基于PCA-LSSVM算法的矿用空压机故障诊断模型

苗 茺

( 辽宁工程技术大学 机械工程学院，辽宁 阜新 123000)

由于矿用空压机在使用的过程中满负荷时间较长，而且具有复杂的工作条件和恶劣的环境，所以在工作的过程中各种各样的故障会在多种因素的作用下出现，其中故障和故障所出现的原因呈现出非常明显的非线性关系，由于在诊断矿用空压机故障的过程中无法利用数学模型进行表达，因此需要在充分分析庞大数据信息的基础上进行故障预警，及时的发现所存在的风险，只有这样才能够保证现代煤矿企业的稳定和健康发展[1-3]。

张强、戴俊等人在建立空压机故障诊断模型的过程中利用了组合式BP神经网络，通过实践和理论分析发现，相比于单BP神经网络，组合式BP神经网络具有误差小的优势[4-5]；秦福星[6]在对空压机采样数据进行详细分析的基础上，根据灰色关联度理论得到了一种空压机故障诊断系统。以上系统或模型在诊断空压机的过程中精度较低，而且不具有较快的收敛速度[7-9]。

针对以上问题，本文对压缩机故障诊断系统进行研究。建立基于最小二乘支持向量机的故障诊断模型，并使用PCA算法提取数据特征作为故障诊断模型的输入，降低输入维数，提高压缩机故障诊断模型识别效率和识别准确性。

1 矿用空压机故障诊断模型

诊断模型的建立是空压机故障诊断系统的关键，因此应当在对空压机使用说明和相关资料文献充分了解的基础上进行空压机故障诊断模型的建立，充分分析现场监测记录和参考使用维修人员的相关经验，分析空压机运行过程中所出现的故障，并对这些故障进行分类和分析，进而找到合适的方法来解决这些故障[10-13]。

根据压缩机现场使用经验及文献资料，归纳出压缩机的主要四种故障模式：压缩机冷却装置故障(S2)、压缩机润滑装置故障(S3)、压缩机轴承故障(S4)以及压缩机电力装置故障(S5)。

故障模式下出现的特征主要有：压缩机排气量不足(A)；排气压力过低(B)；压缩机排气温度过高(C)； 压缩机冷却水水温过高(D)；压缩机冷却水压压力过低(E)；主机转速过低(F)；压缩机振动过大(G)；润滑油油温过高(H)；润滑油压力过低(I)；轴承温度过高(J)。

针对故障类型的不同列出相对应得故障状态：S1为压缩机正常时的状态，设定向量为(1，0，0，0，0)；

S2为压缩机政党时的状态，设定向量为(1，0，0，0，0)；

S3为压缩机润滑系统故障时的状记,设定向量为(0，0，1，0，0)；

S4为压缩机轴承发生故障时的状态,设定向量为(0，0，0，1，0)；

S5为压缩机供电系统故意，设定向量为(0，0，0，0，1)。

压缩机的故障状态、故障类型以及故障征兆如表1所示。

表1 压缩机故障特征参数

本文研究的故障诊断模型主要通过前期获取的压缩机分别在正常状态、压缩机冷却水系统故障、压缩机润滑装置故障、压缩机轴承故障以及压缩机电力装置故障状态下的冷却温度、冷却压力、排气压、轴承温度、润滑油压、润滑油温、排气量、排气温度、主机转速和主机振动及由LSSVM算法建立的故障状态与特征数据之间的映射关系实现压缩机系统的故障诊断。

图1 基于经过PCA算法提取特征LSSVM故障诊断模型

2 压缩机系统故障诊断实例分析

2.1 故障诊断数据采集

对压缩机分别在正常状态、压缩机冷却水系统故障、压缩机润滑装置故障、压缩机轴承故障以及压缩机电力装置故障状态下进行数据采集，得到压缩机系统在不同状态下的压缩机数据。由于压缩机出现各种故障频率不高，因此各种故障状态下的数据量有限，本文得到每种故障状态下40组数据，随机抽取其中20组用于故障诊断模型的训练，另外20组用于故障诊断模型泛化能力测试。部分数据见表2所示。

表2 样本样本数据

2.2 故障诊断模型构建

较高的输入维数会增加基于LSSVM算法故障诊断模型的计算量，因此使用MATLAB软件对采集整理得到的用于压缩机故障诊断分析的数据进行PCA分析，从而得到各个输入变量的特征值、各成分的贡献率以及累计贡献率，见表3所示。通过这样的处理，降低了输入数据维数，减少了冗余信息对基于LSSVM算法的故障诊断模型分析效率的影响。

表3 主成分贡献率和累计贡献率

由PCA算法分析得到的主成分贡献率和累计贡献率可知，前2个主元成分基本能够表达原始数据的特征矩阵。因此在此选用前2个主元成分，组成新的特征对压缩机进行故障诊断分析，降低了输入数据维数。

2.3 故障诊断结果分析

使用常规BP神经网络算法、常规LSSVM算法以及经过PCA算法提取特征的LSSVM算法分别建立压缩机故障诊断系统。使用相同的训练数据和测试数据对所建立的3种故障诊断模型进行模型训练和泛化能力测试。使用3种故障诊断模型进行压缩机系统故障诊断的模型训练时间、测试样本分类时间、故障识别准确率对比见表4所示。

故障诊断模型对比结果表明，基于BP神经网络的故障诊断模型在较少的训练样本情况下收敛速度低，需要进行的训练时间较长，故障识别准确率较低。基于LSSVM的故障诊断模型可以使用较少的训练样本就得到具有一定泛化能力的诊断模型，但是在训练过程中参数选取的随机性能导致故障诊断模型性能的较大差异，总体识别效率和准确率较低。基于经过PCA算法提取特征的LSSVM故障诊断模型首先对采集整理得到的用于压缩机故障诊断分析的数据进行PCA分析，降低了输入数据维数，减少了冗余信息对基于LSSVM算法的故障诊断模型分析效率的影响。综上使得基于经过PCA算法提取特征的LSSVM故障诊断模型具有较高的识别效率和识别准确性。

表4 故障诊断模型对比结果

3 结论

本文针对压缩机故障诊断系统进行研究：(1)根据压缩机系统工作原理和特性分析故障现象与发生根源的联系，提取用于故障诊断的特征信号；(2)建立基于最小二乘支持向量机的故障诊断模型，并使用PCA算法提取数据特征作为故障诊断模型的输入，降低输入维数；(3)使用多种故障诊断模型进行对比分析，验证了本文使用的基于经过PCA算法提取特征的LSSVM故障诊断模型具有较高的识别效率和识别准确性。