CN112990257A - 基于主成分分析与支持向量机的往复压缩机故障诊断方法 - Google Patents

Abstract

本发明公开基于主成分分析与支持向量机的往复压缩机故障诊断方法，包括如下步骤：1)采集数据；2)故障特征提取；3)基于主成分分析的故障特征选择；4)获得支持向量机结构模型；5)通过支持向量机结构模型对待检测故障敏感特征向量进行判断输出往复压缩机故障数据所属的类别给出诊断结果，该方法能够快速处理小样本和非线性故障分类问题，具有高效、准确率高，能够适用于往复压缩机实际工作场景的优点。

Description

基于主成分分析与支持向量机的往复压缩机故障诊断方法

技术领域

本发明属于设备故障诊断领域，涉及针对往复压缩机的故障诊断方法，具体为一种基于主成分分析与支持向量机的往复压缩机故障诊断方法。

背景技术

往复压缩机广泛应用于采油、采气、炼油、化工企业等流程工业企业，是上述企业生产装置的关键设备。往复压缩机由于具有功率大、压力高、结构复杂、易损件多、激励源多等特点，极易产生故障。机组振动信号具有非线性、非平稳的特点。典型故障有：拉缸、活塞杆断裂、阀片损坏断裂、撞缸等。上述故障恶化易导致着火、爆炸等恶性事故，威胁企业安全稳定生产。如何实现往复压缩机典型故障的自动诊断成为当下企业设备管理人员和科研人员关注的热点。

在往复压缩机故障诊断的研究中，越来越多的研究人员将各种人工智能算法运用于故障分类研究。目前，将神经网络用于对往复压缩机的故障分类，能很好地实现故障分类，且具有较好的故障分类效果及分类速度。由于神经网络是基于大样本的，当样本较少时神经网络就无法实现分类；除此之外，神经网络具有计算速度较慢、难以找到全局最优解、极易出现“过学习”等不足之处，尤其在小样本的情况下，难以完成对设备的故障诊断。

本方法针对现有往复压缩机故障诊断方法对于小样本和非线性分类问题这一技术难点进行研究，研发了一种能够显著提高故障模式识别率，实现往复压缩机典型故障自动诊断的故障诊断方法。

发明内容：

本发明的目的是克服现有技术的缺点，提供一种高效、自动、准确地诊断往复压缩机典型故障的方法；该方法能够快速处理小样本和非线性故障分类问题，具有高效、准确率高，能够适用于往复压缩机实际工作场景的优点。

本发明公开了一种基于主成分分析与支持向量机的往复压缩机故障诊断方法，包括如下步骤：

1)采集数据，通过往复压缩机及配套机组在线监测系统传感器采集往复压缩机典型故障案例数据；

2)故障特征提取，针对采集的历史故障案例数据提取出往复压缩机典型故障的时域信号特征与频域信号特征，构成特征矩阵X，按公式Y＝(X-X_min)/(X_max-X_min)进行归一化处理；

3)基于主成分分析的故障特征选择，利用主成分分析方法对提取的往复压缩机典型故障信号特征进行选择，缩减特征参数的维度，提取出故障敏感特征；

4)获得支持向量机模型，提取出的敏感特征输入支持向量机中，采用“一对一”组合模式的支持向量机进行训练和测试，获得支持向量机结构模型；

5)基于支持向量机的进行故障诊断，给出诊断结果，将支持向量机结构模型用于处理待测试的特征向量，由此判决该故障数据所属的类别，给出故障诊断结果。

其中，传感器采集的信号包括：十字头振动信号和缸体振动信号。

所述步骤2)进一步包括：

采用小波包分解后各频带内的能量值作为频域特诊参数；

对往复压缩机的典型实际故障进行分析，样本数据的采样频率为

f_s＝1024H_Z

经小波包3层分解后，最后一层的频带分布其频率范围正确顺序为由低到高。

所述步骤3)包括：

通过如下公式对时域和频域特征参数组成特征矩阵特征值矩阵X进行协方差处理获得特征值λ_i和特征向量P_i:λ_iP_i＝RP_i；

通过特征向量构建综合特征向量的分矩阵，即T_i＝XP_i

通过计算协方差矩阵的特征值大于设定阈值的个数，来确定主元个数；

根据往复压缩机典型故障的特征参数，选用前三维的主元代表原始的高维特征向量。即用排序后得分矩阵T_i的前三维特征作为新的特征向量；

将往复压缩机实际故障所提取的时域和频域特征参数组成特征矩阵，进行主成分分析处理，实现维度缩减。

所述步骤4)包括，选用支持向量机的径向基核函数K(x,y)＝exp(-||x-y||2/σ₂)，来处理线性不可分的情况，利用核空间中的非线性映射算法，将原先的样本数据映射到新的空间，使得原来不可分的样本在新的空间中可分，大大减小了支持向量机分类的复杂程度。

有益效果

1、本发明能够快速处理小样本和非线性故障分类问题，具有高效、准确率高，能够适用于往复压缩机实际工作场景的优点。

2、本发明通过对往复压缩机典型故障特征数据进行主成分分析降维后，用于支持向量机的故障分类效果会更加好，不仅能够提高支持向量机的故障分类准确率，还能提高故障分类效率。同时，往复压缩机典型故障特征数据经过主成分分析降维后再用于支持向量机，可以大大减小支持向量的总数目，使得支持向量机有着更好的故障分类效果和更短的测试时间，能够准确、高效地诊断往复压缩机典型故障。

附图说明

图1本发明的故障诊断框图。

图2本发明的故障诊断流程图。

图3正常信号的小波包分解系数图。

图4故障信号的小波包分解系数图。

图5正常状态和撞缸故障的振动波形对比图。

图6紧固螺母松动故障劣化趋势。

图7正常状态和紧固螺母松动故障能量特征向量对比。

图8正常状态和撞缸故障能量特征向量对比。

图9PCA降维后的三维训练样本。

图10PCA降维后的三维测试样本。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细的说明。

如图1、2所示，本发明的流程主要包括：

1、采集数据

通过往复压缩机及配套机组在线监测系统中传感器采集往复压缩机典型故障案例数据；其中，传感器采集的信号包括：十字头振动信号和缸体振动信号输出。

2、故障特征提取

针对采集的历史故障案例数据提取出往复压缩机典型故障的时域信号特征与频域信号特征。

时域信号特征提取：往复压缩机故障的发生有着明显的时域特征，磨损故障从产生到恶化的时间跨度很大，断裂故障通常为突发性故障；拉缸故障的位移信号有较大波动，峰峰值增大，撞缸故障会在活塞换向点产生剧烈冲击。为了全面了解机组的运行状态，需要提取出有效的故障特征参数，如表1所示。

表1时域特征对照表

频域信号特征提取：采用小波包分解对原始数据进行频域分析，多层次的划分使得频率段更为精细，提高信号的时频分辨率。经小波包分解后，得到信号在多个频段内的能量值。

往复压缩机发生故障时，会引起信号在某一频段上的能量成分变大，而其他频段上的成分变小，不同的特征频率反映出不同的故障。因此，采用小波包分解后各频带内的能量值作为频域特征参数。

对往复压缩机的典型实际故障进行分析，样本数据的采样频率为fs＝10240Hz。经小波包3层分解后，最后一层的频带分布其频率范围见表2所示。

表2小波包各结点频率范围

分别对正常信号和活塞杆紧固螺母松动故障信号的最后一层小波包系数进行分解，并将各个结点的分解系数按频率由低到高的顺序重新排列，得到图3和图4所示的分解系数图。

将各个频带内的能量分布比值作为反映故障信息的特征参数。构造能量比值特征向量的过程如下：

对分解后的小波包系数进行重构，则各个频段内的信号能量值即为：E_i＝∑x2_j，其中i代表第1～8个频段，x_j代表对应频段内重构系数的幅值。

求得8个频带内的能量总和：E_m＝∑E_i，则P_i＝E_i/E_m，P＝[P₁,P₂,…,P₈]，其中的向量P便是所求的特征向量，进而构成特征矩阵X，按公式Y＝(X-X_min)/(X_max-X_min)进行归一化处理。

这里以某石化厂往复压缩机机组典型的拉缸、活塞杆紧固螺母松动及撞缸故障为实例进行说明。图5为正常状态和撞缸故障的振动波形对比图，图6为活塞杆紧固螺母松动故障的活塞杆沉降峰峰值与振动峰值趋势图。

任选一组活塞杆紧固螺母松动故障和撞缸故障样本数据进行三层小波包分解，得到其各个频段内的能量特征比值。分别与正常状态下的能量特征进行对比，如图7、8所示。

3、基于主成分分析的特征选择

运用主成分分析对故障特征参数进行降维：

特征值矩阵X的大小为n×m，这里的n是样本数，m是特征总数，它的协方差矩阵是

求出协方差矩阵的特征值λ_i和特征向量P_i:λ_iP_i＝RP_i。则得分矩阵为：T_i＝XP_i，即原始特征向量在新主平面上投影所形成的综合特征向量。将特征值按从大到小的顺序排列，与之对应的得分矩阵顺序也相应变换。

通过计算协方差矩阵的特征值大于设定阈值的个数，来确定主元个数。根据往复压缩机典型故障的特点，选用前三维的主元代表原始的高维特征向量。即用排序后得分矩阵T_i的前三维特征作为新的特征向量，它代表了原始特征矩阵90％以上的能量。

将不同样本所提取的时域和频域特征参数组成特征矩阵，进行主成分分析处理，实现维度缩减。以活塞杆紧固螺母松动故障、撞缸故障、拉缸故障以及正常状态下的样本为例进行主成分分析，取其前三维主元成分作为敏感特征矩阵，降维后的三维训练样本和测试样本分别如图9、10所示。

4、基于主成分分析与支持向量机的往复压缩机故障诊断方法

采用径向基核函数K(x,y)＝exp(-||x-y||2/σ₂)与核空间中的非线性映射算法，将原先的线性不可分情况样本数据映射到新的空间中，使原本不可分的样本在新的空间中能够分开，并利用线性支持向量机来进行分类。

针对多故障问题，采用“一对一”组合模式的支持向量机进行训练和测试，以获得支持向量机模型。

将样本划分为训练样本和测试样本。利用训练样本对支持向量机加以训练，得到训练模型，再以此模型来完成测试样本的状态识别，其中，4种不同类别样本所选个数如表3所示。

表3支持向量机样本数目表

5、基于支持向量机的进行故障诊断，给出诊断结果

以含有4种不同状态的样本为例，利用支持向量机进行诊断的流程如图2所示。其中输入的测试数据即为提取出的特征参数所构成的特征矩阵X，归一化按公式Y＝(X-X_min)/(X_max-X_min)来处理，敏感特征选择由主成分分析完成，最后输入支持向量机中完成故障模式识别。

分别将特征矩阵经主成分分析处理和不经主成分分析处理，再利用支持向量机对不同类别样本进行分类，其分类效果如表4所示

表4支持向量机分类效果对比表

从上表中可以看出，样本数据经过主成分分析降维后，用于支持向量机的故障分类效果会更加好，不仅能够提高支持向量机的故障分类准确率，还能提高故障分类效率。往复压缩机典型故障特征数据经过主成分分析降维后再用于支持向量机，可以大大减小支持向量的总数目，使得支持向量机有着更好的故障分类效果和更短的测试时间，能够准确、高效地诊断往复压缩机典型故障。

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (4)

1.基于主成分分析与支持向量机的往复压缩机故障诊断方法，其特征在于,包括如下步骤：

1)采集数据：通过在线监测单元中的传感器对检测往复压缩机进行采集输出往复压缩机典型故障信号；

2)故障特征提取：通过神经网络单元对采集的往复压缩机故障信号提取出往复压缩机型故障信号中的时域信号特征参数与频域信号特征参数构成特征矩X，按公式Y＝(X-X_min)/(X_max-X_min)进行归一化处理；

3)基于主成分分析的故障特征选择：利用主成分分析方法对往复压缩机典型故障信号特征参数进行降维处理获得故障敏感特征向量；

4)获得支持向量机结构模型，将所述故障敏感特征向量输入支持向量机中，采用“一对一”组合模式的支持向量机进行训练和测试，获得支持向量机结构模型；

5)通过支持向量机结构模型对待检测故障敏感特征向量进行判断输出往复压缩机故障数据所属的类别给出诊断结果。

2.根据权利要求1所述的基于主成分分析与支持向量机的往复压缩机故障诊断方法，其特征在于：所述步骤2)中频域信号特征参数包括：

采用小波包对往复压缩机典型故障信号分解将各频带内的能量值作为频域信号特征参数；

对采集往复压缩机实际故障进行分析，获得样本数据的采样频率为：

f_s＝10240H_Z

经小波包3层对分解后，最后一层的频带分布其频率范围正确顺序为由低到高排列。

3.根据权利要求1所述的基于主成分分析与支持向量机的往复压缩机故障诊断方法，其特征在于：所述步骤3)中基于主成分分析的故障特征选择步骤包括：

通过如下公式对时域和频域特征参数组成特征矩阵特征值矩阵X进行协方差处理获得特征值λ_i和特征向量P_i:λ_iP_i＝RP_i；

通过特征向量构建综合特征向量的分矩阵，即T_i＝XP_i；

通过计算协方差矩阵的特征值大于设定阈值的个数，来确定主元个数，即高维特征向量个数；

根据往复压缩机典型故障的特征参数，选用前三维的主元代表原始的高维特征向量。即用排序后得分矩阵T_i的前三维特征作为新的特征向量；

将往复压缩机实际故障所提取的时域和频域特征参数组成特征矩阵，进行主成分分析处理，实现维度缩减。

4.根据权利要求1所述的基于主成分分析与支持向量机的往复压缩机故障诊断方法，其特征在于：所述步骤4)获得支持向量机结构模型步骤还包括：

选用支持向量机的径向基核函数K(x,y)＝exp(-||x-y||2/σ²)，利用核空间中的非线性映射算法，将原先的样本数据进行映射，进而将原线性不可分的样本进行分类。

Images