CN115795298B - 一种离心压缩机喘振早期微弱特征识别方法 - Google Patents

Abstract

本发明属于旋转机械微弱信号特征提取领域，提出一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法。采集压缩机喘振早期压力脉动信号，同时获取先验喘振特征频率；对压力脉动信号进行高通滤波等预处理；以SR系统输出的信噪比为适应度函数，采用量子粒子群优化算法寻优最佳随机共振系统参数；将最优系统参数带入随机共振系统，实现喘振微弱信号特征的增强。本发明考虑离心压缩机喘振早期信号特征识别困难的问题，将随机共振理论引入喘振微弱特征识别的问题中，解决了工程实际中喘振发生辨识的不及时、不准确问题，有效地实现了喘振早期微弱信号特征的增强，具有重要的实际应用价值。

Description

一种离心压缩机喘振早期微弱特征识别方法

技术领域

本发明涉及旋转机械微弱信号特征提取领域，尤其涉及一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法。

背景技术

离心压缩机工作过程中随着流量的减少，内部流场最终会逐渐失稳过渡到喘振。喘振作为一种大尺度的轴向低频振荡，极有可能对压缩机组造成严重的破坏，产生经济损失，甚至引发重大的安全事故。如何对喘振发展早期有效识别，进而开展及时控制，是工程界长期以来十分关注的问题。因此，开发一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法，对于离心压缩机的状态监测及安全运行具有重要的意义。

在喘振发展的早期，喘振信号特征完全淹没在背景噪声中，采用传统的时域或频域等信号处理方法不能有效识别出喘振信号特征，造成无法识别或者识别不及时的问题。随机共振(SR)方法所构建的是一个非线性系统，可以巧妙地利用噪声能量增强微弱信号特征，实现在强噪声背景下的微弱信号特征识别。但是经典的双稳态SR系统只能处理非常低频的微弱信号，对目标信号的小参数要求限制了其在工程领域的应用。为此，一些变尺度方法得到发展，实现了高频向低频的转换，进一步结合优化算法得到最优SR系统参数，达到最优信噪比SNR输出。结合离心压缩机喘振发展早期微弱信号特征识别的现实困难与迫切需求，提出一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法，实现强噪声背景下喘振的早期微弱特征识别。

发明内容

本发明针对离心压缩机喘振发展早期微弱特征识别困难的问题，提出一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法。实现了对喘振状态演化早期的有效辨识，对于开展喘振主动控制具有重要的现实意义。本发明基于压缩机组实验获得的喘振发展早期压力脉动数据，以及实验获取的先验喘振特征频率。首先对压力脉动信号进行高通滤波，获得滤波信号，然后以信噪比为指标，采用量子粒子群优化算法QPSO寻优最佳随机共振参数，最后根据最优随机共振参数获得喘振特征增强后的信号，实现离心压缩机喘振早期微弱特征的识别。

本发明的技术方案：一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法，步骤如下：

第一步：采集离心压缩机喘振早期压力脉动信号以及先验喘振特征频率；

以离心压缩机产生的噪声为判断依据，采用连续节流的方式得到离心压缩机喘振时的压力脉动信号；经频谱分析获取先验喘振特征频率f，同时截取用于喘振早期微弱特征识别的压力脉动信号s(t)；

第二步：对压力脉动信号s(t)进行高通滤波，抑制压力脉动信号的低频成分对系统输出的干扰，滤波后的信号为s_p(t)，离散形式为s_p[n]；

第三步：利用量子粒子群优化算法QPSO确定最优随机共振参数a_opt，b_opt；

针对离散形式的滤波信号s_p[n]，以输出信噪比SNR作为量子粒子群优化算法的适应度函数，通过多次迭代优化系统参数a，b，最终得到最优随机共振参数a_opt，b_opt；具体如下：

首先，采用四阶龙格库塔法离散建立的随机共振SR系统，

式中，x_n即为x[n]，为SR系统的输出信号；n表示第n个采样值；h表示迭代步长；s_p表示高通滤波后的用于喘振早期微弱特征识别的压力脉动信号；

然后，取输出信号x[n]功率谱的信噪比SNR为适应度函数；

式中，X(k)表示x[n]的离散傅里叶变换，E_s(f)表示在先验喘振特征频率f处的信号能量，E_n(f)表示在先验喘振特征频率f附近噪声的平均能量，M表示输出信号长度；X(f)在先验喘振特征频率f处的信号幅值；

最后，利用MATLAB进行迭代寻优，当迭代次数达到了预先设定的最大次数时，停止迭代，输出最优系统参数a₁，b₁，m；m为尺度因子，a_opt＝a₁×m，b_opt＝b₁×m；

第四步：将最优随机共振参数a_opt，b_opt带入随机共振系统，得到系统输出x_opt[n]，最终实现喘振早期微弱信号特征的增强。

以上所述的第一步至第四步是针对喘振信号特征微弱的条件下，实现了一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法。

本发明的有益效果：本发明属于强背景噪声下微弱信号特征增强的方法，本发明参照实验获取先验喘振特征频率，在离心压缩机发生喘振的早期，即喘振信号特征完全淹没在由旋转失速、上游导叶尾迹和下游扩压器势场诱发的流场脉动中，实现了对喘振信号特征的识别与放大。本发明对喘振早期微弱信号特征的有效识别、实施喘振主动控制策略以及保障离心压缩机安全运行具有重要的意义。

附图说明

图1(a)为喘振充分发展后的时域信号；

图1(b)为喘振充分发展后的频域信号一；

图1(c)为喘振充分发展后的频域信号二；

图2(a)为喘振发展早期的时域信号；

图2(b)为喘振发展早期的频域信号一；

图2(c)为喘振发展早期的频域信号二；

图3为双稳函数势阱图；

图4为信噪比随迭代次数变化图；

图5(a)为喘振信号特征增强后的时域图；

图5(b)为喘振信号特征增强后的频域图一；

图5(c)为喘振信号特征增强后的频域图二；

图6为本发明基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法的流程图。

具体实施方式

以下为结合技术方案和附图详细叙述本发明的具体实施方式。

实施例的数据来自于大型单级离心压缩机模型级实验台。实验台主要由进口管道、可调进口导叶(GIGV)、半开式叶轮(R1)、叶片扩压器(S1)、回流器(S2)以及径向环形集气室组成。进口导叶、叶轮、扩压器以及回流器的叶片数依次为11、19、20和18。电机机组配有2.1MW额定功率电机，通过液力联轴器和增减速齿轮箱驱动叶轮工作。高精度压力脉动传感器布置在叶轮出口与扩压器入口之间的无叶区，数据采集工作在课题组基于LabVIEW开发的数据采集系统上完成。

第一步：确定先验喘振特征频率f，采集表征喘振早期微弱特征的压力脉动信号。

利用安装在叶轮出口无叶区外壁面的压力脉动传感器对信号进行采集，采样频率为20480，采样时间为2分钟。为了初步确定喘振发生的流量点，首先采用连续节流的方式进行数据采集，具体为：压缩机运行在设计工况，通过逐渐关闭节流阀开度，使压缩机逐渐向小流量边界移动，内部流动状态逐渐失稳，最终发展到喘振，此时现场可以听到明显的吼叫声。为保证压缩机组的安全，在达到喘振时立即调大流量使得压缩机的运行状态立刻退回到小流量点。

出于对压缩机组的保护，实验无法在持续喘振工况下进行，通过对连续节流方式下获取的压力脉动信号进行适当截取，得到充分发展的喘振信号s₀(t)，其时域特征和频域特征如图1所示，先验喘振特征频率记为f。分析对比连续节流时压力脉动信号的时域特征和频域特征，最终确定喘振早期微弱特征的流量工况点。进一步对该工况点进行数据采集，通过截取适当信号长度，最终得到用于喘振早期微弱特征识别的早期压力脉动信号s(t)，其时域特征和频域特征如图2所示，从图中可以看出，喘振信号特征微弱，完全淹没在由通频及其倍频主导的背景噪声中。

第二步：对用于喘振早期微弱特征识别压力脉动信号s(t)进行高通滤波得到s_p(t)，其离散形式为s_p[n]。滤波器相关参数为：通带频率0.1Hz、阻带频率5Hz、阻带衰减100dB以及通带扰动1dB。主要是为了对初步获取的含噪信号进行预处理，目的是抑制低频成分对系统输出的干扰。

第三步：对随机共振SR系统参数寻优，使预处理离散后的信号s_p[n]与随机共振SR系统达到最佳匹配状态。

首先，采用四阶龙格库塔法对双稳态随机共振SR系统的非线性方程进行离散，得到公式(1)。如图3所示，a和b为系统参数，决定双稳态随机共振系统的势阱，当双稳态随机共振系统越过势垒在两个稳态间实现跃迁运动，即为随机共振状态发生。值得注意的，SR系统采用了尺度变化，因此引入尺度因子m。其中a＝a₁×m，b＝b₁×m。因此迭代寻优涉及a₁、b₁以及m三个参数。

最后，采用QPSO算法对SR系统的参数进行迭代寻优，选择输出信号x[n]的信噪比SNR作为适应度函数，具体见公式(2)，完成50步迭代寻优后得到最优系统参数a₁、b₁以及m，寻优过程如图4所示。

第四步：计算最优系统输出x_opt[n]。首先，利用优化得到系统参数a₁、b₁以及m，计算得到a_opt和b_opt。然后，将最优参数带入公式(1)计算，得到喘振特征增强后输出信号x_opt[n]，如图5所示。对比图2和图5可以发现，本发明实现了对先验喘振特征频率f的有效增强。

以上所述实施例仅是为了表达本发明的实施方式，但并不能代表对本发明专利的范围的限制。应当特别指出，对于本领域的技术人员来说，在不脱离本发明基本构思的前提下，所做出的若干变形和改进，这些均属于本发明的有效保护范围。

Claims (1)

1.一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法，其特征在于，步骤如下：

第一步：采集离心压缩机喘振早期压力脉动信号以及先验喘振特征频率；

以离心压缩机产生的噪声为判断依据，采用连续节流的方式得到离心压缩机喘振时的压力脉动信号；经频谱分析获取先验喘振特征频率f，同时截取用于喘振早期微弱特征识别的压力脉动信号s(t)；

第二步：对压力脉动信号s(t)进行高通滤波，抑制压力脉动信号的低频成分对系统输出的干扰，滤波后的信号为s_p(t)，离散形式为s_p[n]；

第三步：利用量子粒子群优化算法QPSO确定最优随机共振参数a_opt，b_opt；

针对离散形式的滤波信号s_p[n]，以输出信噪比SNR作为量子粒子群优化算法的适应度函数，通过多次迭代优化系统参数a，b，最终得到最优随机共振参数a_opt，b_opt；具体如下：

首先，采用四阶龙格库塔法离散建立的随机共振SR系统，

式中，x_n即为x[n]，为SR系统的输出信号；n表示第n个采样值；h表示迭代步长；s_p表示高通滤波后的用于喘振早期微弱特征识别的压力脉动信号；

然后，取输出信号x[n]功率谱的信噪比SNR为适应度函数；

式中，X(k)表示x[n]的离散傅里叶变换，E_s(f)表示在先验喘振特征频率f处的信号能量，E_n(f)表示在先验喘振特征频率f附近噪声的平均能量，M表示输出信号长度；X(f)在先验喘振特征频率f处的信号幅值；

最后，利用MATLAB进行迭代寻优，当迭代次数达到了预先设定的最大次数时，停止迭代，输出最优系统参数a₁，b₁，m；m为尺度因子，a_opt＝a₁×m，b_opt＝b₁×m；

第四步：将最优随机共振参数a_opt，b_opt带入随机共振系统，得到系统输出x_opt[n]，最终实现喘振早期微弱信号特征的增强。