摘要：進(jìn)行壓縮機(jī)組轉(zhuǎn)子異常檢測(cè)能有效提高設(shè)備運(yùn)行的安全性與可靠性，但在工業(yè)應(yīng)用中，壓縮機(jī)組轉(zhuǎn)子故障數(shù)據(jù)匱乏，不利于對(duì)設(shè)備進(jìn)行異常檢測(cè)。文章針對(duì)僅有正常數(shù)據(jù)的壓縮機(jī)組轉(zhuǎn)子提出一種基于時(shí)域與頻域特征的支持向量數(shù)據(jù)描述（support vector data description，SVDD）的異常檢測(cè)方法。該方法利用正常數(shù)據(jù)的時(shí)域與頻域特征訓(xùn)練支持向量數(shù)據(jù)描述模型，確定超球體半徑閾值，并將其與測(cè)試過(guò)程中樣本到超球體中心的距離進(jìn)行比較，完成異常檢測(cè)。與基于傅里葉變換的SVDD異常檢測(cè)方法相比，該方法具有更高的異常檢測(cè)精度，使壓縮機(jī)組轉(zhuǎn)子異常檢測(cè)具有良好的靈敏性與魯棒性。

關(guān)鍵詞：壓縮機(jī)組轉(zhuǎn)子；異常檢測(cè)；支持向量描述；特征提取；魯棒性

中圖分類號(hào)：TH457； TP206" " " "文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：1674-0688（2024）05-0105-05

0 引言

壓縮機(jī)組被廣泛應(yīng)用于電力、石化、船舶等眾多行業(yè)使用的設(shè)備中。在極端高溫與重載等惡劣的工作環(huán)境下，壓縮機(jī)組極易發(fā)生故障，造成嚴(yán)重的經(jīng)濟(jì)損失。因此，為了避免嚴(yán)重事故，在機(jī)組性能下降的早期階段，對(duì)機(jī)組設(shè)備中的關(guān)鍵部件進(jìn)行預(yù)測(cè)性維護(hù)至關(guān)重要。異常檢測(cè)作為預(yù)測(cè)性維護(hù)的第一步，是設(shè)備健康管理的基礎(chǔ)，但卻最容易被忽視。準(zhǔn)確的異常檢測(cè)有助于提高機(jī)組維護(hù)的效率和質(zhì)量。異常檢測(cè)已被應(yīng)用于各個(gè)領(lǐng)域，如變速箱溫度異常檢測(cè)［1］，臨床醫(yī)學(xué)中的軟組織病變檢測(cè)［2］等。目前，大型設(shè)備機(jī)組的異常檢測(cè)研究可分為基于模型的診斷方法和基于數(shù)據(jù)的診斷方法［3］ 兩大類，前者需構(gòu)建精確的機(jī)組數(shù)學(xué)模型，由于工業(yè)設(shè)備日趨復(fù)雜，該方法在工業(yè)中的應(yīng)用比較困難；后者以數(shù)據(jù)作為驅(qū)動(dòng)，只需挖掘設(shè)備歷史數(shù)據(jù)中包含的信息即可完成異常檢測(cè)，無(wú)需構(gòu)建復(fù)雜的數(shù)學(xué)模型，因此得到了廣泛應(yīng)用［4］。以壓縮機(jī)為代表的復(fù)雜機(jī)械具有激勵(lì)源多、振動(dòng)信號(hào)復(fù)雜等特點(diǎn)，并且呈現(xiàn)非線性、非平穩(wěn)性，因此相較于單特征的異常檢測(cè)方法，利用多特征參數(shù)對(duì)機(jī)械運(yùn)行狀態(tài)進(jìn)行識(shí)別已成為異常檢測(cè)領(lǐng)域的研究趨勢(shì)。文定良［5］ 針對(duì)甲醇裝置合成氣壓縮機(jī)振動(dòng)的異常情況，利用大機(jī)組在線監(jiān)測(cè)系統(tǒng)對(duì)異常波動(dòng)故障進(jìn)行分析，提出在機(jī)組不停機(jī)檢修的情況下排除故障的有效措施。馬再超等［6］提出總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥EMD）聯(lián)合主分量分析（PCA）的故障識(shí)別方法，提取壓縮機(jī)轉(zhuǎn)子系統(tǒng)的故障特征并進(jìn)行分類。LI等［7］采用修正多尺度熵與全局距離評(píng)價(jià)等特征對(duì)往復(fù)式壓縮機(jī)氣門故障進(jìn)行了有效識(shí)別。還有不少學(xué)者提出以支持向量機(jī)為基礎(chǔ)的二分類異常檢測(cè)方法，該方法通過(guò)建立最優(yōu)超平面區(qū)分兩類異常狀態(tài)。AFROOZ等［8］通過(guò)提取峭度和非高斯分?jǐn)?shù)信息作為支持向量機(jī)方法的輸入信息，使檢測(cè)以高精度收斂到最優(yōu)值。但上述基于支持向量機(jī)的方法受到核函數(shù)的影響較大，如果沒(méi)有進(jìn)行建模優(yōu)化，難以獲得較好的診斷效果。HE等［9］根據(jù)深度學(xué)習(xí)理論，先采用局部均值分解法分解振動(dòng)信號(hào)，再構(gòu)建壓縮機(jī)故障識(shí)別方法。然而在工業(yè)現(xiàn)場(chǎng)中，故障樣本的缺乏限制了該類方法的應(yīng)用。

雖然上述各類方法已經(jīng)取得了較好的異常檢測(cè)效果，但是其中的大多數(shù)研究需要以充足的故障數(shù)據(jù)作為開展診斷的前提。然而在工業(yè)實(shí)際中，出于生產(chǎn)安全等因素的考慮，工廠不會(huì)允許故障設(shè)備長(zhǎng)時(shí)間持續(xù)運(yùn)行，因此采集到的故障數(shù)據(jù)十分有限。此外，新機(jī)組運(yùn)行初期往往只有正常數(shù)據(jù)而沒(méi)有異?；蚬收蠑?shù)據(jù)。因此，本文對(duì)僅有正常數(shù)據(jù)情況下的壓縮機(jī)組異常檢測(cè)問(wèn)題進(jìn)行研究，提出基于時(shí)域與頻域特征的SVDD異常檢測(cè)方法，旨在提升壓縮機(jī)組異常檢測(cè)的精度。

1 SVDD異常檢測(cè)方法

1.1 時(shí)域與頻域特征提取

提取原始數(shù)據(jù)集時(shí)域與頻域特征可以更好地反映設(shè)備的健康狀況，凸顯故障信息。其中，時(shí)域特征又可分為有量綱參數(shù)和無(wú)量綱參數(shù)，各參數(shù)指標(biāo)可同時(shí)對(duì)連續(xù)信號(hào)和離散信號(hào)進(jìn)行描述，在實(shí)際應(yīng)用中，振動(dòng)信號(hào)多為離散信號(hào)。對(duì)于離散信號(hào)，本文選取了以下13個(gè)有量綱和無(wú)量綱參數(shù)的時(shí)域指標(biāo)（見表1）進(jìn)行描述

平均值代表信號(hào)波形的平均幅值，可以呈現(xiàn)幅值波動(dòng)的中心趨勢(shì)，常用于對(duì)信號(hào)穩(wěn)定性的描述。均方值代表信號(hào)整體的平均能量，即若為速度信號(hào)，均方值可代表其振動(dòng)能量；若為位移信號(hào)，均方值可代表其位能；若為加速度信號(hào)，均方值可代表其慣性力。方差可以表示信號(hào)的波動(dòng)；峰值代表信號(hào)幅值中瞬時(shí)單峰的最大值；波形指標(biāo)具有穩(wěn)定性好、敏感性差的特點(diǎn)。將這些參數(shù)指標(biāo)同時(shí)應(yīng)用于工業(yè)現(xiàn)場(chǎng)設(shè)備的健康評(píng)估中，可兼顧穩(wěn)定性和敏感性，獲得良好的評(píng)估效果。

頻域特征的提取能較好地反映頻帶的分布情況和主頻帶的位置等信息，其中相關(guān)譜線的變化與設(shè)備運(yùn)行健康狀態(tài)的變化密不可分，可用于故障的預(yù)警和診斷。本文采用4個(gè)頻域指標(biāo)，分別反映頻域振動(dòng)能量的大小、信號(hào)頻譜與其均值之間的偏離程度、信號(hào)頻譜相對(duì)均值不對(duì)稱的程度、信號(hào)在均值處峰值的高低，表達(dá)式依次為

[F1=k=1Ks（k）/K] （1）

[F2=k=1K（s（k）-F1）2/K-1] （2）

[F3=k=1K（s（k）-F1）3/KF23] （3）

[F4=k=1K（s（k）-F1）4/KF23] （4）

上述時(shí)域與頻域特征指標(biāo)構(gòu)成了支持向量數(shù)據(jù)描述算法的輸入數(shù)據(jù)參數(shù)。

1.2 支持向量描述算法

本文利用支持向量數(shù)據(jù)描述算法進(jìn)行異常檢測(cè)，該算法最早由TAX等［10］提出，其本質(zhì)是構(gòu)建一個(gè)包含所有訓(xùn)練樣本X={x1，x2，…，xN }的超球體，其中超球體的球心a和半徑R是超球體的核心，超球體構(gòu)建原理圖見圖1。在訓(xùn)練過(guò)程中，所有樣本到球心a的距離都處于半徑R的范圍內(nèi)，可將此約束條件具體表示為

[xi-a2≤R2]" " " " " " " " " " " " （5）

在該算法模型訓(xùn)練過(guò)程中，如果樣本偏離距離過(guò)大，則會(huì)使超球體的半徑變得非常大，不利于測(cè)試過(guò)程中樣本的學(xué)習(xí)。因此，為提高算法的魯棒性，引入松弛因子[ξi]，用于解決上述問(wèn)題，使算法在訓(xùn)練過(guò)程建立模型時(shí)滿足部分樣本點(diǎn)分布于超球體之外的情況，可將其最小化問(wèn)題表示為

[minε（a，R，ξ）=R2+C1Nξis.txi-a2≤R2+ξiξi≥0（i=1，2，...，N）] " " "（6）

其中：[xi]（i=1，…，N）為訓(xùn)練所需樣本；a為超球體的球心；R為超球體的半徑；[ξi]為松弛因子；C為訓(xùn)練過(guò)程中對(duì)錯(cuò)分樣本的懲罰程度系數(shù)，用于平衡超球體容量和錯(cuò)分樣本的比例。

經(jīng)過(guò)以上的算法優(yōu)化后，在算法模型訓(xùn)練過(guò)程中，大多數(shù)樣本點(diǎn)位于超球體之內(nèi)，極少數(shù)樣本點(diǎn)位于邊界處或之外，因而構(gòu)成支持向量。根據(jù)超球體邊界上任一支持向量到球心a的距離可計(jì)算出超球體的半徑R：

[R2=xsv-a2]" " " " " " " " " " "（7）

同理，對(duì)測(cè)試樣本z進(jìn)行異常檢測(cè)時(shí)，也可通過(guò)計(jì)算z到超球體中心a的距離[d]，從而判斷其是否在半徑R的范圍內(nèi)。如果樣本點(diǎn)位于超球體內(nèi)，則可判斷為正常樣本，反之為異常樣本。距離[d]計(jì)算表達(dá)式如下：

[d=z-a2]" " " " " " " " " " " " " （8）

2 異常檢測(cè)算法流程

本文提出的基于時(shí)域與頻域特征的SVDD異常檢測(cè)方法包括正常狀態(tài)建模與異常檢測(cè)評(píng)判兩部分，其流程圖見圖2。

2.1 正常狀態(tài)建模

①數(shù)據(jù)選取。在正常建模（即模型訓(xùn)練）過(guò)程中，僅選取正常數(shù)據(jù)進(jìn)行。②特征參數(shù)提取。對(duì)訓(xùn)練集中的正常數(shù)據(jù)進(jìn)行時(shí)域與頻域特征的參數(shù)提取，并作為訓(xùn)練過(guò)程中模型的數(shù)據(jù)。③模型構(gòu)建。通過(guò)訓(xùn)練得到構(gòu)建好的SVDD模型，并將超球體半徑R作為異常評(píng)判指標(biāo)。

2.2 異常檢測(cè)評(píng)判

①數(shù)據(jù)選取。在異常檢測(cè)（即模型測(cè)試）過(guò)程中，選取的數(shù)據(jù)類型包括正常與異常2類。②特征參數(shù)提取。對(duì)測(cè)試集中的正常與異常數(shù)據(jù)進(jìn)行時(shí)域與頻域特征的參數(shù)提取，并將參數(shù)輸入訓(xùn)練好的SVDD模型中。③異常檢測(cè)評(píng)判。將測(cè)試集中各個(gè)樣本與球心之間的距離與訓(xùn)練過(guò)程中所得到的超球體半徑進(jìn)行比較，如果超出半徑閾值R，則可判定為設(shè)備異常。

3 現(xiàn)場(chǎng)數(shù)據(jù)驗(yàn)證

3.1 數(shù)據(jù)樣本

對(duì)工業(yè)現(xiàn)場(chǎng)的不平衡、不對(duì)中、喘振這3類故障數(shù)據(jù)進(jìn)行分析，故障數(shù)據(jù)均來(lái)自工業(yè)現(xiàn)場(chǎng)3種不同的壓縮機(jī)組。對(duì)現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，僅采取每種壓縮機(jī)組的正常樣本，樣本數(shù)為500個(gè)，按照時(shí)間序列信息進(jìn)行排序；對(duì)現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行測(cè)試時(shí)，同時(shí)采用每種壓縮機(jī)組的正常與故障數(shù)據(jù)，兩類數(shù)據(jù)的樣本數(shù)均為500個(gè)。

3.2 試驗(yàn)驗(yàn)證

通過(guò)提取正常數(shù)據(jù)的時(shí)域與頻域特征構(gòu)成新的正常樣本集，將其輸入支持向量數(shù)據(jù)描述中進(jìn)行訓(xùn)練，通過(guò)調(diào)整參數(shù)得到一個(gè)包含所有訓(xùn)練樣本最小超球體及其半徑R的樣本集。在測(cè)試中，對(duì)待檢測(cè)樣本進(jìn)行時(shí)域與頻域特征的提取，將特征輸入訓(xùn)練好的支持向量數(shù)據(jù)描述模型中，得到各個(gè)樣本與最小超球體球心的距離d，通過(guò)比較距離d與超球體半徑R的大小判斷待檢測(cè)樣本與球體的相對(duì)位置，從而實(shí)現(xiàn)異常檢測(cè)。

在工業(yè)現(xiàn)場(chǎng)中，不平衡、不對(duì)中及喘振故障在訓(xùn)練與測(cè)試過(guò)程中的異常檢測(cè)結(jié)果分別見圖3、圖4、圖5。由3類故障訓(xùn)練的異常結(jié)果圖可以看出，訓(xùn)練過(guò)程中所確定的閾值內(nèi)幾乎包含了所有正常數(shù)據(jù)。利用訓(xùn)練好的模型對(duì)測(cè)試集進(jìn)行檢驗(yàn)，絕大多數(shù)正常數(shù)據(jù)樣本到球心的距離d小于超球體半徑R；絕大多數(shù)故障數(shù)據(jù)樣本到球心的距離d大于超球半徑R。由此證明，本文所提出的基于時(shí)域與頻域特征的SVDD算法對(duì)正常數(shù)據(jù)和故障數(shù)據(jù)具有較好的區(qū)分能力。

為了評(píng)估SVDD算法的異常檢測(cè)精度，本文將正常數(shù)據(jù)和故障數(shù)據(jù)的檢測(cè)精度確定如下：正常數(shù)據(jù)的檢測(cè)精度為到球心的距離d小于等于超球半徑R的正常樣本數(shù)目除以正常樣本的總數(shù)；故障數(shù)據(jù)的檢測(cè)精度為到球心的距離d大于超球半徑R的正常樣本數(shù)除以故障樣本的總數(shù)。SVDD算法對(duì)正常數(shù)據(jù)的訓(xùn)練集以及對(duì)正常和故障數(shù)據(jù)的測(cè)試集的檢測(cè)精度見表2。由表2可知，對(duì)于測(cè)試集中的正常數(shù)據(jù)和故障數(shù)據(jù)，SVDD算法均具有較高的檢測(cè)精度，能夠?qū)崿F(xiàn)靈敏魯棒的異常檢測(cè)。

3.3 試驗(yàn)方法比較

將本文提出的基于時(shí)域與頻域特征的SVDD異常檢測(cè)方法與將數(shù)據(jù)經(jīng)過(guò)傅里葉變換后的SVDD異常檢測(cè)方法進(jìn)行比較，以驗(yàn)證本文方法的優(yōu)越性。同樣，將經(jīng)過(guò)傅里葉變換后的正常數(shù)據(jù)的訓(xùn)練集對(duì)SVDD進(jìn)行訓(xùn)練，并將包含正常與異常數(shù)據(jù)的測(cè)試集輸入訓(xùn)練好的SVDD模型中進(jìn)行測(cè)試。表3為本文檢測(cè)方法與經(jīng)過(guò)傅里葉變換后的SVDD異常檢測(cè)方法的異常檢測(cè)精度的比較結(jié)果，從表3可以看出，本文檢測(cè)方法的訓(xùn)練效果更佳。在測(cè)試集表現(xiàn)中，雖然2種方法對(duì)故障數(shù)據(jù)的檢測(cè)精度都達(dá)到了100%，但是在對(duì)正常數(shù)據(jù)的異常檢測(cè)中，基于傅里葉變換的異常檢測(cè)方法存在大量數(shù)據(jù)誤診的現(xiàn)象，精度遠(yuǎn)不如本文檢測(cè)方法。

4 結(jié)語(yǔ)

針對(duì)在工業(yè)現(xiàn)場(chǎng)中僅包含正常訓(xùn)練樣本的壓縮機(jī)異常檢測(cè)問(wèn)題，本文提出了基于時(shí)域與頻域特征的支持向量數(shù)據(jù)描述的壓縮機(jī)組異常檢測(cè)方法，該方法對(duì)工業(yè)現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行時(shí)域和頻域的特征提取，并將這些特征作為支持向量描述模型的輸入數(shù)據(jù)，經(jīng)過(guò)網(wǎng)絡(luò)模型訓(xùn)練，確定區(qū)分正常數(shù)據(jù)和異常數(shù)據(jù)的最佳超球體半徑，以此完成壓縮機(jī)組的異常檢測(cè)任務(wù)。與基于傅里葉變換的SVDD異常檢測(cè)方法相比，本文檢測(cè)方法具有更高的異常檢測(cè)精度，所提特征可以更好地反映設(shè)備的健康狀況，凸顯故障信息。然而，本文檢測(cè)方法中的超球體球心參數(shù)是通過(guò)隨機(jī)初始化網(wǎng)絡(luò)參數(shù)計(jì)算獲得，會(huì)降低模型對(duì)早期微弱故障的敏感度，后續(xù)可對(duì)超球體球心參數(shù)的優(yōu)化計(jì)算展開進(jìn)一步的研究，確保壓縮機(jī)組安全可靠地運(yùn)行。

5 參考文獻(xiàn)

［1］AALEKSANDRA G，RADOSAW Z，PAWEL S，et al.Long term belt conveyor gearbox temperature data analysis-Statistical tests for anomaly detection［J］.Measurement，2020（165）：108124.

［2］WANG H X，ZHANG J，BAO S，et al.Preoperative MRI-based radiomic machine-learning nomogram may accurately distinguish between benign and malignant soft-tissue lesions：a two center study［J］.Journal of Magnetic Resonance Imaging，2020，52（3）：873-882.

［3］TAHAN M，TSOUTSANIS E，MUHAMMAD M，et al.Performance-based health monitoring，diagnostics and prognostics for condition-based maintenance of gas turbines：a review［J］.Applied Energy，2017，198：122-144.

［4］LIN X S，LI B W，YANG X Y.Engine components fault diagnosis using an improved method of deep belief networks［C］//7th International Conference on Mechanical and Aerospace Engineering（ICMAE）.IEEE，2016：454-459.

［5］文定良.離心壓縮機(jī)振動(dòng)故障分析與診斷案例［J］.制造業(yè)自動(dòng)化，2016，38（6）：137-142.

［6］馬再超，溫廣瑞，張恒輝，等.離心式壓縮機(jī)轉(zhuǎn)子故障識(shí)別的EEMD-PCA方法研究［J］.振動(dòng)與沖擊，2016，35（4）：148-155.

［7］LI Y，WANG J D，ZHAO H Y，et al.Fault diagnosis method based on modified multiscale entropy and global distance evaluation for the value fault of a reciprocating compressor［J］.Strojniski Vestnik-Journal of Mechanical Engineering，2019，65（2）：123-135.

［8］AFROOZ P，AMIR H G，MOHAMMAD E.A data mining approach for fault diagnosis：an application of anomaly detection algorithm［J］.Measurement，2014，55：343-352.

［9］HE C B，LI H K，LI Z X，et al.An improved bistable stochastic resonance and its application on weak fault characteristic identification of centrifugal compressor blades［J］.Journal of Sound and Vibration，2019，442：677-697.

［10］TAX D M J，DUIN R P W.Support vector data description［J］.Machine Learning，2004，54（1）：45-66.

【作者簡(jiǎn)介】山崧，男，山東黃縣人，高級(jí)工程師，研究方向：動(dòng)力設(shè)備狀態(tài)監(jiān)測(cè)及故障診斷。

【引用本文】山崧.基于時(shí)域與頻域特征的SVDD壓縮機(jī)組轉(zhuǎn)子異常檢測(cè)方法［J］.企業(yè)科技與發(fā)展，2024（5）：105-109.