基于時域與頻域特征的SVDD壓縮機組轉子異常檢測方法

摘要：進行壓縮機組轉子異常檢測能有效提高設備運行的安全性與可靠性，但在工業應用中，壓縮機組轉子故障數據匱乏，不利于對設備進行異常檢測。文章針對僅有正常數據的壓縮機組轉子提出一種基于時域與頻域特征的支持向量數據描述（support vector data description，SVDD）的異常檢測方法。該方法利用正常數據的時域與頻域特征訓練支持向量數據描述模型，確定超球體半徑閾值，并將其與測試過程中樣本到超球體中心的距離進行比較，完成異常檢測。與基于傅里葉變換的SVDD異常檢測方法相比，該方法具有更高的異常檢測精度，使壓縮機組轉子異常檢測具有良好的靈敏性與魯棒性。

關鍵詞：壓縮機組轉子；異常檢測；支持向量描述；特征提??；魯棒性

中圖分類號：TH457； TP206" " " "文獻標識碼：A" " " 文章編號：1674-0688（2024）05-0105-05

0 引言

壓縮機組被廣泛應用于電力、石化、船舶等眾多行業使用的設備中。在極端高溫與重載等惡劣的工作環境下，壓縮機組極易發生故障，造成嚴重的經濟損失。因此，為了避免嚴重事故，在機組性能下降的早期階段，對機組設備中的關鍵部件進行預測性維護至關重要。異常檢測作為預測性維護的第一步，是設備健康管理的基礎，但卻最容易被忽視。準確的異常檢測有助于提高機組維護的效率和質量。異常檢測已被應用于各個領域，如變速箱溫度異常檢測［1］，臨床醫學中的軟組織病變檢測［2］等。目前，大型設備機組的異常檢測研究可分為基于模型的診斷方法和基于數據的診斷方法［3］ 兩大類，前者需構建精確的機組數學模型，由于工業設備日趨復雜，該方法在工業中的應用比較困難；后者以數據作為驅動，只需挖掘設備歷史數據中包含的信息即可完成異常檢測，無需構建復雜的數學模型，因此得到了廣泛應用［4］。以壓縮機為代表的復雜機械具有激勵源多、振動信號復雜等特點，并且呈現非線性、非平穩性，因此相較于單特征的異常檢測方法，利用多特征參數對機械運行狀態進行識別已成為異常檢測領域的研究趨勢。文定良［5］ 針對甲醇裝置合成氣壓縮機振動的異常情況，利用大機組在線監測系統對異常波動故障進行分析，提出在機組不停機檢修的情況下排除故障的有效措施。馬再超等［6］提出總體平均經驗模式分解（EEMD）聯合主分量分析（PCA）的故障識別方法，提取壓縮機轉子系統的故障特征并進行分類。LI等［7］采用修正多尺度熵與全局距離評價等特征對往復式壓縮機氣門故障進行了有效識別。還有不少學者提出以支持向量機為基礎的二分類異常檢測方法，該方法通過建立最優超平面區分兩類異常狀態。AFROOZ等［8］通過提取峭度和非高斯分數信息作為支持向量機方法的輸入信息，使檢測以高精度收斂到最優值。但上述基于支持向量機的方法受到核函數的影響較大，如果沒有進行建模優化，難以獲得較好的診斷效果。HE等［9］根據深度學習理論，先采用局部均值分解法分解振動信號，再構建壓縮機故障識別方法。然而在工業現場中，故障樣本的缺乏限制了該類方法的應用。

雖然上述各類方法已經取得了較好的異常檢測效果，但是其中的大多數研究需要以充足的故障數據作為開展診斷的前提。然而在工業實際中，出于生產安全等因素的考慮，工廠不會允許故障設備長時間持續運行，因此采集到的故障數據十分有限。此外，新機組運行初期往往只有正常數據而沒有異?；蚬收蠑祿?。因此，本文對僅有正常數據情況下的壓縮機組異常檢測問題進行研究，提出基于時域與頻域特征的SVDD異常檢測方法，旨在提升壓縮機組異常檢測的精度。

1 SVDD異常檢測方法

1.1 時域與頻域特征提取

提取原始數據集時域與頻域特征可以更好地反映設備的健康狀況，凸顯故障信息。其中，時域特征又可分為有量綱參數和無量綱參數，各參數指標可同時對連續信號和離散信號進行描述，在實際應用中，振動信號多為離散信號。對于離散信號，本文選取了以下13個有量綱和無量綱參數的時域指標（見表1）進行描述

平均值代表信號波形的平均幅值，可以呈現幅值波動的中心趨勢，常用于對信號穩定性的描述。均方值代表信號整體的平均能量，即若為速度信號，均方值可代表其振動能量；若為位移信號，均方值可代表其位能；若為加速度信號，均方值可代表其慣性力。方差可以表示信號的波動；峰值代表信號幅值中瞬時單峰的最大值；波形指標具有穩定性好、敏感性差的特點。將這些參數指標同時應用于工業現場設備的健康評估中，可兼顧穩定性和敏感性，獲得良好的評估效果。

頻域特征的提取能較好地反映頻帶的分布情況和主頻帶的位置等信息，其中相關譜線的變化與設備運行健康狀態的變化密不可分，可用于故障的預警和診斷。本文采用4個頻域指標，分別反映頻域振動能量的大小、信號頻譜與其均值之間的偏離程度、信號頻譜相對均值不對稱的程度、信號在均值處峰值的高低，表達式依次為

[F1=k=1Ks（k）/K] （1）

[F2=k=1K（s（k）-F1）2/K-1] （2）

[F3=k=1K（s（k）-F1）3/KF23] （3）

[F4=k=1K（s（k）-F1）4/KF23] （4）

上述時域與頻域特征指標構成了支持向量數據描述算法的輸入數據參數。

1.2 支持向量描述算法

本文利用支持向量數據描述算法進行異常檢測，該算法最早由TAX等［10］提出，其本質是構建一個包含所有訓練樣本X={x1，x2，…，xN }的超球體，其中超球體的球心a和半徑R是超球體的核心，超球體構建原理圖見圖1。在訓練過程中，所有樣本到球心a的距離都處于半徑R的范圍內，可將此約束條件具體表示為

[xi-a2≤R2]" " " " " " " " " " " " （5）

在該算法模型訓練過程中，如果樣本偏離距離過大，則會使超球體的半徑變得非常大，不利于測試過程中樣本的學習。因此，為提高算法的魯棒性，引入松弛因子[ξi]，用于解決上述問題，使算法在訓練過程建立模型時滿足部分樣本點分布于超球體之外的情況，可將其最小化問題表示為

[minε（a，R，ξ）=R2+C1Nξis.txi-a2≤R2+ξiξi≥0（i=1，2，...，N）] " " "（6）

其中：[xi]（i=1，…，N）為訓練所需樣本；a為超球體的球心；R為超球體的半徑；[ξi]為松弛因子；C為訓練過程中對錯分樣本的懲罰程度系數，用于平衡超球體容量和錯分樣本的比例。

經過以上的算法優化后，在算法模型訓練過程中，大多數樣本點位于超球體之內，極少數樣本點位于邊界處或之外，因而構成支持向量。根據超球體邊界上任一支持向量到球心a的距離可計算出超球體的半徑R：

[R2=xsv-a2]" " " " " " " " " " "（7）

同理，對測試樣本z進行異常檢測時，也可通過計算z到超球體中心a的距離[d]，從而判斷其是否在半徑R的范圍內。如果樣本點位于超球體內，則可判斷為正常樣本，反之為異常樣本。距離[d]計算表達式如下：

[d=z-a2]" " " " " " " " " " " " " （8）

2 異常檢測算法流程

本文提出的基于時域與頻域特征的SVDD異常檢測方法包括正常狀態建模與異常檢測評判兩部分，其流程圖見圖2。

2.1 正常狀態建模

①數據選取。在正常建模（即模型訓練）過程中，僅選取正常數據進行。②特征參數提取。對訓練集中的正常數據進行時域與頻域特征的參數提取，并作為訓練過程中模型的數據。③模型構建。通過訓練得到構建好的SVDD模型，并將超球體半徑R作為異常評判指標。

2.2 異常檢測評判

①數據選取。在異常檢測（即模型測試）過程中，選取的數據類型包括正常與異常2類。②特征參數提取。對測試集中的正常與異常數據進行時域與頻域特征的參數提取，并將參數輸入訓練好的SVDD模型中。③異常檢測評判。將測試集中各個樣本與球心之間的距離與訓練過程中所得到的超球體半徑進行比較，如果超出半徑閾值R，則可判定為設備異常。

3 現場數據驗證

3.1 數據樣本

對工業現場的不平衡、不對中、喘振這3類故障數據進行分析，故障數據均來自工業現場3種不同的壓縮機組。對現場數據進行訓練時，僅采取每種壓縮機組的正常樣本，樣本數為500個，按照時間序列信息進行排序；對現場數據進行測試時，同時采用每種壓縮機組的正常與故障數據，兩類數據的樣本數均為500個。

3.2 試驗驗證

通過提取正常數據的時域與頻域特征構成新的正常樣本集，將其輸入支持向量數據描述中進行訓練，通過調整參數得到一個包含所有訓練樣本最小超球體及其半徑R的樣本集。在測試中，對待檢測樣本進行時域與頻域特征的提取，將特征輸入訓練好的支持向量數據描述模型中，得到各個樣本與最小超球體球心的距離d，通過比較距離d與超球體半徑R的大小判斷待檢測樣本與球體的相對位置，從而實現異常檢測。

在工業現場中，不平衡、不對中及喘振故障在訓練與測試過程中的異常檢測結果分別見圖3、圖4、圖5。由3類故障訓練的異常結果圖可以看出，訓練過程中所確定的閾值內幾乎包含了所有正常數據。利用訓練好的模型對測試集進行檢驗，絕大多數正常數據樣本到球心的距離d小于超球體半徑R；絕大多數故障數據樣本到球心的距離d大于超球半徑R。由此證明，本文所提出的基于時域與頻域特征的SVDD算法對正常數據和故障數據具有較好的區分能力。

為了評估SVDD算法的異常檢測精度，本文將正常數據和故障數據的檢測精度確定如下：正常數據的檢測精度為到球心的距離d小于等于超球半徑R的正常樣本數目除以正常樣本的總數；故障數據的檢測精度為到球心的距離d大于超球半徑R的正常樣本數除以故障樣本的總數。SVDD算法對正常數據的訓練集以及對正常和故障數據的測試集的檢測精度見表2。由表2可知，對于測試集中的正常數據和故障數據，SVDD算法均具有較高的檢測精度，能夠實現靈敏魯棒的異常檢測。

3.3 試驗方法比較

將本文提出的基于時域與頻域特征的SVDD異常檢測方法與將數據經過傅里葉變換后的SVDD異常檢測方法進行比較，以驗證本文方法的優越性。同樣，將經過傅里葉變換后的正常數據的訓練集對SVDD進行訓練，并將包含正常與異常數據的測試集輸入訓練好的SVDD模型中進行測試。表3為本文檢測方法與經過傅里葉變換后的SVDD異常檢測方法的異常檢測精度的比較結果，從表3可以看出，本文檢測方法的訓練效果更佳。在測試集表現中，雖然2種方法對故障數據的檢測精度都達到了100%，但是在對正常數據的異常檢測中，基于傅里葉變換的異常檢測方法存在大量數據誤診的現象，精度遠不如本文檢測方法。

4 結語

針對在工業現場中僅包含正常訓練樣本的壓縮機異常檢測問題，本文提出了基于時域與頻域特征的支持向量數據描述的壓縮機組異常檢測方法，該方法對工業現場數據進行時域和頻域的特征提取，并將這些特征作為支持向量描述模型的輸入數據，經過網絡模型訓練，確定區分正常數據和異常數據的最佳超球體半徑，以此完成壓縮機組的異常檢測任務。與基于傅里葉變換的SVDD異常檢測方法相比，本文檢測方法具有更高的異常檢測精度，所提特征可以更好地反映設備的健康狀況，凸顯故障信息。然而，本文檢測方法中的超球體球心參數是通過隨機初始化網絡參數計算獲得，會降低模型對早期微弱故障的敏感度，后續可對超球體球心參數的優化計算展開進一步的研究，確保壓縮機組安全可靠地運行。

5 參考文獻

［1］AALEKSANDRA G，RADOSAW Z，PAWEL S，et al.Long term belt conveyor gearbox temperature data analysis-Statistical tests for anomaly detection［J］.Measurement，2020（165）：108124.

［2］WANG H X，ZHANG J，BAO S，et al.Preoperative MRI-based radiomic machine-learning nomogram may accurately distinguish between benign and malignant soft-tissue lesions：a two center study［J］.Journal of Magnetic Resonance Imaging，2020，52（3）：873-882.

［3］TAHAN M，TSOUTSANIS E，MUHAMMAD M，et al.Performance-based health monitoring，diagnostics and prognostics for condition-based maintenance of gas turbines：a review［J］.Applied Energy，2017，198：122-144.

［4］LIN X S，LI B W，YANG X Y.Engine components fault diagnosis using an improved method of deep belief networks［C］//7th International Conference on Mechanical and Aerospace Engineering（ICMAE）.IEEE，2016：454-459.

［5］文定良.離心壓縮機振動故障分析與診斷案例［J］.制造業自動化，2016，38（6）：137-142.

［6］馬再超，溫廣瑞，張恒輝，等.離心式壓縮機轉子故障識別的EEMD-PCA方法研究［J］.振動與沖擊，2016，35（4）：148-155.

［7］LI Y，WANG J D，ZHAO H Y，et al.Fault diagnosis method based on modified multiscale entropy and global distance evaluation for the value fault of a reciprocating compressor［J］.Strojniski Vestnik-Journal of Mechanical Engineering，2019，65（2）：123-135.

［8］AFROOZ P，AMIR H G，MOHAMMAD E.A data mining approach for fault diagnosis：an application of anomaly detection algorithm［J］.Measurement，2014，55：343-352.

［9］HE C B，LI H K，LI Z X，et al.An improved bistable stochastic resonance and its application on weak fault characteristic identification of centrifugal compressor blades［J］.Journal of Sound and Vibration，2019，442：677-697.

［10］TAX D M J，DUIN R P W.Support vector data description［J］.Machine Learning，2004，54（1）：45-66.

【作者簡介】山崧，男，山東黃縣人，高級工程師，研究方向：動力設備狀態監測及故障診斷。

【引用本文】山崧.基于時域與頻域特征的SVDD壓縮機組轉子異常檢測方法［J］.企業科技與發展，2024（5）：105-109.