实验结果分析：6.5.3版本

因为条件限制，采集的样本数据不是很多，而支持向量机的优点就是能够适用于小样本数据的处理，所以我们将四种类型的数据样本中45组用于训练集，剩余15组用于测试集。这样训练集就是一个180×22的输入向量，测试集是一个60×22的输入向量。数据集合来自轴流泵四种不同工况，即Normal、EAF、BPF和SRWF。22个故障特征参数由振动烈度，径向、轴向和切向三个方向上的1/2f0～6f0倍频小波能量功率谱系数，本书简称为Wavelet CPS或WCPS（Wavelet Coefficeient Power Spectrum），如图6-12和图6-13所示。

从图6-12中不难看出，振动烈度值由大到小依次排列为EAF、SRWF、BPF和正常状态。如图6-13（a）～图6-13（c）所示，在正常工况下，WCPS值在切向比轴向、径向都大，最大值出现在切向f0频率处。这表明在正常工况下能量主要集中在f0位置。从图6-13（d）～图6-13（f）中，我们发现在EAF状态下，WCPS值由正常状态下的1.683×10-3增加到3.322×10-3。同时我们也注意到与正常工况相比，在EAF下，1/2f0～6f0所对应的7个特征频率点的最大值均有所增加。与图6-13（a）相比，在图6-13（d）中，7个频率特征值较为杂乱，远不如图6-13（a）波形数据有规律。我们对比图6-13（b）和图6-13（e）可知，当EAF发生时，轴向上的主要能量会从正常状态下f0位置变化到EAF下的1/2f0和f0频率点位置。在图6-13（c）和图6-13（f）中，WCPS最大值从正常状态下的4.574×10-4增加到2.492×10-3。图6-13（d）～图6-13（f）对比可知，能量主要集中在切向f0频率位置，这些都符合轴流泵EAF的故障特点。从图6-13（g）～图6-13（i）可知，在BPF状态下，最大能量集中在切向。与正常工况相比，最大WCPS值从1.683×10-3增加到4.701×10-3。在图6-13（g）中，能量主要集中在1/2f0位置。当BPF发生时，1/2f0处的WCPS有所提高，这表明在BPF状态下，切向在1/2f0位置受到较大的能量冲击。从图6-13（h）不难发现，5f0和6f0频率位置的能量有所提高。这些高频段的能量冲击是由于水流流致振动以及机械设备内部部件固有频率造成的。图6-13（c）和图6-13（i）表明径向能量有所减少，能量集中位置从f0转移到1/2f0、3f0和4f0。从图中分析我们可知，在BPF下，轴流泵故障的主要影响来自于切向，最大能量主要集中在切向的1/2f0位置，这与BPF故障特征相符。从图6-13（j）～图6-13（1）可知，SRWF能量最大值出现在切向，SRWF在轴向和径向的能量介于EAF和BPF能量之间。

图6-12　径向振动烈度

(www.xing528.com)

图6-13　测试样本数据信号分析

为了加快收敛速度，在故障模式识别分类前，我们对所有训练集和测试集的数据进行了归一化处理。轴流泵四种状态分别有60组数据集（包含22个故障特征）。本书采用了MSFLA-SVM对240组小样本数据进行模式识别分类。其中，180组用于训练，另外60组用于测试。测试数据的分类结果如表6-1所示，训练数据的分类结果如表6-2所示。表6-1和表6-2中采用的BPNN和ACROA-SVM算法分别来自用于文献［182］和文献［183］，BPNN表示BP神经网络（Back Propagation Neural Network），ACROA表示人工化学反应优化算法（Artificial Chemical Reaction Optimization Algorithm）。

表6-1　测试数据样本分类识别结果比较

表6-2　训练数据样本分类识别结果比较

从表6-1中，我们可以发现测试数据中的分类识别率由高到低依次排列是正常、EAF、SRWF和BPF，它们平均分类识别率分别为96.667%、90.000%、90.000%和85.000%。BPF识别率是四种状态下最低的，其主要原因是设备处于BPF状态时原始振动信号受到部件共振和现场干扰特别严重，导致分类结果较低。同时，从表6-1中不难发现，MSFLA-SVM在四种分类识别算法中识别率最高，达到了93.333%，后面依次是ACROA-SVM（91.667%），SFLA-SVM（91.667%）和BPNN（85.000%）。