声发射机械密封端面摩擦状态识别

朱奥辉 傅攀 陈官林

摘 要：针对现有监测技术对于机械密封端面摩擦状态的识别较难推广到工业现场进行实时监测，提出一种基于声发射的机械密封端面摩擦状态识别的方法。通过建立实验台对机械密封在工作过程中的信号进行采集；利用小波包分析法对信号进行降噪；对预处理后的数据进行特征提取；建立Elman神经网络对机械密封端面的摩擦状态进行识别。实验结果表明：通过建立的Elman神经网络对提取的声发射特征进行识别，能够很好地识别机械密封在工作过程中所处的摩擦状态。因此，提出的方法可以对机械密封端面的摩擦状态进行有效的实时监测。

关键词：机械密封；声发射；Elman神经网络；小波包

文献标志码：A 文章编号：1674-5124（2016）09-0101-04

0 引 言

机械密封是最常用的旋转机械轴封形式，具有工作寿命长、泄露少、适应性强以及可靠性高等特点[1]。因此，机械密封被广泛用于航空航天、石化、核电等诸多领域。机械的密封性能是否良好直接影响机械设备的成本、生产效率以及安全性。设备的泄露问题是引起非计划停机的主要原因[2]。而在一些涉及到毒性、腐蚀性或者高温高压的领域，若发生泄漏，将会造成极其严重的事故[3]。然而，若对机械密封进行定期检修，其维修费用会占机械总维修费的一半甚至更多。若对机械密封状态进行实时检测，不仅可以避免密封件的过早更换造成的浪费，也可以避免延迟更换造成的事故。从而有效提高机械设备的安全性、节约费用、提高生产效率[4]。研究发现，机械密封在工作中产生的声发射信号含有能够反映摩擦状态的大量信息。因此，本文基于声发射法[5]，运用Elman神经网络建立模型对机械密封工作过程中端面摩擦状态进行识别。

1 机械密封的声发射监测

1.1 机械密封基本原理

为了降低机械密封件的泄漏率，常常需要将其端面间隙的液膜维持在较小的厚度。而实际生产中，又有动静环端面之分，且加工安装等亦存在不确定因素。按照非接触式机械密封端面工作状况的不同，可将其摩擦状况分为干摩擦、流体摩擦和混合摩擦3种形式[6]。作为评判密封件性能的基本指标，可根据非接触式流体动压型密封件正常运行时的液膜厚度变化来间接判断器件的端面摩擦特性。

1.2 信号采集

设计使用声發射传感器与电涡流传感器。通过声发射传感器获得声发射信号，建立Elman神经网络识别间接获得机械密封工作过程中端面摩擦状态。电涡流传感器直接测量机械密封在工作过程中的端面摩擦状态，作为声发射间接监测的对比。

如图1所示为传感器的具体安装位置。以SiC作为非接触密封的动静环端面材料，以304钢材料作为内嵌金属环材料。实际应用中，密封件的动、静环上都需要镶嵌金属环。具体要求为：金属环与端面平齐，静环上的金属环需要打孔，将电涡流传感器自打孔处深入，直至电涡流传感器的探头距离动环内嵌金属环0.14 mm。

2 信号处理

2.1 小波包降噪

一般来说，信号的小波包降噪处理需要先按照实际需求选取合适的小波基，再根据树状结构，按照频率高低将信号分解成两部分[7]。之后，分析实际需要，确定分解层数。最后，对小波分解系数进行阀值量化处理，并对处理后的小波包系数进行重构，即可获得降噪后的信号[8]。

小波包降噪处理后，可滤除噪声及其他无用信号，并保留有用信号。

2.2 数据预处理

采集到的原始信号，包含大量的噪声及无用信号。所以，为提取得到更易识别的信号特征，需先对声发射信号进行零均值化和小波包降噪等操作。图2和图3分别为经信号零均值化和小波包降噪处理的对比图。从中可以看出，预处理操作后的信号出现围绕零值上下波动且信号幅值变小的现象。从频谱来看，信号的特征更加明显，有利于提取良好特征。

2.3 特征提取

通过有密封环的声发射信号和无密封环时的声发射信号对比，结果表明：在中高频段机械密封的数据表现较明显，低频数据被主轴信号掩蔽。为了得到更加明显的信号特征，对各数据样本中频率最高的两个小波包分量进行特征抽取操作。分别记每组数据中频率最高、次高的分量为p1、p2。根据重复性、敏感性的要求筛选分量p1、p2的各时频特征值，即同种特征在相同状态下的特征值接近，而不同状态下的值存在显著差异。筛选得到的输入特征包括：p1分量的方差、均方根、峰值因子和频率方差等数据；p2分量的方差、均方根、峰值因子、偏度系数、峭度系数和频率方差等。如表1所示为筛选特征值的归一化处理结果。

其中，11～15为干摩擦状态数据，21～25为混合摩擦状态数据，31～35为流体摩擦状态数据。

3 神经网络的状态识别

3.1 Elman神经网络原理

J. L. Elman在1990年提出Elman神经网络模型理论，其在前馈型网络的中间层中添加了反馈环节，使其反馈至中间层的输入。网络记忆功能的实现则主要是由于信号在反馈支路上出现的延迟[9]。

将Elman网络模型中的外部时间序列记作u（t），反馈层的输出记为yc（t），网络的实际输出记为y（t），则可以将网络描述为

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——中间层和输出层的传递函数；

W、H、A——输入层至中间层、反馈层至中间层、中间层至输出层的权值矩阵。

使用误差平方和算法得到网络模型的学习方法：

E=■‖y（t）-d（t）‖22（4）

Elman网络算法的特点是将中间层的输出连接到中间层的输入，该过程通过反馈环节的延时与记忆功能实现。这种反馈方式提高了网络识别历史数据的有效性，同时也对网络的动态性能有了一定的提升。

3.2 基于Elman的机械密封摩擦状态识别

3.2.1 神经网络训练

在Elman神经网络模型中输入2.3节中归一化处理后得到的10组声发射特征值，则输入层有10个神经元，输出层有1个神经元，依经验公式，中间层神经元个数参考值在18～24，而实际运行中的数目则需将训练因素纳入考虑范围，因此选择网络训练误差值最小时所对应的中间层神经元数目。选用tansig和logsig作为网络传递函数，trainlm作为学习函数，train作为训练函数，mse作为误差性能函数。将网络训练梯度设置为0.1，训练步数设置为1 000，误差性能目标为0.001。

图4所示为实际构建的Elman神经网络模型。从图可以看出，输入层有10个神经元节点，在网络训练均方误差最小时，中间层存在23个神经元节点，输出层存在1个神经元，且具有反馈环节。在不同磨擦状态分别选取5组数据作为样本输入，共有15个输入向量，每个向量包含了10个特征值数据。

表2所示为15组训练样本的实际输出（设干摩擦状态、混合摩擦状态和流体摩擦状态的期望输出分别为0、0.5和1）。

如图5所示为训练样本的期望输出值与实际输出值的对比。图中蓝色实线为15组训练样本数据的期望输出值，3组分别为0、0.5和1，红色实线为样本数据的实际输出值。由图知，红蓝两条曲线基本吻合，不同摩擦状态下的实际输出值曲线仅存在小范围波动情况，基本保持直线。该情况表明构建的神经网络模型对各个不同摩擦状态下机械密封端面的训练识别效果都比较稳定，训练效果较好。

3.2.2 模式识别结果分析测试

分别选取不同摩擦状态下的10组数据作为测试样本，分析神经网络的识别性能，对其识别效果进行验证。

设相对误差允许范围为10%，则各摩擦状态的有效识别区间如下：干摩擦[-0.05，0.05]，混合摩擦[0.45，0.55]，流体摩擦[0.95，1.05]。分析結果见表3，其有效识别的输出数据为27个，摩擦状态识别率达到90%。

分别选取不同的训练数据和测试数据3次建模分析，验证Elman神经网络对机械密封摩擦状态数据识别的重复性，实验结果显示，3次实验中构建的Elman神经网络模型的识别率分别为86.7%、90%以及96.7%。其中最大误差数据相对误差为13.1%。

4 结束语

本文基于声发射法，通过建立对机械密封的端面摩擦状态进行监测。验证了声发射技术在机械密封中应用前景，并得出以下结论：

1）通过小波包降噪后，可以得到声发射信号中关于机械密封在工作过程中摩擦状态的信息。

2）构建Elman神经网络对从声发射信号中提取的特征值进行3种摩擦状态的识别。结果与基于电涡流法直接监测出的机械密封在工作过程中的摩擦状态进行对比，证明有较好的识别效果。

3）提出的信号处理方法与神经网络模式识别方法能够快速有效地识别机械密封在工作过程中端面的摩擦状态。为机械密封端面摩擦状态的监测提供良好的技术支撑。

参考文献

[1] 顾永泉. 机械密封实用技术[M]. 北京：机械工业出版社，2001：1-5.

[2] 孙玉霞，李双喜，李继和，等. 机械密封技术[M]. 北京：化学工业出版社，2014：1-12.

[3] 孙见君. 机械密封泄漏预测理论及应用[M]. 北京：中国电力出版社，2010：1-18.

[4] 王汝. 实用机械密封技术问答[M]. 北京：中国石化出版社，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] 陈基名. 小波分析基础[M]. 上海：上海大学出版社，2002：91-107.

[8] 王慧琴. 小波分析与应用[M]. 北京：北京邮电大学出版社，2011：84-127.

[9] 丁硕，常晓恒，巫庆辉，等. 基于Elman神经网络的传感器故障诊断研究[J]. 国外电子测量技术，2014，33（4）：72-75.

（编辑：刘杨）