CN102797671A - 一种往复压缩机的故障检测方法与装置 - Google Patents

Abstract

本发明公开了一种往复压缩机的故障检测方法及装置，所述方法包括：获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征；根据振动信号参数特征，生成状态特征指标集；根据振动信号参数特征和热力参数特征，生成工况特征指标集；根据状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型；根据状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。本发明融合两种检测手段的监测信息，显著地提高了判断结论的准确率，且操作简便，成本低，准确率高，易于推广应用。

Description

一种往复压缩机的故障检测方法与装置

技术领域

本发明涉及石油化工领域，尤其涉及大型动力机组的故障诊断，具体的讲是涉及一种往复式压缩机的故障检测方法及装置。

背景技术

以往复式压缩机为代表的大型动力机组是石化企业的关键动力设备，由于这类机组功率大、转速高、流量大、压力高、结构复杂、监控仪表繁多，运行及检修要求高，因此在设计、制造、安装、检修、运行等环节稍有不当，都会造成机组在运行时发生种种故障，甚至造成设备损坏、有毒有害物质泄漏、人员伤亡等重大事故。应用状态监测与故障诊断技术，可以避免不必要的非正常停机，有效地制定相应的维修策略，减少经济损失，保障生产的顺利进行。

目前，国内外对大型机组的故障诊断大都集中围绕在利用振动信号监测诊断运行状况。然而，仅凭这一点，还不能全面评价和诊断大机组的实际运行综合性能。大机组的安全、平稳运行还取决于运行时工艺条件(如温度、压力、气体性质等)变化的影响和机器内部工作元件的完好程度，即所谓机组的热力状态。机组运行时的热力状态，不但直接影响其能否高效、经济运行，而且许多大机组重大运行事故的原因是与工艺条件发生变化时未能及时调整机组运行工况有关的。将机组热力状态监测与运行工况监测相结合，有助于适时主动地调整运行参数，防止相关运行事故的发生。

发明内容

本发明的目的是针对石化企业关键的往复式压缩机组，开发出一套基于振动监测和热力参数监测，融合了多参数的故障检测技术，为炼厂设备的安、稳、长、满、优运行提供技术支持。

为了达到上述目的，本发明实施例公开了一种往复压缩机的故障检测方法，包括：获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征；根据所述的振动信号参数特征，生成状态特征指标集；根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集；根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型；根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。

本发明还公开了一种往复压缩机的故障检测装置，包括：参数特征获取单元，用于获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征；状态特征指标集生成单元，用于根据所述的振动信号参数特征，生成状态特征指标集；工况特征指标集生成单元，用于根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集；故障诊断模型生成单元，用于根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型；故障检测结果生成单元，用于根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。

本发明的往复压缩机的故障检测方法及装置可产生的有益效果是：本发明基于振动检测和热力检测，融合两种检测手段的监测信息，对往复式压缩机运行状态做出判定，相比于采用单一检测手段的故障诊断技术，该发明显著地提高了判断结论的准确率。本发明融合往复式压缩机运行中的多项参数，并利用特征指标优选技术对特征指标进行筛选，有效地诊断出往复压缩机部件的故障状态。本发明的故障检测技术操作简便，成本低，准确率高，易于推广应用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明往复压缩机的故障检测方法的一种实施例的方法流程图；

图2为本发明往复压缩机的故障检测装置的一种实施例的结构示意图；

图3为图2所示实施例的参数特征获取单元的结构示意图；

图4为图2所示实施例的故障检测结果生成单元的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明往复压缩机的故障检测方法的一个实施例的方法流程图，所述的故障检测方法包括：

S101，获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征。其中，利用加速度传感器，将其安装在往复压缩机组的曲轴轴承座、气缸缸套外表面、气阀阀座等关键部位，测量对应部件的加速度振动信号。利用温度传感器和压力传感器，分别测量往复压缩机组的气缸进气温度、排气温度、进气压力、排气压力。

S102，根据所述的振动信号参数特征，生成状态特征指标集。提取所述振动信号参数的信息熵特征，包括奇异谱熵、自相关熵、功率谱熵、小波包能量谱熵以及局域波能量谱熵。

针对振动信号

其中L为采样点数，具体提取过程如下：

1)奇异谱熵：奇异谱熵可描述信号奇异谱信息的不确定性程度。对于振动信号

利用相空间重构技术构造如式(1)所示的轨道矩阵。

式中，L＝m×n。对轨道矩阵D奇异值分解，则D＝USV^T，其中矩阵S为m×n的主对角阵，对角线元素(奇异值)为s₁，s₂，…s_l；l＝min(m，n)，则s_i构成了振动信号的奇异谱。定义信号的奇异谱熵

为第i个奇异值在整个奇异谱中所占的比例，即第i个模式在整个模式中所占的比例。

2)自相关熵：自相关熵可描述信号在时延域划分下的不确定性。对于振动信号

做自相关变换得到时延域的自相关谱

定义信号的自相关谱熵

式中

为第i个相关系数的绝对值在整个自相关谱中所占的比例。

3)功率谱熵：功率谱熵可以描述信号在频域划分下的不确定性，刻画频域信号的信息含量。对于振动信号

变换到频域得的功率谱

是原始信号在频域下的一种划分。定义信号的功率谱熵式中

为第i个谱值在整个功率谱中所占的比例。

4)小波包能量谱熵：小波包能量谱熵用以刻画信号在不同频带上能量分布的不确定性，利用小波包分解技术在N个尺度分解信号

得到小波包分解重构信号

计算各小波包分解重构信号的能量值[E₁，E₂，...，E_N]，其中

定义信号的小波包能量谱熵

式中

为第i小波包分解重构信号占整个信号能量的比例。

5)局域波能量谱熵：局域波分解技术(Empirical Mode Decomposition，EMD)可以自适应将信号分解成为若干个固有模态分量和一个残余分量，由于其具有自适应分解信号的特性，其可以在一定程度上弥补在小波包分析技术在频带分解上的局限。定义信号的局域波能量谱熵

式中

为第i模态函数能量占整个信号能量的比例。

S103，根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集。本实施例中，首先提取所述振动信号参数的时域频域特征，并对所述的时域频域特征进行优选；而后根据所述优选后的时域频域特征和所述热力参数特征，生成工况特征指标集。

1)时域频域特征：提取振动信号的时域频域特征，时域频域特征可以敏感地反映机组的工况变化。时域频域特征指标集为F＝[F₁，F₂，...，F_n]，其中

是由小波包分解技术进行5层分解重构所得到振动信号的32个频带指标，{F_i|i＝33，34，...，41}为时域指标(包括方差值、峰峰值、均方根值、歪度、峭度、绝对均值、波形指标、峰值指标、脉冲指标)。

2)优选时域频域特征指标：过多的特征指标对于诊断模型的训练和测试是个极大的负担，且掺杂了分类能力较差的特征指标后，诊断模型不易收敛；过少的特征指标又难以完全刻画信号的主要特征。因此，有必要对特征指标进行筛选，在降低特征指标之间信息冗余的同时尽最大限度地刻画信号的主要特征。传统的故障特征指标选择方法多是基于定性的经验性知识，缺乏定量的选取依据。简单地将特征指标组合起来无疑将加大诊断模型进行故障模式识别的难度。鉴于上述原因，本技术路线引入分类度定量地描述每一个特征指标对不同故障的分类能力，对于时域频域特征指标F_i，计算步骤如下：

a)计算同种故障下不同样本特征指标之间距离的平均值d_i，j，然后计算M种故障状态的d_i，j平均值d_ai：

$d_{\mathrm{ai}}=\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{d}_{i,j}=\frac{1}{\mathrm{MN}(N-1)}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{m,n=1}{\overset{N}{\mathrm{\Σ}}}|p_{i,j}\left(m\right)-p_{i,j}\left(n\right)|(m\≠n)---\left(2\right)$

其中N为同种故障状态下样本数目，p_i，j为第i个特征指标下第j个故障状态下的样本。

b)计算不同故障状态之间的平均距离

${\stackrel{\‾}{d}}_{\mathrm{ai}}=\frac{1}{M(M-1)}\underset{m,n-1}{\overset{M}{\mathrm{\Σ}}}|p_{\mathrm{ai},m}-p_{\mathrm{ai},n}|(m\≠n)---\left(3\right)$

其中p_ai，k是同种故障状态下各个样本的特征指标平均值：

c)计算第i个特征指标F_i的分类度α_i：

可见α_i越大，则F_i对于该M种故障的区分效果就越好；相反α_i越小，则F_i的区分效果就越差。

对于计算得出的α_i，按从小到大的顺序进行排序，选择前p个特征指标作为优选出的故障诊断特征指标。p的选择可采用主成分分析方法：利用奇异值分解方法分解特征指标矩阵{D|D_j＝[C₁，C₂，…，C_N]，j＝1，2，…，X}，其中X为训练样本总和，N为特征指标类别数目(本技术路线为42)。对T进行奇异值分解，则

其中矩阵S_D为X×Y的主对角阵，对角线元素为s₁，s₂，…s_min(L，N)，设置能量置信度θ(通常，θ不低于0.9)，则p为能量比例θ下能量绝对占优的奇异子个数。

3)热力特征指标：提取热力特征指标，为简单定量的衡量压缩机气缸的做功效率，客观反映压缩机运行的工况，引入修正后的压缩比λ作为热力特征指标，式中P_进为气缸进气压力；P_排为排气压力；κ为修正系数。假定气缸内气体为理想气体，则

其中T_进为热力学进气温度；T_排为热力学排气温度。可见，λ越大则代表气体被压缩的越充分，气缸做功也越好；反之，则气缸做功较差。

4)工况特征指标集：工况特征指标集含有p+1个特征指标，由两部分构成：一是利用特征优选技术优选出的时域频域特征指标；二是热力特征指标。

S104，根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型。针对实际中故障样本缺乏以及样本指标空间分布杂散的问题，选择易于快速收敛的径向基核函数(Radial Basis Function，RBF)神经网络构建故障诊断模型。针对状态特征指标集和工况特征指标集分别构建RBF神经网络(状态特征RBF神经网络、工况特征RBF神经网络)：利用典型样本的状态特征指标集训练状态特征RBF神经网络，实现状态特征RBF故障诊断模型；利用典型样本的工况特征指标集训练工况特征RBF神经网络，实现工况特征RBF故障诊断模型。

S105，根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。在本实施例中，建立完成RBF故障诊断模型后，可以利用测试样本验证RBF故障诊断模型的准确性和可靠性，进而利用D-S证据融合理论融合两个RBF故障诊断模型的诊断结论，提高诊断结论的准确性，降低诊断结论的信息冗余。具体计算步骤如下：

1)对于测试样本，利用状态特征RBF故障诊断模型识别其状态特征指标集，可以判断出其属于不同故障状态下的概率函数m₁(A_i)，i＝1，2，…，M。同理，利用工况特征RBF故障诊断模型识别其工况特征指标集，可以判断出其属于不同故障状态下的概率函数m₂(A_i)，i＝1，2，…，M。

2)根据D-S证据融合理论，融合后的不同故障状态下的概率函数计算如下式：

$m\left(A_i\right)=\frac{m_1\left(A_i\right)m_2\left(A_i\right)}{1-\underset{A_i\∩A_j=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right)}---\left(4\right)$

3)根据融合后的识别结果判定测试样本的故障状态。

图2为本发明往复压缩机的故障检测装置的一种实施例的结构示意图。

如图所示，本实施例的往复压缩机的故障检测装置包括：

参数特征获取单元101，用于获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征。图3为本实施例的参数特征获取单元的结构示意图，包括：

加速度传感器1011，将其安装在往复压缩机组的曲轴轴承座、气缸缸套外表面、气阀阀座等关键部位，测量对应部件的加速度振动信号。温度传感器1012，用于测量所述往复压缩机的气缸进气温度及排气温度；压力传感器1013，用于测量所述往复压缩机的进气压力以及排气压力。

状态特征指标集生成单元102，用于根据所述的振动信号参数特征，生成状态特征指标集。提取所述振动信号参数的信息熵特征，包括奇异谱熵、自相关熵、功率谱熵、小波包能量谱熵以及局域波能量谱熵。

针对振动信号

其中L为采样点数，具体提取过程如下：

1)奇异谱熵：奇异谱熵可描述信号奇异谱信息的不确定性程度。对于振动信号利用相空间重构技术构造如式(1)所示的轨道矩阵。

式中，L＝m×n。对轨道矩阵D奇异值分解，则D＝USV^T，其中矩阵S为m×n的主对角阵，对角线元素(奇异值)为s₁，s₂，…s_l；l＝min(m，n)，则s_i构成了振动信号的奇异谱。定义信号的奇异谱熵

为第i个奇异值在整个奇异谱中所占的比例，即第i个模式在整个模式中所占的比例。

2)自相关熵：自相关熵可描述信号在时延域划分下的不确定性。对于振动信号做自相关变换得到时延域的自相关谱

定义信号的自相关谱熵式中

为第i个相关系数的绝对值在整个自相关谱中所占的比例。

3)功率谱熵：功率谱熵可以描述信号在频域划分下的不确定性，刻画频域信号的信息含量。对于振动信号变换到频域得的功率谱

是原始信号在频域下的一种划分。定义信号的功率谱熵式中

为第i个谱值在整个功率谱中所占的比例。

4)小波包能量谱熵：小波包能量谱熵用以刻画信号在不同频带上能量分布的不确定性，利用小波包分解技术在N个尺度分解信号

得到小波包分解重构信号计算各小波包分解重构信号的能量值[E₁，E₂，...，E_N]，其中

定义信号的小波包能量谱熵式中

为第i小波包分解重构信号占整个信号能量的比例。

5)局域波能量谱熵：局域波分解技术(Empirical Mode Decomposition，EMD)可以自适应将信号分解成为若干个固有模态分量和一个残余分量，由于其具有自适应分解信号的特性，其可以在一定程度上弥补在小波包分析技术在频带分解上的局限。定义信号的局域波能量谱熵

式中为第i模态函数能量占整个信号能量的比例。

工况特征指标集生成单元103，用于根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集。所述的工况特征指标集生成单元包括：时域频域特征优选单元，用于提取所述振动信号参数的时域频域特征，并对所述的时域频域特征进行优选。

本实施例中，首先提取所述振动信号参数的时域频域特征，并对所述的时域频域特征进行优选；而后根据所述优选后的时域频域特征和所述热力参数特征，生成工况特征指标集。

1)时域频域特征：提取振动信号的时域频域特征，时域频域特征可以敏感地反映机组的工况变化。时域频域特征指标集为F＝[F₁，F₂，...，F_n]，其中

是由小波包分解技术进行5层分解重构所得到振动信号的32个频带指标，{F_i|i＝33，34，...，41}为时域指标(包括方差值、峰峰值、均方根值、歪度、峭度、绝对均值、波形指标、峰值指标、脉冲指标)。

2)优选时域频域特征指标：过多的特征指标对于诊断模型的训练和测试是个极大的负担，且掺杂了分类能力较差的特征指标后，诊断模型不易收敛；过少的特征指标又难以完全刻画信号的主要特征。因此，有必要对特征指标进行筛选，在降低特征指标之间信息冗余的同时尽最大限度地刻画信号的主要特征。传统的故障特征指标选择方法多是基于定性的经验性知识，缺乏定量的选取依据。简单地将特征指标组合起来无疑将加大诊断模型进行故障模式识别的难度。鉴于上述原因，本技术路线引入分类度定量地描述每一个特征指标对不同故障的分类能力，对于时域频域特征指标F_i，计算步骤如下：

a)计算同种故障下不同样本特征指标之间距离的平均值d_i，j，然后计算M种故障状态的d_i，j平均值d_ai：

$d_{\mathrm{ai}}=\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{d}_{i,j}=\frac{1}{\mathrm{MN}(N-1)}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{m,n=1}{\overset{N}{\mathrm{\Σ}}}|p_{i,j}\left(m\right)-p_{i,j}\left(n\right)|(m\≠n)---\left(2\right)$

其中N为同种故障状态下样本数目，p_i，j为第i个特征指标下第j个故障状态下的样本。

b)计算不同故障状态之间的平均距离

${\stackrel{\‾}{d}}_{\mathrm{ai}}=\frac{1}{M(M-1)}\underset{m,n=1}{\overset{M}{\mathrm{\Σ}}}|p_{\mathrm{ai},m}-p_{\mathrm{ai},n}|(m\≠n)---\left(3\right)$

其中p_ai，k是同种故障状态下各个样本的特征指标平均值：

c)计算第i个特征指标F_i的分类度α_i：

可见α_i越大，则F_i对于该M种故障的区分效果就越好；相反α_i越小，则F_i的区分效果就越差。

对于计算得出的α_i，按从小到大的顺序进行排序，选择前p个特征指标作为优选出的故障诊断特征指标。p的选择可采用主成分分析方法：利用奇异值分解方法分解特征指标矩阵{D|D_j＝[C₁，C₂，…，C_N]，j＝1，2，…，X}，其中X为训练样本总和，N为特征指标类别数目(本技术路线为42)。对T进行奇异值分解，则

其中矩阵S_D为X×Y的主对角阵，对角线元素为s₁，s₂，…s_min(L，N)，设置能量置信度θ(通常，θ不低于0.9)，则p为能量比例θ下能量绝对占优的奇异子个数。

3)热力特征指标：提取热力特征指标，为简单定量的衡量压缩机气缸的做功效率，客观反映压缩机运行的工况，引入修正后的压缩比λ作为热力特征指标，

式中P_进为气缸进气压力；P_排为排气压力；κ为修正系数。假定气缸内气体为理想气体，则其中T_进为热力学进气温度；T_排为热力学排气温度。可见，λ越大则代表气体被压缩的越充分，气缸做功也越好；反之，则气缸做功较差。

4)工况特征指标集：工况特征指标集含有p+1个特征指标，由两部分构成：一是利用特征优选技术优选出的时域频域特征指标；二是热力特征指标。

故障诊断模型生成单元104，用于根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型。针对实际中故障样本缺乏以及样本指标空间分布杂散的问题，选择易于快速收敛的径向基核函数(Radial Basis Function，RBF)神经网络构建故障诊断模型。针对状态特征指标集和工况特征指标集分别构建RBF神经网络(状态特征RBF神经网络、工况特征RBF神经网络)：利用典型样本的状态特征指标集训练状态特征RBF神经网络，实现状态特征RBF故障诊断模型；利用典型样本的工况特征指标集训练工况特征RBF神经网络，实现工况特征RBF故障诊断模型。

故障检测结果生成单元105，用于根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。图4为本实施例中的故障检测结果生成单元105的结构示意图，包括：

状态特征故障概率生成单元1051，用于利用所述状态特征RBF故障诊断模型判断出的不同故障状态下的概率函数m₁(A_i)，i＝1，2，…，M；

工况特征故障概率生成单元1052，用于利用所述工况特征RBF故障诊断模型判断出的不同故障状态下的概率函数m₂(A_i)，i＝1，2，…，M；

融合概率生成单元1053，用于根据D-S证据融合理论，融合不同故障状态下的概率函数：

$m\left(A_i\right)=\frac{m_1\left(A_i\right)m_2\left(A_i\right)}{1-\underset{A_i\∩A_j=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right)}.$

具体实施例：

本实施例中，选择研究对象为往复压缩机的气阀，利用振动、温度、压力传感器采集其特征信号。通过对其大量监测的数据进行分析，选取气阀三种典型状态的样本数据，即正常状态(2008年10月采集，A机2缸1进气阀)、轻微磨损状态(2008年10月采集，A机1缸2进气阀)和严重磨损状态(2008年10月采集，A机1缸1进气阀)，其中每种典型状态包含12组样本数据。针对每一组样本数据，分别构建其工况特征指标集和状态特征指标集作为RBF神经网络训练样本，进而建立工况特征RBF故障诊断模型和状态特征RBF故障诊断模型。

通过检验RBF故障诊断模型对气阀实测样本的识别能力，可以验证诊断模型的可靠性和准确性。有别于典型状态的样本数据，另外选择3个不同气阀的12组样本数据为测试样本，3个气阀分别为2008年10月的A机3缸1进气阀，3缸2出气阀，4缸1出气阀。针对每一组测试样本数据，分别构建其工况特征指标集和状态特征指标集，利用已建立好的工况特征RBF故障诊断模型和状态特征RBF故障诊断模型，对测试样本的工况特征指标集和状态特征指标集进行诊断识别，分别得出识别结果。

归一化后两种诊断模型的识别结果分别如表1、表2所示。

表1工况特征RBF神经网络识别结果

表2状态特征RBF神经网络识别结果

从表1和表2中可见，虽然工况特征RBF故障诊断模型和状态特征RBF故障诊断模型全部识别出测试样本气阀的实际状态，但有些样本识别出的状态隶属度仍较低或与其它状态区别不大，例如状态特征RBF中对A机4缸1出气阀第12组样本的识别结果中，虽然将其准确地判定为正常状态，但是其隶属正常状态的隶属度为0.454，而其隶属严重故障的隶属度高达0.430，两者较为接近，可见描述系统单一特性的特征集对系统状态的刻画能力还较为有限。利用D-S证据融合理论将状态特征RBF故障诊断模型的识别结果与工况特征RBF故障诊断模型的识别结果进行信息融合，提高信息涵盖量和识别结果可信度。D-S证据理论的融合结果如表3所示。

表3D-S证据融合识别结果

从表3中可见，经过D-S证据融合理论融合后的判决结果更加明确，置信度更高，验证了基于D-S证据融合框架下的振动与热力参数信息融合故障诊断技术的有效性和准确性。

本发明的基于多参数融合的往复式压缩机故障检测方法采用振动信号监测和热力参数监测两种监测手段。通过分析振动信号和热力参数构成的故障征兆对往复式压缩机故障模式的敏感反映程度，提出构建工况特征指标集和状态特征指标集，其中工况特征指标对机组的实际工况较为敏感，状态特征指标集对机组故障状态较为敏感。针对工况特征指标集信息冗余量大的特点，采用特征指标优选技术优化特征指标集。对两个特征指标集构建故障诊断模型，并用D-S证据理论融合模型诊断结果并给出融合后的机组故障状态判断结果。

本发明的故障检测方法与现有技术相比具有以下优点：

1、本发明基于振动检测和热力检测，融合两种检测手段的监测信息，对往复式压缩机运行状态做出判定，相比于采用单一检测手段的故障诊断技术，该发明显著地提高了判断结论的准确率。

2、本发明融合往复式压缩机运行中的多项参数，并利用特征指标优选技术对特征指标进行筛选，有效地诊断出往复压缩机部件的故障状态。

3、本发明的故障检测技术操作简便，成本低，准确率高，易于推广应用。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种往复压缩机的故障检测方法，其特征在于，所述的故障检测方法包括：

获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征；

根据所述的振动信号参数特征，生成状态特征指标集；

根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集；

根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型；

根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。

2.如权利要求1所述的故障检测方法，其特征在于，所述获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征，包括：

利用加速度传感器，获取所述往复压缩机对应部件的加速度振动信号；

利用温度传感器和压力传感器，测量得到所述往复压缩机的气缸进气温度、排气温度、进气压力以及排气压力。

3.如权利要求1所述的故障检测方法，其特征在于，所述根据所述振动信号参数特征，生成状态特征指标集，包括：

提取所述振动信号参数的信息熵特征，包括奇异谱熵、自相关熵、功率谱熵、小波包能量谱熵以及局域波能量谱熵。

4.如权利要求1所述的故障检测方法，其特征在于，所述根据所述的振动信号参数和热力参数，生成工况特征指标集，包括：

提取所述振动信号参数的时域频域特征，并对所述的时域频域特征进行优选；

根据所述优选后的时域频域特征和所述热力参数特征，生成工况特征指标集。

5.如权利要求1所述的故障检测方法，其特征在于，所述根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果，包括：

根据D-S证据融合理论，融合不同故障状态下的概率函数：

$m\left(A_i\right)=\frac{m_1\left(A_i\right)m_2\left(A_i\right)}{1-\underset{A_i\∩A_j=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right)};$ 其中，

m₁(A_i)，i＝1，2，…，M，为利用所述状态特征RBF故障诊断模型判断出的不同故障状态下的概率函数；m₂(A_i)，i＝1，2，…，M为利用所述工况特征RBF故障诊断模型判断出的不同故障状态下的概率函数。

6.一种往复压缩机的故障检测装置，其特征在于，所述的故障检测装置包括：

参数特征获取单元，用于获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征；

状态特征指标集生成单元，用于根据所述的振动信号参数特征，生成状态特征指标集；

工况特征指标集生成单元，用于根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集；

故障诊断模型生成单元，用于根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型；

故障检测结果生成单元，用于根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。

7.如权利要求6所述的故障检测装置，其特征在于，所述的参数特征获取单元包括：

加速度传感器，用于获取所述往复压缩机对应部件的加速度振动信号；

温度传感器，用于测量所述往复压缩机的气缸进气温度及排气温度；

压力传感器，用于测量所述往复压缩机的进气压力以及排气压力。

8.如权利要求6所述的故障检测装置，其特征在于，所述的状态特征指标集生成单元，用于提取所述振动信号参数的信息熵特征，包括奇异谱熵、自相关熵、功率谱熵、小波包能量谱熵以及局域波能量谱熵。

9.如权利要求6所述的故障检测装置，其特征在于，所述的工况特征指标集生成单元包括：

时域频域特征优选单元，用于提取所述振动信号参数的时域频域特征，并对所述的时域频域特征进行优选。

10.如权利要求6所述的故障检测装置，其特征在于，所述的故障检测结果生成单元包括：

状态特征故障概率生成单元，用于利用所述状态特征RBF故障诊断模型判断出的不同故障状态下的概率函数m₁(A_i)，i＝1，2，…，M；

工况特征故障概率生成单元，用于利用所述工况特征RBF故障诊断模型判断出的不同故障状态下的概率函数m₂(A_i)，i＝1，2，…，M；

融合概率生成单元，用于根据D-S证据融合理论，融合不同故障状态下的概率函数：

$m\left(A_i\right)=\frac{m_1\left(A_i\right)m_2\left(A_i\right)}{1-\underset{A_i\∩A_j=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right)}.$

Images