基于传感量化融合的往复式压缩机故障诊断

李 华, 逯佳旺

(1 中石油管道有限责任公司 西气东输分公司, 山西 晋城 048200; 2 中石油管道有限责任公司 西气东输分公司, 山西 临汾 041200)

引言

往复式压缩机广泛应用在天然气的西气东输管道工程中，实现对天然气的压缩处理，提高天然气的远程管道输送能力。往复式压缩机设备结构复杂且工作环境恶劣，而在长期运行的高负荷的天然气压缩工况下，导致压缩机的故障发生率较高。常见的往复式压缩机故障有：机电系统故障、转子轴承故障、动力系统故障、阀门故障等，各类故障的机械特征表现各不相同，需要对往复式压缩机进行有效的故障诊断和状态监测方法研究，提高往复式压缩机的稳定运行能力。研究往复式压缩机的故障诊断方法在天然气压缩控制、机械设备模式识别和状态监测等领域具有很好的应用价值[1]。

对往复式压缩机的故障诊断的第一步是进行故障大数据的模型构建，采用传感器信息融合处理方法进行机械运行状态数据采集，对采集的机械状态数据进行特征提取和分类识别。传统方法中，对往复式压缩机的故障诊断方法主要采用模糊BP神经网络故障诊断方法、EMD谱分析方法、专家系统故障诊断方法、混沌特征分析方法以及支持向量机诊断方法等[2-4]，通过提取往复式压缩机的故障类别属性特征量，采用相应的故障特征分类器进行往复式压缩机的故障识别，提高诊断性能。例如，文献[5]中提出一种基于相空间重构和K-L变换的压缩机故障诊断方法，采用相空间重构提取往复式压缩机的高维特征量，采用K-L压缩器进行特征降维，提高了往复式压缩机的故障特征分辨能力和诊断效率，但该方法进行往复式压缩机故障诊断中存在抗干扰能力不强和输出特征维数较大等问题。文献[6]中提出一种基于遗传K均值算法的往复式压缩机的故障特征检测方法，结合K均值聚类分析，实现对往复式压缩机的关联维特征提取和信息熵重构，结合特征聚类分析结果实现故障属性识别和诊断，但该方法存在计算量大和诊断实时性不好的问题。

针对传统方法存在的弊端，本文提出一种基于传感量化融合的往复式压缩机故障诊断方法。首先采用传感器进行往复式压缩机工况数据采集，对采集的压缩机机械振动数据进行多传感量化融合处理，提取压缩机的机械振动特征信息，然后采用关联属性特征分解和故障特征挖掘方法，实现压缩机的故障状态监测和识别。最后进行故障诊断的仿真实验分析，展示了本文方法在提高往复式压缩机故障诊断能力方面的优越性能。

1 基于传感器的故障数据采集与融合预处理

1.1 往复式压缩机故障数据量化采集

为了实现对往复式压缩机各类故障的有效检测和诊断，进行故障数据采集和特征分析是首要一步，为了更加全面覆盖压缩机的各类故障状态，采用多传感器量化采集方法进行故障数据采集，传感器的种类有振动传感器、磁力传感器以及加速度传感器[7]。在故障工况状态下的往复式压缩机故障样本数据由N个传感器节点输出的阵列信号组成，表示为：

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为往复式压缩机故障属性状态；A(k)∈Rn×n为状态转移矩阵；故障数据采集的干扰项w(k)是均值为零且方差为Q(k)的高斯白噪声；Γ(k)为故障谱特征分布矩阵；zi(k)∈Rp×1为第i个传感器进行压缩机机械振动特征采集的测量值；Hi(k)∈Rp×n为相应的测量矩阵；压缩机的喘振传感信息特征ui(k)∈Rp×1。采用自适应融合滤波方法，进行传感器输出故障数据的滤波检测和信息融合处理，结合多路复用技术进行机械特性数据的自回归拟合[8]，输出为：

(3)

往复式压缩机故障特征序列的时域采样点个数为n个，得到故障数据的关联子集输出表示为：

(4)

根据上述数据采集结果进行关联特征匹配，采用量化融合跟踪识别方法，实现对往复式压缩机故障属性识别[9]。根据上述设计原理，得到本文设计的往复式压缩机故障数据多传感器采集和特征分析模型如图1所示。

图1 往复式压缩机故障数据多传感器采集和特征分析模型

Fig.1Multi-sensordataacquisitionandfeatureanalysismodelforreciprocatingcompressorfaultdata

1.2 压缩机的故障特征量化融合

往复式压缩机故障特征判别过程中，采用量化融合识别方法提高故障属性的特征表达能力，假定采集的压缩机机械振动特征参量{wk}和噪声特征参量{vk}时变且互不相关，并设：

(5)

其中，δkj为Kronecker-δ函数，采用自适应加权方法进行信息融合[10]，加权系数为：

(6)

其中，m是传感信息采样节点数量，一般取m=2nx；[1]是一个nx×2nx维的特征分布矩阵，且[1]=[eye(nx) -eye(nx)]；[1]i表示[1]的第i列。采用Kalman滤波方法进行信息融合[11]，得到压缩机的故障属性子序列的特征分解式为：

(7)

计算某类故障状态下的Cubature点：

(8)

采用自适应加权控制方法，将Xi,k|k代入压缩机故障诊断传感数据采集的子空间样本中，得到输出的信息融合结果为：

(9)

采用Lyapunov指数预测方法，计算一步状态预测迭代式：

(10)

在故障特征分布的子空间中进行自适应降噪，计算信息融合的误差协方差，推导公式如下：

(11)

根据上述迭代式，进行往复式压缩机的机械故障特征分析和传感量化信息融合处理，提高压缩机故障诊断的特征分辨能力和诊断准确性。

2 故障诊断算法改进

2.1 压缩机故障特征提取

在对采集的压缩机机械振动数据进行多传感量化融合处理的基础上，进行压缩机的故障诊断算法改进设计，提取压缩机的机械振动特征信息[12]，得到关联特征量的无偏估计结果为：

(12)

(13)

(14)

(15)

以上各式分别描述了振动传感器、加速传感器和磁力传感器采集的压缩机故障样本数据的关联特征估计值，采用相关性融合和量化分解方法进行故障特征的定量递归分析，在信息熵一致性分布条件下，故障特征值量化分解式为：

(16)

根据信息熵的定量递归分析规则，得到优化的故障特征提取结果为：

(17)

(18)

上述参量估计为无偏估计，从而可得到：

(19)

分析上述特征提取过程得知，采用本文方法进行往复式压缩机的机械故障特征提取能有效反映机械故障属性，从而可以提高故障诊断的覆盖范围。

2.2 故障特征分类识别

采用关联属性特征分解和故障特征挖掘方法进行故障属性判别，即输出的故障属性特征量为：

λi=(M+1)-1i=1,2,...,M,ma

(20)

(21)

(22)

针对压缩机的机械振动特性和喘振特性，进行故障诊断类别的自适应修正，得到故障诊断的修正式为：

(23)

(24)

3 仿真实验与故障诊断性能分析

为了测试本文方法在实现往复式压缩机故障诊断中的性能，进行仿真实验，实验中故障诊断的算法设计采用Matlab实现，传感器进行往复式压缩机机械特征数据采集的节点数为20，数据采集的时间间隔为0.2 s，采样带宽10～15 KHz，环境干扰噪声强度为-10 dB，对机械特性数据采集的样本数为1 024，测试集规模为1 000，故障特征数据的训练集规模为100，初始载波频率为12 KHz，根据上述仿真环境和参数设定，进行往复式压缩机故障诊断仿真分析，得到压缩机的机械特性数据传感器采集时域波形如图2所示。

以图2采集的压缩机传感数据为研究对象，进行多传感量化融合处理和故障特征提取，得到各类故障特征的提取输出如图3所示。分析图3得知，采用本文方法进行压缩机故障特征提取，故障特征量波峰较为明显，说明故障特征量的分辨力较高，故障诊断的抗干扰性较强。在此基础上，进行故障诊断，并与传统的经验模态分解(EMD)谱分析方法进行对比，得到压缩机故障诊断的准确性对比如图4所示。 分析图4得知，本文方法提高了故障诊断的准确性，采用1 000次实验统计分析得知，平均诊断精度提高13.6%，诊断时间缩短12.9 s，性能优越。

图2 压缩机的机械特性数据传感器采集时域波形

Fig.2Timedomainwaveformiscollectedbythemechanicalcharacteristicdatasensorofthecompressor

图3 压缩机故障特征提取输出

图4 压缩机故障准确检测性能对比

4 结束语

往复式天然气压缩机故障发生率较高，对往复式压缩机进行有效的故障诊断和状态监测方法研究，提高往复式压缩机的稳定运行能力，本文提出一种基于传感量化融合的往复式压缩机故障诊断方法。采用传感器进行往复式压缩机工况数据采集，对采集的压缩机机械振动数据进行多传感量化融合处理，提取压缩机的机械振动特征信息，然后采用关联属性特征分解和故障特征挖掘方法，实现压缩机的故障状态监测和识别。研究得知，本文方法进行压缩机机械故障检测的准确性较高，故障诊断效能较好。