基于遺傳算法化工領域往復壓縮機故障診斷分析

何奮彪

(中國石油蘭州石化公司 化工運行一部，甘肅 蘭州 730060)

在石油化工領域，往復壓縮機是一種十分重要的機械設備類型，可以實現對各種氣體的高效壓縮和輸送，滿足人們生產過程中的各種需求。往復壓縮機具有十分復雜的結構，激勵源眾多，其軸承較易出現各種故障，影響到設備的正常運行，也給實際生產造成了一定的影響。但是，在往復壓縮機的工作和運行過程中，可能會出現一定的故障，進而影響到生產的效率以及安全性。為此，針對往復壓縮機，還需要重視相關的故障問題，并做好準確的故障診斷，以及時排除故障，確保高效、安全生產。實踐工作中，還需要提高對往復壓縮機軸承故障的重視程度，并積極地做好相應的故障診斷工作。

1 VMD與基于遺傳算法的VMD參數優化

變分模態分解(VMD)具備強大的信號處理能力，可以對多種不同類型的信號予以有效的處理，例如各種具有非平穩性、非線性特征的信號；同時，VMD還具有較強的噪聲敏感性。在處理各種信號的時候，VMD可以對信號分量的獲取過程進行一定的轉移，將其轉移到變分框架內，并進行合理的處理。在處理過程中，可以科學的分解原始信號，避免各種問題的出現，提高原始信號的分解效果，具有較好的復雜數據分解精度及較好的抗噪聲干擾等優點。但是，VMD存在一定的不足之處。VMD對信號的分解層數和懲罰因子需要采用人為方式進行選取；懲罰因子和分解層數K的具體選擇情況會對VMD方法的最終分解效果產生極大的影響。同時，采用相應的參數設置方法也無法獲得最優的參數組合，無法很好的滿足實際分析研究的需求。為此，在本文的研究中，選擇依托遺傳算法進行必要的參數優化。應用遺傳算法法對VMD 算法進行參數優化，可以實現對帶寬參數以及分解層數的優化處理。在優化處理時，可以使用適應度函數對目標函數在解空間進行全局并進行隨機搜索，以獲得優化參數。變分模態分解參數優化過程中，首先需要結合實際需求，對適應度函數進行建立。之后，通過隨機方式形成初始化階次種群。并以一定的種群條件為背景，對相關的信號實施VMD分解，并對不同種群個體的適應度進行計算。計算結束后進行分析，如果滿足了實際的終止條件，則在輸出最優結果之后完成整個參數優化。另外，也可以針對實際需求進行一定的選擇、變異和交叉處理，得到新的種群。之后，與終止條件進行對照分析，如果滿足條件的要求，則在輸出最優結果之后完成參數優化過程。

2 多尺度散布熵

本次研究中使用遺傳算法研究得出VMD算法的最佳影響參數組合，對相關的帶寬參數以及分量個數等進行研究，得到分解故障信號。之后，對分解后的BLIMF 分量峭度值進行計算，并通過篩選，得出最佳BLIMF 分量，實現對故障信號的重構。在散布熵基礎上，可以提出多尺度散布熵(MDE)。多尺度散布熵可以實現對時間序列復雜性的有效度量，相關的時間序列越復雜，新模式產生的可能性便越高。這一情況下，可以對樣本熵進行有效的擴展，將其擴展到多個不同的時間尺度。之后，便可以結合實際需求，在時間尺度不確定的情況下，獲得額外的觀察視角。在計算的時候，散布熵在全程應用的參數是基于正態累積分布函數映射(NCDF)的數據平均值與標準差。在具體的計算中，上述2個參數均被設置為原始數據的平均值和標準差，在所有尺度上，則保持不變的狀態。往復壓縮機的振動信號具有非線性特征，對于設備不同位置的故障狀態，在所具備的特征方面，相互之間也呈現出非線性關系。具體來看，在具體計算多尺度散布熵的時候，可以按照以下的方式完成計算：

(1)設定一定的信號，將其長度設置為，具體計算公式：

(1)

(2)參照不同尺度因子的具體情況，計算相應粗粒化信號下的散布熵值，計算公式：

(2)

式中：、分別代表的是時間序列的標準差、均數。按照上述公式計算完畢后，可以應用線性算法將分配到有一定范圍內的任意整數，并獲得相應的映射信號，具體計算公式：

(3)

在這一過程中，應用了線性方法，但因為在計算中使用NCDF 進行了映射，因此從整個映射過程來看，屬于非線性過程。

在時間序列方面，可以使用延遲時間和嵌入維數來構成這一序列，具體計算公式：

(4)

在具體的計算過程中，需要考慮到時間序列的映射情況。在計算中，所有的時間序列都會被映射到一定的分散模式之中。信號具有不同的類型，數量以“” 表示。不同的信號類別均為整數，相應的取值范圍為1～。在上述條件下進行分析，不同時間序列所分配的分散模式數量便可以用“”來表示。分析不同的潛在分散模式，可以對其相對頻率進行計算，具體的計算公式：

(5)

在計算完畢后，結合計算結果以及信息熵的定義，可以實現對散布熵值的具體計算，計算的方法為：

(6)

結合計算所得的結果進行分析，可以得出不同尺度因子下的MDE 定義，具體計算公式：

(7)

3 VMD 和MDE 的參數優化

3.1 往復壓縮機軸承故障診斷總體方法

在對往復壓縮機軸承故障進行診斷的時候，還需要對往復壓縮機的特點進行全面的分析。通過分析可以了解到，往復壓縮機的軸承振動信號具有顯著的復雜多分量耦合特點。因此，在本文的研究過程中，選擇以參數優化的VMD和MDE為依托，分析相應的軸承故障診斷方法。在診斷過程中，首先需要應用遺傳算法來對VMD方法實施參數優化，以得到最佳的優化參數組。針對實際診斷研究的需求，對這一優化參數組進行合理的設置，將其設置為VMD分解參數。之后，合理的分解往復壓縮機軸承故障信號，并得到若干個BLIMF分量。之后的步驟中需要對不同BLIMF 分量對應的峭度值進行計算，比較分析計算所得到的數據結果，從中選擇出可以顯著體現軸承故障特征的BLIMF 分量。將這些BLIMF分量實施重構，獲得所需的故障信號。整理重構后獲得的故障信號，實施MDE分析。對于重構后得出的故障信號MDE 熵值進行量化計算，獲得往復壓縮機軸承故障特征向量。之后，開展一定的訓練和測試活動，以獲得最終的診斷結果。這一過程中，可以使用的儀器為極限學習機(ELM)，應用該儀器，可以實現軸承故障特征向量的針對性訓練和測試，并最終獲得所需的結果。

3.2 遺傳算法下的往復壓縮機軸承故障診斷案例分析

為更好的研究遺傳算法下的往復壓縮機軸承故障診斷方法，在本文中，我們結合一定的實際案例進行分析研究。選擇以某型號往復壓縮機為例，開展軸承故障模擬實驗，相應的軸承故障形式為一級、二級連桿大小頭處軸承間隙大。在實驗過程中，首先對缸體表面一級、二級連桿大小頭處的振動信號進行采集，應用的儀器為加速度傳感器。在信號采集過程中，相應的采樣頻率設定為50 kHz，采樣時間設定為4 s。在分析的時候，需要對研究中的相關參數進行確定，涉及到的參數主要為帶寬參數以及VMD分量個數。其中VMD分量個數是通過應用一定的算法對VMD進行分解得到的，此次研究中選擇使用的算法為遺傳算法。通過遺傳算法可以優化不同軸承振動信號的VMD 分解參數，采用優化后的VMD 參數設置，分別針對一級連桿小頭軸承間隙偏大或者二級連桿大頭軸承間隙偏大等不同的故障狀態信號進行分解，并得出具體的參數數值結果。在本章節的研究中，經分析和計算，得出的不同故障狀態下振動信號VMD相關參數大小情況如表1所示。

結合表1中的參數情況，按照對應的VMD 參數設置，分別對不同軸承正常以及4種不同軸承故障類型下的5種狀態信號實施分解。分解結束后，通過計算得到不同BLIMF 分量所對應的峭度值，不同狀態振動信號下軸承不同BLIMF 分量的峭度值情況如表2所示。

表1 不同故障狀態下振動信號VMD相關參數大小匯總Tab.1 Summary of VMD related parameters of vibration signals under different fault states

表2 不同狀態振動信號下軸承不同BLIMF 分量的峭度值情況Tab.2 Kurtosis values of different BLIMF components of bearings under vibration signals of different states

在故障診斷過程中，峭度值越大，所對應的信號中所含有的故障成分就越多。由此進行分析，可以通過比較，將其中峭度絕對值較大的BLIMF 分量篩選出來，并針對這一分量實施信號重構，以實現對不同狀態下信號的分析研究。結合表2 中的數據結果進行研究，可以了解到，如果往復壓縮機的軸承處于間隙偏大的故障狀態時，其中一些BLIMF 分量所對應的的峭度值則會出現異常變化，表現出顯著增大的情況，數值遠遠高于3。如果往復壓縮機軸承處于正常狀態，結合表2中的數據結果進行分析可知，分量BLIMF3、BLIMF4 所對應的峭度值在3左右，較為接近正態分布。因此，在本次研究中，為了獲得理想的診斷效果，選擇以正常狀態下峭度值在3所有的BLIMF 分量為參照重構信號，對于故障狀態下的峭度值，采用遠大于3 的BLIMF 分量進行信號重構。之后，可以對軸承不同類型狀態重構后振動信號的多尺度散布熵進行計算。

在多尺度熵的粗粒化環節，尺度因子是一個十分重要的指標。在對這一指標進行選擇的時候，需要綜合考慮多方面情況的影響以及實際需求，從而合理控制尺度因子具體取值的大小，避免出現取值過大或者過小的問題。如果尺度因子具體取值過大，則可能會導致不同信號之間復雜度差異無法得到有效的分析。如果尺度因子具體取值過小，則無法對信號的各種特征信息予以全面的提取。通過計算以及結果分析可以了解到，當尺度小于5 的時候，對應的多尺度散布熵值會呈現出逐漸增大的變化趨勢。而隨著尺度的不斷增大，多尺度散布熵值則會出現逐漸減小的情況。同時，在一定的尺度范圍內，軸承不同類型狀態下的多尺度散布熵值之間存在十分明顯的差異。如果尺度達到8以上，則對應的多尺度散布熵值曲線會出現十分明顯的交叉現象。此次研究中，對上述多種情況進行綜合性的分析，為獲得更為理想的故障診斷效果，采用本文所述方法對軸承5 種狀態信號進行分析,構建往復壓縮機軸承狀態特征向量集。不同特征提取方法下的各種軸承故障狀態類型ELM識別率與總識別率如表3所示。

表3 不同特征提取方法下的各種軸承故障狀態類型ELM識別率與總識別率Tab.3 ELM recognition rate and total recognition rate of various bearing fault state types under different feature extraction methods

3 結語

在實際生產中，針對往復壓縮機這一石油化工行業的關鍵設備，提高對其軸承故障的關注程度，并積極的做好相應難度診斷是十分重要的。在具體的故障診斷過程中，還需要結合實際情況，進行科學的全面分析，選擇更為科學、高效的診斷與評估方法。在本次研究中，提出了基于參數優化VMD 和MDE 的往復壓縮機故障診斷方法，使用遺傳算法研究得出VMD 算法的最佳影響參數組合，并對相關的帶寬參數以及分量個數等進行研究，得到分解故障信號。之后，對分解后的BLIMF分量峭度值進行計算，得出最佳BLIMF 分量，實現對故障信號的重構。同時，還在散布熵的基礎上，提出從多個時間尺度下反映時間序列復雜度的多尺度散布熵。分析這一熵值，可以較為全面地觀察到時間序列的復雜程度，同時也可以提高算法的準確性。針對重構后得到的故障信號實施MDE分析，并通過極限學習機測驗等方式，可以獲得相應的故障類型中識別效果。在研究中，還結合具體案例進行了分析，證實了本文所提出的往復壓縮機軸承故障診斷和識別方法是有效的，具有一定的實踐應用價值。