基于最小二乘支持向量机的往复式压缩机故障诊断研究

2018-11-21魏国郦磊

科技与创新 2018年21期

魏国，郦磊

魏国1，郦磊2

（1.中海油能源发展装备技术有限公司，天津 300450；2.景诚科技发展有限公司，天津 300110）

针对支持向量机（SVM）求解过程计算量非常大的现象，提出了一种基于最小二乘支持向量机（LSSVM）的往复式压缩机故障诊断方法。将压缩机振动信号作为LSSVM学习器的输入、训练模型以及进行故障识别，分析压缩机的电机和气阀故障的诊断实验结果。结果显示，LSSVM的故障识别算法可以准确地判断压缩机的工作状态和故障类型。

往复式压缩机；故障诊断；LSSVM；振动信号

1 概述

石化行业是我国的支柱性产业。在生产装置中，往复式压缩机是重要的核心设备，具有压力范围广、效率高、易操作等优点，主要应用于石油炼制、采油、气体输送等方面。往复压缩机由于内部结构复杂，所以，故障形式多样，给分析故障原因带来很多困难[1-2]。如果能将信号处理与工业大数据技术相结合，对往复压缩机的故障位置和原因进行分析，及时预知即将发生的故障并对故障类型进行诊断，对于减少和避免事故的发生、提高企业的生产效益都能起到极大的促进作用。因此，故障诊断与预测技术得到了国内外越来越多的学者的关注[3]。在国外，美国学者根据不同位置的振动信号进行压缩机的故障诊断[4]；英国学者根据气阀内压力及温度信号判断气阀的不同故障类型等[5]。在国内，有些学者提出了多源信息融合的诊断技术[7]，也有人根据进气阀及排气阀的压力判断气阀的不同故障状态，包括内圈故障，外圈故障等[8]，文献[6]、文献[9]的作者开发出一种压缩机故障诊断和预警的软件系统，此软件系统能够监测压缩机的故障状态，并在压缩机故障时发出报警信号提醒工作人员，并且能够提前预测故障。

往复压缩机故障诊断技术的发展比较迅速，也形成了许多有针对性的信号处理和故障诊断方法，但每种方法理论都存在一定的局限性，对压缩机的监测也不够全面，有些故障诊断较为困难，对非稳态信号的处理也没有形成成熟、较为精确的方法理论，因此，在往复压缩机故障诊断领域还需要国内外学者进行不断探索。

2 LSSVM

支持向量机因为要求解二次规划问题，在样本数大的情况下，计算量呈指数级增长，给求解模型带来很大的困难。最小二乘支持向量机是在支持向量机的基础上发展而来的，最初由Suykens等人提出[10]，后来将此算法应用到预测问题。LSSVM用训练误差的平方代替SVM中的松弛变量，并用等式约束代替不等式约束，从而避免了解二次规划问题，可求得模型参数的解析解。

式（1）中：为正则化参数；i为松弛变量；为偏置常量。

通过构建拉格朗日方程求解式（1），得：

关于式（2），由Karush-Kuhn-Tucker（KKT）条件可得：

整理式（3）得：

求解式（4），得到和，对未知输入样本，LSSVM的输出决策函数为：

多分类时，多分类问题的求解方法主要有2种，即一次性多目标优化和多分类问题通过某种原则转化为二分类问题。在实际应用中，鉴于多目标优化，即一次性求解所有分类问题的多参数的多目标优化算法，面临着求解变量数目较大、求解过程复杂等难题，并不适用。因此，我们采用将多分类转化为多个二分类LSSVM 来实现多分类，为了保持样本数据的平衡性，采用一对一方式来实现多个二分类。

3 实验

3.1 振动信号采集

压缩机振动信号的采集过程为：压缩机故障试验台将振动信号传输到振动传感器；将信号输送到振动信号采集仪，进行信号的模/数转换；将信号传送信号至电脑，显示采集信号的波形。

振动信号传输通路如图1所示。

图1 信号传输通路

实验中，选取气阀和电机振动数据样本各1 000个，采样间隔1 min，振动数据时域图如图2所示。

图2 振动数据时域图

3.2 实验参数设置

为了证实LSSVM算法的有效性，将LSSVM算法与SVM算法做对比。选取600个故障样本为训练样本，剩下400个样本为测试样本。选取高斯核函数作为基本的核函数，正则化参数=5.各种算法的实验结果如表1所示。

表1 实验结果

算法分类准确率/（%）运行时间/s SVM89.928 613.99 LSSVM94.785 71.41

3.3 实验结果分析

表1的故障识别结果表明，由于最小二乘支持向量机不用求解二次规划问题，所以在运算速度上要优于SVM，同时，在分类准确率上也好于传统SVM算法，说明了所提的LSSVM算法在压缩机故障诊断中的有效性。

4 结论

在压缩机的故障诊断中，首先采集各种状态的振动信号，然后对信号进行分析处理，最终输入到算法进行故障识别。针对传统SVM算法因求解二次规划而带来的运行时间缓慢问题，提出基于LSSVM算法的压缩机故障诊断，实验结果表明提出算法的有效性。

由于压缩机在石化生产中具有核心地位，一旦发生故障，后果非常严重，所以，能够准确预测压缩机的故障状态，提前进行检修，避免造成不必要的损失非常重要。由于压缩机内部结构复杂，诊断压缩机的故障仅仅依靠单一信号或一种类型信号，准确率不高，所以，基于多源信息融合的故障诊断方法，分析多种信号的融合是以后的研究重点方向。

［1］邢俊杰.基于LMD与MFE的往复式压缩机故障诊断方法研究［D］.黑龙江：东北石油大学，2016.

［2］李芳.往复式压缩机故障诊断技术研究［D］.黑龙江：东北石油大学，2011.

［3］程艳霞.小波分析在全封闭活塞式制冷压缩机故障诊断中的应用［D］.焦作：河南理工大学，2007.

［4］杨春强，杜随更，诸德鹏，等.活塞式空气压缩机性能测试系统设计［J］.科学技术与工程，2011，11（07）：1461-1467.

［5］刘卫华，郁永军.往复压缩机故障诊断方法的研究［J］.压缩机技术，2001（01）：3-5，12.

［6］杨菲.往复式压缩机气阀故障诊断的实验研究［D］.上海：华东理工大学，2009.

［7］陈敬佑，杨峰.膜式压缩机振动状态测试分析［J］.压缩机技术，1993（02）：37-39，43.

［8］刘卫华.往复压缩机热力参数故障诊断法研究［D］.西安：西安交通大学，2000.

［9］袁晓宇.往复式压缩机组智能故障诊断专家系统［D］.郑州：郑州大学，2001.

［10］Suykens J A K.Least squares support vector machine classifiers［J］.Neural Process Letter，1999，9（03）.

2095－6835（2018）21－0095－02

TH45