朱奧輝 傅攀 陳官林
摘 要:針對現有監測技術對于機械密封端面摩擦狀態的識別較難推廣到工業現場進行實時監測,提出一種基于聲發射的機械密封端面摩擦狀態識別的方法。通過建立實驗臺對機械密封在工作過程中的信號進行采集;利用小波包分析法對信號進行降噪;對預處理后的數據進行特征提??;建立Elman神經網絡對機械密封端面的摩擦狀態進行識別。實驗結果表明:通過建立的Elman神經網絡對提取的聲發射特征進行識別,能夠很好地識別機械密封在工作過程中所處的摩擦狀態。因此,提出的方法可以對機械密封端面的摩擦狀態進行有效的實時監測。
關鍵詞:機械密封;聲發射;Elman神經網絡;小波包
文獻標志碼:A 文章編號:1674-5124(2016)09-0101-04
0 引 言
機械密封是最常用的旋轉機械軸封形式,具有工作壽命長、泄露少、適應性強以及可靠性高等特點[1]。因此,機械密封被廣泛用于航空航天、石化、核電等諸多領域。機械的密封性能是否良好直接影響機械設備的成本、生產效率以及安全性。設備的泄露問題是引起非計劃停機的主要原因[2]。而在一些涉及到毒性、腐蝕性或者高溫高壓的領域,若發生泄漏,將會造成極其嚴重的事故[3]。然而,若對機械密封進行定期檢修,其維修費用會占機械總維修費的一半甚至更多。若對機械密封狀態進行實時檢測,不僅可以避免密封件的過早更換造成的浪費,也可以避免延遲更換造成的事故。從而有效提高機械設備的安全性、節約費用、提高生產效率[4]。研究發現,機械密封在工作中產生的聲發射信號含有能夠反映摩擦狀態的大量信息。因此,本文基于聲發射法[5],運用Elman神經網絡建立模型對機械密封工作過程中端面摩擦狀態進行識別。
1 機械密封的聲發射監測
1.1 機械密封基本原理
為了降低機械密封件的泄漏率,常常需要將其端面間隙的液膜維持在較小的厚度。而實際生產中,又有動靜環端面之分,且加工安裝等亦存在不確定因素。按照非接觸式機械密封端面工作狀況的不同,可將其摩擦狀況分為干摩擦、流體摩擦和混合摩擦3種形式[6]。作為評判密封件性能的基本指標,可根據非接觸式流體動壓型密封件正常運行時的液膜厚度變化來間接判斷器件的端面摩擦特性。
1.2 信號采集
設計使用聲發射傳感器與電渦流傳感器。通過聲發射傳感器獲得聲發射信號,建立Elman神經網絡識別間接獲得機械密封工作過程中端面摩擦狀態。電渦流傳感器直接測量機械密封在工作過程中的端面摩擦狀態,作為聲發射間接監測的對比。
如圖1所示為傳感器的具體安裝位置。以SiC作為非接觸密封的動靜環端面材料,以304鋼材料作為內嵌金屬環材料。實際應用中,密封件的動、靜環上都需要鑲嵌金屬環。具體要求為:金屬環與端面平齊,靜環上的金屬環需要打孔,將電渦流傳感器自打孔處深入,直至電渦流傳感器的探頭距離動環內嵌金屬環0.14 mm。
2 信號處理
2.1 小波包降噪
一般來說,信號的小波包降噪處理需要先按照實際需求選取合適的小波基,再根據樹狀結構,按照頻率高低將信號分解成兩部分[7]。之后,分析實際需要,確定分解層數。最后,對小波分解系數進行閥值量化處理,并對處理后的小波包系數進行重構,即可獲得降噪后的信號[8]。
小波包降噪處理后,可濾除噪聲及其他無用信號,并保留有用信號。
2.2 數據預處理
采集到的原始信號,包含大量的噪聲及無用信號。所以,為提取得到更易識別的信號特征,需先對聲發射信號進行零均值化和小波包降噪等操作。圖2和圖3分別為經信號零均值化和小波包降噪處理的對比圖。從中可以看出,預處理操作后的信號出現圍繞零值上下波動且信號幅值變小的現象。從頻譜來看,信號的特征更加明顯,有利于提取良好特征。
2.3 特征提取
通過有密封環的聲發射信號和無密封環時的聲發射信號對比,結果表明:在中高頻段機械密封的數據表現較明顯,低頻數據被主軸信號掩蔽。為了得到更加明顯的信號特征,對各數據樣本中頻率最高的兩個小波包分量進行特征抽取操作。分別記每組數據中頻率最高、次高的分量為p1、p2。根據重復性、敏感性的要求篩選分量p1、p2的各時頻特征值,即同種特征在相同狀態下的特征值接近,而不同狀態下的值存在顯著差異。篩選得到的輸入特征包括:p1分量的方差、均方根、峰值因子和頻率方差等數據;p2分量的方差、均方根、峰值因子、偏度系數、峭度系數和頻率方差等。如表1所示為篩選特征值的歸一化處理結果。
其中,11~15為干摩擦狀態數據,21~25為混合摩擦狀態數據,31~35為流體摩擦狀態數據。
3 神經網絡的狀態識別
3.1 Elman神經網絡原理
J. L. Elman在1990年提出Elman神經網絡模型理論,其在前饋型網絡的中間層中添加了反饋環節,使其反饋至中間層的輸入。網絡記憶功能的實現則主要是由于信號在反饋支路上出現的延遲[9]。
將Elman網絡模型中的外部時間序列記作u(t),反饋層的輸出記為yc(t),網絡的實際輸出記為y(t),則可以將網絡描述為
x0(t+1)=Hy0(t)+Wu(t)+θ(1)
y0(t)=o(t-1)=f1(x0(t-1))(2)
y(t)=f2(Ay0(t)-φ)(3)
式中: f1、f2——中間層和輸出層的傳遞函數;
W、H、A——輸入層至中間層、反饋層至中間層、中間層至輸出層的權值矩陣。
使用誤差平方和算法得到網絡模型的學習方法:
E=■‖y(t)-d(t)‖22(4)
Elman網絡算法的特點是將中間層的輸出連接到中間層的輸入,該過程通過反饋環節的延時與記憶功能實現。這種反饋方式提高了網絡識別歷史數據的有效性,同時也對網絡的動態性能有了一定的提升。
3.2 基于Elman的機械密封摩擦狀態識別
3.2.1 神經網絡訓練
在Elman神經網絡模型中輸入2.3節中歸一化處理后得到的10組聲發射特征值,則輸入層有10個神經元,輸出層有1個神經元,依經驗公式,中間層神經元個數參考值在18~24,而實際運行中的數目則需將訓練因素納入考慮范圍,因此選擇網絡訓練誤差值最小時所對應的中間層神經元數目。選用tansig和logsig作為網絡傳遞函數,trainlm作為學習函數,train作為訓練函數,mse作為誤差性能函數。將網絡訓練梯度設置為0.1,訓練步數設置為1 000,誤差性能目標為0.001。
圖4所示為實際構建的Elman神經網絡模型。從圖可以看出,輸入層有10個神經元節點,在網絡訓練均方誤差最小時,中間層存在23個神經元節點,輸出層存在1個神經元,且具有反饋環節。在不同磨擦狀態分別選取5組數據作為樣本輸入,共有15個輸入向量,每個向量包含了10個特征值數據。
表2所示為15組訓練樣本的實際輸出(設干摩擦狀態、混合摩擦狀態和流體摩擦狀態的期望輸出分別為0、0.5和1)。
如圖5所示為訓練樣本的期望輸出值與實際輸出值的對比。圖中藍色實線為15組訓練樣本數據的期望輸出值,3組分別為0、0.5和1,紅色實線為樣本數據的實際輸出值。由圖知,紅藍兩條曲線基本吻合,不同摩擦狀態下的實際輸出值曲線僅存在小范圍波動情況,基本保持直線。該情況表明構建的神經網絡模型對各個不同摩擦狀態下機械密封端面的訓練識別效果都比較穩定,訓練效果較好。
3.2.2 模式識別結果分析測試
分別選取不同摩擦狀態下的10組數據作為測試樣本,分析神經網絡的識別性能,對其識別效果進行驗證。
設相對誤差允許范圍為10%,則各摩擦狀態的有效識別區間如下:干摩擦[-0.05,0.05],混合摩擦[0.45,0.55],流體摩擦[0.95,1.05]。分析結果見表3,其有效識別的輸出數據為27個,摩擦狀態識別率達到90%。
分別選取不同的訓練數據和測試數據3次建模分析,驗證Elman神經網絡對機械密封摩擦狀態數據識別的重復性,實驗結果顯示,3次實驗中構建的Elman神經網絡模型的識別率分別為86.7%、90%以及96.7%。其中最大誤差數據相對誤差為13.1%。
4 結束語
本文基于聲發射法,通過建立對機械密封的端面摩擦狀態進行監測。驗證了聲發射技術在機械密封中應用前景,并得出以下結論:
1)通過小波包降噪后,可以得到聲發射信號中關于機械密封在工作過程中摩擦狀態的信息。
2)構建Elman神經網絡對從聲發射信號中提取的特征值進行3種摩擦狀態的識別。結果與基于電渦流法直接監測出的機械密封在工作過程中的摩擦狀態進行對比,證明有較好的識別效果。
3)提出的信號處理方法與神經網絡模式識別方法能夠快速有效地識別機械密封在工作過程中端面的摩擦狀態。為機械密封端面摩擦狀態的監測提供良好的技術支撐。
參考文獻
[1] 顧永泉. 機械密封實用技術[M]. 北京:機械工業出版社,2001:1-5.
[2] 孫玉霞,李雙喜,李繼和,等. 機械密封技術[M]. 北京:化學工業出版社,2014:1-12.
[3] 孫見君. 機械密封泄漏預測理論及應用[M]. 北京:中國電力出版社,2010:1-18.
[4] 王汝. 實用機械密封技術問答[M]. 北京:中國石化出版社,1995:180-184.
[5] HUANG W F, LIN Y B, GAO Z, et al. An acoustic emission study on the starting and stopping processes of a dry gas seal for pumps[J]. TribolLett,2013(49):379-384.
[6] LUIS S A, SANJEEV S. Damping and inertia coefficients for two end sealed squeeze film dampers with a central groove: measurements and predictions [J]. Journal of Engineering for Gas Turbines and Power,2013,135(11):135-144.
[7] 陳基名. 小波分析基礎[M]. 上海:上海大學出版社,2002:91-107.
[8] 王慧琴. 小波分析與應用[M]. 北京:北京郵電大學出版社,2011:84-127.
[9] 丁碩,常曉恒,巫慶輝,等. 基于Elman神經網絡的傳感器故障診斷研究[J]. 國外電子測量技術,2014,33(4):72-75.
(編輯:劉楊)