基于傳感量化融合的往復式壓縮機故障診斷

李 華, 逯佳旺

(1 中石油管道有限責任公司 西氣東輸分公司, 山西 晉城 048200; 2 中石油管道有限責任公司 西氣東輸分公司, 山西 臨汾 041200)

引言

往復式壓縮機廣泛應用在天然氣的西氣東輸管道工程中，實現對天然氣的壓縮處理，提高天然氣的遠程管道輸送能力。往復式壓縮機設備結構復雜且工作環境惡劣，而在長期運行的高負荷的天然氣壓縮工況下，導致壓縮機的故障發生率較高。常見的往復式壓縮機故障有：機電系統故障、轉子軸承故障、動力系統故障、閥門故障等，各類故障的機械特征表現各不相同，需要對往復式壓縮機進行有效的故障診斷和狀態監測方法研究，提高往復式壓縮機的穩定運行能力。研究往復式壓縮機的故障診斷方法在天然氣壓縮控制、機械設備模式識別和狀態監測等領域具有很好的應用價值[1]。

對往復式壓縮機的故障診斷的第一步是進行故障大數據的模型構建，采用傳感器信息融合處理方法進行機械運行狀態數據采集，對采集的機械狀態數據進行特征提取和分類識別。傳統方法中，對往復式壓縮機的故障診斷方法主要采用模糊BP神經網絡故障診斷方法、EMD譜分析方法、專家系統故障診斷方法、混沌特征分析方法以及支持向量機診斷方法等[2-4]，通過提取往復式壓縮機的故障類別屬性特征量，采用相應的故障特征分類器進行往復式壓縮機的故障識別，提高診斷性能。例如，文獻[5]中提出一種基于相空間重構和K-L變換的壓縮機故障診斷方法，采用相空間重構提取往復式壓縮機的高維特征量，采用K-L壓縮器進行特征降維，提高了往復式壓縮機的故障特征分辨能力和診斷效率，但該方法進行往復式壓縮機故障診斷中存在抗干擾能力不強和輸出特征維數較大等問題。文獻[6]中提出一種基于遺傳K均值算法的往復式壓縮機的故障特征檢測方法，結合K均值聚類分析，實現對往復式壓縮機的關聯維特征提取和信息熵重構，結合特征聚類分析結果實現故障屬性識別和診斷，但該方法存在計算量大和診斷實時性不好的問題。

針對傳統方法存在的弊端，本文提出一種基于傳感量化融合的往復式壓縮機故障診斷方法。首先采用傳感器進行往復式壓縮機工況數據采集，對采集的壓縮機機械振動數據進行多傳感量化融合處理，提取壓縮機的機械振動特征信息，然后采用關聯屬性特征分解和故障特征挖掘方法，實現壓縮機的故障狀態監測和識別。最后進行故障診斷的仿真實驗分析，展示了本文方法在提高往復式壓縮機故障診斷能力方面的優越性能。

1 基于傳感器的故障數據采集與融合預處理

1.1 往復式壓縮機故障數據量化采集

為了實現對往復式壓縮機各類故障的有效檢測和診斷，進行故障數據采集和特征分析是首要一步，為了更加全面覆蓋壓縮機的各類故障狀態，采用多傳感器量化采集方法進行故障數據采集，傳感器的種類有振動傳感器、磁力傳感器以及加速度傳感器[7]。在故障工況狀態下的往復式壓縮機故障樣本數據由N個傳感器節點輸出的陣列信號組成，表示為：

x(k+1)=A(k)x(k)+Γ(k)w(k)

(1)

zi(k)=Hi(k)x(k)+ui(k)i=1,2,…,N

(2)

其中，x(k)∈Rn×1為往復式壓縮機故障屬性狀態；A(k)∈Rn×n為狀態轉移矩陣；故障數據采集的干擾項w(k)是均值為零且方差為Q(k)的高斯白噪聲；Γ(k)為故障譜特征分布矩陣；zi(k)∈Rp×1為第i個傳感器進行壓縮機機械振動特征采集的測量值；Hi(k)∈Rp×n為相應的測量矩陣；壓縮機的喘振傳感信息特征ui(k)∈Rp×1。采用自適應融合濾波方法，進行傳感器輸出故障數據的濾波檢測和信息融合處理，結合多路復用技術進行機械特性數據的自回歸擬合[8]，輸出為：

(3)

往復式壓縮機故障特征序列的時域采樣點個數為n個，得到故障數據的關聯子集輸出表示為：

(4)

根據上述數據采集結果進行關聯特征匹配，采用量化融合跟蹤識別方法，實現對往復式壓縮機故障屬性識別[9]。根據上述設計原理，得到本文設計的往復式壓縮機故障數據多傳感器采集和特征分析模型如圖1所示。

圖1 往復式壓縮機故障數據多傳感器采集和特征分析模型

Fig.1Multi-sensordataacquisitionandfeatureanalysismodelforreciprocatingcompressorfaultdata

1.2 壓縮機的故障特征量化融合

往復式壓縮機故障特征判別過程中，采用量化融合識別方法提高故障屬性的特征表達能力，假定采集的壓縮機機械振動特征參量{wk}和噪聲特征參量{vk}時變且互不相關，并設：

(5)

其中，δkj為Kronecker-δ函數，采用自適應加權方法進行信息融合[10]，加權系數為：

(6)

其中，m是傳感信息采樣節點數量，一般取m=2nx；[1]是一個nx×2nx維的特征分布矩陣，且[1]=[eye(nx) -eye(nx)]；[1]i表示[1]的第i列。采用Kalman濾波方法進行信息融合[11]，得到壓縮機的故障屬性子序列的特征分解式為：

(7)

計算某類故障狀態下的Cubature點：

(8)

采用自適應加權控制方法，將Xi,k|k代入壓縮機故障診斷傳感數據采集的子空間樣本中，得到輸出的信息融合結果為：

(9)

采用Lyapunov指數預測方法，計算一步狀態預測迭代式：

(10)

在故障特征分布的子空間中進行自適應降噪，計算信息融合的誤差協方差，推導公式如下：

(11)

根據上述迭代式，進行往復式壓縮機的機械故障特征分析和傳感量化信息融合處理，提高壓縮機故障診斷的特征分辨能力和診斷準確性。

2 故障診斷算法改進

2.1 壓縮機故障特征提取

在對采集的壓縮機機械振動數據進行多傳感量化融合處理的基礎上，進行壓縮機的故障診斷算法改進設計，提取壓縮機的機械振動特征信息[12]，得到關聯特征量的無偏估計結果為：

(12)

(13)

(14)

(15)

以上各式分別描述了振動傳感器、加速傳感器和磁力傳感器采集的壓縮機故障樣本數據的關聯特征估計值，采用相關性融合和量化分解方法進行故障特征的定量遞歸分析，在信息熵一致性分布條件下，故障特征值量化分解式為：

(16)

根據信息熵的定量遞歸分析規則，得到優化的故障特征提取結果為：

(17)

(18)

上述參量估計為無偏估計，從而可得到：

(19)

分析上述特征提取過程得知，采用本文方法進行往復式壓縮機的機械故障特征提取能有效反映機械故障屬性，從而可以提高故障診斷的覆蓋范圍。

2.2 故障特征分類識別

采用關聯屬性特征分解和故障特征挖掘方法進行故障屬性判別，即輸出的故障屬性特征量為：

λi=(M+1)-1i=1,2,...,M,ma

(20)

(21)

(22)

針對壓縮機的機械振動特性和喘振特性，進行故障診斷類別的自適應修正，得到故障診斷的修正式為：

(23)

(24)

3 仿真實驗與故障診斷性能分析

為了測試本文方法在實現往復式壓縮機故障診斷中的性能，進行仿真實驗，實驗中故障診斷的算法設計采用Matlab實現，傳感器進行往復式壓縮機機械特征數據采集的節點數為20，數據采集的時間間隔為0.2 s，采樣帶寬10～15 KHz，環境干擾噪聲強度為-10 dB，對機械特性數據采集的樣本數為1 024，測試集規模為1 000，故障特征數據的訓練集規模為100，初始載波頻率為12 KHz，根據上述仿真環境和參數設定，進行往復式壓縮機故障診斷仿真分析，得到壓縮機的機械特性數據傳感器采集時域波形如圖2所示。

以圖2采集的壓縮機傳感數據為研究對象，進行多傳感量化融合處理和故障特征提取，得到各類故障特征的提取輸出如圖3所示。分析圖3得知，采用本文方法進行壓縮機故障特征提取，故障特征量波峰較為明顯，說明故障特征量的分辨力較高，故障診斷的抗干擾性較強。在此基礎上，進行故障診斷，并與傳統的經驗模態分解(EMD)譜分析方法進行對比，得到壓縮機故障診斷的準確性對比如圖4所示。 分析圖4得知，本文方法提高了故障診斷的準確性，采用1 000次實驗統計分析得知，平均診斷精度提高13.6%，診斷時間縮短12.9 s，性能優越。

圖2 壓縮機的機械特性數據傳感器采集時域波形

Fig.2Timedomainwaveformiscollectedbythemechanicalcharacteristicdatasensorofthecompressor

圖3 壓縮機故障特征提取輸出

圖4 壓縮機故障準確檢測性能對比

4 結束語

往復式天然氣壓縮機故障發生率較高，對往復式壓縮機進行有效的故障診斷和狀態監測方法研究，提高往復式壓縮機的穩定運行能力，本文提出一種基于傳感量化融合的往復式壓縮機故障診斷方法。采用傳感器進行往復式壓縮機工況數據采集，對采集的壓縮機機械振動數據進行多傳感量化融合處理，提取壓縮機的機械振動特征信息，然后采用關聯屬性特征分解和故障特征挖掘方法，實現壓縮機的故障狀態監測和識別。研究得知，本文方法進行壓縮機機械故障檢測的準確性較高，故障診斷效能較好。