基于二维隐马尔科夫模型的离心泵故障诊断方法研究

发布时间：2020-09-12 19:48

　　设备故障诊断是一门各学科交叉的新技术,近年来,得到了迅速发展并产生了巨大的经济效益。离心泵的故障易使设备产生振动,振动信号中包含了丰富的泵体运行状态信息,且易于拾取便于诊断。由于离心泵故障振动信号是非平稳信号,因此有必要选择恰当的适合于非平稳信号分析的信号处理方法。常用的时频分析方法如窗口傅立叶变换、小波变换等都有各自的局限性。隐Markov模型(Hidden Markov Model,HMM)克服了传统诊断方法只停留在静态观测的缺陷,非常适合于描述短时平稳的非平稳信号,经验证其故障信号分类结果优于其它信号处理方法。二维隐Markov模型(2D-HMM)作为HMM的一般化模型,它由外部HMM和基于外部HMM各状态的内部HMM两部分组成。因而它具有HMM的优点,且从时域和频域两个角度全面地描述信号,非常适合于处理离心泵运行过程中出现的非平稳性强、重复再现性不佳的信号。本论文研究以基于2D-HMM的离心泵故障诊断方法为目的,结合吉林省教育厅科学技术研究项目(No.2007047),采用理论研究与实验测试相结合的方法,提出基于2D-HMM的振动信号分析与故障识别,并通过2BA-6A离心泵试验系统验证了该方法的有效性。首先,简要介绍了本论文研究背景,选题意义及2BA-6A离心泵试验系统中各设备的参数、性能及具体的实验设置、实验方法。其次,从标准的HMM基本理论和算法入手,描述了2D-HMM的主要类型、参数和拓扑结构,并讨论了它的主要算法和实际应用中遇到的问题及解决策略,同时对HMM和2D-HMM从模型结构、参数描述和算法复杂度三个方面进行对比。接着,提出基于2D-HMM故障诊断方法,归纳其可行性及特点,并介绍利用其进行诊断的基本步骤和实现方法。在总结离心泵常见故障及其振动特征的基础上,给出2D-HMM在离心泵故障诊断中的模型选取等参数设置。最后,在介绍本论文所采用的几种信号特征提取方法的基础上,结合2BA-6A离心泵试验系统,对离心泵振动信号进行分析与分类,验证了基于2D-HMM的离心泵故障诊断方法的有效性。
【学位单位】：东北电力大学
【学位级别】：硕士
【学位年份】：2009
【中图分类】：TH311
【部分图文】：

试验装置图,离心泵,试验装置,信号采集系统

第 2 章实验装置及实验方法泵实验台动信号采集系统的离心泵振动位移和加速度信号的采集实验是在 2BA-6统实验台上完成的。实验设备构成如图 2-1 所示，实验系示：

拓扑结构图,二维,模型,语音信号

一种 2D-HMM 与上述嵌入式 HMM 很相似，也是对完全连进行一些约束获得。其拓扑结构如图 3-4 所示。它是由 Werner 等献称之为 HMM2 模型，实质上它也是一种伪二维隐 Markov 模型-HMM 和 E-HMM 两部分构成，对状态转移之间的约束与嵌入式 I-HMM 的状态与 E-HMM 的状态之间不能互相转移，但是 I-HM内部自身状态之间可以相互跃迁。他们用这一模型来表达语音信号并在语音识别、语音信号特征提取等方面取得了较好的成果。该 HMM 相比，不仅可以对信号进行时域规整，还可以对信号进行到基于振动信号分析的故障诊断中，存在着与语音信号相似的非文将这一模型(Werner 等人提出的模型)引入到故障诊断领域中，探转机械振动信号预处理、特征提取及模式分类中的应用。后文中，省去伪二维隐 Markov 模型中的“伪”字，称之为二维隐 MarkovD-HMM(无特别说明，后文提到的二维隐 Markov 模型，就指该模

波形,临界振动,转子,波形

正常转子冲临界振动波形

【引证文献】