基于VMPE的往復壓縮機故障診斷方法

李純思,李純輝

(1.哈爾濱千恒鑫儀器設備有限公司,哈爾濱 150000;2.東北石油大學,黑龍江 大慶 163318)

0 引言

往復壓縮機作為機械工業中最常用的設備之一,如何準確提取故障特征和故障分類一直都是故障診斷領域研究的熱點和難點[1]。由于往復壓縮機的振動信號為非平穩非線性信號,傳統的線性分析方法難以準確提取其故障特征。隨著非線性分析方法研究逐漸成熟,尤其是Shannon將熵的概念引入到信息電子工程領域后,近似熵(AE)、樣本熵(SE)、模糊熵(FE)、排列熵(PE)及色散熵(DE)等非線性分析方法被應用到故障診斷領域[2-6]。趙海峰等[7]將近似熵用于測量氣閥故障復雜性。張立國等[8]以模糊熵計算后的PR分量為特征向量,表征滾動軸承故障信號的特征信息。馮輔周等[9]將排列熵用于滾動軸承全壽命預測,可顯著提前滾動軸承早期故障的檢出時間。無論是排列熵還是模糊熵、樣本熵都只能描述單一尺度下信號的復雜程度,導致得到的故障信息不完整,因此多尺度樣本熵(MSE)、多尺度模糊熵(MFE)、多尺度排列熵(MPE)、多尺度色散熵(MDE)等能夠描述不同尺度下信號復雜程度的分析方法被相繼提出[10-13]。WU等[14]運用多尺度排列熵提取滾動軸承的故障特征,驗證了多尺度排列熵與排列熵相比的優越性。

MPE集合了多尺度熵與排列熵的所有主要優點,無論是在描述序列的完整性上還是相對一致性上均更加優越,且不受數據長短的限制,擁有所需數據短、相對一致性等特點。但MPE在粗粒化計算過程存在以下問題:1)MPE值受尺度因子影響較大,MPE值的穩定性會隨著尺度因子的增大而降低;2)在粗粒計算過程中,是基于均值計算粗粒序列,這僅能反映出序列的平均幅值,缺少對信號中波動性的描述。針對這2個問題,本文將方差法代替均值法引入到粗粒化計算中,故本文提出基于方差的多尺度排列熵。最后將VMPE與極限學習機(ELM)相結合,提出一種基于VMPE與ELM的往復壓縮機故障診斷方法。試驗結果表明,本文所提方法能有效地實現往復壓縮機故障診斷,具有較高的故障識別率。

1 VMPE算法

1.1 MPE算法

MPE是將多尺度分析與PE相結合的一種非線性分析方法,用于衡量時間序列在不同尺度下的復雜性和隨機性,MPE算法的計算步驟如下。

1)對時間序列{xi,i=1,2,L,N},建立粗粒序列

(1)

圖1 τ=2時粗粒序列計算分割圖

由式(1)可看出粗粒化計算過程實質上就是計算數據間的均值,只能反映出序列的平均幅值,忽略了信號中的波動性。

2)分別計算每個尺度下粗粒序列的PE,得到MPE,表達式如下

(2)

式中,m為嵌入維數;t為時間延遲。

1.2 VMPE算法

針對MPE算法存在的問題,將方差法引入到MPE的粗粒化計算中,提出VMPE算法,其具體步驟如下。

1)對時間序列{xi,i=1,2,L,N},建立粗粒序列

(3)

(4)

2 仿真分析

2.1 參數選擇

VMPE計算中需設置四個參數,尺度因子τ、嵌入維數m、時間延遲t、時間序列長度N。

1)對于尺度因子τ,為了保證粗粒序列的長度不能過短,所以τ的選擇不能過大,一般情況下取τmax≥10,本文取τmax=20。

2)排列熵對嵌入維數m的依賴性較大,m取值越大,序列需要重構的信息越多,序列的細微變化越容易被忽略[15];m取值越小,重構信號的維度越低,包含著狀態越少,序列的動態變化難以檢測,Bandt建議嵌入維數m在3～7間選取[5],本文取m=6。

3)經眾多學者對排列熵的研究表明,時間延遲t的選取對結果幾乎沒有影響,本文取t=1。

4)對于時間序列長度N,無論是長度選取過長或者過短都會對熵值產生較大的影響,根據文獻[16]研究,建議N的選取需大于3 000。

2.2 仿真對比分析

結合上一小節中對VMPE中各項參數的分析,為說明VMPE方法的優越性,以數據長度為4 000的高斯白噪聲為研究對象,選擇m=6、t=1,計算20個尺度下的MPE和VMPE,結果如圖3所示。從圖3中可以看出,MPE與VMPE相比,熵值曲線明顯光滑性更差,說明被方差法改進后的MPE在處理信號時,能保留更多有用的信息。VMPE熵值曲線的熵值波動更小,尤其在高尺度段兩種方法的波動性差異較明顯,整體來看,VMPE熵值曲線更光滑,說明與MPE相比,VMPE更優越,穩定性更好。

圖3 高斯白噪聲的VMPE和MPE值

3 基于VMPE和ELM往復壓縮機故障診斷方法

3.1 滾動軸承故障診斷流程

通過前面章節的分析,提出基于VMPE和ELM往復壓縮機中滾動軸承故障診斷方法。具體診斷步驟如下。

1)設置k種氣閥故障狀態,每種狀態采集n個樣本,對所有樣本計算在τ個尺度下的VMPE,選取合適數量的VMPE值作為特征向量。

2)在每種狀態下隨機抽取i個作為分類器的訓練樣本,組成訓練集,剩余n-i作為測試樣本組成的測試集。

3)將訓練集中每個狀態的特征向量輸入到ELM中訓練,得到ELM訓練模型,然后將測試集中的特征向量輸入到ELM中進行測試。

4)根據ELM分類器的輸出結果實現滾動軸承故障診斷。

3.2 氣閥故障實例分析

為了驗證本文方法在實際工況下的適用性和優越性,對2D12型往復壓縮機的氣閥故障進行研究,模擬了彈簧失效、閥片斷裂和閥片缺口3種常見故障,使用加速度傳感器在采樣頻率為50 kHz的工況下采集正常、彈簧失效、閥片斷裂和閥片缺口4種情況。每種狀態取30個樣本,每個樣本有4 096個數據點,其中10個樣本作為訓練集,另外20個樣本作為測試集,滾動軸承的試驗數據詳細描述如表1所示,4種狀態的時域波形如圖4所示。

表1 訓練和測試實驗數據列表

圖4 氣閥4種狀態振動信號的時域波形圖

在嵌入維數m=6,時間延拓t=1的參數條件下,對所有樣本計算在20個尺度下MPE和VMPE,4種狀態的MPE和VMPE結果如圖5和圖6所示。從圖5和圖6中可以看出,4種狀態熵值曲線的整體趨勢大致相同,VMPE與MPE相比,明顯熵值波動性更小,說明VMPE穩定性更好。

圖5 4種氣閥狀態的VMPE圖

圖6 4種氣閥狀態的MPE圖

為了準確的評估氣閥的故障狀態,引入ELM識別4種狀態。首先,將每種狀態的20個VMPE特征樣本,選取5個作為分類器的訓練樣本,組成訓練集,剩余15個作為測試樣本,組成測試集。其中,ELM激活函數選取Sigmoid函數[17],隱層神經元的數目設置為25;然后,將訓練樣本輸入到ELM中進行訓練;最后,將測試樣本輸入到訓練好的ELM中進行識別,結果如圖7所示。由圖7可以看出,實際的輸出結果與理論結果完全相同,故障識別率為100%(60/60),說明本文所提方法能有效地識別往復壓縮機的故障狀態。

圖7 基于VMPE和ELM的識別結果

將每種狀態的20個樣本經基于MPE和ELM的方法進行特征提取,在相同的訓練樣本數和測試樣本數下,輸入到ELM分類器中訓練和測試,故障識別結果如表2所示。從表2中可以看出,基于VMPE和ELM的方法在所有狀態下都未出現錯分,而基于MPE和ELM的方法出現錯誤識別。表明基于VMPE和ELM的故障識別方法無論是在整體上還是個別狀態的識別率均優于基于MPE和ELM,驗證了其在氣閥故障診斷上的優越性。

表2 兩種方法的故障識別結果

4 結論

本文在MPE的基礎上,提出了VMPE來衡量非線性時間序列的復雜程度,對粗粒化序列進行了優化。通過對高斯白噪聲信號的分析,驗證了其與MPE相比,在特征提取方面的優越性。

在研究VMPE特征提取方法和ELM的基礎上,提出了一種新的往復壓縮機故障診斷方法,并對2D12型往復壓縮機氣閥故障試驗案例進行了分析。將VMPE與MPE進行了對比,驗證VMPE的穩定性優于MPE,基于VMPE和ELM的往復壓縮機故障診斷方法比基于MPE和ELM方法的故障識別率更高。