基于最小二乘支持向量機的往復式壓縮機故障診斷研究

魏國，酈磊

?

基于最小二乘支持向量機的往復式壓縮機故障診斷研究

魏國1，酈磊2

（1.中海油能源發展裝備技術有限公司，天津 300450；2.景誠科技發展有限公司，天津 300110）

針對支持向量機（SVM）求解過程計算量非常大的現象，提出了一種基于最小二乘支持向量機（LSSVM）的往復式壓縮機故障診斷方法。將壓縮機振動信號作為LSSVM學習器的輸入、訓練模型以及進行故障識別，分析壓縮機的電機和氣閥故障的診斷實驗結果。結果顯示，LSSVM的故障識別算法可以準確地判斷壓縮機的工作狀態和故障類型。

往復式壓縮機；故障診斷；LSSVM；振動信號

1 概述

石化行業是我國的支柱性產業。在生產裝置中，往復式壓縮機是重要的核心設備，具有壓力范圍廣、效率高、易操作等優點，主要應用于石油煉制、采油、氣體輸送等方面。往復壓縮機由于內部結構復雜，所以，故障形式多樣，給分析故障原因帶來很多困難[1-2]。如果能將信號處理與工業大數據技術相結合，對往復壓縮機的故障位置和原因進行分析，及時預知即將發生的故障并對故障類型進行診斷，對于減少和避免事故的發生、提高企業的生產效益都能起到極大的促進作用。因此，故障診斷與預測技術得到了國內外越來越多的學者的關注[3]。在國外，美國學者根據不同位置的振動信號進行壓縮機的故障診斷[4]；英國學者根據氣閥內壓力及溫度信號判斷氣閥的不同故障類型等[5]。在國內，有些學者提出了多源信息融合的診斷技術[7]，也有人根據進氣閥及排氣閥的壓力判斷氣閥的不同故障狀態，包括內圈故障，外圈故障等[8]，文獻[6]、文獻[9]的作者開發出一種壓縮機故障診斷和預警的軟件系統，此軟件系統能夠監測壓縮機的故障狀態，并在壓縮機故障時發出報警信號提醒工作人員，并且能夠提前預測故障。

往復壓縮機故障診斷技術的發展比較迅速，也形成了許多有針對性的信號處理和故障診斷方法，但每種方法理論都存在一定的局限性，對壓縮機的監測也不夠全面，有些故障診斷較為困難，對非穩態信號的處理也沒有形成成熟、較為精確的方法理論，因此，在往復壓縮機故障診斷領域還需要國內外學者進行不斷探索。

2 LSSVM

支持向量機因為要求解二次規劃問題，在樣本數大的情況下，計算量呈指數級增長，給求解模型帶來很大的困難。最小二乘支持向量機是在支持向量機的基礎上發展而來的，最初由Suykens等人提出[10]，后來將此算法應用到預測問題。LSSVM用訓練誤差的平方代替SVM中的松弛變量，并用等式約束代替不等式約束，從而避免了解二次規劃問題，可求得模型參數的解析解。

式（1）中：為正則化參數；i為松弛變量；為偏置常量。

通過構建拉格朗日方程求解式（1），得：

關于式（2），由Karush-Kuhn-Tucker（KKT）條件可得：

整理式（3）得：

求解式（4），得到和，對未知輸入樣本，LSSVM的輸出決策函數為：

多分類時，多分類問題的求解方法主要有2種，即一次性多目標優化和多分類問題通過某種原則轉化為二分類問題。在實際應用中，鑒于多目標優化，即一次性求解所有分類問題的多參數的多目標優化算法，面臨著求解變量數目較大、求解過程復雜等難題，并不適用。因此，我們采用將多分類轉化為多個二分類LSSVM 來實現多分類，為了保持樣本數據的平衡性，采用一對一方式來實現多個二分類。

3 實驗

3.1 振動信號采集

壓縮機振動信號的采集過程為：壓縮機故障試驗臺將振動信號傳輸到振動傳感器；將信號輸送到振動信號采集儀，進行信號的模/數轉換；將信號傳送信號至電腦，顯示采集信號的波形。

振動信號傳輸通路如圖1所示。

圖1 信號傳輸通路

實驗中，選取氣閥和電機振動數據樣本各1 000個，采樣間隔1 min，振動數據時域圖如圖2所示。

圖2 振動數據時域圖

3.2 實驗參數設置

為了證實LSSVM算法的有效性，將LSSVM算法與SVM算法做對比。選取600個故障樣本為訓練樣本，剩下400個樣本為測試樣本。選取高斯核函數作為基本的核函數，正則化參數=5.各種算法的實驗結果如表1所示。

表1 實驗結果

算法分類準確率/（%）運行時間/s SVM89.928 613.99 LSSVM94.785 71.41

3.3 實驗結果分析

表1的故障識別結果表明，由于最小二乘支持向量機不用求解二次規劃問題，所以在運算速度上要優于SVM，同時，在分類準確率上也好于傳統SVM算法，說明了所提的LSSVM算法在壓縮機故障診斷中的有效性。

4 結論

在壓縮機的故障診斷中，首先采集各種狀態的振動信號，然后對信號進行分析處理，最終輸入到算法進行故障識別。針對傳統SVM算法因求解二次規劃而帶來的運行時間緩慢問題，提出基于LSSVM算法的壓縮機故障診斷，實驗結果表明提出算法的有效性。

由于壓縮機在石化生產中具有核心地位，一旦發生故障，后果非常嚴重，所以，能夠準確預測壓縮機的故障狀態，提前進行檢修，避免造成不必要的損失非常重要。由于壓縮機內部結構復雜，診斷壓縮機的故障僅僅依靠單一信號或一種類型信號，準確率不高，所以，基于多源信息融合的故障診斷方法，分析多種信號的融合是以后的研究重點方向。

［1］邢俊杰.基于LMD與MFE的往復式壓縮機故障診斷方法研究［D］.黑龍江：東北石油大學，2016.

［2］李芳.往復式壓縮機故障診斷技術研究［D］.黑龍江：東北石油大學，2011.

［3］程艷霞.小波分析在全封閉活塞式制冷壓縮機故障診斷中的應用［D］.焦作：河南理工大學，2007.

［4］楊春強，杜隨更，諸德鵬，等.活塞式空氣壓縮機性能測試系統設計［J］.科學技術與工程，2011，11（07）：1461-1467.

［5］劉衛華，郁永軍.往復壓縮機故障診斷方法的研究［J］.壓縮機技術，2001（01）：3-5，12.

［6］楊菲.往復式壓縮機氣閥故障診斷的實驗研究［D］.上海：華東理工大學，2009.

［7］陳敬佑，楊峰.膜式壓縮機振動狀態測試分析［J］.壓縮機技術，1993（02）：37-39，43.

［8］劉衛華.往復壓縮機熱力參數故障診斷法研究［D］.西安：西安交通大學，2000.

［9］袁曉宇.往復式壓縮機組智能故障診斷專家系統［D］.鄭州：鄭州大學，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

A

10.15913/j.cnki.kjycx.2018.21.095

〔編輯：張思楠〕