基于改進(jìn)RSSD和MEF的往復(fù)壓縮機故障診斷研究

李世班，吳修彬

(萊蕪職業(yè)技術(shù)學(xué)院 機械與汽車工程系， 山東 萊蕪 271100)

往復(fù)壓縮機作為通用機械，由于其無流量限制、熱效率高、適用范圍較廣等優(yōu)點，已廣泛應(yīng)用于石油、化工等行業(yè)領(lǐng)域[1,2]。往復(fù)壓縮機產(chǎn)生的故障種類較多，振動信號非常復(fù)雜，傳統(tǒng)時頻分析方法局限性較大，只有某些特征明顯的故障可以直接得到診斷；由于故障機理和信號特征的差異，利用旋轉(zhuǎn)機械故障診斷技術(shù)對往復(fù)壓縮機進(jìn)行故障診斷的效果不理想[3-5]。因此，探究適宜的往復(fù)壓縮機故障診斷方法是確保往復(fù)壓縮機可靠運行的關(guān)鍵環(huán)節(jié)之一。

共振稀疏分解(Resonance-based Sparse Signal Decomposition,RSSD)是Selesnick在2011年提出的一種新的信號處理方法[6]，它是根據(jù)信號成分的振蕩特性(即具有不同的品質(zhì)因子Q)，通過信號的形態(tài)分量分析(Morphological Component Analysis,MCA)和可調(diào)品質(zhì)因子小波變換(Tunable Q-factor Wavelet Transform,TQWT)實現(xiàn)信號不同成分的有效分離。為此，本文首選采用遺傳算法對2D16型壓縮機的振動信號進(jìn)行共振稀疏分解和優(yōu)化，以提高壓縮機振動信號的分解精度。多尺度模糊熵(multi-scale fuzzy entropy,MFE)是一種基于模糊熵和多尺度熵提出的非線性信號定量描述方法[7-9]，它具有抗噪聲能力強、計算所需數(shù)據(jù)短及相對一致性好等優(yōu)點。因此，本研究采用改進(jìn)共振稀疏分解方法，將往復(fù)壓縮機振動信號分解為高低共振分量及殘余分量。然后，利用多尺度模糊熵提取信號特征。最后，利用支持向量機分類器識別故障類型，進(jìn)而實現(xiàn)有效的往復(fù)壓縮機故障診斷。

1 信號共振稀疏分解

1.1 共振稀疏分解方法

共振稀疏分解是依據(jù)振動信號不同成分的共振屬性，達(dá)到振動信號的稀疏表示[10]。品質(zhì)因子Q(Quality Factor)為一個無量綱參數(shù)，其大小由信號振蕩程度決定，信號品質(zhì)因子Q定義如下：

(1)

其中：f0為信號中心頻率；BW為其頻帶寬度。

1.2 共振分量分離

S1和S2表示由TQWT得到的具有高低品質(zhì)因子的濾波器組，通過形態(tài)學(xué)分析設(shè)立目標(biāo)函數(shù)F如下：

(2)

式中：w1和w2分別表示高、低共振分量的系數(shù)；λ1和λ2為正則化參數(shù)。

采用分列增廣拉格朗日收縮法對式(2)進(jìn)行求解，找到最優(yōu)系數(shù)組，使目標(biāo)函數(shù)最小化，得到共振分量分解結(jié)果：

(3)

1.3 參數(shù)優(yōu)化

根據(jù)相關(guān)文獻(xiàn)[10]，采用遺傳算法對共振稀疏分解中的高低品質(zhì)因子進(jìn)行優(yōu)化，其冗余度r設(shè)為3，具體步驟如下：

1) 將高品質(zhì)因子的取值范圍設(shè)為[2,20]、低品質(zhì)因子的取值范圍設(shè)為[1,10]，種群數(shù)目為50，最大進(jìn)化代數(shù)為200，交叉概率為0.8，變異概率為0.01，以低共振分量的峭度值作為個體適應(yīng)度估計值，最大進(jìn)化迭代次數(shù)作為終止條件；

2) 產(chǎn)生初始種群，將二進(jìn)制編碼轉(zhuǎn)化為十進(jìn)制，計算每個個體的適應(yīng)度，并進(jìn)行歸一化處理。之后，進(jìn)行遺傳操作以產(chǎn)生新的種群，并將優(yōu)勢種群遺傳到下一代；

2 多尺度模糊熵

2.1 多尺度模糊熵

近年來，有學(xué)者在模糊熵、樣本熵及多尺度熵的基礎(chǔ)上，提出了多尺度模糊熵[11-13]。以信號序列{x(n)}為例，序列號為n，長度為N，則多尺度模糊熵計算過程如下：

1) 根據(jù)給定的相似容限r(nóng)和嵌入維數(shù)m，對信號序列x(n)進(jìn)行粗粒化處理，建立新的粗粒向量：

(4)

式中，τ為尺度因子，取值為大于1的整數(shù)。當(dāng)τ=1時，對應(yīng)xj(1)為原始序列。

2) 對每一個粗粒序列的模糊熵進(jìn)行計算，根據(jù)多尺度因子與樣本熵的函數(shù)關(guān)系完成整體MFE的計算。

2.2 參數(shù)的選取

由上述MFE的定義及計算過程可知，對模糊熵值計算有影響的相關(guān)參數(shù)分別為：與尺度因子τ、嵌入維數(shù)m、相似容限r(nóng)、模糊函數(shù)的梯度θ、數(shù)據(jù)長度N。本研究參數(shù)選取如下：

1) 嵌入維數(shù)m。嵌入維數(shù)m值越大，序列動態(tài)重構(gòu)的信息越詳細(xì)，但m值越大，計算所需數(shù)據(jù)長度越長(N=10m～30m)。因此，參考樣本熵辦法，取m=2。

2) 相似容限r(nóng)。在模糊函數(shù)中，相似容限r(nóng)為其邊界寬度，一般情況下取值范圍為0.1～0.25SD(其中，SD為原始數(shù)據(jù)標(biāo)準(zhǔn)差)，取r=0.15SD。

3) 模糊函數(shù)的梯度θ：θ決定模糊函數(shù)中相似容限邊界的梯度，當(dāng)θ不斷增大時，相似容限邊界梯度也隨之逐漸增大。當(dāng)n>1時，更多計入較近向量的相似度貢獻(xiàn)，n過大會導(dǎo)致細(xì)節(jié)的丟失；n=1時較遠(yuǎn)和較近向量貢獻(xiàn)一樣；當(dāng)n趨近于無窮大時，指數(shù)函數(shù)會變?yōu)閱挝浑A躍函數(shù)，取θ=2。

4) 數(shù)據(jù)長度N。模糊熵對數(shù)據(jù)長度要求較低，若n=2，則N=100～900。

5) 尺度因子τ。尺度因子確保粗粒化后的序列長度N/λ具有一定長度，取τmax=16。

3 往復(fù)壓縮機故障診斷

3.1 往復(fù)壓縮機振動信號采集

選擇2D16型往復(fù)壓縮機作為故障模擬試驗研究對象，將氣閥信號測點位置設(shè)置于氣閥蓋處，通過加速度傳感器采集出氣閥正常狀態(tài)的振動信號數(shù)據(jù)和閥片斷裂、閥少彈簧、閥有缺口3種氣閥故障振動信號數(shù)據(jù)，采樣頻率為50 kHz，采樣時間為4 s。

3.2 共振稀疏分解及故障特征提取

往復(fù)壓縮機在實際運行過程中，傳感器所采集的振動信號會受周圍工況影響，常伴有強噪聲，并表現(xiàn)出較強的非平穩(wěn)特性。利用遺傳算法對往復(fù)壓縮機氣閥4種狀態(tài)下振動信號的RSSD參數(shù)進(jìn)行優(yōu)化，其結(jié)果見表1。

表1 各工況下RSSD優(yōu)化參數(shù)

根據(jù)表1數(shù)據(jù)取冗余度r=3，分別對2D16型往復(fù)壓縮機氣閥四種狀態(tài)下的振動信號進(jìn)行了共振稀疏分解，其分解結(jié)果如圖1～圖4所示。

由此可見，2D16型往復(fù)壓縮機的故障振動信號常摻雜著噪聲信號。由于往復(fù)壓縮機的故障沖擊信號品質(zhì)因子較低，故其被分解到低共振分量中；而往復(fù)壓縮機的噪聲信號品質(zhì)因子較高，故其被分解到高共振分量中。因此，利用改進(jìn)共振稀疏分解方法，可實現(xiàn)主要故障成分的有效分離，并可通過對低共振分量的進(jìn)一步分析提取故障特征。選取嵌入維數(shù)m=2，相似容限r(nóng)=0.15SD，梯度θ=2，尺度因子τmax=16，往復(fù)壓縮機氣閥4種狀態(tài)下的多尺度模糊熵值隨尺度因子變化如圖5所示。

圖1 氣閥正常信號共振稀疏分解結(jié)果

圖2 閥片斷裂信號共振稀疏分解結(jié)果

圖3 閥少彈簧信號共振稀疏分解結(jié)果

圖4 閥有缺口振動信號共振稀疏分解結(jié)果

圖5 多尺度模糊熵值曲線

由圖5可知，在絕大多數(shù)尺度上，往復(fù)壓縮機氣閥4種狀態(tài)下的多尺度模糊熵值被明顯區(qū)分開來，熵值變化較為穩(wěn)定，具有非常好的相對一致性。當(dāng)尺度因子τ為1時，多尺度模糊熵值即為模糊熵，此時閥片斷裂振動信號的模糊熵值大于閥有缺口振動信號模糊熵值，若僅以此作為判斷標(biāo)準(zhǔn)，則判定前者振動信號比后者更為復(fù)雜；當(dāng)尺度因子τ大于1時，后者的模糊熵值要大于前者，這說明單一尺度模糊熵值無法充分反映故障本質(zhì)，往復(fù)壓縮機氣閥振動信號的故障特征信息可能包含在多個尺度上。而采用多尺度模糊熵可以在不同參數(shù)條件下區(qū)分振動信號，適用于往復(fù)壓縮機氣閥實測信號的故障分析。

3.3 基于SVM的故障類型診斷

以支持向量機(SVM)識別準(zhǔn)確率作為評價標(biāo)準(zhǔn)[14-15]，取徑向基函數(shù)為SVM核函數(shù)，采用遺傳算法進(jìn)行2D16型往復(fù)壓縮機氣閥振動信號參數(shù)尋優(yōu)并建立SVM，確定最優(yōu)參數(shù)組合為：懲罰參數(shù)c=1.57，核函數(shù)參數(shù)：g=18.79。選取往復(fù)壓縮機氣閥4種狀態(tài)下特征向量各120組，輸入SVM進(jìn)行分類識別，其中分別取各狀態(tài)80組特征向量作為訓(xùn)練集樣本，剩余40組為測試集樣本。作為對比，本研究選取模糊熵作為對比故障特征提取方法，選取上述各狀態(tài)120組數(shù)據(jù)的低共振分量進(jìn)行模糊熵分析；選擇優(yōu)化前共振稀疏分解方法作為對比信號分解方法，將得到的低共振分量進(jìn)行多尺度模糊熵分析；取相同數(shù)量的訓(xùn)練集和測試集樣本，其分類對比結(jié)果見表2所示。

選取上述往復(fù)壓縮機氣閥四種狀態(tài)振動信號數(shù)據(jù)各120組，利用改進(jìn)共振稀疏分解方法對往復(fù)壓縮機的振動信號進(jìn)行分解。然后，采用多尺度模糊熵分別對RSSD分解后的低共振分量進(jìn)行運算。最后，得到往復(fù)壓縮機的振動信號的多尺度模糊熵值，并建立狀態(tài)特征矩陣。多尺度模糊熵特征矩陣數(shù)據(jù)過多，而歐氏距離可綜合考慮類間距離和類內(nèi)樣本分布的影響，故本研究采用歐氏距離進(jìn)行數(shù)據(jù)優(yōu)選。

表2 SVM分類準(zhǔn)確率

由表2可知，優(yōu)化后共振稀疏分解方法與優(yōu)化前相比，各狀態(tài)及總體準(zhǔn)確率均有所提高；多尺度模糊熵與模糊熵均可進(jìn)行往復(fù)壓縮機不同位置振動信號的故障特征提取，優(yōu)化后RSSD-MFE方法故障識別總體準(zhǔn)確率最高為98.8%；而優(yōu)化前RSSD-MFE和優(yōu)化后RSSD-FE方法故障識別總體準(zhǔn)確率分別為94.4%和91.3%。與模糊熵相比，多尺度模糊熵故障特征提取效果較好，各不同工況故障識別率均有提高。因此，本文采用基于改進(jìn)RSSD和MEF的往復(fù)壓縮機故障診斷方法，能較好地反映出2D16型往復(fù)壓縮機氣閥的故障狀態(tài)特征，各工況的識別準(zhǔn)確率均較高，識別效果較好。

4 結(jié)論

本文利用遺傳算法對2D16型往復(fù)壓縮機各狀態(tài)振動信號的RSSD參數(shù)進(jìn)行優(yōu)化，通過優(yōu)化后的最優(yōu)品質(zhì)因子組合對振動信號進(jìn)行共振稀疏分解，實現(xiàn)了2D16型往復(fù)壓縮機故障振動信號的有效分解。并提出一種基于改進(jìn)RSSD和MFE相結(jié)合的往復(fù)壓縮機故障診斷方法，以2D16往復(fù)壓縮機氣閥四種狀態(tài)下的振動信號作為研究對象，進(jìn)行基于遺傳算法優(yōu)化的共振稀疏分解，選取包含主要故障信息的低共振分量進(jìn)行多尺度模糊熵分析，然后利用支持向量機識別故障類型。結(jié)果表明，本方法有效實現(xiàn)了往復(fù)壓縮機氣閥故障診斷，提高了壓縮機故障診斷準(zhǔn)確率。