一种数据驱动模式下往复式压缩机通用诊断模式研究

2014-12-14柯黄孙素芬郭锦江王

设备管理与维修 2014年6期

罗柯黄婧孙素芬郭锦江王雪

（1.中石油西南油气田分公司川西北气矿四川江油 2.重庆科技学院重庆）

一、概述

往复式压缩机是石油化工和油气集输的关键设备，对压缩机进行有效的在线监测和正确的故障诊断，一直都是学术界和工程界关注的热点问题。在现场诊断当中，振动信号是反应压缩机运行状态的重要和关键信息来源，因此振动信号分析是进行往复式压缩机故障诊断的重要手段[1-3]。

利用振动信号进行往复式压缩机的故障诊断方法一般有：基于压缩机动力学模型的诊断方法、基于动态信号处理的方法和基于数据驱动的方法。

基于动力学模型的方法是需要建立压缩机故障时系统的动力学模型，根据模型的特征进行诊断；文献[4]采用ANSYS方法对压缩机各关键部件进行建模，通过分析失效时的结构模态的不同来判定故障类型；文献[1]通过非线性动力学模型对故障的机理进行了深入分析，用于实际的诊断中。由于压缩机结构复杂，故障动力学模型很难完备建立，很多研究都是基于理想和简化边界条件基础上进行的，工程上成功应用还较为困难。

基于动态信号处理的方法是研究最为广泛的一种方法，通过信号处理，找寻能表征故障的特征信号，该信号可以作为判定压缩机故障的重要依据，如文献[2][5-6]。但寻找能正确表征各个故障的特征信号较为困难，找到的特征信号往往不具有通用性。

基于数据驱动的故障诊断方法是控制优化方法的一个领域，其核心思想是利用系统在线和离线数据，不需要知道系统的精确机械模型，通过统计分析、定量分析和数据挖掘，寻找能表征系统状态的数据内部的特征。该方法已经成为当前故障诊断研究的热点问题。在往复式压缩机的故障诊断方面，已有大量的研究和应用了。

文献[1]通过研究LZC复杂度，通过大量的样本数据，找到表征压缩机不同故障的稳定参数进行故障诊断；张来斌等人[7]提出了基于混沌理论的往复式压缩机故障诊断方法，通过计算信号的关联维数、Kolmogorov熵及最大Lyapunov指数来判定故障类型；文献[8]着重研究了往复式压缩机的非线性动力学特征，采用了EMD和局域波时域相干等方法进行诊断研究，取得一定的诊断效果；文献[8]通过近似熵方法，对往复式压缩机故障诊断进行研究，采用参数建模的方法利用SVM方法进行诊断等。

上述这些方法为构建通用的往复式压缩机故障诊断提供良好的研究基础和途径。对于像往复式压缩机这样复杂的系统，由于难以建立精确的物理模型，采用数据驱动模式下的故障诊断是可行的。

尽管数据驱动的模式可以不用了解系统的精确模型，但是向量参数的选择和故障识别算法却对诊断有至关重要的影响。利用振动信号选择适合数据驱动模式的特征向量参数，是研究的核心问题。

往复式压缩机采用曲柄连杆结构传动，有进气及出气管道系统。压缩机运行过程中产生强烈的变向冲击和变载冲击，活塞对缸套的撞击；各个气阀的阀门，周期性地产生落座冲击；管道、地基等各个部位产生的附加振动。这些来自不同部位的振动，互相混叠交织，彼此干扰，使综合振动变得相当复杂。这些综合振动既包含了平稳周期信号，也包含了瞬时冲击信号，表现出线性和非线性动力学特征。当机器发生某种故障时，其线性和非线性动力学特征都会发生明显的变化。

为此，提出一种数据驱动模式的往复式压缩机通用故障诊断方法，该方法采用的特征参数包括了刻画平稳周期信号特征的时域参数和倍频参数；刻画冲击信号的解调信号参数；刻画非线性动力学特征的MSE参数。将这些参数进行PCA方法降维处理，利用SVM进行训练诊断，就可以对往复式压缩机故障进行有效诊断。

二、往复式压缩机振动激励分析

从引起压缩机振动的角度出发，可以将激励源分为四类:惯性力、气体力、机械冲击和摩擦力。

1.惯性力激振源

往复式压缩机的惯性力可分为旋转惯性力和往复惯性力。旋转惯性力主要来源于曲轴的不平衡质量，形成的激振力为：

式中mr——旋转运动部分的总质量

r——曲柄旋转半径

ω——曲柄旋转角速度

φ——初相角

往复惯性力可表示为：

式中ms——往复部件的总量

α——曲柄转角

引起往复式压缩机周期平稳信号的主要是惯性激振力。该力引起以转频为基础的各个倍频系，如0.5倍、2倍、4倍等倍频。因此该信号是进行振动故障诊断重要的参数之一。

2.机械冲击及气流冲击信号

往复式压缩机里面存在的冲击信号主要有机械冲击信号和气流冲击信号。机械冲击信号主要表现在：①气阀开启和落座时分别对升程限制器和阀座的冲击；②当活塞出现磨损时，活塞和缸套之间存在间隙，使得活塞在缸套中往复运动时产生摇摆，对缸套形成撞击，撞击为瞬时突加载荷；③连杆小头磨损严重，间隙过大时，也会在往复运动时发生机械冲击。

气体冲击主要有汽缸内气流冲击、涡动和气阀周期性吸（排）气引起的气流冲击。压缩机气阀瞬时开启时，由于气阀两侧内外压力差的作用，气流高速通过气阀流道流出或流入汽缸，这种冲击性激励的频率很高。增压机气阀周期性的吸、排气过程认为是无限个谐波的合成。

气体冲击频率也是描述往复式压缩机振动的重要指针，因此必须纳入特征参数中。

3.摩擦力引起的振动

增压机中主要存在以下几对摩擦副：活塞与汽缸、十字头与滑道、十字头大小头与轴瓦、曲轴与支撑轴承、填料函与活塞杆等。在未发生故障时，由于油膜的存在，各摩擦副之间的摩擦力较小，引起振动的幅值和频率都较低，在整个信号中所占的比例很小，在分析信号时一般不予考虑。当某部分油膜被破坏或因润滑不良，发生金属之间的干摩擦时，产生的摩擦力就具有尖峰状突发性脉冲力性质和金属摩擦力有关，在时域上就表现为突发的冲击脉冲信号，会激起活塞、曲轴、连杆系统或汽缸的各阶固有频率的振动响应，并且响应信号具有周期性。摩擦力引起的振动还具有一定非线性动力学特征。

除了上述激振源以外，由于压缩机系统的复杂性，表现出的振动信号远比上述分析的复杂得多。既包含了稳态信号，也包含了很多非线性动力学特征。因此选择的特征参数应该能刻画这些特点。

三、信号参数群的选择

1.稳态信号成分的特征参数

稳态信号成分可以通过时域参数和倍频参数进行描述，形成参数群中第一个类别，即：

其中 T1，T2，T3，T4为时域参数：

T1——描述信号的均方根值

T2——描述信号的峭度值

T3——描述时域信号的波形指标

T4——描述时域信号的峰峰值

这4个时域信号指标可以在整体上描述时域信号的基本特点。

F1——描述频域信号中，以惯性力转频为基准的0.5倍频

F2——惯性力转频的1倍频

F3～F8——惯性力转频的2～6倍频

考虑到惯性力的影响，将这些倍频作为模型识别的参数之一。

2.冲击信号成分的特征参数

冲击信号为表征压缩机固有特性的信号之一。由于周期冲击信号占有很大部分的比例，需要提取周期脉冲引发的振动。当压缩机发生与气体共振、气阀弹簧失效等故障时，其冲击信号必然会发生改变。

由于冲击信号较弱且叠加在惯性力平稳信号上，对冲击信号的处理流程见图1。首先对采集到的原始信号进行带通滤波，去除基波的影响，然后采用Hilbert变换进行包络检波，将含有周期脉冲的信号检出，将检出信号变换成直方图，由时域直方图形成参数群。

基于数据的驱动方法要求形成固定维度的参数，针对脉冲直方图这种情况，采用时域区域加权法来确定参数群。

图2中矩形是脉冲信号直方图。在整个时域长度上共划分了n个区域，每个区域包含m个等量的直方脉冲。假设虚线为整个直方图的均值A，则只统计每个区域内高于均值的直方幅值V（图2中背景为灰色的直方图），进行加权求和，形成n个参数：

图1 脉冲信号参数群生成流程

由此，相当于将整个时域上的脉冲特征进行了等效压缩，可最终形成表征往复式压缩机冲击信号成分的特征参数群：

在实际的建模过程中，n和m的数量可根据事先对脉冲分布的研究，尽量将幅值高的脉冲分配在不同的区域里面。根据试验分析，n一般取20。

图2 脉冲信号直方图形成特征参数群

3.非线性动力学特征参数群

非线性动力学特征参数群主要用来描述往复式压缩机的非线性动力学行为。由于正常工况下系统也具有非线性动力学行为，只能考察某种故障发生时，其非线性动力学特征的改变，因此引入MSE来描述。

Costa等人提出MSE方法的算法如下[9]:

（1）设原始时域信号为 Xi={x1，x2，…，xN}，数据长度为 N，给定的嵌入维数m，相似容限为r，则按照原始时域信号建立的新粗粒化向量为：

其中 τ=1，2，…为尺度因子。

（2）对每个尺度因子τ上计算其样本熵SampEn，这样就得到不同的MSE值与尺度因子τ的关系图。

SampEn确定的是时间序列在单一尺度上的复杂度和无规则程度，也就是系统的非线性特征的程度。不同尺度下的样本熵,多尺度SampEn曲线反映的是时间序列在不同尺度下的复杂性程度。利用这个曲线的特征，可以构造表征往复式压缩机运行状态中的非线性动力学特征的变化。图3是试验中往复式压缩机弹簧失效、曲轴不平衡和正常状态下的曲线图。

图3 多尺度熵对故障的描述示意图

从MSE的分布和往复式压缩机的故障类型来看，虽然正常状态和曲轴轻微不平衡之间比较难以区分，但如果充分利用MSE曲线的统计特征，可以形成第三种参数。

观察图3，不同故障的MSE的分布具有如下特点：

（1）不同的故障行为表现出的MSE曲线的重心位置不同，重心横纵坐标为 Xi，Yi。

（2）不同的故障行为在整个尺度范围的平均值不同，均值用Ai。

（3）不同的故障行为在整个尺度范围内的峰峰值不同，峰峰值用Vi表示。

（4）不同的故障行为在整个尺度范围内的方差值不同Di。

（5）不同的故障行为在随着尺度因子τ最终的收敛值Mi。

由此，得到6个MSE参数，作为第三部分的参数群PⅢ：

四、参数降维和故障模式分类处理流程

通过前面的研究分析，已经得到总的表示往复式压缩机运行状态的参数群：

由此形成了38个特征参数，分别代表了平稳信号、冲击信号和非线性动力学特征。在这些参数中，会出现某些程度的耦合，也就是出现冗余参数。因为对系统模型和故障激励并不清楚，还不能随意地删除某些参数。通过在PCA方法进行降低维数处理，使得约简出来的参数其相关性更弱，能充分表达原始信号特征。

基于PCA的方法，要求累计贡献率90%以上。为了使得特征参数群的每个参数对降低维数都有充分的贡献，在进行PCA之前，对训练样本进行归一化处理，归一化是对每维数据进行自身的处理，归一化范围在[0,1]之间。不同维分量之间的数据不进行归一化处理，这样可以避免不同物理意义上的数据的相互影响。经过上述处理，最终可以用来进行故障诊断识别的特征向量参数。

由于SVM方法具有小样本训练可靠、无拒绝域和鲁棒性强等特点，采用SVM方法来进行诊断。设计的SVM参数如下：

（1）核函数采用 RBF 函数：exp（-gamma|u-v|^2）。

（2）cmin，cmax为惩罚参数 c 的变化范围，即在[2^cmin，2^cmax]范围内寻找最佳的参数c，设置值为cmin=-16，cmax=16，即默认惩罚参数c的范围是[2^（-16），2^16]，步长为0.5。

（3）gmin，gmax：RBF 核参数 g 的变化范围，即在[2^gmin,2^gmax]范围内寻找最佳的RBF核参数g，默认值为gmin=-8，gmax=8，即默认RBF核参数g的范围是[2^（-8），2^8]，步长为0.5。

（4）最佳的c和g参数的寻找采用遍历法，每次步长的变化，在不同c和g得到最佳训练值，将copt和gopt作为识别模型的参数。

根据上述分析，可以得到整个通用的往复式压缩机的故障诊断处理流程，该流程是基于数据驱动模式下的诊断过程。由于采集的信号会含有很多噪声，因此在流程里面添加去除高斯白噪声的预处理过程。

综合前面对3种特征参数的提取过程，考虑到预处理中的滤波，设计的通用诊断模型流程如图4所示。

在这个往复式压缩故障诊断通用流程中，如下3个问题为关键问题。

（1）在实验室里面进行故障模拟。模拟曲轴轻微不平衡、弹簧失效、气阀密封损伤、管道气流共振5个故障，以及正常状态等一共6种压缩机运行状态。

（2）采样布置。考虑到通用性，采样点分别布置在低压级缸盖、高压缸盖、地脚螺栓、进气管道法兰以及缓冲罐的x、y、z方向上，系统约定x方向为曲轴中心线方向、y方向为活塞往复运动直线方向、z方向为垂直向上方向。每个采样点每个压缩机状态作为一个采样原始信号，采样频率为主轴转频的30倍，均为加速度值；每种运行状态采集20～30组。

（3）在采用PCA降维处理过程中，训练样本和测试样本进行混合PCA算法和归一化处理，并使得识别正确率85%以上才能确定模型。