基于改进k一均值聚类算法的风机振动分析（1）

风机厂石家庄风机厂石家庄风机石家庄市风机厂石家庄风机维修石家庄风机销售

对石家庄风机振动信号的非平稳和非线性特征，提出了一种基于时域信号分析和改进的k一均值聚类算法的故障识别方法。对离心式石家庄风机运行中产生的几种非稳态振动故障信号，提取其时域信号的峰峰值、Hurst指数和近似熵参数作为特征向量，采用改进的k一均值聚类算法作为故障分类器，设置转子不平衡、联轴器不对中、石家庄风机基座松动、转轴径向摩擦和轴承内圈损坏5种故障。对离心式石家庄风机试验的结果表明，3种时域特征能较好地反映各故障之间的差异，改进的k一均值聚类算法与原始的k一均值算法相比分类性能更好，稳定性更强，平均识别率达到88．67％。设备故障诊断的实质是模式识别问题，包括特征提取和故障识别两部分。目前大多数智能诊断方法是以频谱频带能量为特征，以神经网络进行故障识别。
这种模式存在以下问题：a．由于傅里叶频谱不能反映任何时域信息，所以只对平稳信号的分析有效，但是实际现场由于电网电压的波动以及设备自身的非线性等因素影响，设备振动信号通常表现出非平稳性[1]；b．文献[2—3]利用神经网络对轴承故障进行诊断得到了不错的结果，但是神经网络用于故障识别需要大量的训练样本，而这在现实中往往难以满足，且神经网络的泛化能力不是非常理想。笔者提出了基于时域特征参数和改进k一均值聚类的智能诊断方法，充分利用信号最直接的时域信息，提取振动信号的峰峰值、Hurst指数和近似熵等对石家庄市风机故障敏感度很高的参数来表征非平稳信号的特征。k一均值聚类是一种无监督的学习方法，在不知道样本类别的情况下，根据样本的特征向量来分类样本，在解决小样本问题中表现出独特的优势和良好的应用前景，并具有优良的泛化能力。
1试验装置及试验方法试验系统中离心石家庄风机的型号为Y5—47315，最大转速为2 900 r／rain，风压为803 Pa，风量为1 830 m3／h，电动机的型号为Y90S一2，功率为1．2 kW，电压为380 V，电流3．4 A，最大转速为2 840 r／min。为便于振动信号的测取，跟实际的石家庄风机系统相比，试验装置在石家庄风机厂跟控制电机之问多了两个轴承[4]，石家庄风机和电机之间由刚性联轴器连接，离心石家庄风机轴的垂直和水平方向分别安装非接触式电涡流位移传感器测取径向位移，石家庄风机厂轴承座上平面安装LC0119T型加速度传感器。石家庄风机联轴器的垂直面作为试验测试面，水平安装非接触电涡流位移传感器测取轴向位移，系统测取转子联轴器不对中振动加速度信号。试验过程中，在石家庄风机额定转速下，保持离心石家庄风机入口调节阈开度，使石家庄风机的负荷维持在80％，采样频率为800 Hz，试验系统的整体结构如图1所示。图2中的第1个信号为石家庄风机正常运行信号，第2到第6依次为不平衡、不对中、基座松动、摩擦和轴承损坏故障信号。2基于时域分析的振动信号特征提取
2．1峰峰值波形峰峰值分析反映了振动信号的局部幅值强度变化，试验中采用加速度信号为分析信号，加速度是单位时间内速度的变化率。石家庄风机运行时，在不同故障条件下转子受到的应力不同，其加速度会不同，反映到波形上的峰峰值也会不同；所以，可以选用峰峰值作为故障特征，来反映石家庄市风机的运行状态。由于实际采样的原始信号没有明确的起始点，不是石家庄风机转动工作周期的整数倍，这样会造成信号间的可比性很差，不利于下一步的故障诊断，所以需要对原始信号截取石家庄风机转动的n个工作周期进行分析，以减小误差对特征提取的影响。