集特征值

表2 训练数据集特征值（续）

由图4可见，在特征1的轴线上，正常、轻度和中度空化具有较好的识别性，在特征3的轴线上，严重空化与其他3种空化是分离的。综上所述，该主要特征在4种工况下都能很好地分离测试样品。同时，样本在新特征空间中的标准差也趋于一致，这一点得到了提高。

图4 经过PCA 处理后的敏感特征

3 结论

本文提出了离心泵汽蚀故障的特征分析方法，对故障模拟试验台架振动原始数据和IMFs进行域特征计算，构成原始特征向量，并研究了特征的正态分布模型；应用主成分分析方法提取敏感特征，验证并分离了不同程度汽蚀故障，为离心泵汽蚀故障的分析诊断奠定了良好的基础。