CN117830193A - 一种基于示功图特征提取的往复压缩机多故障诊断方法 - Google Patents
一种基于示功图特征提取的往复压缩机多故障诊断方法 Download PDFInfo
- Publication number
- CN117830193A CN117830193A CN202211198051.0A CN202211198051A CN117830193A CN 117830193 A CN117830193 A CN 117830193A CN 202211198051 A CN202211198051 A CN 202211198051A CN 117830193 A CN117830193 A CN 117830193A
- Authority
- CN
- China
- Prior art keywords
- indicator diagram
- data
- reciprocating compressor
- indicator
- pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- 239000000945 filler Substances 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000002407 reforming Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 abstract description 3
- 238000012856 packing Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种基于示功图特征提取的往复压缩机多故障诊断方法，该方法将示功图平均吸入压力、平均排出压力、指示功率(等效面积)和示功图形心(P,V)五个参数作为判据，通过数据学习建立分类器，对包括气阀、活塞环和填料易损件的各种故障进行分类诊断。本发明可以解决传统的示功图故障诊断应用于针对往复压缩机的活塞环、填料以及复合故障类型故障诊断的技术问题。
Description
技术领域
本发明属于针对往复压缩机故障诊断技术领域，涉及一种基于示功图特征提取的往复压缩机气缸易损件的故障诊断方法。
背景技术
往复式工艺气体压缩机是化工中的关键设备之一。然而，压缩机组内部有几个不可替代的易损部件，如气阀、活塞环、密封填料和轴承衬套。这些易损部件的磨损或损坏会降低压缩机的效率，严重者甚至引发安全事故，给企业造成较大损失。因此近年来，为了保证往复式压缩机的可靠运行，人们提出了基于故障诊断技术的精确维修管理，以提高压缩机的可靠性，降低维修成本。
往复压缩机结构复杂，导致故障停机的因素较多，其中气缸部件是往复压缩机最易发生故障的部位(易损件包括气阀、填函以及活塞环等)。资料显示，阀门故障在往复压缩机所有故障中占比为36％，填料泄漏占18％，活塞环泄漏占7％，已成为往复压缩机性能监测和故障诊断研究的关键环节。
基于上述原因，关于压缩机的气缸易损件故障诊断的研究以气阀故障识别居多。Lin等人利用气阀振动信号的时频分析与人工神经网络相结合的方法，对新的和磨损的气阀加以区分。Tiwari等人利用反向传播神经网络分析了压力脉动与泄漏的关系，认为泄漏会对压力脉动产生影响。Wang等人提出采集阀门的加速度信号并绘制Wegener实频图，然后用概率神经网络方法诊断阀门故障。Wang等人提出一种基于示功图和支持向量机的气阀故障诊断方法，求取了示功图的7个不变矩，并作为特征向量训练支持向量机，实现了往复压缩机的气阀故障诊断。Pichler等人则将示功图膨胀过程梯度作为阀门状态的指示器来判断气阀故障。
总结上述各种关于往复压缩机气缸易损件故障诊断方式，大致可以分成两类，即振动信号法和热力参数法。然而，由于往复压缩机的结构复杂，振动源多，其气阀振动信号具有很明显的非平稳性和非线性，所以简单利用气阀振动信号进行气阀的故障识别效果是非常有限的，特别对于填料泄漏和活塞环泄漏，振动信号法更是无能为力。热力参数法则不同。示功图状态监测是热力参数法的典型代表，当压缩机气缸部件故障导致泄漏后，会明显影响机组流量和容积效率，这在示功图中的表征尤为明显，且不同故障能引起示功图不同的变化。但是从目前的资料来看，基于示功图的故障诊断针对气阀泄漏情况较多，而对活塞环、填料以及复合故障类型的研究相对缺乏，因此，指示图在故障诊断中的潜力被低估了。
在理论研究方面，目前对往复压缩机示功图特征提取主要依赖于图像处理技术，然而图像处理技术存在两个问题，一是所获取特征的准确性依赖于图像二值化预处理结果的优劣，二是使用图像处理技术提取的判断特征无法预测压缩机工作过程的物理意义，不利于故障诊断方法的普适性应用。
基于上述考量，本发明结合压缩机原理，提出了一种基于示功图特征提取的往复压缩机多故障诊断方法。
综合国内外往复压缩机故障监测诊断方面的研究成果，未见有本发明中所提出的通过提取往复压缩机示功图特征的多故障诊断方法。
发明内容
本发明的目的是提供一种基于示功图特征提取的往复压缩机多故障诊断方法，以解决传统的示功图故障诊断应用于针对往复压缩机的活塞环、填料以及复合故障类型故障诊断的技术问题。
为了实现上述发明目的，本发明所采用的技术方案如下：
一种基于示功图特征提取的往复压缩机多故障诊断方法，该方法将示功图平均吸入压力、平均排出压力、指示功率(等效面积)和示功图形心(P,V)五个参数作为判据，通过数据学习建立分类器，对包括气阀、活塞环和填料易损件的各种故障进行分类诊断；它包括训练和诊断两个步骤：
1、训练：
步骤1-1.读取压缩机缸内压力历史运行数据和对应键相角数据；
步骤1-2.对分类后的数据进行预处理；
步骤1-3.结合压力数据和键相数据，构建示功图；
步骤1-4.对各种类别下的示功图进行特征提取；包括：平均吸入压力、平均排出压力、指示功率(等效面积)和示功图形心(P,V)；
步骤1-5.建立不同运行状态，即正常和故障下示功图特征值阈值数据库，作为诊断过程的分类器；
2、诊断：
步骤2-1.通过传感器测量压缩机当前缸内压力运行数据和对应键相角数据；
步骤2-2.对分类后的数据进行预处理；
步骤2-3.结合压力数据和键相数据，构建示功图；
步骤2-4.对各种类别下的示功图进行特征提取；
步骤2-5.特征与阈值数据库进行对比分类，进而识别故障类型；包括吸排气阀、填函和活塞环在内所有气缸内易损件故障进行识别。
所述诊断步骤的信号预处理、示功图构建和特征提取过程，与训练步骤相同。
进一步地，步骤1-1具体为读取压缩机缸内压力历史运行数据和对应键相角数据，并将正常状态下的数据和各种故障工况下的数据进行分类，数据分类后的类别记为正常运行状态数据A1，故障运行状态数据A2…An，包括气阀故障、填料故障、活塞环故障。
进一步地，步骤1-2具体为对分类后的数据进行预处理，基于离散傅里叶变换和离散傅里叶逆变换的谐波特性提取和信号重整方法，提取信号主要特征，摒弃其他干扰；离散傅里叶变换及其逆变换的计算公式如下所示：
其中，xn离散数据点采样信号，N为采样长度，X[k]表示离散傅里叶变换后的数据，k为变换数据位置。
进一步地，步骤1-4的计算示功图形心(P,V)的工作容积V通过键相信号所记录的压缩机曲柄转角θ计算获得，计算公式如下：
V＝V0+Vh＝αVh+Vh
其中，x为活塞行程，r为曲柄半径，λ为连杆比，D为活塞直径，d为活塞杆直径，α为余隙容积比，Vh为活塞行程容积，V0为气缸余隙容积。
进一步地，步骤1-4的所述平均吸排气压力计算公式如下所示：
其中，p为缸内压力，V为工作容积，下标s表示进气过程，d表示排气过程。
进一步地，步骤1-4所述示功图等效面积A如下所示：
A＝∫1Vdp-∫2Vdp
其中，下标1为示功图压缩和排气过程，下标2为示功图膨胀和吸气过程。
进一步地，所述步骤1-4的所述示功图形心坐标(CV，Cp)计算公式如下所示：
进一步地，所述步骤1-5，对于每种运行状态，平均吸入压力、平均排出压力、指示功率、等效面积和示功图形心(P,V)五个参数特征值分别在一定范围内波动，特征值的波动上限和下限分别对应特征值的最大值和最小值，据此可得到每种运行状态的五个特征值变化的阈值范围。
本发明的有益效果是：
1、本发明特征值选取结合往复压缩机原理，能够预测压缩机工作过程的物理意义，对于不同往复压缩机，工作原理相同，即方法具有普适性和通用性。
2、本发明故障诊断方案能够对包括吸排气阀、填函和活塞环在内所有气缸内易损件故障进行识别，提高了故障诊断方法的实用性。
3、本发明特征值提取结合示功图几何特征和热力特征，提高了故障诊断的准确率，具有一定的创新性。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明的具体实施方式中基于示功图特征提取的往复压缩机多故障诊断方法流程图；
图2是本发明的具体实施方式中识别故障类型的具体流程图。
图3是本发明的具体实施方式中数据采集后的得到的离散示功图的示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
一种基于示功图特征提取的往复压缩机多故障诊断方法，该方法将示功图平均吸入压力、平均排出压力、指示功率(等效面积)和示功图形心(p,V)五个参数作为判据。通过数据学习建立分类器，对包括气阀、活塞环和填料等易损件的各种故障进行分类诊断，包括训练和诊断两部分，图1所示为本发明的具体实施方案流程图。
所述训练包括以下步骤：
1、读取压缩机缸内压力历史运行数据和对应键相角数据，并将正常状态下的数据和各种故障工况下的数据进行分类，数据分类后的类别记为A1(正常运行状态数据)，A2…An(故障运行状态数据，包括气阀故障、填料故障、活塞环故障等)；
2、对分类后的数据进行预处理，保留信号主要特征，剔除其他干扰；
3、结合压力数据和键相数据，构建示功图；
4、对各种类别下的示功图进行特征提取，特征包括：平均吸入压力、平均排出压力、指示功率(等效面积)和示功图形心(CV，Cp)；
5、建立不同运行状态(正常和故障)下示功图特征值阈值数据库，作为诊断过程的分类器。
进一步地，实际数据采集，收集到的数据为离散形式，一个采样周期的采样长度为f。
进一步地，所述信号数据预处理方法为基于离散傅里叶变换和离散傅里叶逆变换的谐波特性提取和信号重整方法，作用是提取信号主要特征，摒弃其他干扰，离散傅里叶变换及其逆变换的计算公式如下所示：
其中，xn离散数据点(采样信号)，N为采样长度，X[k]表示离散傅里叶变换后的数据，k为变换数据位置。
进一步地，所述示功图工作容积V通过键相信号所记录的压缩机曲柄转角θ计算获得，计算公式如下：
V＝V0+Vh＝αVh+Vh
其中，x为活塞行程，r为曲柄半径，λ为连杆比，D为活塞直径，d为活塞杆直径，α为余隙容积比，Vh为活塞行程容积，V0为气缸余隙容积，构建的示功图如图3所示。
进一步地，如图3所示，所述平均吸排气压力离散计算公式如下所示：
其中，pi为对应位置压力，N为对应过程采样长度，下标s表示进气过程，d表示排气过程。
进一步地，如图3所示，所述示功图等效面积A的离散计算公式如下所示：
A＝(Vi+1-Vi)(pi-pf/2-i),i1,2...f/2
进一步地，如图3所示，所述示功图形心坐标(CV，Cp)离散计算公式如下所示：
进一步地，所述阈值数据库的建立通过对各种运行状态下的大量气缸压力运行数据训练获得。通过信号处理和特征提取获得运行数据对应示功图的5个特征值。对于每种运行状态，其5个特征值分别在一定范围内波动，特征值的波动上限和下限分别对应特征值的最大值和最小值，据此可得到每种运行状态的5个特征值变化的阈值范围。
所述训练包括以下步骤：
1、通过传感器测量压缩机当前缸内压力运行数据和对应键相角数据；
2、对待诊断数据进行信号重整，保留信号主要特征，剔除其他干扰；
3、结合压力数据和键相数据，构建示功图；
4、对示功图进行特征提取，特征包括：平均吸入压力、平均排出压力、指示功率(等效面积)和示功图形心(CV，Cp)；
5、特征与阈值数据库进行对比分类，进而识别故障类型。
进一步地，所述诊断步骤的信号预处理、示功图构建和特征提取过程，与训练步骤相同。
进一步地，识别故障类型的具体流程如图2所示。首先，对输入系统的一组压缩机气缸压力运行数据经过信号的预处理、示功图建立和特征提取三个过程获得对应示功图的5个特征值，其次，分别将每个特征值与训练步骤建立的每种运行状态的特征值阈值作对比，并返回5个特征值分别满足各运行状态特征值阈值范围的数量N1-Nn，最后，比较N1-Nn并获取最大值Nmax，输出最大值Nmax所对应的运行状态，此即为系统识别的故障类型。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (8)
1.一种基于示功图特征提取的往复压缩机多故障诊断方法，该方法将示功图平均吸入压力、平均排出压力、指示功率和示功图形心(P,V)五个参数作为判据，通过数据学习建立分类器，对包括气阀、活塞环和填料易损件的各种故障进行分类诊断；它包括训练和诊断两个步骤：
1、训练：
步骤1-1.读取压缩机缸内压力历史运行数据和对应键相角数据；
步骤1-2.对分类后的数据进行预处理；
步骤1-3.结合压力数据和键相数据，构建示功图；
步骤1-4.对各种类别下的示功图进行特征提取；包括：平均吸入压力、平均排出压力、指示功率和示功图形心(P,V)；
步骤1-5.建立不同运行状态，即正常和故障下示功图特征值阈值数据库，作为诊断过程的分类器；
2、诊断：
步骤2-1.通过传感器测量压缩机当前缸内压力运行数据和对应键相角数据；
步骤2-2.对分类后的数据进行预处理；
步骤2-3.结合压力数据和键相数据，构建示功图；
步骤2-4.对各种类别下的示功图进行特征提取；
步骤2-5.特征与阈值数据库进行对比分类，进而识别故障类型；包括吸排气阀、填函和活塞环在内所有气缸内易损件故障进行识别。
所述诊断步骤的信号预处理、示功图构建和特征提取过程，与训练步骤相同。
2.根据权利要求1所述的一种基于示功图特征提取的往复压缩机多故障诊断方法，步骤1-1具体为读取压缩机缸内压力历史运行数据和对应键相角数据，并将正常状态下的数据和各种故障工况下的数据进行分类，数据分类后的类别记为正常运行状态数据A1，故障运行状态数据A2…An，包括气阀故障、填料故障、活塞环故障。
3.根据权利要求1所述的一种基于示功图特征提取的往复压缩机多故障诊断方法，步骤1-2具体为对分类后的数据进行预处理，基于离散傅里叶变换和离散傅里叶逆变换的谐波特性提取和信号重整方法，提取信号主要特征，摒弃其他干扰；离散傅里叶变换及其逆变换的计算公式如下所示：
其中，xn离散数据点采样信号，N为采样长度，X[k]表示离散傅里叶变换后的数据，k为变换数据位置。
4.根据权利要求1所述的一种基于示功图特征提取的往复压缩机多故障诊断方法，步骤1-4的计算示功图形心(P,V)的工作容积V通过键相信号所记录的压缩机曲柄转角θ计算获得，计算公式如下：
V＝V0+Vh＝αVh+Vh
其中，x为活塞行程，r为曲柄半径，λ为连杆比，D为活塞直径，d为活塞杆直径，α为余隙容积比，Vh为活塞行程容积，V0为气缸余隙容积。
5.根据权利要求1所述的一种基于示功图特征提取的往复压缩机多故障诊断方法，步骤1-4的所述平均吸排气压力计算公式如下所示：
其中，p为缸内压力，V为工作容积，下标s表示进气过程，d表示排气过程。
6.根据权利要求1所述的一种基于示功图特征提取的往复压缩机多故障诊断方法，步骤1-4所述示功图等效面积A如下所示：
A＝∫1Vdp-∫2Vdp
其中，下标1为示功图压缩和排气过程，下标2为示功图膨胀和吸气过程。
7.根据权利要求1所述的一种基于示功图特征提取的往复压缩机多故障诊断方法，所述步骤1-4的所述示功图形心坐标(CV，Cp)计算公式如下所示：
8.根据权利要求1所述的一种基于示功图特征提取的往复压缩机多故障诊断方法，所述步骤1-5，对于每种运行状态，平均吸入压力、平均排出压力、指示功率、等效面积和示功图形心(P,V)五个参数特征值分别在一定范围内波动，特征值的波动上限和下限分别对应特征值的最大值和最小值，据此可得到每种运行状态的五个特征值变化的阈值范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211198051.0A CN117830193A (zh) | 2022-09-29 | 2022-09-29 | 一种基于示功图特征提取的往复压缩机多故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211198051.0A CN117830193A (zh) | 2022-09-29 | 2022-09-29 | 一种基于示功图特征提取的往复压缩机多故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117830193A true CN117830193A (zh) | 2024-04-05 |
Family
ID=90515999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211198051.0A Pending CN117830193A (zh) | 2022-09-29 | 2022-09-29 | 一种基于示功图特征提取的往复压缩机多故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117830193A (zh) |
-
2022
- 2022-09-29 CN CN202211198051.0A patent/CN117830193A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106197996A (zh) | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 | |
| CN100491954C (zh) | 一种基于纯振动信号的发动机状态检测装置及方法 | |
| CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
| CN102095588A (zh) | 柴油机故障智能诊断方法 | |
| CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
| CN116481821A (zh) | 基于大数据分析管理的发动机故障预警方法及系统 | |
| CN109710983A (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
| CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
| CN110334844A (zh) | 利用船舶主推进柴油机运行状态的船舶优化使用方法 | |
| CN109990891B (zh) | 一种基于多测点信息融合的柴油机振动冲击来源识别方法 | |
| CN116257747A (zh) | 融合峭度和卷积自编码器的转子系统早期异常检测方法 | |
| CN109441793B (zh) | 一种通过测量活塞杆应变获得往复压缩机p-V图的方法 | |
| CN109139443B (zh) | 一种基于位移信号的活塞杆故障诊断方法 | |
| CN117830193A (zh) | 一种基于示功图特征提取的往复压缩机多故障诊断方法 | |
| CN110500268B (zh) | 一种基于示功图的往复式压缩机反向角检测系统 | |
| CN115355162B (zh) | 基于油压的隔膜压缩机膜片故障诊断方法 | |
| CN116677596A (zh) | 基于往复式压缩机示功图的故障分析方法 | |
| CN108536961B (zh) | 一种船舶柴油机气阀定量检测装置 | |
| CN113153267B (zh) | 一种抽油机井示功图多尺度归一化方法及系统 | |
| CN113435111B (zh) | 一种往复式压缩机故障诊断方法及系统 | |
| Zhang et al. | Research on the diagnosis method of reciprocating compressor valve leakage fault with vibration signal | |
| Handayani et al. | Anomaly detection in vessel sensors data with unsupervised learning technique | |
| Liu et al. | Rough set based intelligence diagnostic system for valves in reciprocating pumps | |
| CN118114050A (zh) | 一种变频压缩机故障som检测方法及系统 | |
| CN115169434B (zh) | 基于k均值聚类算法的主机工况特征值提取方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |