往復式天然氣壓縮機振動故障自動控制方法

宋瑞明,許江波,陳保中

(中石油煤層氣有限責任公司忻州分公司,山西 忻州 036600)

0 引言

目前,我國對清潔能源的需求逐漸增加。其中天然氣受到了廣泛的青睞,未來在生產行業和能源行業中,對天然氣的需求和應用將不斷增長。我國在對天然氣的開發和研究中,未來的發展路徑非常清晰,而與之相關的天然氣壓縮機技術,也需要進行具體的分析和研究。

霍洪濤等[1]認為往復式天然氣壓縮機在集輸中發揮著關鍵作用,可以對其軸瓦部位安裝監測裝置,確保煤層中天然氣的集輸。李世班等[2]提出基于改進RSSD和MEF的往復壓縮機故障診斷與控制技術,認為當壓縮機后端的壓縮空氣含油量過高時,在排氣過程中會產生過大振動,必須對故障的形式和產生原因進行分析。馬海輝等[3]建立卷積神經網絡故障診斷模型,將振動信號從時域轉換為頻域,以此提取壓縮機振動特征。但現有故障診斷技術中,對壓縮機的振動信號強度定義過于模糊,造成振動故障診斷的結果準確率偏低,故障控制效果較差,本文以此為基礎,研究往復式天然氣壓縮機振動故障自動控制技術,為天然氣壓縮機的應用提供更科學的理論支持。

1 往復式天然氣壓縮機振動故障自動控制

1.1 振動信號強度

常態下,往復式天然氣壓縮機進行工作時,會產生一定的振動頻率,持續振動導致設備出現故障。對出現的振動信號進行定義,以此判斷不同強度下發生故障的概率,對機械設備進行故障診斷。

當被檢測的往復式天然氣壓縮機處于運轉狀態時,對振動產生的信號幅值和頻率并不敏感,因此,需要對常用的判斷指標進行設定,以此增加壓縮機振動信號的監測強度。

設置壓縮機產生振動后,在其表面產生的采樣信號具有序列性,對該序列設置信號集合用u來表示,振動信號用i來表示,i=1,2,…,I,此時序列集合可以表示為u(i)[4]。通過不同的指標設定,對壓縮機的故障振動信號強度進行定義,表達式為:

(1)

(2)

振動信號的幅值變化,可以通過均方值和均方根值來表示,能夠在單位時間內表示出振動信號的平均功率。對振動信號的大小變化,以線性回歸的方式建立預測模型,對不間斷產生的信號進行預測。

1.2 振動信號預測模型

往復式天然氣壓縮機振動信號的產生具有隨機性,以線性回歸方式建立信號預測模型,將能夠預測的信號作為隨機變量[6]。設置隨機變量為a,會隨著多個非隨機變量進行轉換,表達式為

a=η0+η1b1+η2b2+…+ηc-1bc-1+ηcbc+γ

(3)

式中:c為非隨機變量的個數;b為非隨機變量,分別為b1,b2,…,bc-1,bc[7];γ為隨機因素,該值隸屬于自然數;η為回歸系數,分別為η0,η1,…,ηc-1,ηc[8]。

對隨機變量a和非隨機變量b1,b2,…,bc分別進行觀測[9]。在獲取m組數據后,能夠產生相互獨立的觀察數據,分別表示為an,bn1,bn2,…,bnc,其中n=(1,2,3,…,m),對其進行獨立的分析和預測,表達式為

(4)

式中:每個隨機因素γ之間是相互獨立的,且服從自然數的分布規律[10]。

對出現的隨機信號進行匹配,按照預測模型的統計方式,展現其壓縮機振動信號的分布形式,以非隨機變量為表現形式。

對形成的各變量進行預測,根據預測后的振動信號組建壓縮機故障點序列,利用序列的灰度共生矩陣進行模糊聚類處理獲得振動故障的特征。

灰度共生矩陣的大小變化與振動產生序列的灰度級具備相關性。各矩陣的灰度級越大,往復式天然氣壓縮機產生故障振動的特征所組成方陣的大小也就越大,以此能夠得到較大的方陣系數。

1.3 灰度共生矩陣模糊聚類振動故障特征

灰度共生矩陣需要獲得序列故障點的變化方向,以其為一個水平方向進行組建,當模型中的振動序列包含As組元素,在對應的垂直方向d上存在Ad組元素,所有元素點組成的序列可以產生序列的灰度級,設置為F[11]。

以空間坐標軸為復式天然氣壓縮機,產生振動故障特征的矩陣組建基礎,設置水平空間域集合,用S來表示,S=(1,2,…,As);對應的垂直空間域集合,用D來表示,D=(1,2,…,Ad)。

在序列中可以取任意一點,設置某一點(s,d)作為取點中心,在該點的對應點(s+j,d+k)為其較遠的偏離點,2個點能形成1組點對[12]。若點對的灰度值為(f,g),則此時點(s,d)的灰度值為f,點(s+j,d+k)的灰度值為g。

固定好j與k的數值,促使(s,d)能夠在序列中自由移動,以此得到(f,g)的各種數值,若序列的灰度級為F,在j和k的全部組合中,能夠得到F2種組合方式,表達式為

H=[L(j,k,l,α)]F×F

(5)

式中:L為組合出現的頻度;H為灰度共生矩陣;α為對點的移動方向;l為對點的相隔距離,當其取值較小時,若序列的變化較為緩慢,那么方陣對角線的數值就越大,振動特征會沿著對角線進行分布,而當序列變化較快時,方陣對角線的數值就越小,對角線兩側的元素不斷增加,振動特征傾向于平均分布。

從序列灰度值為j的原點(s,d)出發,統計在距離l下,灰度值為k的點(s+j,d+k),兩者同時出現的頻度L表達式為

(6)

式中:v為振動序列的移動點組成函數。

一般情況下,根據壓縮機故障信號呈現的序列特點,來選擇對點之間的相隔距離。當對點之間的元素距離為l時,對頻度L數值進行統計,即統計數值為l時相鄰2個元素的次數。

1.4 壓縮機故障診斷

在一般情況下,灰度共生矩陣的生成存在4個方向點,分別取0、45°、90°和135°,在不同角度下產生的共生矩陣不同。在不同的角度下分析矩陣特征,采用推理規則對矩陣特征進行梳理,以此診斷壓縮機故障。

推理規則主要是在既有故障案例下,通過對相似特征的檢索,以事先定義的振動故障案例,對出現的振動特征進行匹配,并生成一個新的振動故障案例。通過推理規則的數據庫展現形式,能夠根據事實情況進行特征梳理,以原有的故障案例為代表前提,設置其為Z,也可以稱作為前件事件,必須帶有一定的事實邏輯。

而事實案件中的振動產生的特征,為故障案件的必然結果,設置為X,也稱作為后件事件,兩者之間存在一定關聯性,表達式為

IF(Z)→THEN(X)

(7)

在數據庫的檢索流程中,當IF“Z”THEN“X”的既有理論中,能夠滿足前提Z,即可表示為X一定會發生。

直接通過故障案例的結果進行推理,以決策樹的形式進行表示,在一定標準下,將振動產生的特征作為樹根節點,設置為C,并以該特征的變化區間,將案例分為多個子空間,進而在標準下不斷進行劃分。

至此,完成往復式天然氣壓縮機振動故障診斷。

1.5 振動故障自動控制實現

通過周期性采樣方法采集往復式天然氣壓縮機的振動輸出數據,并轉化為脈沖的形式,記為x,將采集的數據劃分為N組,每組中包含M個數據,則采樣周期T下第q個輸出數據的表達式為

(8)

式中:S′為振動脈沖量。

壓縮機每組振動數據的平均幅值為

(9)

式中:p為數據組數量。

根據上述計算結果,將數據組數表示為

(10)

式中:〈·〉為平均數據計算函數,函數的輸出結果為數據的平均數;τ為壓縮機的振動時間。

由于壓縮機中振動源是獨立的,因此采用方差法對振動源的平方和進行計算,即

(11)

控制振動源最小,則可以提高振動故障控制效果,具體的計算公式為

(12)

通過式(11)和式(12)的計算,可以將壓縮機的振動源進行分離。最后,構建往復式天然氣壓縮機振動故障自動控制表達式為

(13)

通過式(13)控制表達式,可以實現壓縮機振動故障的自動控制。

2 實驗測試與分析

為驗證本文方法的應用效果,采用對比實驗的方法進行論證,分別選擇2組傳統方法作為對照,即基于改進RSSD和MEF的方法、基于一維卷積神經網絡的方法。

2.1 選擇往復式壓縮機類型

以軸承間隙故障為模擬類型,分別在3組測試方法下,對故障的振動信號進行采集,并對壓縮機的故障進行診斷與控制,確定不同方法對故障振動的診斷準確率以及故障控制效果。

以石油化工領域內,應用較多的天然氣壓縮機為測試對象,選擇2D45-80型號的雙作用往復式壓縮機,對其參數進行設定,具體如表1所示。

表1 2D45-80型往復式天然氣壓縮機參數

由表1可知,該型號的壓縮機由多個部分組成,分別為機體部分和傳動機構,以及工作部分和輔助裝置。以此對不同故障類型進行模擬,選擇最為典型的故障類型進行測試,分別對故障產生的振動信號進行采集,共包含50組數據。

2.2 設置故障振動信號采集過程

以數據的采樣頻率為40 kHz為設定條件,在軸承間隙產生故障時,隨機抽取1組振動信號時域波形,具體如圖1所示。

圖1 壓縮機軸承間隙故障時振動信號的時域波形

由圖1可知,以加速度傳感器為振動信號采集裝置,在共計4 s的采樣時間內,振動信號的最大和最小強度分別為1.0 mm/s2和0.2 mm/s2。

將上述數據上傳到MATLAB測試平臺,分別連接3組不同的診斷方法,對故障的振動信號進行標記,具體情況如圖2所示。

圖2 不同方法下對故障振動信號標記結果

由圖2可知,在2組傳統方法的應用下,其標記的振動信號極值與樣本數據不一致,基于改進RSSD和MEF方法診斷下,最小加速度的標記結果為0.4 mm/s2,最大加速度的標記結果為0.8 mm/s2;基于一維卷積神經網絡方法診斷下,最小加速度的標記結果為0.3 mm/s2,最大加速度的標記結果為0.7 mm/s2。

在本文方法下能夠較為完整的對振動信號進行標記,且最大加速度和最小加速度的數值標記結果與樣本數據一致,最大和最小加速度分別為1.0 mm/s2和0.2 mm/s2。

綜合實驗結果可知,本文方法能夠對故障產生的振動信號進行有效標記,可以對振動信號的極值進行定位,具有實際應用效果。

2.3 分析壓縮機故障診斷結果

為進一步驗證本文方法的有效性,采用3種不同的診斷方法,對采集到的50組數據進行診斷,分別驗證不同方式下,對故障的診斷準確率。診斷準確率的計算方式為正確選擇的樣本數量在所有樣本數據中的占比。以同樣的采樣頻率為測試前提,在多輪測試對比下,比較不同方法對故障診斷的準確率,具體如表2所示。

表2 不同方法對故障的診斷準確率結果

由表2可知,在本文方法應用下,對已有的故障數據進行診斷,其準確率最高為98%,而其他2種傳統方法應用下,對故障的診斷準確率不足90%,其中基于改進RSSD和MEF方法的最高準確率為82%,基于一維卷積神經網絡方法診斷的最高準確率為80%。

綜合實驗結果,本文方法能夠對振動信號進行有效標記,分別對振動信號的強度進行精準定位,以此完成對故障類型的準確判斷,具有實際應用效果。

2.4 故障率對比

為了進一步驗證本文方法的故障控制效果,以控制后的故障率為實驗對比指標,3種方法控制下的壓縮機故障率對比結果如圖3所示。

圖3 故障率對比測試結果

從圖3所示的故障率對比結果中可以看出,多輪測試后,本文方法控制后壓縮機的故障率明顯低于其他2種方法,本文方法控制后的故障率最高不超過2%,而基于改進RSSD和MEF方法與基于一維卷積神經網絡方法的最高故障率達到8%。因此,本文方法能夠有效降低壓縮機的振動故障率。

3 結束語

本文通過共生矩陣關系和推理規則與方差分析,設計往復式天然氣壓縮機振動故障模糊控制方法。實驗結果表明,在本文方法應用下,對故障的診斷結果最大準確率可以達到98%,較其他2種傳統方法分別提高了16百分點和18百分點,并且經本文方法控制后,壓縮機的振動故障率最高不超過2%。