基于隨機(jī)森林的屏蔽泵故障診斷方法研究

段智勇，劉才學(xué)，艾 瓊，何 攀

(中國(guó)核動(dòng)力研究設(shè)計(jì)院，四川 成都 610213)

屏蔽泵是核動(dòng)力裝置一回路中的重要設(shè)備，是反應(yīng)堆一回路壓力邊界的重要組成部分，其安全可靠運(yùn)行是確保核動(dòng)力系統(tǒng)正常運(yùn)行的基礎(chǔ)[1]。從屏蔽泵設(shè)計(jì)、制造和運(yùn)行經(jīng)驗(yàn)反饋來(lái)看，屏蔽泵零部件的摩擦和磨損是易發(fā)生的故障，如屏蔽泵出現(xiàn)過(guò)軸承磨損、葉輪口環(huán)刮磨、轉(zhuǎn)子不平衡和屏蔽套鼓包刮磨等故障類型[2]。因此及時(shí)盡早地發(fā)現(xiàn)屏蔽泵運(yùn)行異常狀態(tài)，準(zhǔn)確高效地診斷出屏蔽泵出現(xiàn)的故障類型，能夠?yàn)槠渚S修時(shí)間和維修措施提供可靠的指導(dǎo)，從而有效避免故障運(yùn)行惡化而可能導(dǎo)致更嚴(yán)重的后果，確保設(shè)備運(yùn)行的安全性和可靠性。

屏蔽泵又稱為無(wú)密封離心泵，泵和電機(jī)被封閉在一個(gè)被泵送介質(zhì)充滿的壓力殼體內(nèi)，此殼體內(nèi)只有靜密封。電機(jī)的轉(zhuǎn)子和泵的葉輪固定在同一根軸上，用隔離套將電機(jī)的轉(zhuǎn)子和定子隔開(kāi)，轉(zhuǎn)子在被輸送的介質(zhì)中轉(zhuǎn)動(dòng)，其動(dòng)力通過(guò)定子磁場(chǎng)傳遞給轉(zhuǎn)子。這種結(jié)構(gòu)取消了傳統(tǒng)離心泵具有的旋轉(zhuǎn)軸密封裝置，故能做到完全無(wú)泄漏[3]。

由于屏蔽泵的特殊結(jié)構(gòu)無(wú)法直接測(cè)量轉(zhuǎn)子的振動(dòng)位移，其故障振動(dòng)信號(hào)探測(cè)只能在泵外實(shí)施[2]。目前，針對(duì)屏蔽泵出現(xiàn)的異常狀態(tài)，一般利用已積累的經(jīng)驗(yàn)知識(shí)進(jìn)行故障原因分析[4,5]，上述方法能夠較有效地識(shí)別屏蔽泵的部分故障源，但較依賴于人員經(jīng)驗(yàn)且診斷效率相對(duì)較低。本文針對(duì)屏蔽泵典型故障識(shí)別問(wèn)題，研究了基于隨機(jī)森林的故障診斷方法，利用屏蔽泵故障模擬試驗(yàn)研究獲得了故障狀態(tài)下的振動(dòng)信號(hào)數(shù)據(jù)，在故障信號(hào)分析的基礎(chǔ)上提取了診斷特征量，然后以其作為輸入量訓(xùn)練隨機(jī)森林算法模型，以實(shí)現(xiàn)屏蔽泵典型故障的準(zhǔn)確診斷。

1 隨機(jī)森林診斷算法原理

隨機(jī)森林(Random Forests，RF)算法[6]結(jié)合了Breimans的“Boot Strap Aggregating”思想和H.O.的“random subspace”方法[7]。它是一個(gè)由多個(gè)決策樹(shù)(Decision Tree,DT)組成的分類器群，所有的決策樹(shù)隨機(jī)生成，從而形成RF，森林中的樹(shù)之間沒(méi)有關(guān)聯(lián)。診斷時(shí)，將測(cè)試數(shù)據(jù)輸入RF，然后讓每一顆決策樹(shù)獨(dú)自進(jìn)行診斷分類，即“投票”，最后綜合投票結(jié)果，將所有決策樹(shù)中分類結(jié)果最多的那類為最終結(jié)果。RF算法的優(yōu)點(diǎn)為[8]：(1)它能夠處理高維度數(shù)據(jù)且不需要進(jìn)行特征選擇，而且在訓(xùn)練完之后可以得出“哪些維度比較重要”的結(jié)論；(2)創(chuàng)建隨機(jī)森林，使用無(wú)偏估計(jì)；(3)能檢測(cè)到維度間的影響；(4)實(shí)現(xiàn)過(guò)程簡(jiǎn)單，且易于使用并行化方法處理。

構(gòu)建RF分類診斷模型的步驟如下[9](設(shè)樣本的特征量個(gè)數(shù)為M,且0

(1)自助重采樣。從訓(xùn)練樣本數(shù)據(jù)集中采用有回放采樣的方法，隨機(jī)抽取k個(gè)樣本(k為決策樹(shù)的數(shù)量)，形成新的訓(xùn)練樣本集，具體方法見(jiàn)參考文獻(xiàn)[10]。

(2)決策樹(shù)生成。利用自助重采樣得到的k個(gè)訓(xùn)練樣本集創(chuàng)建對(duì)應(yīng)的單顆決策樹(shù)。單顆決策樹(shù)的生成方法：從M個(gè)特征量中隨機(jī)選取m個(gè)特征量作為當(dāng)前節(jié)點(diǎn)的分裂特征集，然后根據(jù)節(jié)點(diǎn)不純度最小的原則對(duì)節(jié)點(diǎn)進(jìn)行分裂。

(3)為使每個(gè)節(jié)點(diǎn)不純度最小，單顆決策樹(shù)不進(jìn)行剪枝，保證其完整生長(zhǎng)。

(4)投票。對(duì)于測(cè)試數(shù)據(jù)集，利用單顆決策樹(shù)進(jìn)行測(cè)試，得到對(duì)應(yīng)的類別，從而RF得到多個(gè)結(jié)果。然后采用“投票”的方法，將單個(gè)決策樹(shù)中輸出類別最多的結(jié)果作為待測(cè)試數(shù)據(jù)集的最終所屬類別。

本文利用隨機(jī)森林方法進(jìn)行屏蔽泵故障診斷的實(shí)施方案流程如圖1所示。

圖1 屏蔽泵故障診斷實(shí)施方案流程Fig.1 The process of faults diagnosis program for canned motor pump

2 屏蔽泵典型故障特征量提取與分析

2.1 故障樣本數(shù)據(jù)的獲取

梳理屏蔽泵在長(zhǎng)時(shí)間運(yùn)行過(guò)程中出現(xiàn)的機(jī)械類故障主要包括軸承磨損、轉(zhuǎn)子不平衡、葉輪口環(huán)刮磨、轉(zhuǎn)子與定子屏蔽套刮磨等，通過(guò)搭建屏蔽泵運(yùn)行試驗(yàn)回路，設(shè)計(jì)加工相應(yīng)故障類型及不同故障程度的模擬試驗(yàn)件，在高速穩(wěn)態(tài)工況下開(kāi)展屏蔽泵正常運(yùn)行狀態(tài)和上述各種故障狀態(tài)下的運(yùn)行試驗(yàn)，利用壓電式加速度傳感器配套相應(yīng)的采集系統(tǒng)測(cè)量屏蔽泵在各種運(yùn)行狀態(tài)下的振動(dòng)信號(hào)數(shù)據(jù)，傳感器測(cè)點(diǎn)布置參考文獻(xiàn)[2]中的方法，即在屏蔽泵靠近上、下導(dǎo)軸承位置指向軸心方向相隔90°分別布置2個(gè)傳感器(X方向、Y方向)，在頂蓋垂直下止推軸承方向布置1個(gè)傳感器(Z方向)，測(cè)點(diǎn)布置位置示意圖如圖2所示。

圖2 屏蔽泵振動(dòng)信號(hào)測(cè)點(diǎn)布置位置示意圖Fig.2 The placements position of vibration signal measurement points of canned motor pump

屏蔽泵上述各種故障狀態(tài)模擬試驗(yàn)與正常狀態(tài)運(yùn)行試驗(yàn)采用交叉方式進(jìn)行，即將故障模擬試驗(yàn)件安裝到屏蔽泵上模擬某一種故障狀態(tài)運(yùn)行后，更換上屏蔽泵正常完好的零部件確認(rèn)其狀態(tài)恢復(fù)正常后，再進(jìn)行下一類故障狀態(tài)的模擬試驗(yàn)，這樣可以確保獲取到真實(shí)可靠的反應(yīng)每一類故障狀態(tài)信息的振動(dòng)信號(hào)數(shù)據(jù)，通過(guò)故障模擬試驗(yàn)，經(jīng)篩選共獲得了屏蔽泵不同狀態(tài)下的振動(dòng)信號(hào)數(shù)據(jù)樣本信息如表1所示，每條振動(dòng)數(shù)據(jù)中包括了5個(gè)測(cè)點(diǎn)的振動(dòng)信號(hào)原始序列。

表1 屏蔽泵故障模擬試驗(yàn)獲取的樣本數(shù)據(jù)信息Table 1 The sample data information obtained by faults simulation test of canned motor pump

2.2 振動(dòng)信號(hào)特征量提取

屏蔽泵是典型的旋轉(zhuǎn)機(jī)械，運(yùn)轉(zhuǎn)過(guò)程中其整機(jī)、零部件都會(huì)有不同程度的振動(dòng)，部分故障狀態(tài)下如轉(zhuǎn)子不平衡等會(huì)引起屏蔽泵的異常振動(dòng)。振動(dòng)烈度是評(píng)價(jià)旋轉(zhuǎn)設(shè)備振動(dòng)大小的一個(gè)重要指標(biāo)，通常定義在10～1 000 Hz范圍內(nèi)取振動(dòng)速度的有效值，提取屏蔽泵運(yùn)行振動(dòng)烈度特征量，其計(jì)算公式為[11]：

(1)

vi為振動(dòng)速度信號(hào)，是對(duì)振動(dòng)加速度信號(hào)去直流之后利用Simpson數(shù)值積分法計(jì)算，其結(jié)果為：

(2)

式中：i=0,1,…,N-1，N為單次采樣的點(diǎn)數(shù);

Δt——采樣時(shí)間間隔;

aj——采集的振動(dòng)加速度信號(hào)。

對(duì)于屏蔽泵摩擦或磨損類故障如葉輪口環(huán)刮磨、屏蔽套刮磨等會(huì)引起屏蔽泵高頻摩擦噪聲異常，一般分布在1～10 kHz范圍內(nèi)，可提取摩擦噪聲特征量，它是由振動(dòng)加速度信號(hào)在某一頻段內(nèi)的幅值譜的有效值轉(zhuǎn)化而來(lái)，其計(jì)算方法如下：

(3)

式中：a0=1 μm/s2，是基準(zhǔn)值;

ai——某一頻段內(nèi)振動(dòng)加速度信號(hào)采樣序列。

同時(shí)，提取屏蔽泵運(yùn)行時(shí)振動(dòng)加速度時(shí)域信號(hào)的有效值(RMS)、方差、峭度等統(tǒng)計(jì)特征量，一般在正常運(yùn)行狀態(tài)下統(tǒng)計(jì)特征量的波動(dòng)相對(duì)較小；由于屏蔽泵具備旋轉(zhuǎn)機(jī)械的特點(diǎn)，部分故障狀態(tài)下會(huì)引起轉(zhuǎn)動(dòng)基頻或倍頻處幅值的明顯變化，因此提取屏蔽泵運(yùn)行時(shí)振動(dòng)加速度信號(hào)在1/3f、1/2f、f、2f、3f、4f、6f、8f、12f等各階倍頻的幅值，上述特征量的計(jì)算方法可參考文獻(xiàn)[12]。

2.3 故障與正常狀態(tài)特征量對(duì)比分析

通過(guò)對(duì)振動(dòng)加速度信號(hào)進(jìn)行特征量提取，獲得了屏蔽泵在各種運(yùn)行狀態(tài)下的特征量樣本數(shù)據(jù)，對(duì)故障和正常運(yùn)行狀態(tài)下的特征量數(shù)據(jù)進(jìn)行對(duì)比分析，發(fā)現(xiàn)故障狀態(tài)下的部分特征量較正常出現(xiàn)明顯的增長(zhǎng)，且隨著故障程度的惡化而上升。由于不同故障類型的特征量存在相似的變化且特征量較多，無(wú)法歸納出規(guī)則知識(shí)進(jìn)行診斷，因而采用基于隨機(jī)森林的方法進(jìn)行屏蔽泵故障診斷是一種有效途徑。圖3是軸承磨損故障下X方向(上部)測(cè)點(diǎn)歸一化的1/2f幅值特征量數(shù)據(jù)與正常運(yùn)行狀態(tài)下的對(duì)比，圖4是轉(zhuǎn)子不平衡故障下X方向(上部)測(cè)點(diǎn)歸一化的1f幅值特征量數(shù)據(jù)與正常運(yùn)行狀態(tài)下的對(duì)比。

圖3 軸承磨損故障與正常狀態(tài)下歸一化的特征量對(duì)比Fig.3 Comparison of normalized features data between bearing wear fault and normal state of canned motor pump

圖4 轉(zhuǎn)子不平衡故障與正常狀態(tài)下歸一化的特征量對(duì)比Fig.4 Comparison of normalized features data betweenrotor unbalance fault and normal state of canned motor pump

圖5是葉輪口環(huán)刮磨故障狀態(tài)下X方向(下部)測(cè)點(diǎn)歸一化的有效值特征量數(shù)據(jù)與正常運(yùn)行狀態(tài)下的對(duì)比，圖6是轉(zhuǎn)子與定子屏蔽套刮磨故障狀態(tài)下X方向(下部)測(cè)點(diǎn)歸一化的摩擦噪聲特征量數(shù)據(jù)與正常運(yùn)行狀態(tài)下的對(duì)比。

圖5 葉輪口環(huán)刮磨故障與正常狀態(tài)下歸一化的特征量對(duì)比Fig.5 Comparison of normalized features data between impeller ring scraping fault and normal state of canned motor pump

圖6 屏蔽套刮磨故障與正常狀態(tài)下歸一化的特征量對(duì)比Fig.6 Comparison of normalized features data betweenshielding sleeve scraping fault and normal state of canned motor pump

3 屏蔽泵診斷模型訓(xùn)練及驗(yàn)證

對(duì)屏蔽泵振動(dòng)信號(hào)進(jìn)行特征量提取與分析之后，利用得到的表2中的特征量構(gòu)建了隨機(jī)森林算法訓(xùn)練的輸入樣本空間，輸出則對(duì)應(yīng)屏蔽泵上述的5種狀態(tài)(包括正常狀態(tài)和4類故障狀態(tài))，將由故障模擬試驗(yàn)獲得的屏蔽泵特征量樣本數(shù)據(jù)隨機(jī)均分成三份，以其中的一份數(shù)據(jù)作為診斷建模的訓(xùn)練數(shù)據(jù)，剩余的兩份數(shù)據(jù)作為診斷模型測(cè)試和驗(yàn)證的樣例數(shù)據(jù)，用于模型訓(xùn)練和驗(yàn)證的樣例數(shù)據(jù)信息如表3所示。

表2 隨機(jī)森林算法建模用特征量信息Table 2 The features information for model establishment by random forests algorithm

表3 屏蔽泵故障診斷模型訓(xùn)練與驗(yàn)證用樣本數(shù)據(jù)信息Table 3 The sample data information for training and verification of faults diagnostic model

將屏蔽泵故障訓(xùn)練樣例數(shù)據(jù)作為隨機(jī)森林算法輸入量，算法中樹(shù)的棵樹(shù)設(shè)置為100，對(duì)隨機(jī)森林診斷模型參數(shù)進(jìn)行訓(xùn)練，從而建立了基于隨機(jī)森林的屏蔽泵典型故障診斷模型，同時(shí)采用了貝葉斯(Bayes)算法模型和支持向量機(jī)(SVM)算法模型對(duì)樣例數(shù)據(jù)進(jìn)行了學(xué)習(xí)，分別得到各訓(xùn)練模型的分類準(zhǔn)確率對(duì)比如表4所示，可以看到隨機(jī)森林分類模型訓(xùn)練的準(zhǔn)確率要好于貝葉斯模型和支持向量機(jī)模型。

表4 基于不同算法訓(xùn)練的屏蔽泵故障分類模型準(zhǔn)確率對(duì)比Table 4 Accuracy Comparison of Faults Diagnosis Models Based on Different Algorithms

評(píng)判診斷模型的好壞還需要分析模型對(duì)訓(xùn)練樣例之外的新數(shù)據(jù)的泛化能力，因此利用剩余的數(shù)據(jù)對(duì)所建立的屏蔽泵診斷模型進(jìn)行測(cè)試和驗(yàn)證，得到各模型的測(cè)試結(jié)果如表5所示。從中可以看出隨機(jī)森林診斷模型對(duì)新數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率要高于其他兩種模型，且與模型訓(xùn)練時(shí)的準(zhǔn)確率基本一致，診斷模型具備了良好的泛化診斷能力，實(shí)現(xiàn)了屏蔽泵典型故障的有效識(shí)別和診斷。

表5 測(cè)試數(shù)據(jù)對(duì)屏蔽泵診斷模型的測(cè)試結(jié)果Table 5 The Test Results of Diagnostic Models for Canned Motor Pump Based on Test Data

4 結(jié)論

本文提出的屏蔽泵典型故障診斷方法以隨機(jī)森林算法為基礎(chǔ)，利用屏蔽泵故障模擬和正常狀態(tài)運(yùn)行試驗(yàn)獲取的振動(dòng)信號(hào)數(shù)據(jù)，從中提取了用于訓(xùn)練建模的特征量樣本數(shù)據(jù)，并據(jù)此建立了屏蔽泵典型故障診斷模型，通過(guò)對(duì)診斷模型進(jìn)行測(cè)試和驗(yàn)證，表明了所建立的隨機(jī)森林診斷模型能夠有效地對(duì)屏蔽泵典型故障進(jìn)行識(shí)別與診斷，診斷準(zhǔn)確率達(dá)97%以上，相對(duì)比優(yōu)于貝葉斯和支持向量機(jī)診斷模型。該方法對(duì)核動(dòng)力屏蔽泵運(yùn)行中的故障識(shí)別與診斷具有一定的應(yīng)用價(jià)值，為相應(yīng)監(jiān)測(cè)與診斷系統(tǒng)的開(kāi)發(fā)和工程應(yīng)用奠定了基礎(chǔ)。