基于数据驱动的空压机温度过高故障诊断仿真

王海泉,刘向虹,白晓杉,罗 航

(1. 北京航空航天大学,北京 100191;2. 红塔集团昭通卷烟厂,云南 昭通 657000;3. 北京航空航天大学云南创新研究院,云南 昆明 650000)

1 引言

由于空气压缩机具有无污染、易存储和可循环等优势,被广.泛应用在钢铁、食品、纺织和医疗等多种领域[1-3]。空气压缩机作为压缩空气系统中的主要机器,对压缩机组起到辅助作用。化工行业的空气压缩机一般用于氢气和氨气等危险的气体压缩,而且气体温度较高、压强较大。如果空压机出现故障,在一定程度上会降低气体的纯度和合成效率,甚至有可能导致气体泄漏[4,5],因此对空压机的故障状态进行监测与诊断非常重要。为了保证空压机能够安全稳定的运行,众多学者参与到空压机故障诊断的研究中。

文献[6]设计了一个由硬件/软件、SCADA网络和人机界面等模块组成的诊断系统,结合神经网络算法对空压机进行实时的远程监控,通过人工智能技术挖掘空压机运行过程中的大数据,完成空压机的报警与故障诊断功能,该方法满足空压机故障诊断要求,对空压机的智能控制具有重要意义。文献[7]通过对空压机工作原理与故障现象的分析,提取出故障特征信号,结合最小二乘法建立空压机故障诊断模型,采用PCA算法对数据特征进行提取,并将提取的数值作为故障诊断模型的输入值,通过对比分析,该方法的识别效率和准确性较高。文献[8]通过故障树法分析空压机的故障,并将系统故障与解决方法建立成知识库,从推理方法与方向、控制方案多方面进行机理设计,结合可信度与正反混合推理方式对推理机制进行分析与计算,该方法能够保证空压机的安全与稳定运行。

基于以上研究,本文对空压机运行过程中故障参数的相关性和健康指数进行研究,建立分别以温度故障向量和故障类型向量作为输入向量和输出向量的BP神经网络模型,通过对网络模型的训练,得出最优的目标函数。

2 空压机故障诊断方案设计

2.1 系统结构

为了能够更好的对空压机故障进行诊断,首先需要搭建具有开放性、安全性和易于维护的空压机组数据平台。在保证空压机系统安全的情况下,系统应该具备继承性和封装性。为了方便对系统进行维护,系统应具备远程调试与故障数据备份与恢复的功能。空压机故障诊断系统主要由三部分模块组成:远程终端单元、服务器和远程监测终端。

远程终端单元:负责采集空压机的数据,并将数据传输给中心站。

服务器:负责将远程终端单元传输的空压机数据进行存储备份,对故障诊断系统的数据起到查询统计的作用。

远程监测终端:负责实时监控空压机组的运行状态,具备提取故障信息的功能,能够对空压机的性能进行预测与分析。

2.2 系统功能

根据各个气压站的实际运行状况,为了对空压机的性能进行预测与优化,设计了全面的智能诊断系统,该系统具备的功能如下:

数据采集与传输功能:远程终端单元通过RS485通信传输方式将空压机组由传感器获得的数据,通过Modbus TCP/IP协议将数据实时传输给监控中心。服务器将读取到的空压机各项指标数据存储在本地数据库中,方便后续的查看与调用。

数据监控功能:监控系统将远程终端单元传输的空压机运行数据反馈给应用服务器,远程用户通过WEB端对空压机的运行状态、指标和参数进行查看。

数据分析功能:当系统从数据库中读取到数据后,系统通过指定算法对空压机的故障和历史数据进行深度的挖掘与计算,完成对空压机的故障诊断与性能预测。

3 诊断系统模型的研究

3.1 参数分析

空压机的参数较为复杂,但本文只考虑对空压机的温度进行故障诊断,因此大大降低了研究的难度。本文采用PLC数据采集方式对温度进行采集,通过传感器将采集的信息转换为信号,然后传输到系统中进行分析,生成表格数据存入到本地。建立监测模型前需要对空压机内部运行参数的相关性进行分析,而皮尔森相关系数可以衡量出两个随机变量的相关性,公式可表示为

(1)

其中,A、B表示随机变量;N表示运行参数的总个数。若数值为1,表示两者非常正相关;若数值为-1,表示两者非常负相关;若数值为0,表示两者没有相关性。通过皮尔森相关系数的计算,规定数值为[0.8～1.0]时,表示极强相关性;数值为[0.6～0.8]时,表示较强相关性;数值为[0.4～0.6]时,表示中等相关性。经过分析,选择数值为极强的相关性参数作为输入值输入到模型中。参数相关性数值如表1所示。

表1 参数相关性数值

通过分析比较空压机的温度相关性,将主机头排气温度作为模型的输入值,构建空压机的温度监测模型。为了以数值形式反映出空压机的运行状态,采用健康指数对空压机的健康情况进行评估,健康指数公式可表示为

(2)

(3)

其中,Di表示第i个评估参数的组合权重值,公式可表示为

(4)

其中,αi和βi分别表示权重系数;cei和cfi分别表示由层次分析法和熵值法得出的权重。就空压机的老化情况,引入老化健康指数,公式可表示为

Cheal＿old(t)=1-(1-Cheal＿0)eδ(t-t0)

(5)

其中,Cheal＿0表示空压机初始健康度;δ表示老化系数。进而空压机的综合健康指数公式可表示为

(6)

综上所述,空压机的健康指数与温度故障率的关系如表2所示。

表2 健康指数与温度故障率间的关系

为了证明设计模型对温度监测的效果,对模型进行故障监测与残差的计算,监测残差值公式可表示为

Gres=Gact-Gmon

(7)

其中,Gact表示实际值;Gmon表示模型监测值。对温度故障诊断过程中,对温度值进行数据偏移的处理,把模型的监测误差视为正态分布函数。假设监测残差的绝对值为gt,测试数据的个数为n,那么温度故障阈值公式可表示为

(8)

通过对模型监测值的残差进行绝对值处理,可计算出残差绝对值的标准差与平均值。假设残差绝对值的标准差和平均值分别为σ和μ,那么温度故障阈值为3σ+μ,因为残差呈线性变化,因此可通过阈值判断空压机的温度是否存在异常,当故障值超出故障阈值,那么系统会进行预警,对系统进行故障诊断。

3.2 网络模型

BP神经网络和其它神经网络有很大的差别,是一种多层的前馈神经网络,实际上是通过梯度下降法对目标函数进行计算的,经过对空压机的分析,建立空压机的神经网络模型。首先,对网络故障的样本集进行采样,分别以温度故障向量和故障类型向量作为输入向量和输出向量。然后,建立输入层为10、隐藏层为16、输出层为12的神经网络模型。输入第h个组样,参数j的输出公式可表示为

(9)

其中,Lih表示参数j在第h个组样输入下的第i个输入值。进而计算网络目标函数,公式可表示为

(10)

其中,ykh(t)表示经过t修正后的网络输出;k表示输出层的节点数。最后做出误差判断,若目标函数比误差值小,则结束训练;若目标函数比误差值大,按照梯度下降法对权值进行反向更新处理,处理过程公式可表示为

(11)

其中,η表示学习步长。通过以上步骤便完成了一次完整的学习,之后一直重复上述步骤,直到目标函数值小于误差值为止。

通过对BP神网络的训练,得出图1的结果,表明本文建立的模型网络拟合度较好,训练步长为24步时,目标函数最优。

图1 训练误差曲线

4 仿真与结果分析

为了验证提出的BP神经网络模型对空压机的监测效果,本文分别将传统的长短时记忆神经网络(V-LSTM)和支持向量机(SVM)两种方法与本文提出的方法进行仿真对比,图2和图3分别为网络模型的监测值和残差值。

图2 网络模型监测值对比结果

图3 残差特性对比结果

从图中可以看出,空压机正常工作过程中,采用本文方法对温度的监测值和采用V-LSTM方法对温度的监测值与温度实际值没有较大的差距,甚至本文方法的监测值还比V-LSTM方法小,说明对数据采集过程中,本文方法效果更佳。而且基于三种方法对残差特性的对比,明显可以看出采用本文方法的残差值几乎接近于0,而采用V-LSTM和SVM方法的残差绝对值接近于0.5,表明本文方法对温度监测的效果较好。

为了进一步验证BP神经网络模型对空压机温度故障诊断的灵敏程度,通过本文方法确定的故障阈值,分别将V-LSTM和SVM两种方法与本文提出的方法进行仿真对比,每种方法的残差值与其对应方法的故障阈值对比结果如图4所示。

图4 残差值与故障阈值

从图中可以看出,随着模拟故障程度的逐渐增加,温度实际值与监测结果的残差值呈现出线性变化,三种方法都超出了给定的故障阈值,而采用本文方法能够更早的判断出空压机的温度阈值警戒线,说明本文方法对温度故障监测的准确率更高,可以及时诊断出空压机运行过程中的温度故障。

为验证本文方法对故障诊断的准确程度,设置神经网络的输入层为10层、隐藏层为16层、输出层为12层,共进行40次训练,并与V-LSTM和SVM两种方法进行仿真对比,准确率的对比结果如图5所示。

图5 训练过程的准确率

从图中可以看出,当训练次数小于25次时,随着训练次数的不断增加,三种方法的准确率均有明显的提高。当训练次数为25次后,SVM方法的准确率忽高忽低,不稳定。而采用本文方法和V-LSTM方法对空压机温度故障进行诊断时可以维持较高的准确率,但相比之下本文方法的准确率更高,说明本文设计的模型非常适合空压机故障诊断场景,对目标函数优化后的模型具有较高的准确率。

5 结束语

为了对空压机的温度故障进行及时的诊断,本文对BP神经网络模型进行学习,同时对空压机的系统结构与系统功能进行了详细地 分析。通过本文建立的监测模型、残差分析模型对故障信息进行监测查找。为了验证本文方法的监测性能、对空压机温度故障诊断的灵敏程度以及诊断的准确性,分别将本文方法与V-LSTM和SVM方法进行仿真对比。实验结果表明,本文方法的残差值几乎接近于0,具有较好的监测效果。而且随着模拟故障程度的逐渐增加,本文方法能够更早的判断出空压机的温度阈值警戒线,并且对故障判断的准确率更高。