本发明专利技术涉及一种基于物联网的往复压缩机敏感特征提取与故障诊断方法。针对目前往复压缩机实际预警参数与故障诊断缺乏有效关联的现状，以基于物联网技术的往复压缩机在线监测诊断系统为基础，通过典型故障机理研究找到“故障-特征”的内在对应关系，提出了一种采用故障敏感特征参数提取的往复压缩机故障诊断方法。本发明专利技术针对往复压缩机故障案例数据，提取不同故障对应敏感特征参数，组成故障敏感特征参数集；采用不同智能分类算法，基于故障敏感特征参数集构建故障自动分类器，实现机组故障自动诊断。
【技术实现步骤摘要】
本专利技术涉及针对往复压缩机故障诊断技术，是一种基于物联网的往复压缩机敏感 特征提取与故障诊断方法。
技术介绍
炼油、化工、采油、采气及输气管道企业生产属于典型的流程工业，往复压缩机是 一种在流程工业生产中广泛应用的大型、关键设备。由于往复压缩机压力高、压缩介质危 险、故障零部件多，每年国内发生的往复压缩机事故数十起，包括爆炸、着火、活塞杆断裂、 撞缸等，直接经济损失过亿元，间接经济损失不可估量。目前，国内往复压缩机虽已逐渐安装了在线监测系统，但现有在线监测系统的机 组故障分析诊断工作更多依赖人工进行，对诊断人员的知识和经验要求很高，实际的往复 压缩机故障诊断准确率一般低于30%。同时国内外对往复压缩机故障诊断的研究大都针对 气阀及管道部件，尚没有研究人员对往复压缩机关键运动部件的故障诊断进行研究，往复 压缩机故障理论研究方面还比较缺乏，机组典型故障机理也有待进一步研究，往复压缩机 实际预警与诊断没有有效关联，致使现有故障诊断方法的指向性、准确性较差。 因此，W往复压缩机典型故障机理深入研究为依巧，研究"故障-特征"的内在对 应关系，探索往复压缩机智能预警与诊断新方法，并通过往复压缩机典型故障模拟实验研 究验证方法的准确性和实用性，从而提高实际故障诊断的准确性、自动化和智能化水平显 得尤为重要。本专利技术提出了一种基于故障敏感特征参数的往复压缩机故障报警与诊断技 术。 目前国内外的往复压缩机故障诊断技术研究偏向于信号处理技术与机组运行状 态，研究对象是往复压缩机关键部件，包括活塞、活塞杆、气阀、连杆、曲轴在内的故障机理， 尚未有人系统提出往复压缩机故障及其故障敏感特征参数的对应关系，更没有利用故障敏 感特征参数进行故障早期预警与诊断的研究。 国内，中南大学王宇进行了往复式压缩机故障诊断及关键部件的失效行为分析， 对压缩机的核也部件-曲轴、活塞、活塞杆进行失效行为分析，通过静力分析和模态分 析，分析出故障的情况和固有频率和振型；中国石油大学张来斌等对基于混沛理论的往 复式压缩机故障诊断方法进行了研究，通过计算信号的关联维数、Kolmogorov赌及最大 Lyapunov指数，利用混沛理论进行往复式压缩机故障诊断。蒋旭蠢等提出了一种基于声发 射和关联维数的空气压缩机故障诊断方法，采用声发射和关联维数技术进行往复式压缩机 故障诊断；中国石油大学张来斌等提出了一种往复压缩机的故障检测方法及装置，提取往 复压缩机振动信号W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，输入到神经网络与DS证据理论中进行分类故障；江苏工业学院张琳等对往复压缩 机在线远程状态监测与故障分析诊断系统进行了研究，通过提取热力性故障特征和动力性 故障特征，辅W温度和位移信号对往复式压缩机进行故障诊断，对于热力性故障采用示功 法进行分析诊断，对动力性故障采用小波算法和神经网络综合进行判断， 国外方面，已有两级往复式压缩机的数值模拟研究，M.E化aj等通过研究气阀动态 特性与气缸动态压力变化进行压缩机故障诊断，MarkusTimusk等提出了一种特殊机械的 基于振动的故障在线检测方法，Ahmed,M等将主元分析（PCA)用于选择振动特征和检测不 同的往复式压缩机故障，还有基于抗体选择学说和免疫记忆理论的故障检测算法，W及基 于非线性动力系统理论和小波变换理论进行往复压缩机气阀故障诊断研究方面的报导。 综合国内外往复压缩机故障监测诊断方面的研究成果，未见有本专利技术中提出的通 过提取往复压缩机故障敏感特征参数进行故障诊断的研究工作。
技术实现思路
，该方法对往复压缩 机常见故障进行特征提取，获得故障敏感特征参数，并根据不同故障的不同敏感特征来进 行故障报警与诊断，其特征在于包括W下步骤： 1、通过安装在往复压缩机上的无线振动、温度、压力、光电传感器构建基于物联网 络的往复压缩机在线监测系统，在此基础上采集往复压缩机故障特征参数信号，包括：加速 度振动峰值、加速度波形翅度、加速度波形歪度、活塞杆位移平均值、活塞杆位移波形峰峰 值、活塞杆位移波形翅度、活塞杆位移波形歪度、速度波形有效值、速度波形翅度、速度波形 歪度、润滑油压力、排气流量、润滑油温度、吸气温度绝对值、吸气温度相对值、排气温度绝 对值、排气温度相对值、缸体内动态压力平均值、缸体内动态压力最低值、缸体内动态压力 最高值、缸体内动态压力膨胀过程时间、缸体内动态压力吸气过程波动率、缸体内动态压力 压缩过程时间、缸体内动态压力排气过程波动率、示功图面积；W字母k代表单台压缩机 单个缸故障特征参数序号，k= 1代表加速度振动峰值、k= 2代表加速度波形翅度，k= 25代表示功图面积；往复压缩机故障特征参数信号包括润滑油压力、排气流量、润滑油温 度、吸气温度绝对值，排气温度绝对值，加速度振动峰值，活塞杆位移平均值，曲轴箱振动速 度波形有效值； 2、对故障特征对照表涵盖的特征参数数据进行归一化处理，数据归一化方法如 下：[001引片=立a)-。;",,幻[001引其中： f(m，k)是第m种故障第k个故障特征的当前值； a(m，k)是第m种故障第k个故障特征值正常值，取自正常运行时的特征数据的平 均值； A(m，k)是第m种故障第k个故障特征的报警值； F(m，k)是归一化处理后的第m种故障第k个故障特征数据； 上述模型定义的故障特征值归一化值F(m，k)是一个取值范围在之间的无 量纲指数，综合考虑了不同故障各种故障特征参数当前值，历史正常值与报警值之间的关 系，模型的边界条件为：[001 引（1)f(m,k)-a(m,k)《0,f(m,k) = 0 ; 似f(m,k)-A(m,k) > 0,f(m,k) = 1 ; 3、采用特征评价技术，包括距离评估技术（散步矩阵法、Relie巧法）、信息赌评估 技术，针对往复压缩机故障案例数据，提取不同故障对应的敏感特征参数，组成不同故障的 敏感特征参数集； 1)采用散布矩阵法提取往复压缩机故障特征参数敏感性系数： (a)获得正常状态与第m种故障全部特征参数的数据，其中的第k个特征参数数据 记为Dk; (b)计算第k个特征参数的类内散布矩阵 '【主权项】1. ，该方法对往复压缩机 常见故障进行特征提取，获得故障敏感特征参数，并根据不同故障的不同敏感特征来进行 故障报警与诊断，其特征在于包括以下步骤： 1) 、通过安装在往复压缩机上的无线振动、温度、压力、光电传感器构建基于物联网络 的往复压缩机在线监测系统，在此基础上采集往复压缩机故障特征参数信号，包括：加速度 振动峰值、加速度波形翘度、加速度波形歪度、活塞杆位移平均值、活塞杆位移波形峰峰值、 活塞杆位移波形翘度、活塞杆位移波形歪度、速度波形有效值、速度波形翘度、速度波形歪 度、润滑油压力、排气流量、润滑油温度、吸气温度绝对值、吸气温度相对值、排气温度绝对 值、排气温度相对值、缸体内动态压力平均值、缸体内动态压力最低值、缸体内动态压力最 高值、缸体内动态压力膨胀过程时间、缸体内动态压力吸气过程波动率、缸体内动态压力压 缩过程时间、缸体内动态压力排气过程波动率、示功图面积；以字母k代表单台压缩机单个 缸故障特当前第1页1 2 本文档来自技高网...
【技术保护点】
一种基于物联网的往复压缩机敏感特征提取与故障诊断方法，该方法对往复压缩机常见故障进行特征提取，获得故障敏感特征参数，并根据不同故障的不同敏感特征来进行故障报警与诊断，其特征在于包括以下步骤：1)、通过安装在往复压缩机上的无线振动、温度、压力、光电传感器构建基于物联网络的往复压缩机在线监测系统，在此基础上采集往复压缩机故障特征参数信号，包括：加速度振动峰值、加速度波形翘度、加速度波形歪度、活塞杆位移平均值、活塞杆位移波形峰峰值、活塞杆位移波形翘度、活塞杆位移波形歪度、速度波形有效值、速度波形翘度、速度波形歪度、润滑油压力、排气流量、润滑油温度、吸气温度绝对值、吸气温度相对值、排气温度绝对值、排气温度相对值、缸体内动态压力平均值、缸体内动态压力最低值、缸体内动态压力最高值、缸体内动态压力膨胀过程时间、缸体内动态压力吸气过程波动率、缸体内动态压力压缩过程时间、缸体内动态压力排气过程波动率、示功图面积；以字母k代表单台压缩机单个缸故障特征参数序号，k＝1代表加速度振动峰值、k＝2代表加速度波形翘度，k＝25代表示功图面积；往复压缩机故障特征参数信号包括润滑油压力、排气流量、润滑油温度、吸气温度绝对值，排气温度绝对值，加速度振动峰值，活塞杆位移平均值，曲轴箱振动速度波形有效值；2)、对故障特征对照表涵盖的特征参数数据进行归一化处理，数据归一化方法如下：F(m,k)=f(m,k)-a(m,k)A(m,k)-a(m,k)]]>其中：f(m,k)是第m种故障第k个故障特征参数的当前值；a(m,k)是第m种故障第k个故障特征参数的正常值，取自正常运行时的特征数据的平均值；A(m,k)是第m种故障第k个故障特征参数的报警值；F(m,k)是归一化处理后的第m种故障第k个故障特征参数数据；上述模型定义的故障特征值归一化值F(m,k)是一个取值范围在[0，1]之间的无量纲指数，综合考虑了不同故障各种故障特征参数当前值，历史正常值与报警值之间的关系，模型的边界条件为：(1)f(m,k)‑a(m,k)≤0,f(m,k)＝0；(2)f(m,k)‑A(m,k)≥0,f(m,k)＝1；3)、采用散步矩阵法或ReliefF法或信息熵评估技术，针对往复压缩机故障案例数据，提取不同故障对应的敏感特征参数，组成不同故障的敏感特征参数集；3.1、采用散布矩阵法提取往复压缩机故障特征参数敏感性系数：a)、获得正常状态与第m种故障全部特征参数的数据，其中的第k个故障特征参数数据记为Dk；b)、计算第k个故障特征参数的类内散布矩阵：其中，M为数据类别数，取2，即正常类和故障类；Pi为第i类的先验概率，Pi＝ni/N，ni为第k个故障特征参数第i类的样本数，N为第k个故障特征参数所有类别总样本数；∑i为第k个故障特征参数第i类的类内协方差矩阵，其计算方法为：Σi=1niΣ(xi-μi)(xi-μi)T=E[(xi-μi)(xi-μi)T];]]>其中，xi为第k个故障特征参数第i类的样本值，是由各个特征值组成的列向量；μi为第k个故障特征参数第i类的类内平均值，其计算方法为：Swk的迹tr{Swk}是第k个故障特征参数所有类别的特征方差的平均测度；c)、计算第k个故障特征参数的类间散布矩阵：其中，μ0为第k个故障特征参数第i类的类内平均值，μ0＝∑Piμi；Sbk的迹tr{Sbk}是每一类的均值和全局均值之间平均距离的一种测度；d)、计算第k个故障特征参数混合类间散布矩阵：Smk＝E[(x‑μ0)(x‑μ0)T]＝Swk+Sbk；Smk的迹tr{Smk}是特征值关于全局均值的方差和；e)、计算第k个故障特征参数距离评估准则系数Jk：Jk＝tr{Smk}/tr{Swk}或Jk＝|Smk|/|Swk|＝|Swk‑1Smk|或f)、针对全部故障特征参数，重复步骤a)到e)计算过程，得到所有特征参数距离评估准则系数向量J，该向量需经归一化处理得到向量MJ，MJk就是散布矩阵法计算后获得的第k个特征参数的敏感性系数；MJk计算过程如下：MJk＝(Jk‑min(J))/(max(J)‑min(J))其中：max代表取最大值；min代表取最小值；规定向量MJ中大于0.6的元素所对应的故障特征参数为第m种故障的敏感特征参数；3.2、采用ReliefF法提取往复压缩机故障特征参数敏感性系数；a)、完成第m种故障权值矩阵向量初始化，令W＝0；b)、在包含正常数据与第m种故障数据的样本中随机取1个样本R，样本总数量为Y；c)、针对所有q个故障特征参数Dk(k＝1,2,...,q)，完成除去R后的所有样本Xi与样本R之间的距离计算，计算公式如下：Length(Xi,R)=Σk=1q(Value(Dk,Xi)-Value(Dk,R))2]]>上式...
【技术特征摘要】
【专利技术属性】
技术研发人员：赵大力，高晖，邓化科，
申请(专利权)人：北京博华信智科技股份有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。