基于頻譜分析的壓縮機故障診斷

張毅涵

（中石化巴陵分公司，湖南省 岳陽市 414007）

壓縮機是通過壓縮氣體體積來提升氣體壓力的的機械設備，是工業生產中常見的設備之一，應用非常廣泛。按照其工作原理可以分為容積式和動力式兩大類，其結構相對復雜，除了機械、電氣部分外，還有用于冷卻、潤滑等多種功能的油、氣、水系統。隨著現代化技術的發展以及工業生產的多樣化要求，壓縮機正朝著大型化、復雜化以及高度自動化的方向發展?？墒?，一旦壓縮機或者它的某一部分出現故障，往往就會造成整臺機組的癱瘓，嚴重影響生產進行，造成巨大的經濟損失。據不完全統計，上個世紀八十年代，我國僅化工、煉油等行業就因壓縮機故障發生事故200多起，占全國同期石化生產重大事故的20%以上，因此造成了高達上千萬元的經濟損失。

機械設備出現故障并不是一個突發事件，它是一個從正常狀態逐漸發生、發展的漫長過程，因此需要對設備的運行狀態進行日常的、規范的、連續的工作狀態測量和檢測，即為設備狀態檢測。更重要的是，機械設備運行時的狀態信息是存儲在設備振動信號等特征參數中的。依據從設備狀態檢測中所獲得的信息，并對照已知的設備特性（即專家經驗）和參數，再結合設備的運行環境和運行歷史，可以對設備即將發生或者已經發生的故障進行預測，并分析確定其故障的類別、原因、程度、部位等，判斷設備故障發生和發展的趨勢及其相應后果，盡可能的提出消除故障或者控制故障發展的相關對策措施，最終使設備恢復正常運行，即故障診斷技術。

文章就是在小波變化處理壓縮機實測信號的基礎上，構建三層BP神經網絡，對壓縮機運行狀態進行診斷。它不僅是對壓縮機故障診斷技術的有益探索，對工業生產實際也具有重要的指導意義。

1 小波變換

對于信號分析來說，頻域濾波一直是國內外科研人員研究的重點。常見的方法大部分是基于傅里葉變換，對原始信號進行分頻處理之后，有選擇性的濾掉高頻部分，或者低頻部分。但是由于傅里葉變換的局限性，即時域分析和頻域分析不同兼顧，得到精度較高時域分析數據必須要犧牲頻域分析，換句話說，傅里葉變換對與平穩信號是有足夠的變換精度，但是對與帶有突變、尖峰等壓縮機實時振動信號此類的非平穩信號，傅里葉變換并不能夠保持足夠的精度。

小波變換（wavelet transformation,wt）是20世紀80年代后期發展起來的一個新的數學分支，作為信號分析處理的新技術，它與傅里葉變換類似，都是將隨時間變換的信號與基本函數進行卷積的過程，不同的是，傅里葉變換的基本函數是三角函數，而小波分析的基本函數則是小波系列函數。小波變換，經過科研人員的不懈努力，它在處理非穩定信號的去噪方面體現了較強的優勢，在信號處理領域得到了廣泛的應用。

2 BP神經網絡智能診斷

人工神經網絡系統事實上也來源于仿生學，它是對人類大腦神經系統的一種物理結構上的模擬，使得仿真系統具有類似與人腦的智能。人工神經網絡系統，一般有輸入節點層，輸出節點層和隱藏層組成，輸入節點層各節點事實上代表著一個個輸入變量，從結構上來說，其輸入節點的個數必須與輸入向量的維數相同，同樣的，輸出節點的個數必須與期望輸出值的維數相同，而隱藏層各節點的個數則與輸入輸出無必然聯系，同時隱藏層也可以擁有多層。從輸入層到輸出層樹枝的傳播是有各層之間的連接權系數及作用函數決定，他們的聯合作用使得整個網絡具有明顯的非線性特點。

BP神經網絡是典型的三層負反饋網絡。輸入層一共是7個輸入端口，輸入故障特征向量，輸出層一共7個端口，用排列組合的方式顯示故障診斷結果，隱含層則一共有k個神經元，Wik是輸入層和隱含層之間的連接權重，Wkj代表隱含成和輸出層之間的鏈接權重。輸入和輸出之間的關系，可以用下式來描述

BP神經網絡離心式空氣壓縮機故障診斷模型的訓練算法的步驟可以分為向前傳播和反饋校核兩部分，即初設Wik和Wkj，輸入7組故障特征向量，初步計算出故障診斷結果；第二步則是，將故障診斷結果與真實的故障判斷做比較，反方向計算鏈接系數Wik和Wkj，接著用調整后的連接系數，重復上述步驟，直到輸出結果和期望值誤差滿足要求為止。

3 實例分析

對于引發離心式空氣壓縮機異常振動的大部分故障，都有這各不相同的頻譜特性，換句話說，我們通過分析振動測試信號頻譜規律，是可以對癥下藥的找到相應的故障原因。這就是智能故障診斷的依據之一。因此，可以用已知壓縮機經典故障作為訓練樣本，完成BP神經網絡故障診斷系統的構建工作。

作為實例分析的壓縮機，其轉子轉動速度為6000r/min。針對實測的壓縮機振動信號，采用小波包變換的方法進行頻譜分析，獲得信號的主要振動能量集中在100Hz,200Hz,300Hz和400Hz等為轉頻的整數倍頻域內，同時在35Hz左右這個低頻區域也存在較強的振幅。

針對該壓縮機的頻譜特性，參照壓縮機經典故障集，可以將轉子不對中剔除（該信號無低頻頻段）、將油膜渦動剔除（該信號無整數倍轉頻段）、將油膜振蕩剔除（該信號為超低頻段），同時也可以將轉子過盈配合件過盈不足、轉軸有裂紋等剔除，只剩下轉子與靜止件摩擦及轉子支撐系統聯接松動兩個故障原因，而實測的軸心軌跡也相當紊亂，此時無法再進行人工判斷其故障原因，必須利用BP網絡智能診斷模型進行診斷。

提取該信號的特征向量為 [0.12000.260.350.130.14]，輸入到BP神經網絡故障診斷系統中得到結果為[0000.800.20]，即第4號故障：由于轉子與靜止件摩擦誘發機組異常振動。而在一個月后的實際檢修中發現，壓縮機軸承冷卻油中含有微量鐵屑，顯然轉子與軸承長期摩擦，這充分證明了故障診斷系統的準確性。

4 結語

文章基于小波包變換，在對實測壓縮機振動信號濾波的基礎上，提取其特征值，并利用空壓機異常振動的常見故障現象特征集，作為訓練樣本，對BP神經網絡故障診斷模型進行訓練，針對空壓機某一振動信號，利用該模型得到了較好的診斷結果，這一方面是對故障診斷技術的有益探索，在實際應用中也具有較大的實用價值。

[1]楊志伊.設備狀態監測與故障診斷[M].北京:中國計劃出版社，2006.[2]鐘秉林，黃仁.機械故障診斷學[M].北京:機械工業出版社，1999.

[3]張建民，徐小力，許寶杰，等.面向機電系統狀態監測與故障診斷的現代技術[J].北京理工大學學報，2004，（9）:751-756.

[4]劉相臣，張秉淑.化工裝備事故分析與預防[M].北京:化學工業出版社，1994.

[5]張敬芬，趙德有.基于模糊神經網絡的高階頻段振動信號故障診斷研究[J].振動、測試與診斷，2001，（12）:271-274.