李 華, 逯佳旺

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

引言

往復(fù)式壓縮機(jī)廣泛應(yīng)用在天然氣的西氣東輸管道工程中，實(shí)現(xiàn)對(duì)天然氣的壓縮處理，提高天然氣的遠(yuǎn)程管道輸送能力。往復(fù)式壓縮機(jī)設(shè)備結(jié)構(gòu)復(fù)雜且工作環(huán)境惡劣，而在長(zhǎng)期運(yùn)行的高負(fù)荷的天然氣壓縮工況下，導(dǎo)致壓縮機(jī)的故障發(fā)生率較高。常見(jiàn)的往復(fù)式壓縮機(jī)故障有：機(jī)電系統(tǒng)故障、轉(zhuǎn)子軸承故障、動(dòng)力系統(tǒng)故障、閥門(mén)故障等，各類(lèi)故障的機(jī)械特征表現(xiàn)各不相同，需要對(duì)往復(fù)式壓縮機(jī)進(jìn)行有效的故障診斷和狀態(tài)監(jiān)測(cè)方法研究，提高往復(fù)式壓縮機(jī)的穩(wěn)定運(yùn)行能力。研究往復(fù)式壓縮機(jī)的故障診斷方法在天然氣壓縮控制、機(jī)械設(shè)備模式識(shí)別和狀態(tài)監(jiān)測(cè)等領(lǐng)域具有很好的應(yīng)用價(jià)值[1]。

對(duì)往復(fù)式壓縮機(jī)的故障診斷的第一步是進(jìn)行故障大數(shù)據(jù)的模型構(gòu)建，采用傳感器信息融合處理方法進(jìn)行機(jī)械運(yùn)行狀態(tài)數(shù)據(jù)采集，對(duì)采集的機(jī)械狀態(tài)數(shù)據(jù)進(jìn)行特征提取和分類(lèi)識(shí)別。傳統(tǒng)方法中，對(duì)往復(fù)式壓縮機(jī)的故障診斷方法主要采用模糊BP神經(jīng)網(wǎng)絡(luò)故障診斷方法、EMD譜分析方法、專(zhuān)家系統(tǒng)故障診斷方法、混沌特征分析方法以及支持向量機(jī)診斷方法等[2-4]，通過(guò)提取往復(fù)式壓縮機(jī)的故障類(lèi)別屬性特征量，采用相應(yīng)的故障特征分類(lèi)器進(jìn)行往復(fù)式壓縮機(jī)的故障識(shí)別，提高診斷性能。例如，文獻(xiàn)[5]中提出一種基于相空間重構(gòu)和K-L變換的壓縮機(jī)故障診斷方法，采用相空間重構(gòu)提取往復(fù)式壓縮機(jī)的高維特征量，采用K-L壓縮器進(jìn)行特征降維，提高了往復(fù)式壓縮機(jī)的故障特征分辨能力和診斷效率，但該方法進(jìn)行往復(fù)式壓縮機(jī)故障診斷中存在抗干擾能力不強(qiáng)和輸出特征維數(shù)較大等問(wèn)題。文獻(xiàn)[6]中提出一種基于遺傳K均值算法的往復(fù)式壓縮機(jī)的故障特征檢測(cè)方法，結(jié)合K均值聚類(lèi)分析，實(shí)現(xiàn)對(duì)往復(fù)式壓縮機(jī)的關(guān)聯(lián)維特征提取和信息熵重構(gòu)，結(jié)合特征聚類(lèi)分析結(jié)果實(shí)現(xiàn)故障屬性識(shí)別和診斷，但該方法存在計(jì)算量大和診斷實(shí)時(shí)性不好的問(wèn)題。

針對(duì)傳統(tǒng)方法存在的弊端，本文提出一種基于傳感量化融合的往復(fù)式壓縮機(jī)故障診斷方法。首先采用傳感器進(jìn)行往復(fù)式壓縮機(jī)工況數(shù)據(jù)采集，對(duì)采集的壓縮機(jī)機(jī)械振動(dòng)數(shù)據(jù)進(jìn)行多傳感量化融合處理，提取壓縮機(jī)的機(jī)械振動(dòng)特征信息，然后采用關(guān)聯(lián)屬性特征分解和故障特征挖掘方法，實(shí)現(xiàn)壓縮機(jī)的故障狀態(tài)監(jiān)測(cè)和識(shí)別。最后進(jìn)行故障診斷的仿真實(shí)驗(yàn)分析，展示了本文方法在提高往復(fù)式壓縮機(jī)故障診斷能力方面的優(yōu)越性能。

1 基于傳感器的故障數(shù)據(jù)采集與融合預(yù)處理

1.1 往復(fù)式壓縮機(jī)故障數(shù)據(jù)量化采集

為了實(shí)現(xiàn)對(duì)往復(fù)式壓縮機(jī)各類(lèi)故障的有效檢測(cè)和診斷，進(jìn)行故障數(shù)據(jù)采集和特征分析是首要一步，為了更加全面覆蓋壓縮機(jī)的各類(lèi)故障狀態(tài)，采用多傳感器量化采集方法進(jìn)行故障數(shù)據(jù)采集，傳感器的種類(lèi)有振動(dòng)傳感器、磁力傳感器以及加速度傳感器[7]。在故障工況狀態(tài)下的往復(fù)式壓縮機(jī)故障樣本數(shù)據(jù)由N個(gè)傳感器節(jié)點(diǎn)輸出的陣列信號(hào)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(fù)式壓縮機(jī)故障屬性狀態(tài)；A(k)∈Rn×n為狀態(tài)轉(zhuǎn)移矩陣；故障數(shù)據(jù)采集的干擾項(xiàng)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(gè)傳感器進(jìn)行壓縮機(jī)機(jī)械振動(dòng)特征采集的測(cè)量值；Hi(k)∈Rp×n為相應(yīng)的測(cè)量矩陣；壓縮機(jī)的喘振傳感信息特征ui(k)∈Rp×1。采用自適應(yīng)融合濾波方法，進(jìn)行傳感器輸出故障數(shù)據(jù)的濾波檢測(cè)和信息融合處理，結(jié)合多路復(fù)用技術(shù)進(jìn)行機(jī)械特性數(shù)據(jù)的自回歸擬合[8]，輸出為：

(3)

往復(fù)式壓縮機(jī)故障特征序列的時(shí)域采樣點(diǎn)個(gè)數(shù)為n個(gè)，得到故障數(shù)據(jù)的關(guān)聯(lián)子集輸出表示為：

(4)

根據(jù)上述數(shù)據(jù)采集結(jié)果進(jìn)行關(guān)聯(lián)特征匹配，采用量化融合跟蹤識(shí)別方法，實(shí)現(xiàn)對(duì)往復(fù)式壓縮機(jī)故障屬性識(shí)別[9]。根據(jù)上述設(shè)計(jì)原理，得到本文設(shè)計(jì)的往復(fù)式壓縮機(jī)故障數(shù)據(jù)多傳感器采集和特征分析模型如圖1所示。

圖1 往復(fù)式壓縮機(jī)故障數(shù)據(jù)多傳感器采集和特征分析模型

Fig.1Multi-sensordataacquisitionandfeatureanalysismodelforreciprocatingcompressorfaultdata

1.2 壓縮機(jī)的故障特征量化融合

往復(fù)式壓縮機(jī)故障特征判別過(guò)程中，采用量化融合識(shí)別方法提高故障屬性的特征表達(dá)能力，假定采集的壓縮機(jī)機(jī)械振動(dòng)特征參量{wk}和噪聲特征參量{vk}時(shí)變且互不相關(guān)，并設(shè)：

(5)

其中，δkj為Kronecker-δ函數(shù)，采用自適應(yīng)加權(quán)方法進(jìn)行信息融合[10]，加權(quán)系數(shù)為：

(6)

其中，m是傳感信息采樣節(jié)點(diǎn)數(shù)量，一般取m=2nx；[1]是一個(gè)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(jìn)行信息融合[11]，得到壓縮機(jī)的故障屬性子序列的特征分解式為：

(7)

計(jì)算某類(lèi)故障狀態(tài)下的Cubature點(diǎn)：

(8)

采用自適應(yīng)加權(quán)控制方法，將Xi,k|k代入壓縮機(jī)故障診斷傳感數(shù)據(jù)采集的子空間樣本中，得到輸出的信息融合結(jié)果為：

(9)

采用Lyapunov指數(shù)預(yù)測(cè)方法，計(jì)算一步狀態(tài)預(yù)測(cè)迭代式：

(10)

在故障特征分布的子空間中進(jìn)行自適應(yīng)降噪，計(jì)算信息融合的誤差協(xié)方差，推導(dǎo)公式如下：

(11)

根據(jù)上述迭代式，進(jìn)行往復(fù)式壓縮機(jī)的機(jī)械故障特征分析和傳感量化信息融合處理，提高壓縮機(jī)故障診斷的特征分辨能力和診斷準(zhǔn)確性。

2 故障診斷算法改進(jìn)

2.1 壓縮機(jī)故障特征提取

在對(duì)采集的壓縮機(jī)機(jī)械振動(dòng)數(shù)據(jù)進(jìn)行多傳感量化融合處理的基礎(chǔ)上，進(jìn)行壓縮機(jī)的故障診斷算法改進(jìn)設(shè)計(jì)，提取壓縮機(jī)的機(jī)械振動(dòng)特征信息[12]，得到關(guān)聯(lián)特征量的無(wú)偏估計(jì)結(jié)果為：

(12)

(13)

(14)

(15)

以上各式分別描述了振動(dòng)傳感器、加速傳感器和磁力傳感器采集的壓縮機(jī)故障樣本數(shù)據(jù)的關(guān)聯(lián)特征估計(jì)值，采用相關(guān)性融合和量化分解方法進(jìn)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(jù)信息熵的定量遞歸分析規(guī)則，得到優(yōu)化的故障特征提取結(jié)果為：

(17)

(18)

上述參量估計(jì)為無(wú)偏估計(jì)，從而可得到：

(19)

分析上述特征提取過(guò)程得知，采用本文方法進(jìn)行往復(fù)式壓縮機(jī)的機(jī)械故障特征提取能有效反映機(jī)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(lèi)識(shí)別

采用關(guān)聯(lián)屬性特征分解和故障特征挖掘方法進(jìn)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(duì)壓縮機(jī)的機(jī)械振動(dòng)特性和喘振特性，進(jìn)行故障診斷類(lèi)別的自適應(yīng)修正，得到故障診斷的修正式為：

(23)

(24)

3 仿真實(shí)驗(yàn)與故障診斷性能分析

為了測(cè)試本文方法在實(shí)現(xiàn)往復(fù)式壓縮機(jī)故障診斷中的性能，進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)中故障診斷的算法設(shè)計(jì)采用Matlab實(shí)現(xiàn)，傳感器進(jìn)行往復(fù)式壓縮機(jī)機(jī)械特征數(shù)據(jù)采集的節(jié)點(diǎn)數(shù)為20，數(shù)據(jù)采集的時(shí)間間隔為0.2 s，采樣帶寬10～15 KHz，環(huán)境干擾噪聲強(qiáng)度為-10 dB，對(duì)機(jī)械特性數(shù)據(jù)采集的樣本數(shù)為1 024，測(cè)試集規(guī)模為1 000，故障特征數(shù)據(jù)的訓(xùn)練集規(guī)模為100，初始載波頻率為12 KHz，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行往復(fù)式壓縮機(jī)故障診斷仿真分析，得到壓縮機(jī)的機(jī)械特性數(shù)據(jù)傳感器采集時(shí)域波形如圖2所示。

以圖2采集的壓縮機(jī)傳感數(shù)據(jù)為研究對(duì)象，進(jìn)行多傳感量化融合處理和故障特征提取，得到各類(lèi)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(jìn)行壓縮機(jī)故障特征提取，故障特征量波峰較為明顯，說(shuō)明故障特征量的分辨力較高，故障診斷的抗干擾性較強(qiáng)。在此基礎(chǔ)上，進(jìn)行故障診斷，并與傳統(tǒng)的經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)譜分析方法進(jìn)行對(duì)比，得到壓縮機(jī)故障診斷的準(zhǔn)確性對(duì)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(zhǔn)確性，采用1 000次實(shí)驗(yàn)統(tǒng)計(jì)分析得知，平均診斷精度提高13.6%，診斷時(shí)間縮短12.9 s，性能優(yōu)越。

圖2 壓縮機(jī)的機(jī)械特性數(shù)據(jù)傳感器采集時(shí)域波形

Fig.2Timedomainwaveformiscollectedbythemechanicalcharacteristicdatasensorofthecompressor

圖3 壓縮機(jī)故障特征提取輸出

圖4 壓縮機(jī)故障準(zhǔn)確檢測(cè)性能對(duì)比

4 結(jié)束語(yǔ)

往復(fù)式天然氣壓縮機(jī)故障發(fā)生率較高，對(duì)往復(fù)式壓縮機(jī)進(jìn)行有效的故障診斷和狀態(tài)監(jiān)測(cè)方法研究，提高往復(fù)式壓縮機(jī)的穩(wěn)定運(yùn)行能力，本文提出一種基于傳感量化融合的往復(fù)式壓縮機(jī)故障診斷方法。采用傳感器進(jìn)行往復(fù)式壓縮機(jī)工況數(shù)據(jù)采集，對(duì)采集的壓縮機(jī)機(jī)械振動(dòng)數(shù)據(jù)進(jìn)行多傳感量化融合處理，提取壓縮機(jī)的機(jī)械振動(dòng)特征信息，然后采用關(guān)聯(lián)屬性特征分解和故障特征挖掘方法，實(shí)現(xiàn)壓縮機(jī)的故障狀態(tài)監(jiān)測(cè)和識(shí)別。研究得知，本文方法進(jìn)行壓縮機(jī)機(jī)械故障檢測(cè)的準(zhǔn)確性較高，故障診斷效能較好。