基于數(shù)據(jù)驅(qū)動(dòng)的空壓機(jī)溫度過高故障診斷仿真

王海泉,劉向虹,白曉杉,羅 航

(1. 北京航空航天大學(xué),北京 100191;2. 紅塔集團(tuán)昭通卷煙廠,云南 昭通 657000;3. 北京航空航天大學(xué)云南創(chuàng)新研究院,云南 昆明 650000)

1 引言

由于空氣壓縮機(jī)具有無污染、易存儲(chǔ)和可循環(huán)等優(yōu)勢,被廣.泛應(yīng)用在鋼鐵、食品、紡織和醫(yī)療等多種領(lǐng)域[1-3]。空氣壓縮機(jī)作為壓縮空氣系統(tǒng)中的主要機(jī)器,對(duì)壓縮機(jī)組起到輔助作用。化工行業(yè)的空氣壓縮機(jī)一般用于氫氣和氨氣等危險(xiǎn)的氣體壓縮,而且氣體溫度較高、壓強(qiáng)較大。如果空壓機(jī)出現(xiàn)故障,在一定程度上會(huì)降低氣體的純度和合成效率,甚至有可能導(dǎo)致氣體泄漏[4,5],因此對(duì)空壓機(jī)的故障狀態(tài)進(jìn)行監(jiān)測與診斷非常重要。為了保證空壓機(jī)能夠安全穩(wěn)定的運(yùn)行,眾多學(xué)者參與到空壓機(jī)故障診斷的研究中。

文獻(xiàn)[6]設(shè)計(jì)了一個(gè)由硬件/軟件、SCADA網(wǎng)絡(luò)和人機(jī)界面等模塊組成的診斷系統(tǒng),結(jié)合神經(jīng)網(wǎng)絡(luò)算法對(duì)空壓機(jī)進(jìn)行實(shí)時(shí)的遠(yuǎn)程監(jiān)控,通過人工智能技術(shù)挖掘空壓機(jī)運(yùn)行過程中的大數(shù)據(jù),完成空壓機(jī)的報(bào)警與故障診斷功能,該方法滿足空壓機(jī)故障診斷要求,對(duì)空壓機(jī)的智能控制具有重要意義。文獻(xiàn)[7]通過對(duì)空壓機(jī)工作原理與故障現(xiàn)象的分析,提取出故障特征信號(hào),結(jié)合最小二乘法建立空壓機(jī)故障診斷模型,采用PCA算法對(duì)數(shù)據(jù)特征進(jìn)行提取,并將提取的數(shù)值作為故障診斷模型的輸入值,通過對(duì)比分析,該方法的識(shí)別效率和準(zhǔn)確性較高。文獻(xiàn)[8]通過故障樹法分析空壓機(jī)的故障,并將系統(tǒng)故障與解決方法建立成知識(shí)庫,從推理方法與方向、控制方案多方面進(jìn)行機(jī)理設(shè)計(jì),結(jié)合可信度與正反混合推理方式對(duì)推理機(jī)制進(jìn)行分析與計(jì)算,該方法能夠保證空壓機(jī)的安全與穩(wěn)定運(yùn)行。

基于以上研究,本文對(duì)空壓機(jī)運(yùn)行過程中故障參數(shù)的相關(guān)性和健康指數(shù)進(jìn)行研究,建立分別以溫度故障向量和故障類型向量作為輸入向量和輸出向量的BP神經(jīng)網(wǎng)絡(luò)模型,通過對(duì)網(wǎng)絡(luò)模型的訓(xùn)練,得出最優(yōu)的目標(biāo)函數(shù)。

2 空壓機(jī)故障診斷方案設(shè)計(jì)

2.1 系統(tǒng)結(jié)構(gòu)

為了能夠更好的對(duì)空壓機(jī)故障進(jìn)行診斷,首先需要搭建具有開放性、安全性和易于維護(hù)的空壓機(jī)組數(shù)據(jù)平臺(tái)。在保證空壓機(jī)系統(tǒng)安全的情況下,系統(tǒng)應(yīng)該具備繼承性和封裝性。為了方便對(duì)系統(tǒng)進(jìn)行維護(hù),系統(tǒng)應(yīng)具備遠(yuǎn)程調(diào)試與故障數(shù)據(jù)備份與恢復(fù)的功能。空壓機(jī)故障診斷系統(tǒng)主要由三部分模塊組成:遠(yuǎn)程終端單元、服務(wù)器和遠(yuǎn)程監(jiān)測終端。

遠(yuǎn)程終端單元:負(fù)責(zé)采集空壓機(jī)的數(shù)據(jù),并將數(shù)據(jù)傳輸給中心站。

服務(wù)器:負(fù)責(zé)將遠(yuǎn)程終端單元傳輸?shù)目諌簷C(jī)數(shù)據(jù)進(jìn)行存儲(chǔ)備份,對(duì)故障診斷系統(tǒng)的數(shù)據(jù)起到查詢統(tǒng)計(jì)的作用。

遠(yuǎn)程監(jiān)測終端:負(fù)責(zé)實(shí)時(shí)監(jiān)控空壓機(jī)組的運(yùn)行狀態(tài),具備提取故障信息的功能,能夠?qū)諌簷C(jī)的性能進(jìn)行預(yù)測與分析。

2.2 系統(tǒng)功能

根據(jù)各個(gè)氣壓站的實(shí)際運(yùn)行狀況,為了對(duì)空壓機(jī)的性能進(jìn)行預(yù)測與優(yōu)化,設(shè)計(jì)了全面的智能診斷系統(tǒng),該系統(tǒng)具備的功能如下:

數(shù)據(jù)采集與傳輸功能:遠(yuǎn)程終端單元通過RS485通信傳輸方式將空壓機(jī)組由傳感器獲得的數(shù)據(jù),通過Modbus TCP/IP協(xié)議將數(shù)據(jù)實(shí)時(shí)傳輸給監(jiān)控中心。服務(wù)器將讀取到的空壓機(jī)各項(xiàng)指標(biāo)數(shù)據(jù)存儲(chǔ)在本地?cái)?shù)據(jù)庫中,方便后續(xù)的查看與調(diào)用。

數(shù)據(jù)監(jiān)控功能:監(jiān)控系統(tǒng)將遠(yuǎn)程終端單元傳輸?shù)目諌簷C(jī)運(yùn)行數(shù)據(jù)反饋給應(yīng)用服務(wù)器,遠(yuǎn)程用戶通過WEB端對(duì)空壓機(jī)的運(yùn)行狀態(tài)、指標(biāo)和參數(shù)進(jìn)行查看。

數(shù)據(jù)分析功能:當(dāng)系統(tǒng)從數(shù)據(jù)庫中讀取到數(shù)據(jù)后,系統(tǒng)通過指定算法對(duì)空壓機(jī)的故障和歷史數(shù)據(jù)進(jìn)行深度的挖掘與計(jì)算,完成對(duì)空壓機(jī)的故障診斷與性能預(yù)測。

3 診斷系統(tǒng)模型的研究

3.1 參數(shù)分析

空壓機(jī)的參數(shù)較為復(fù)雜,但本文只考慮對(duì)空壓機(jī)的溫度進(jìn)行故障診斷,因此大大降低了研究的難度。本文采用PLC數(shù)據(jù)采集方式對(duì)溫度進(jìn)行采集,通過傳感器將采集的信息轉(zhuǎn)換為信號(hào),然后傳輸?shù)较到y(tǒng)中進(jìn)行分析,生成表格數(shù)據(jù)存入到本地。建立監(jiān)測模型前需要對(duì)空壓機(jī)內(nèi)部運(yùn)行參數(shù)的相關(guān)性進(jìn)行分析,而皮爾森相關(guān)系數(shù)可以衡量出兩個(gè)隨機(jī)變量的相關(guān)性,公式可表示為

(1)

其中,A、B表示隨機(jī)變量;N表示運(yùn)行參數(shù)的總個(gè)數(shù)。若數(shù)值為1,表示兩者非常正相關(guān);若數(shù)值為-1,表示兩者非常負(fù)相關(guān);若數(shù)值為0,表示兩者沒有相關(guān)性。通過皮爾森相關(guān)系數(shù)的計(jì)算,規(guī)定數(shù)值為[0.8～1.0]時(shí),表示極強(qiáng)相關(guān)性;數(shù)值為[0.6～0.8]時(shí),表示較強(qiáng)相關(guān)性;數(shù)值為[0.4～0.6]時(shí),表示中等相關(guān)性。經(jīng)過分析,選擇數(shù)值為極強(qiáng)的相關(guān)性參數(shù)作為輸入值輸入到模型中。參數(shù)相關(guān)性數(shù)值如表1所示。

表1 參數(shù)相關(guān)性數(shù)值

通過分析比較空壓機(jī)的溫度相關(guān)性,將主機(jī)頭排氣溫度作為模型的輸入值,構(gòu)建空壓機(jī)的溫度監(jiān)測模型。為了以數(shù)值形式反映出空壓機(jī)的運(yùn)行狀態(tài),采用健康指數(shù)對(duì)空壓機(jī)的健康情況進(jìn)行評(píng)估,健康指數(shù)公式可表示為

(2)

(3)

其中,Di表示第i個(gè)評(píng)估參數(shù)的組合權(quán)重值,公式可表示為

(4)

其中,αi和βi分別表示權(quán)重系數(shù);cei和cfi分別表示由層次分析法和熵值法得出的權(quán)重。就空壓機(jī)的老化情況,引入老化健康指數(shù),公式可表示為

Cheal＿old(t)=1-(1-Cheal＿0)eδ(t-t0)

(5)

其中,Cheal＿0表示空壓機(jī)初始健康度;δ表示老化系數(shù)。進(jìn)而空壓機(jī)的綜合健康指數(shù)公式可表示為

(6)

綜上所述,空壓機(jī)的健康指數(shù)與溫度故障率的關(guān)系如表2所示。

表2 健康指數(shù)與溫度故障率間的關(guān)系

為了證明設(shè)計(jì)模型對(duì)溫度監(jiān)測的效果,對(duì)模型進(jìn)行故障監(jiān)測與殘差的計(jì)算,監(jiān)測殘差值公式可表示為

Gres=Gact-Gmon

(7)

其中,Gact表示實(shí)際值;Gmon表示模型監(jiān)測值。對(duì)溫度故障診斷過程中,對(duì)溫度值進(jìn)行數(shù)據(jù)偏移的處理,把模型的監(jiān)測誤差視為正態(tài)分布函數(shù)。假設(shè)監(jiān)測殘差的絕對(duì)值為gt,測試數(shù)據(jù)的個(gè)數(shù)為n,那么溫度故障閾值公式可表示為

(8)

通過對(duì)模型監(jiān)測值的殘差進(jìn)行絕對(duì)值處理,可計(jì)算出殘差絕對(duì)值的標(biāo)準(zhǔn)差與平均值。假設(shè)殘差絕對(duì)值的標(biāo)準(zhǔn)差和平均值分別為σ和μ,那么溫度故障閾值為3σ+μ,因?yàn)闅埐畛示€性變化,因此可通過閾值判斷空壓機(jī)的溫度是否存在異常,當(dāng)故障值超出故障閾值,那么系統(tǒng)會(huì)進(jìn)行預(yù)警,對(duì)系統(tǒng)進(jìn)行故障診斷。

3.2 網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)和其它神經(jīng)網(wǎng)絡(luò)有很大的差別,是一種多層的前饋神經(jīng)網(wǎng)絡(luò),實(shí)際上是通過梯度下降法對(duì)目標(biāo)函數(shù)進(jìn)行計(jì)算的,經(jīng)過對(duì)空壓機(jī)的分析,建立空壓機(jī)的神經(jīng)網(wǎng)絡(luò)模型。首先,對(duì)網(wǎng)絡(luò)故障的樣本集進(jìn)行采樣,分別以溫度故障向量和故障類型向量作為輸入向量和輸出向量。然后,建立輸入層為10、隱藏層為16、輸出層為12的神經(jīng)網(wǎng)絡(luò)模型。輸入第h個(gè)組樣,參數(shù)j的輸出公式可表示為

(9)

其中,Lih表示參數(shù)j在第h個(gè)組樣輸入下的第i個(gè)輸入值。進(jìn)而計(jì)算網(wǎng)絡(luò)目標(biāo)函數(shù),公式可表示為

(10)

其中,ykh(t)表示經(jīng)過t修正后的網(wǎng)絡(luò)輸出;k表示輸出層的節(jié)點(diǎn)數(shù)。最后做出誤差判斷,若目標(biāo)函數(shù)比誤差值小,則結(jié)束訓(xùn)練;若目標(biāo)函數(shù)比誤差值大,按照梯度下降法對(duì)權(quán)值進(jìn)行反向更新處理,處理過程公式可表示為

(11)

其中,η表示學(xué)習(xí)步長。通過以上步驟便完成了一次完整的學(xué)習(xí),之后一直重復(fù)上述步驟,直到目標(biāo)函數(shù)值小于誤差值為止。

通過對(duì)BP神網(wǎng)絡(luò)的訓(xùn)練,得出圖1的結(jié)果,表明本文建立的模型網(wǎng)絡(luò)擬合度較好,訓(xùn)練步長為24步時(shí),目標(biāo)函數(shù)最優(yōu)。

圖1 訓(xùn)練誤差曲線

4 仿真與結(jié)果分析

為了驗(yàn)證提出的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)空壓機(jī)的監(jiān)測效果,本文分別將傳統(tǒng)的長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(V-LSTM)和支持向量機(jī)(SVM)兩種方法與本文提出的方法進(jìn)行仿真對(duì)比,圖2和圖3分別為網(wǎng)絡(luò)模型的監(jiān)測值和殘差值。

圖2 網(wǎng)絡(luò)模型監(jiān)測值對(duì)比結(jié)果

圖3 殘差特性對(duì)比結(jié)果

從圖中可以看出,空壓機(jī)正常工作過程中,采用本文方法對(duì)溫度的監(jiān)測值和采用V-LSTM方法對(duì)溫度的監(jiān)測值與溫度實(shí)際值沒有較大的差距,甚至本文方法的監(jiān)測值還比V-LSTM方法小,說明對(duì)數(shù)據(jù)采集過程中,本文方法效果更佳。而且基于三種方法對(duì)殘差特性的對(duì)比,明顯可以看出采用本文方法的殘差值幾乎接近于0,而采用V-LSTM和SVM方法的殘差絕對(duì)值接近于0.5,表明本文方法對(duì)溫度監(jiān)測的效果較好。

為了進(jìn)一步驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)模型對(duì)空壓機(jī)溫度故障診斷的靈敏程度,通過本文方法確定的故障閾值,分別將V-LSTM和SVM兩種方法與本文提出的方法進(jìn)行仿真對(duì)比,每種方法的殘差值與其對(duì)應(yīng)方法的故障閾值對(duì)比結(jié)果如圖4所示。

圖4 殘差值與故障閾值

從圖中可以看出,隨著模擬故障程度的逐漸增加,溫度實(shí)際值與監(jiān)測結(jié)果的殘差值呈現(xiàn)出線性變化,三種方法都超出了給定的故障閾值,而采用本文方法能夠更早的判斷出空壓機(jī)的溫度閾值警戒線,說明本文方法對(duì)溫度故障監(jiān)測的準(zhǔn)確率更高,可以及時(shí)診斷出空壓機(jī)運(yùn)行過程中的溫度故障。

為驗(yàn)證本文方法對(duì)故障診斷的準(zhǔn)確程度,設(shè)置神經(jīng)網(wǎng)絡(luò)的輸入層為10層、隱藏層為16層、輸出層為12層,共進(jìn)行40次訓(xùn)練,并與V-LSTM和SVM兩種方法進(jìn)行仿真對(duì)比,準(zhǔn)確率的對(duì)比結(jié)果如圖5所示。

圖5 訓(xùn)練過程的準(zhǔn)確率

從圖中可以看出,當(dāng)訓(xùn)練次數(shù)小于25次時(shí),隨著訓(xùn)練次數(shù)的不斷增加,三種方法的準(zhǔn)確率均有明顯的提高。當(dāng)訓(xùn)練次數(shù)為25次后,SVM方法的準(zhǔn)確率忽高忽低,不穩(wěn)定。而采用本文方法和V-LSTM方法對(duì)空壓機(jī)溫度故障進(jìn)行診斷時(shí)可以維持較高的準(zhǔn)確率,但相比之下本文方法的準(zhǔn)確率更高,說明本文設(shè)計(jì)的模型非常適合空壓機(jī)故障診斷場景,對(duì)目標(biāo)函數(shù)優(yōu)化后的模型具有較高的準(zhǔn)確率。

5 結(jié)束語

為了對(duì)空壓機(jī)的溫度故障進(jìn)行及時(shí)的診斷,本文對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí),同時(shí)對(duì)空壓機(jī)的系統(tǒng)結(jié)構(gòu)與系統(tǒng)功能進(jìn)行了詳細(xì)地 分析。通過本文建立的監(jiān)測模型、殘差分析模型對(duì)故障信息進(jìn)行監(jiān)測查找。為了驗(yàn)證本文方法的監(jiān)測性能、對(duì)空壓機(jī)溫度故障診斷的靈敏程度以及診斷的準(zhǔn)確性,分別將本文方法與V-LSTM和SVM方法進(jìn)行仿真對(duì)比。實(shí)驗(yàn)結(jié)果表明,本文方法的殘差值幾乎接近于0,具有較好的監(jiān)測效果。而且隨著模擬故障程度的逐漸增加,本文方法能夠更早的判斷出空壓機(jī)的溫度閾值警戒線,并且對(duì)故障判斷的準(zhǔn)確率更高。