基于改進k一均值聚類算法的風機振動分析（1）

風機廠石家莊風機廠石家莊風機石家莊市風機廠石家莊風機維修石家莊風機銷售

對石家莊風機振動信號的非平穩和非線性特征，提出了一種基于時域信號分析和改進的k一均值聚類算法的故障識別方法。對離心式石家莊風機運行中產生的幾種非穩態振動故障信號，提取其時域信號的峰峰值、Hurst指數和近似熵參數作為特征向量，采用改進的k一均值聚類算法作為故障分類器，設置轉子不平衡、聯軸器不對中、石家莊風機基座松動、轉軸徑向摩擦和軸承內圈損壞5種故障。對離心式石家莊風機試驗的結果表明，3種時域特征能較好地反映各故障之間的差異，改進的k一均值聚類算法與原始的k一均值算法相比分類性能更好，穩定性更強，平均識別率達到88．67％。設備故障診斷的實質是模式識別問題，包括特征提取和故障識別兩部分。目前大多數智能診斷方法是以頻譜頻帶能量為特征，以神經網絡進行故障識別。
這種模式存在以下問題：a．由于傅里葉頻譜不能反映任何時域信息，所以只對平穩信號的分析有效，但是實際現場由于電網電壓的波動以及設備自身的非線性等因素影響，設備振動信號通常表現出非平穩性[1]；b．文獻[2—3]利用神經網絡對軸承故障進行診斷得到了不錯的結果，但是神經網絡用于故障識別需要大量的訓練樣本，而這在現實中往往難以滿足，且神經網絡的泛化能力不是非常理想。筆者提出了基于時域特征參數和改進k一均值聚類的智能診斷方法，充分利用信號最直接的時域信息，提取振動信號的峰峰值、Hurst指數和近似熵等對石家莊市風機故障敏感度很高的參數來表征非平穩信號的特征。k一均值聚類是一種無監督的學習方法，在不知道樣本類別的情況下，根據樣本的特征向量來分類樣本，在解決小樣本問題中表現出獨特的優勢和良好的應用前景，并具有優良的泛化能力。
1試驗裝置及試驗方法試驗系統中離心石家莊風機的型號為Y5—47315，最大轉速為2 900 r／rain，風壓為803 Pa，風量為1 830 m3／h，電動機的型號為Y90S一2，功率為1．2 kW，電壓為380 V，電流3．4 A，最大轉速為2 840 r／min。為便于振動信號的測取，跟實際的石家莊風機系統相比，試驗裝置在石家莊風機廠跟控制電機之問多了兩個軸承[4]，石家莊風機和電機之間由剛性聯軸器連接，離心石家莊風機軸的垂直和水平方向分別安裝非接觸式電渦流位移傳感器測取徑向位移，石家莊風機廠軸承座上平面安裝LC0119T型加速度傳感器。石家莊風機聯軸器的垂直面作為試驗測試面，水平安裝非接觸電渦流位移傳感器測取軸向位移，系統測取轉子聯軸器不對中振動加速度信號。試驗過程中，在石家莊風機額定轉速下，保持離心石家莊風機入口調節閾開度，使石家莊風機的負荷維持在80％，采樣頻率為800 Hz，試驗系統的整體結構如圖1所示。圖2中的第1個信號為石家莊風機正常運行信號，第2到第6依次為不平衡、不對中、基座松動、摩擦和軸承損壞故障信號。2基于時域分析的振動信號特征提取
2．1峰峰值波形峰峰值分析反映了振動信號的局部幅值強度變化，試驗中采用加速度信號為分析信號，加速度是單位時間內速度的變化率。石家莊風機運行時，在不同故障條件下轉子受到的應力不同，其加速度會不同，反映到波形上的峰峰值也會不同；所以，可以選用峰峰值作為故障特征，來反映石家莊市風機的運行狀態。由于實際采樣的原始信號沒有明確的起始點，不是石家莊風機轉動工作周期的整數倍，這樣會造成信號間的可比性很差，不利于下一步的故障診斷，所以需要對原始信號截取石家莊風機轉動的n個工作周期進行分析，以減小誤差對特征提取的影響。