基于统计学习理论的往复压缩机用气阀的故障诊断方法

摘要

本发明属于压缩机技术领域，具体涉及一种基于统计学习理论的往复压缩机用气阀的故障诊断方法。本发明包括：确定每个数据点属于某个聚类的程度；通过迭代使目标函数达到最优，得到各聚类中心及各数据点对各类的隶属度，随后将样本归类；通过寻找最优分类超平面来实现数据分类；得到对偶问题和分类决策函数；利用径向基核函数构建核函数分类器，并采用序列最小优化算法求解对偶问题；求出每个子集的聚类中心；得到M‑1个支持向量机SVM1,…,SVMM‑1，形成二叉树的根节点和中间节点；逐个训练支持向量机，优化径向基核函数参数γ和惩罚参数C，实现往复压缩机用气阀的故障诊断。由上述，本发明能高效实现气阀故障的准确诊断。

说明书

技术领域

本发明属于压缩机技术领域，具体涉及一种基于统计学习理论的往复压缩机用气阀的故障诊断方法。

背景技术

往复压缩机是石油和天然气行业化工生产过程中最常用的机械之一。随着对高性能、高安全性要求的不断提高，保障其运行安全已成为重要的研究课题。基于振动的测量和分析技术已被证明在机械健康监测和故障诊断方面非常有效；因为振动信号能体现出设备在役运行时的大量运行状态信息，利用一些分析手段可以成功地检测到一定条件下变速箱和轴承等旋转机械中的故障。但是，由于间隙、轴承的非线性刚度、多部件耦合组件的不平衡和时变力量等因素，往复压缩机的振动信号具有非线性、非平稳性的特点，采用传统的分析技术，如时域统计分析和傅里叶变换等方法等，可能无法从往复压缩机的振动信号提取有效的信号特征。

气阀是往复压缩机中最关键的零部件，这是因为它对压缩机的效率、功率、排气量和可靠性有着关键性的影响。据统计，往复压缩机大约有60％的故障是由气阀引起的，因此对气阀进行故障诊断研究有实际意义，但目前对气阀的振动信号尚无一套完善的故障诊断方法，亟待解决。

发明内容

本发明的目的是克服上述现有技术的不足，提供一种基于统计学习理论的往复压缩机用气阀的故障诊断方法，其能高效实现气阀故障的准确诊断。

为实现上述目的，本发明采用了以下技术方案：

一种基于统计学习理论的往复压缩机用气阀的故障诊断方法，其特征在于包括以下步骤：

步骤1，根据隶属度确定每个数据点属于某个聚类的程度；

设x

其中：

u

步骤2，通过以下迭代，使目标函数J

当迭代收敛时，即得到各聚类中心及各数据点对各类的隶属度，根据隶属度值将样本归类；

步骤3，应用支持向量机方法解决数据集{(x

其中：

w为权向量，b为偏置，ξ

步骤4，引入Lanrange乘子α

步骤5，分别对w、b和ξ

其中

步骤6，利用径向基核函数(RBF)构建核函数分类器，并采用序列最小优化算法求解对偶问题：

K(x

步骤7，对于具有N个样本M个类别的样本集S，根据初始隶属度，利用模糊C均值聚类方法求出每个子集的聚类中心C＝{c

步骤8，正类样本集P

步骤9，将C

步骤10，重复操作步骤9，直至构造第M-1个支持向量机SVM

步骤11，由步骤6～10得到M-1个支持向量机SVM

步骤12，依据所确定的二叉树结构，逐个训练支持向量机，采用网格搜索的方法优化径向基核函数参数γ和惩罚参数C，实现往复压缩机用气阀的故障诊断。

本发明的有益效果在于：

1)、本发明使用小波包分析方法提取往复压缩机内气阀的振动数据的特征量，运用模糊C均值聚类(Fuzzy C-Means Clustering)技术构建二叉树结构，结合支持向量机(Support Vector Machine)方法，构建了基于二叉树支持向量机的多分类器(FCM-SVM)，最终实现了对往复压缩机中的气阀的故障类型的准确诊断。本发明引入模糊C均值聚类和支持向量机方法构建了一种二叉树结构的多分类器，UCI数据集的分类结果表明其具有较高的分类准确性。

对某往复压缩机气阀故障模拟试验的振动数据进行故障模式识别的结果表明，本发明能有效实现气阀故障的准确诊断；与传统的“一对多”向量机方法相比，本发明的准确性显然更高，利于实际使用。

附图说明

图1为气阀处于内环两瓣故障时，气阀的振动信号图；

图2为气阀处于正常工况时，气阀的振动信号图；

图3为气阀故障诊断的二叉树图；

图4为气阀处于内环两瓣故障时，各频带的重构信号图。

具体实施方式

为便于理解，本发明结合以下具体实施例，对本发明的工作方式作进一步描述：

实施例1

试验对象：往复压缩机采用四川金星压缩机有限公司制造的DW-8/10型二级空气压缩机，其气阀为二级排气气阀；

试验对象参数：DW-8/10型二级空气压缩机的容积流量8m

采集方式：通过PCB EXM 608A11型号传感器与NI 9234板卡采集。

试验过程：

为采集不同状态下的往复压缩机的振动试验数据，在往复压缩机故障诊断试验台上安装了正常状态及四种故障状态的气阀的阀片进行故障模拟试验。该阀片的4种故障状态分别为内环锯断故障、内环两瓣故障、内环中环两瓣故障及三环两瓣故障。加速度传感器布置在气阀的阀盖上。采样频率为20kHz，针对不同故障工况选取一个完整采样周期0.1s的振动信号绘制时域波形，即可得到如图1和图2所示的振动信号图。对于往复压缩机缸体，气阀阀片撞击阀座和升程限制器时产生的冲击脉冲是一个重要的激振源；如果气阀发生故障，冲击激励的变化必然引起阀盖振动特性的变化。

往复压缩机气阀的振动信号具有非平稳性和冲击性，在特征提取过程中应尽可能将信号的频率成分进行细分。小波包分析能够有效划分信号频带，并进行不同频带的能量谱分析，在保持小波分析优良特性的基础上实现了对信号高频部分更加细致的刻画。利用小波包方法对气阀振动信号进行分解，通过在不同频带下重构得到信号的各频带波形，提取信号各频带的能量作为特征量。如图3所示，即为阀片内环两瓣故障时，一个采样周期其振动信号经3层小波包分解后8个频带的重构信号，小波类型采用dmey；由图3可见，除缸内气流脉动引起的低频信号外，由阀片撞击阀座和升程限制器引起的高频信号能量亦非常显著。

至此，开始正式试验过程：

采集气阀阀片在4类故障状态和1类正常状态下的振动信号，对每组信号提取小波包分解后的8个频带范围的信号能量作为特征量，构成气阀故障诊断的高维样本数据。每种状态选取40组样本数据共200组样本数据构成训练集，另选取每种状态20组样本数据共100组样本数据构成测试集，训练样本和测试样本的分布如下表1所示。应用多分类器的故障诊断算法，编制Fortran95数值程序，实现气阀故障诊断流程，也即：

先求出5类样本数据所对应的聚类中心，再对各类的聚类中心继续聚类生成二叉树的各个节点，最终得到形如图3所示的完全二叉树。图中C～G分别代表5个样本集，各类样本的模式标记如下表1所示。

表15类气阀故障模式信息表

依据所确定的二叉树结构，逐个训练4个支持向量机。在训练过程中，径向基核函数参数γ和惩罚参数C的选择十分重要，这影响着向量机的分类性能。采用网格搜索的方法优化这两个参数，以正确率最高时的参数值作为最优值，各支持向量机的参数设置如下表2。

表2多分类向量机参数的设置表

根据表2中的参数分别对4个支持向量机进行训练，得到：擦内环锯断故障的测试样本有1个被识别为正常工况，内环两瓣故障的测试样本均能正确识别，内环中环两瓣故障有2个样本分别被识别为内环两瓣和三环两瓣，三环两瓣故障有2个样本被识别为内环中环两瓣，正常工况的测试样本有一个被识别为内环锯断故障，获得各类样本的识别准确率如表3所示。

表3不同故障的诊断结果表

该诊断结果表明本发明构建的二叉树向量机对基于振动监测数据的气阀故障诊断效果较好。另由表3中结果可看出，结合模糊聚类的二叉树向量机，显然也比“一对多”向量机的诊断正确率更高，利于实际使用。

当然，对于本领域技术人员而言，本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

本发明未详细描述的技术均为公知技术。