精细复合多尺度波动散布熵在液压泵故障诊断中的应用
一、技术定义与核心原理
1.1 多尺度波动散布熵（Multi-scale Fluctuation Dispersion Entropy, MFDE）
多尺度波动散布熵（Multi-scale Fluctuation Dispersion Entropy, MFDE）是一种融合多尺度分析（Multi-scale Analysis）与波动散布熵（Fluctuation Dispersion Entropy, FDE）优势的新型非线性信息熵度量方法。该方法在保留散布熵（Dispersion Entropy, DEn）计算高效性的同时，引入多尺度重构机制，能够有效刻画复杂振动信号在不同时间尺度下的复杂度与不确定性特征，对液压泵早期微弱故障信号具有高度敏感性。
其核心计算流程如下：
- 多尺度重构：对原始振动信号 $x(t)$ 进行多尺度分解，通过相邻采样点均值聚合或滑动平均滤波，在尺度因子 $\tau = 1, 2, ..., T$ 下生成多尺度序列 $x^{(\tau)}(t)$，从而分离不同频率成分所对应的故障特征；
- 归一化与量化：将多尺度序列按最大值归一化后，依据预设阈值区间 $[v_{min}, v_{max}]$ 进行离散量化，映射为符号序列 $S^{(\tau)}$；
- 波动散布模式统计：以嵌入维度 $m$ 和延迟时间 $\tau$ 构造波动散布模式（Fluctuation Dispersion Pattern, FDP），统计各模式出现概率 $p_{i,j,k}$；
- 熵值计算：利用Shannon熵公式计算各尺度下的散布熵值： $$MFDE(\tau) = -\sum_{i=1}^{r} \sum_{j=1}^{r} \sum_{k=1}^{r} p_{i,j,k}^{(\tau)} \ln p_{i,j,k}^{(\tau)}$$ 其中 $r$ 为量化级别数。
1.2 液压泵故障特征机理
液压泵作为液压系统的动力核心，其常见故障模式包括：齿轮泵齿面磨损与点蚀、叶片泵叶片卡滞与磨损、柱塞泵柱塞与斜盘磨损、内泄漏加剧、气蚀（Cavitation）以及轴承损伤等。不同故障类型在振动信号中表现为特征频率与调制边带的差异，传统时域/频域分析方法在强噪声背景下难以有效提取早期微弱故障特征。MFDE方法通过多尺度信息熵度量，能够捕捉信号在不同时间尺度下的复杂度变化趋势，从而实现对故障类型的精确识别与严重程度分级。
二、所属大类与业务定位
该技术条目属于智能诊断与状态监测技术大类，具体定位为液压设备故障特征提取与信息熵分析方法。在公司技术体系中的业务定位如下：
- 上游支撑：为公司水压复合（Hydrostatic Composite Bonding）生产线中液压系统的运行状态评估提供技术支撑，确保复合工艺关键液压设备的可靠性与安全性；
- 下游延伸：为客户提供复合材料制品在液压系统工况下的服役性能评估与寿命预测服务，形成"材料制造—系统运行—智能运维"全链条技术能力；
- 技术储备：为未来开展复合管道、复合阀门等液压系统关键部件的在线监测与预测性维护（Predictive Maintenance）奠定理论基础。
三、技术目的与核心价值
3.1 技术目的
- 建立基于MFDE的液压泵故障特征提取方法，实现对齿轮泵、叶片泵、柱塞泵等多类型液压泵故障的自动识别与分类；
- 构建多尺度熵值与故障严重程度的映射关系，实现故障早期预警（Early Warning）与剩余寿命预测（Remaining Useful Life, RUL）；
- 形成可复用的故障诊断算法库与特征数据库，支撑公司液压系统智能化运维平台建设。
3.2 核心价值
| 价值维度 | 具体体现 |
|---|---|
| 设备可靠性 | 通过液压泵故障早期识别，将非计划停机时间降低60%以上，保障水压复合生产线连续稳定运行 |
| 产品质量 | 确保水压复合工艺中液压系统压力、流量等关键参数的精确控制，提升复合界面结合强度一致性 |
| 运维成本 | 实现从"定期维护"向"预测性维护"转变，综合运维成本降低30%-45% |
| 客户价值 | 为客户提供液压系统全生命周期健康管理方案，增强产品竞争力与服务附加值 |
| 资质建设 | 支撑公司申请智能装备运维、工业物联网（IIoT）等相关资质与认证 |
四、关键实施要点与参数配置
4.1 MFDE算法关键参数
| 参数名称 | 符号 | 推荐取值范围 | 对结果的影响 |
|---|---|---|---|
| 嵌入维度 | $m$ | 3~5 | 维度过小丢失结构信息，过大导致概率估计稀疏 |
| 延迟时间 | $\tau$ | 1~3 | 影响散布模式的时间关联结构 |
| 量化级别数 | $r$ | 3~6 | 级别过少区分度不足，过多导致熵值不稳定 |
| 尺度因子 | $T$ | 5~10 | 决定多尺度分析的时间跨度和频率分辨率 |
| 信号采样率 | $f_s$ | 10~50 kHz | 需覆盖液压泵特征频率及其谐波成分 |
| 信号长度 | $N$ | ≥2048点 | 保证统计概率估计的收敛性 |
4.2 液压泵故障类型与特征频率对照
| 泵类型 | 典型故障模式 | 特征频率范围 | MFDE诊断灵敏度 |
|---|---|---|---|
| 齿轮泵 | 齿面磨损/点蚀 | 啮合频率 $f_m = Z \cdot n$（$Z$为齿数，$n$为转速）及其谐波 | 高（多尺度熵值呈阶梯式下降） |
| 叶片泵 | 叶片卡滞/磨损 | 叶片通过频率 $f_b = Z \cdot n$ 及其边带 | 中高（特定尺度熵值异常） |
| 柱塞泵 | 柱塞/斜盘磨损 | 柱塞频率 $f_p = Z \cdot n$ 及压力脉动频率 | 高（多尺度趋势特征明显） |
| 各类泵 | 气蚀 | 宽带高频成分（10~20 kHz） | 中（需结合频带能量分析） |
| 各类泵 | 轴承损伤 | 轴承特征频率（BPFI/BPFO/BSF/FTF） | 高（冲击特征导致熵值突变） |
4.3 实施流程关键步骤
- 传感器选型与布置：在液压泵壳体、进出口管路及油箱壁面布置加速度传感器（推荐IEPE型，量程±50g，频率范围10Hz~10kHz）和压力传感器（量程覆盖系统最大工作压力的1.5倍）；
- 数据采集与预处理：以10~50kHz采样率采集振动信号，进行去趋势、去噪（小波阈值降噪或经验模态分解EMD）处理；
- MFDE特征提取：按优化参数配置计算多尺度熵值序列，构建特征向量；
- 特征分析与故障识别：利用聚类分析、主成分分析（PCA）或机器学习分类器（如随机森林、SVM）对熵值特征进行故障模式识别与严重程度分级；
- 诊断结果输出与预警：生成诊断报告，设定阈值预警机制，触发维护工单。
五、执行标准与验收依据
5.1 相关标准
| 标准号 | 标准名称 | 适用范围 |
|---|---|---|
| GB/T 6075.3-2011 | 机械振动 非旋转部件的振动评价 第3部分：10Hz至1000Hz机器的现场测量 | 液压泵振动信号采集与评价基准 |
| GB/T 20081.3-2006 | 机械振动 旋转轴振动评价 第3部分：陆上安装的通用工业机器 | 泵类设备振动烈度评定 |
| GB/T 31455-2015 | 液压系统 状态监测与故障诊断 一般要求 | 液压系统状态监测总体要求 |
| ISO 10816-3:2009 | Mechanical vibration — Evaluation of machine vibration by measurements on non-rotating parts | 非旋转部件振动评价国际基准 |
| ISO 13373-1:2002 | Condition monitoring and diagnostics of machines — Vibration condition monitoring | 振动状态监测与诊断方法 |
| GB/T 26546-2011 | 状态监测与诊断 机器状态监测导则 | 设备状态监测体系构建 |
| NFPA 659 (2021) | Standard for Fire Prevention and Control in Hydraulic Power Units | 液压动力单元安全与防火 |
5.2 验收指标
- 故障识别准确率 ≥ 92%（含正常、早期故障、中期故障、严重故障四级分类）；
- 早期故障检出率 ≥ 85%（故障特征频率能量占比低于正常值3倍时仍可识别）；
- MFDE特征计算时间 ≤ 5秒/通道（满足在线实时诊断需求）；
- 特征向量维数压缩比 ≥ 80%（通过PCA等降维方法实现）；
- 系统连续运行可靠性 ≥ 99.5%（MTBF ≥ 5000小时）。
六、常见风险与控制措施
| 风险类型 | 风险描述 | 控制措施 |
|---|---|---|
| 信号质量风险 | 现场电磁干扰、传感器安装松动导致信号失真，影响熵值计算准确性 | 采用屏蔽电缆与接地处理；传感器安装使用磁吸式或螺栓固定并涂覆导热硅脂；设置信号质量自检模块 |
| 参数敏感性风险 | MFDE算法参数（$m$, $\tau$, $r$）选择不当导致特征区分度下降 | 建立参数优化流程，利用互信息法与近似熵法联合确定最优嵌入参数；针对不同泵型建立参数推荐库 |
| 工况变异性风险 | 液压泵在不同负载、转速、油温工况下熵值基线漂移，导致误报 | 采用工况归一化方法（如基于转速的自适应阈值）；建立多工况基线数据库；引入变点检测（Change Point Detection）算法 |
| 样本不足风险 | 故障样本采集困难，导致分类模型泛化能力不足 | 利用仿真数据增强（如基于AMESim液压系统仿真）；采用迁移学习（Transfer Learning）与少样本学习（Few-shot Learning）方法 |
| 数据安全与合规风险 | 设备运行数据涉及客户工艺机密，数据上传与存储存在合规风险 | 采用边缘计算架构，敏感数据本地处理；数据传输采用TLS 1.3加密；符合《数据安全法》与ISO/IEC 27001要求 |
七、在公司三条技术路线中的应用场景
7.1 水压复合（Hydrostatic Composite Bonding）技术路线
水压复合工艺依赖高压液压系统（工作压力通常30~100MPa）实现金属层与基层的冶金结合或机械咬合。液压泵作为系统核心动力元件，其运行状态直接影响复合工艺的压力稳定性与产品合格率。
- 应用场景一：复合压机液压系统健康监控——在复合压机主泵、辅助泵及蓄能器充液泵上部署振动与压力传感器，利用MFDE方法实时监测泵体状态，防止因泵故障导致的压力波动影响复合界面质量；
- 应用场景二：工艺参数与设备状态关联分析——建立液压泵MFDE特征值与复合工艺参数（压力、保压时间、温度）的关联模型，当泵状态异常时自动调整工艺参数或触发停机保护；
- 应用场景三：复合生产线预测性维护——基于MFDE趋势分析预测液压泵剩余使用寿命，合理安排检修计划，避免非计划停机影响复合板/复合管交付进度。
7.2 TIG/MIG堆焊技术路线
- 应用场景一：堆焊设备液压夹具状态监测——大型堆焊工装中的液压夹紧装置依赖液压泵提供稳定夹紧力，MFDE诊断可确保夹具可靠性，避免因夹紧力不足导致的堆焊层位移或飞溅；
- 应用场景二：焊接变位机液压驱动系统维护——对于采用液压驱动的焊接变位机，泵体状态直接影响焊接轨迹精度，通过MFDE诊断可提前发现泵内泄漏等隐患；
- 应用场景三：堆焊车间设备健康管理平台——将堆焊生产线中所有液压设备的MFDE诊断数据汇聚，形成车间级设备健康度看板，支撑精益生产与OEE（Overall Equipment Effectiveness）提升。
7.3 爆炸焊复合（Explosive Composite Welding）技术路线
- 应用场景一：爆破成形液压张紧系统监控——爆炸焊中部分工艺采用液压张紧装置对复合板坯进行预紧，液压泵状态影响预紧力均匀性，进而影响爆炸焊复合质量；
- 应用场景二：爆轰模拟与试验液压系统安全监测——爆炸焊工艺研发中使用的液压加载试验设备，通过MFDE诊断确保试验设备在高风险作业环境下的运行安全；
- 应用场景三：复合管液压胀形后处理——爆炸焊复合管后续加工中的液压胀形工序，泵状态监测确保胀形精度与复合层完整性。
八、对资质建设与产品交付的支撑作用
8.1 资质建设支撑
| 资质/认证方向 | MFDE技术支撑作用 |
|---|---|
| ISO 9001质量管理体系 | 为"设备维护与状态监测"过程提供可量化的技术方法与记录依据，满足体系审核中对关键设备管理的要求 |
| ISO 14001环境管理体系 | 通过预测性维护减少液压系统非正常停机导致的液压油泄漏风险，支撑环境风险管控 |
| ISO 45001职业健康安全管理体系 | 液压泵故障预警降低高压系统突发失效导致的人员安全风险 |
| NB/T 47013系列（承压设备无损检测） | 液压系统可靠性保障间接支撑承压设备（复合管道、压力容器）制造过程质量控制 |
| 高新技术企业认定 | 智能诊断算法属于研发类技术成果，可计入研发费用与知识产权，支撑高企认定中的技术先进性指标 |
| 智能制造/工业互联网相关资质 | 为申请"智能制造能力成熟度模型"（GB/T 39116）相关认证提供设备状态监测模块的技术支撑 |
8.2 产品交付与客户价值
- 交付可靠性提升：通过水压复合生产线液压系统的状态监测，确保复合板/复合管产品在制造过程中的工艺参数一致性，降低因设备异常导致的批次性质量事故风险；
- 售后服务增值：向客户交付复合管道产品时，同步提供液压系统运维诊断方案，形成"产品+服务"一体化交付模式，提升客户粘性与复购率；
- 技术壁垒构建：MFDE算法与液压泵故障数据库的积累形成技术壁垒，区别于传统堆焊/复合加工企业，定位"材料制造+智能运维"双轮驱动的差异化竞争策略；
- 标准参与与话语权：基于MFDE诊断方法的工程实践数据，可参与液压设备状态监测相关标准（如GB/T 31455修订）的编制工作，提升行业影响力。
九、技术延伸与未来发展方向
- 多源信息融合：将MFDE振动熵值与液压系统压力脉动熵值、油液颗粒度、温度等多源信息进行融合诊断，构建液压系统综合健康指数；
- 数字孪生集成：基于AMESim/Simulink建立液压泵数字孪生模型，将MFDE诊断结果与模型仿真对比，实现故障机理的定量分析与剩余寿命精确预测；
- 边缘智能部署：将MFDE算法轻量化后部署于边缘计算网关，实现本地实时诊断与云端深度分析协同的"端-边-云"架构；
- 复合材料服役监测：将MFDE方法扩展至复合管道、复合阀门等液压系统关键部件的在役监测，实现"从制造到运维"的全生命周期技术覆盖。
总结：精细复合多尺度波动散布熵（MFDE）在液压泵故障诊断中的应用，是科雷丁技术从传统复合材料制造向"智能制造+智能运维"延伸的关键技术储备。该技术不仅直接服务于公司水压复合生产线的设备可靠性保障，更通过构建液压系统状态监测能力，为客户交付提供差异化增值服务，同时为公司在智能装备运维、工业互联网等领域的资质建设提供技术支撑，具有显著的战略价值与落地前景。