一种适用于水泵转子系统的工频振动异常故障诊断方法与流程

本发明属于故障诊断领域，特别涉及一种适用于水泵转子系统的工频振动异常故障诊断方法。

背景技术：

大型泵站机组的运行状态受水力、机械、电磁的耦合作用，影响其效率或形成故障的因素往往存在多重映射，是一个典型的大型、非线性复杂系统。转子作为泵机组的主要组成部分，有研究发现，旋转机械有超过一半的故障都是由转子故障引起。因此，对其进行故障诊断是整个泵机组故障诊断的重中之重。

贝叶斯网络作为一种融合概率论、图论、决策理论等知识的智能方法在故障诊断领域，尤其是存在大量不确定性信息的复杂系统故障诊断中越来越受到重视，非常适用于大型水泵机组中转子的故障诊断。

然而，贝叶斯网络在应用过程中存在着网络结构构建及条件概率表确定困难的问题。基于此，为了更好的实现大型泵站机组的故障诊断，迫切的需要对现有的基于贝叶斯网络的故障诊断方法进行改进，降低贝叶斯网络结构和条件概率表确定的难度。

技术实现要素：

发明目的：针对现有技术中存在的问题，本发明提供一种将贝叶斯网络与t-s模糊故障树结合，有效解决了贝叶斯网络在转子故障诊断中结构构造及条件概率表确定困难问题的适用于水泵转子系统的工频振动异常故障诊断方法。

技术方案：为解决上述技术问题，本发明提供一种适用于水泵转子系统的工频振动异常故障诊断方法，具体步骤如下：

步骤一：构建以水泵转子系统工频振动异常为顶事件的t-s模糊故障树；

步骤二：将所构建的t-s模糊故障树按照特定的转化规则转化为诊断贝叶斯网络；

步骤三：利用诊断贝叶斯网络强大的推理进行故障诊断。

进一步的，所述步骤一中构建t-s模糊故障树的具体步骤如下：

步骤1.1：将专家经验和历史数据进行融合，构造水泵转子系统故障库；

步骤1.2：在转子振动实验平台上模拟水泵转子系统常见故障，用电涡流传感器采集不同故障情况下转子的振动信号，并对其作频谱分析，得到各种故障在不同频率成分下的幅值分布；

步骤1.3：选出引起工频振动异常增大的故障，然后构造t-s模糊故障树。

进一步的，所述步骤1.3中构造t-s模糊故障树的模糊规则如下：

其中：规则l＝1,2,···,r，为底事件x1的故障状态，为底事件x2的状态，为底事件xn的状态，顶事件y1的故障状态为的概率为

然后依据对历史数据的分析和专家经验确定各底层事件的故障状态概率模糊子集。

进一步的，所述步骤1.3中引起工频振动异常增大的故障有转子质量不平衡和转子热弯曲，其中造成转子质量不平衡的原因有积垢、部件断裂或脱落、初始偏心；造成转子热弯曲的原因有机组起停车不当、运动过程中受热不均匀。

进一步的，所述步骤二中将所构建的t-s模糊故障树按照特定的转化规则转化为诊断贝叶斯网络的具体步骤如下：t-s模糊故障树的顶事件对应于贝叶斯网络叶节点，中间事件对应于中间节点，底事件对应于根节点，通过转换从而得到的诊断贝叶斯网络。

进一步的，所述步骤三中利用诊断贝叶斯网络强大的推理进行故障诊断的具体步骤如下：

在叶节点故障状态已知为tq的条件下，根据公式

求得根节点xi故障状态为的后验概率式中，为根节点xi故障状态为条件下，叶节点故障状态为tq的后验概率模糊子集，为模糊子集的重心值，将模糊子集转化为精确值；将各根节点在故障状态的后验概率由高到低排序，然后逐一进行故障排查。

与现有技术相比，本发明的优点在于：

本发明与现有的基于贝叶斯网络的转子系统故障诊断方法相比，在不降低诊断效果的前提下，贝叶斯网络的构建及条件概率表的确定更加的简单。

附图说明

图1为本发明的总体流程图；

图2为实施例中的转子系统工频振动异常t-s模糊故障树结构示意图；

图3为本发明中t-s模糊故障树转化为贝叶斯网络的流程图；

图4为实施例中诊断贝叶斯网络的结构示意图。

具体实施方式

下面对照附图，结合具体实施方式对本发明作进一步详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

首先，构建水泵转子系统工频振动异常t-s模糊故障树。在转子振动实验平台上模拟水泵转子系统常见故障，用电涡流传感器采集不同故障情况下转子的振动信号，并对其作频谱分析，得到各种故障在不同频率成分下的幅值分布，根据以上实验和专家经验得出所述造成水泵转子系统工频振动异常的具体原因有转子质量不平衡和转子热弯曲。而造成转子质量不平衡的原因又有积垢、部件断裂或脱落、初始偏心，造成转子热弯曲的原因又有机组起停车不当、运动过程中受热不均匀，据此构建t-s模糊故障树，图2所示。为所建立t-s模糊故障树每个节点对应2-3中状态，分别用(0,1)和(0,0.5,1)表示，分别代表故障的(否，是)和(无，一般，严重)。其模糊规则按照公式(1)确定。表1列出了图2所构建t-s模糊故障树各节点的含义及取值状态。

表1水泵转子系统基频振动异常故障模式或原因节点

通过分析各类泵站的历史数据及请教有关专家经验，得出当根节点的故障状态为1时的故障概率模糊子集，如表2所示。并假设根节点故障状态为0.5时的故障概率模糊子集等于根节点故障状态为1时的故障概率模糊子集。表3至表5给出了部分转子系统基频振动异常的模糊门规则。

表2根节点故障状态为1时的故障概率模糊子集

表3转子质量不平衡模糊门规则

表4转子热弯曲模糊门规则

表5转子基频频增大模糊门规则

其次，将所构建t-s模糊故障树按照图3所示方法转化为对应的诊断贝叶斯网络，结构如图4所示。

最后，根据公式(2)可求得当叶节点y1的故障状态为1时各根节点的故障概率如表6。

表6叶节点y1的故障状态为1时各根节点的故障概率

在已获取转子基频振动异常转频情况下，通过以上推理得出了各根节点的故障概率从大到小一次为：x2＞x3＞x4＞x5＞x1因此，我们得出最有可能导致转子一倍频异常增大的故障原因是x2，即零部件的脱落和断裂是最有可能导致故障的原因，其次为偏心。

以上所述仅为本发明的实施例子而已，并不用于限制本发明。凡在本发明的原则之内，所作的等同替换，均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。