EMD與樣本熵在往復壓縮機氣閥故障診斷中的應用

張思陽，徐敏強，王日新，高晶波

（1.哈爾濱工業大學航天學院，黑龍江哈爾濱150001；2.中國石油哈爾濱石化分公司，黑龍江哈爾濱150056）

EMD與樣本熵在往復壓縮機氣閥故障診斷中的應用

張思陽1，2，徐敏強1，王日新1，高晶波1

（1.哈爾濱工業大學航天學院，黑龍江哈爾濱150001；2.中國石油哈爾濱石化分公司，黑龍江哈爾濱150056）

針對往復壓縮機氣閥故障信號沖擊性、非連續性特點，采用EMD方法分解提取各頻率故障信號。然后通過對數據重新篩選、提出主要振動信息對分解波形進行了重構。并對往復壓縮機故障信號分解及重構數據進行了分析，提取了故障信息。針對正常與故障信號分解結果復雜度不一致的特點，對EMD分解后包含的故障信息主要分量進一步通過樣本熵進行量化識別。最后通過對正常、閥片缺口、彈簧失效的實測信號進行EMD分解、重構和樣本熵分析，精確提取了故障信息，驗證了方法的有效性。

往復壓縮機；壓縮機氣閥；經驗模態分解；氣閥故障；信息重構；量化分析；樣本熵

往復壓縮機大多數故障都屬于氣閥故障。由于往復壓縮機氣閥故障信號非連續性、沖擊性及不具備全局性的特點，采用傳統的傅里葉變換、基于時頻的故障分析往往難于找到故障特征。因此局部信號分析方法得到廣泛開展，如針對氣閥早期故障，魏中青、李剛等［1-2］采用最大似然估計及雙演化遺傳聚類算法等方法提取故障特征。Fengshou Gu等［3］提出用改進的雙頻譜來提純信號，防止信號干擾用來診斷氣閥的泄漏問題。M.H.El-Ghamry［4］等根據不同的統計特征和識別模式采用不同時間窗對聲發射信號進行分析。Zhigang Chen［5］等提出采用信息熵作為特征提取參數，提取小波包熵作為輸入載體，并基于支持向量機（SVM），提出了新的向量機方法較傳統BP算法得到了極大改進。李月［6］等針對混疊噪聲提出采用結合余弦信號2次EMD［7］處理方式，對地震信號進行了探究。由于往復壓縮機氣閥信號的復雜性、混亂性和數據量的巨大，使得通過往復壓縮機氣閥原始信號進行故障診斷難度較大。為了能夠去除噪聲干擾，需要對數據進一步的處理，使信號故障特征明顯。文章通過采用經驗模態分解方法［7-8］（empirical mode decomposition，EMD）把信號數據分頻段分析，通過提取不同頻段內的故障振動特征，突出某一頻段的故障。并進一步收集必要信息，對數據進行重構，形成新的振動波形。為了進一步定量分析往復壓縮機故障，從EMD分解的IMF分量中選取包含故障主要信息的前幾個內蘊模式分量的樣本熵［9-10］對機組故障進行量化分析。

1 經驗模態分解方法

首先對往復壓縮機的基本結構進行分析，從中得出故障類型。通過對故障類型及采集的信號特點闡述，并根據EMD自身的多頻率段分解特點，選取EMD作為此類問題的分析工具。通過對機組故障信息進行分析，闡述此類故障適合EMD分析。

分析流程見圖1。

圖1 分析流程圖Fig.1 Analysis tree

EMD方法是把一個復雜的非平穩振動信號分解為有限個基本模式分量（IMF）之和。其中任何一個基本模式分量在整個數據段內極值點的個數和零交叉點的個數相等或相差不超過1個；在任一點，由局部極大值點形成的包絡線和由局部極小值點形成的包絡線平均值為零。選取往復壓縮機的振動信號x（t）進行分解?；静襟E如下：

1）確定實際振動信號x（t）各局部極值點；

2）采用三次樣條曲線構造x（t）的極大值點和極小值點，并建立極大值點包絡線lmax和極小值點包絡線lmin；

3）計算上、下包絡線的平均值包絡線lm；

4）用原數據x（t）減去平均包絡線的值得到去掉低頻成分的新數據序列：h（t）＝x（t）-lm，重復步驟1）～4），直到h（t）滿足停止條件，即取得的平均包絡趨向于零，得到了第1個IMF分量c1（t），表示信號的最高頻成分。

5）然后用x（t）減去c1（t）得到一組新的序列r1（t）。再重復上述步驟得到一系列的ci（t）和最后一個不可再分的rn（t）。

則得到：

由于每一個IMF的信號包含了從高到低的不同頻率段的成分，并且ci（t）為平穩信號。

EMD是一種對非平穩信號進行自適應分解的方法，通過將信號按不同尺度的波動或趨勢進行逐級分解，產生一系列具有不同特征尺度的數據序列，每一個序列稱為一個固有的模態函數IMF。EMD的基本實現過程是用“篩分”的方法把一個復雜信號分解為有限個本征模函數之和。

2 往復壓縮機氣閥故障分析

2D12-70／0.1-13型往復對稱雙缸壓縮機布置見圖2。針對2D-12型往復式壓縮機正常工況、閥缺口故障、閥彈簧故障情況下采集的振動數據進行分析，利用EMD分析找到不同頻段的故障特征，查找機組運行中存在的問題，量化故障，拾取有價值信號進行重構，降低信號噪聲影響，提高故障分析的準確性。

圖2 一、二級閥的布置圖Fig.2 First and second valve structure picture

圖2 中定義空間坐標方向如下：x為活塞軸線方向由二級缸指向一級缸，y為曲軸軸線方向由外指向內，z方向為垂直于地面向上方向。測點序號后面的x、y、z代表傳感器安裝方向。12個振動測點為加速度傳感器，分別布置在缸蓋及缸頭上。設置故障為二級排氣4 g閥中間閥片有2個缺口，二級排氣3 g閥少彈簧。同步采集數據包括多通道振動加速度相信號等。為了保證數據具有可比性，測點均選在二級蓋側近排氣閥位置。

選取一個完整周期的振動信號繪制原始波形圖，如圖3所示。

圖3 原始信號波形Fig.3 The original signal wave form

由于該波形含有各種干擾及噪聲信號，如氣流脈動及如圖2中十字頭、齒輪箱部件、電機運行等振動干擾。由于電機及齒輪箱部件轉速高于往復壓縮機的活塞往復次數，十字頭則表現為在方向發生變化時出現脈沖振動于是存在著干擾信號與故障信號時頻的不同。根據EMD分解信號的特點，可以提取不同時頻段的振動信息，適合分析此類故障。

針對原始信號多種頻率混疊及噪聲干擾的情況，采用EMD對圖3（a）、（b）、（c）3種信號進行分解，結果見圖4～6。

圖4 正常狀態下EMD變換Fig.4 The EMD transform of normal signal

圖5 閥缺口狀態下EMD變換Fig.5 The EMD transform of valve gap

圖6 閥少彈簧狀態下EMD變換Fig.6 The EMD transform of valve less spring

如圖3（a）是正常全周期信號的原始振動波形，數據與圖5中的一個周期數據對應。由于噪聲及干擾信號的存在，造成信號相關信息度降低，影響測試精度及分析。圖3（b）閥缺口故障，與圖6（a）正常運行狀態的原始振動波形相比未發現明顯故障特征。圖3（c）為閥少彈簧故障，與圖6（a）相比，波形比較散亂，吸排氣閥打開及閉合信息完全被淹沒在低頻信號中。無法確認整個運行過程中，吸、排氣閥的開啟與閉合狀態。

圖4～6中，每個IMF的3個圖分別對應閥正常狀態、閥缺口故障、閥少彈簧故障EMD分解結果。根據選取的往復壓縮機故障信號特征，僅取前5個包含故障信息較多的分量進行分析。IMF1～IMF5分別表示特征頻率由高到低的EMD分解分量，縱軸表示相對振動幅值。

根據故障分解情況，IMF6以后的波形失真嚴重，且振動相對幅值的數量級明顯下降（分解結果略）。為了進一步確認分解后波形的降噪及故障特征提取能力，選擇故障信息較多的IMF1～IMF5的數據進行振動波形重構，重構結果見圖7。

雖然原始波形比較混亂，但經過EMD分解后從IMF分量可以識別各級頻率的振動特點，如高頻沖擊，低頻擾動現象。通過信號重構圖形中可以看出，經過重構后信號信息更為豐富，機組故障信息表達更加清楚。

下面對3種狀態進一步具體分析。

1）正常運行狀態的振動波形經分解后吸氣閥打開時沖擊最大，振動主要集中在高頻IMF1、IMF2階段，IMF3以后振動幅值顯著降低。

2）閥片缺口故障狀態下由于排氣閥漏氣，膨脹及吸氣時由于出口氣體重新漏回到氣缸內造成吸氣閥吸入的氣量較少，由于氣缸內壓力下降較慢，造成了吸氣閥打開較正常時間延長、同時由于在吸氣階段排氣閥繼續漏氣，造成氣缸內氣體壓力上升較快，吸氣閥吸氣時間縮短，關閉提前且振動幅值較小。因此IMF分量低頻幅值高于正常狀態，吸氣閥打開滯后，關閉提前。

3）排氣閥少彈簧故障，在未進行EMD分解及重構時，吸、排氣閥打開與關閉的沖擊及低頻擾動現象均不明顯，從各級分解結果上看，在高頻階段，吸、排氣閥沖擊明顯，表現出了吸、排氣閥的打開與關閉現象。同時低頻幅值明顯上升，說明低頻擾動情況嚴重，從重構結果及IMF4、IMF5發現少彈簧故障閥片低頻擾動特征比較明顯。

圖7 重構信號波形Fig.7 Reconstruction of signal wave forms

3 樣本熵分析

樣本熵是一種與近似熵相類似但精度更高的復雜性度量方法，通過樣本熵可以對數據的復雜度進行量化分析。

一般地，對于由N個數據組成的時間序列{x（n）}＝x（1），x（2），..，x（N），樣本熵（sample entropy）的基本定義為

式中：m表示組成的時間序列向量的維數值，r表示樣本熵距離閾值，N表示數據總數。根據數據特點，取m＝2，r＝0.15 sd，sd表示原始數據的標準差。計算3種狀態IMF1～IMF5分量樣本熵，具體樣本熵量化結果見表1及圖8。

表1 樣本熵量化結果Table 1 The quantity results of SE

圖8 IMF樣本熵Fig.8 SE of IMF

經過將EMD分解后的數據通過樣本熵量化可以識別出不同故障特征。正常狀態相對于故障狀態樣本熵值較高，說明正常狀態信號復雜度高。正常狀態各級EMD分解總體的樣本熵值逐漸下降，說明頻域高的信號復雜度高。閥缺口及閥少彈簧2種故障存在不同的復雜度升高現象，反映出不同故障表現的頻域不同。

4 結束語

由于傳統時頻域分析方法對非平穩信號可調能力較差，信號經處理后故障特征表現不清晰。針對此種信號特點，通過EMD變換，進一步結合樣本熵分析，對往復壓縮機采集的正常信號及2種故障振動信號分析。通過正常數據及故障數據的各IMF對比，表明在不同頻域可以表現出不同的故障特征，并采用含信息量較大的數據重構波形。重構后的振動波形相比于原始信號，故障特征清晰。通過IMF分解、信號重構及樣本熵方法的綜合分析為往復機組的氣閥故障診斷提供了可靠的信息。經采用上述方法后準確識別出了往復壓縮機氣閥缺口、閥少彈簧故障。

［1］魏中青，馬波，竇遠，等.基于MLE閾值規則的小波特征提取技術在氣閥故障診斷中的應用［J］.振動與沖擊，2011，30（1）：237-241.WEI Zhongqing，MA Bo，DOU Yuan，et al.Wavelet feature extracting technique based on maximum likelihood estimation threshold rule and its application in fault diagnosis of a gas valve［J］.Journal of Vibraton and Shock，2011，30（1）：237-241.

［2］李剛，莊健，侯洪寧，等.往復壓縮機氣閥早期故障的雙演化遺傳聚類檢測［J］.振動、測試與診斷，2010，30（4）：384-388.LI Gang，ZHUANG Jian，HOU Hongnin，et al.The double action genetic algorithm clustering on the initial failure of reciprocating valve［J］.Journal of Vibraton Measurement and Diagnosis，2010，30（4）：384-388.

［3］GU Fengshou，SHAO Yimin.Motor current signal analysis using a modified bispectrum for machine fault diagnosis［C］／／ICROS-SICE International Joint Conference.Fukuoka，Japan，2009：4890-4895.

［4］EL-GHAMRY M H，REUBEN R L，STEEL J A.The development of automated pattern recognition and statistical feature isolation techniques for the diagnosis of reciprocating machinery faults using acoustic emission［J］.Mechanical Systems and Signal Processing，2003，17（4）：805-823.

［5］CHEN Zhigang，LIAN Xiangjiao.Fault diagnosis for valves of compressors based on support vector machine［C］／／Chinese Control and Decision Conference.Xuzhou，China，2010：1235-1238.

［6］李月，彭蛟龍，馬海濤，等.過渡內蘊模態函數對經驗模態分解去噪結果的影響研究及改進算法［J］.地球物理學報，2013，56（2）：626-634.LI Yue，PENG Jiaolong，MA Haitao，et al.Study of the influnce of transition IMF on EMD denoising and the improved algorithm［J］.Chinse J Geophys，2013，56（2）：626-634.

［7］HUANG N E.The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis［C］／／Proc R Soc Lond A.Greenbelt，USA，1998，454（4）：903-955.

［8］YANG J N，LEI Y，LIN S，et al.Hilbert-Huang based approach for structural damage detection［J］.Journal of Engineering Mechanics，2004，1：85-95.

［9］蘇文勝，王奉濤，朱泓，等.基于小波包樣本熵的滾動軸承故障特征提?。跩］.振動、測試與診斷，2011，31（2）：162-166.SU Wenshen，WANG Fengtao，ZHU Hong，et al.Feature extraction of rolling element bearing fault using wavelet packet sample entropy［J］.Journal of Vibration，Measurement and Diagnosis，2011，31（2）：162-166.

［10］趙志宏，楊紹普.一種基于樣本熵的軸承故障診斷方法［J］.振動與沖擊，2012，31（6）：136-140，154.ZHAO Zhihong，YANG Shaopu.Sample entropy-based roller bearing fault diagnosis method.［J］.Journal of Vibration and Shock，2012，31（6）：136-140，154.

Application of EMD and SampEn to the fault diagnosis of reciprocating compressor valves

ZHANG Siyang1，2，XU Minqiang1，WANG Rixin1，GAO Jingbo1
（1.School of Astronautics，Harbin Institute of Technology，Harbin 150001，China；2.PetroChina Harbin petrochemical Company，Harbin 150056，China）

Aiming at the characteristics of fault signals of for a reciprocating compressor valve：shock and discontinuity，the EMD method was taken to decompose and extract the fault signal of every frequency，which was reconstructed through screening the data and finding the main vibration information.The decomposition results and reconstruction data of the reciprocating compressor fault signals were analyzed，and the fault information was extracted.For the complexity of decomposition results of the normal and fault signal，the sample entropy（SampEn）method was used to quantitatively analyze the fault information of every main IMF.EMD combined with reconstruction，and SampEn methods were applied to analyze the vibration signals of three kinds of conditions：normal state，valve gap，and valve less spring.The practical application abstracted the fault information exactly and proved the feasibility of the proposed method.

reciprocating compressor；compressor value；empirical model decomposition（EMD）；valve faults；information reconstruction；quantitative analysis；sample entropy（SampEn）

10.3969／j.issn.1006-7043.201308008

http：／／www.cnki.net／kcms／doi／10.3969／j.issn.1006-7043.201308008.html

TH457；TP206.3

A

1006-7043（2014）06-0696-05

2013-08-03.網絡出版時間：2014-05-14 15：53：27.

國家自然科學基金資助項目（10772061）.

張思陽（1971-），男，高級工程師；徐敏強（1965-），男，教授，博士生導師.

張思陽，E-mail：z90sy＠163.com.