[发明专利]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

摘要

本发明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。

主权项

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)、采用散布矩阵法或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类的类内平均值之和，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]]>上式中，Value(Dk,R)为样本R在第k个故障特征参数Dk下的取值；Value(Dk,Xi)为样本Xi在第k个故障特征参数Dk下的取值；找出与R最近的Z个同类样本Hi和最远的Z个不同类样本Ti，i＝1,2,...,Z；d)、对于样本R的所有q个故障特征参数Dk(k＝1,2,...,q)依次进行如下计算：W(Dk)=W′(Dk)-Σi=1Zdiff(Dk,R,Hi)/Z+Σi=1Zdiff(Dk,R,Ti)/Z;]]>其中：W′(Dk)为第k个故障特征参数Dk下的权值矩阵向量的前一次计算值，对第一次计算，W′(Dk)＝0；diff(Dk,R,Hi)＝|Value(Dk,R)‑Value(Dk,Hi)|/(max(Dk)‑min(Dk))；diff(Dk,R,Ti)＝|Value(Dk,R)‑Value(Dk,Ti)|/(max(Dk)‑min(Dk))；Value(Dk,R)为样本R在第k个故障特征参数Dk下的取值；Value(Dk,Hi)为样本Hi在第k个故障特征参数Dk下的取值；Value(Dk,Ti)为样本Ti在第k个故障特征参数Dk下的取值；e)、循环步骤b)到d)L次，L＝Y/2，若Y为奇数，L舍去小数后取整；输出权值向量W，该向量需经归一化处理得到向量MW，MWk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；MWk计算过程如下：MWk＝(Wk‑min(W)/(max(W)‑min(W))其中：max(W)为W的最大值；min(W)为W的最小值；规定向量MW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；3.3、采用信息熵评估方法提取往复压缩机故障特征参数敏感性系数；a)、针对包含正常数据与第m种故障数据的样本数据，特征G的t个观察值G1,G2,G3,…,Gt，将G的取值范围划分为u个不相交的区间(gi,gi+1](i＝1,2,...,u)，令B(gi)为特征G在第i区间观察值的个数计数的计算函数，那么G的近似概率函数为P(gi)＝B(gi)/t，特征G的信息熵为b)、仍是该特征G下的观察值，按正常数据与故障数据分，B(cj)为各类别下的个数，那么C的近似概率函数为P(cj)＝B(cj)/t，故障类别C的信息熵为c)、计算条件熵HH(G|C)时，在计算HH(G)时划分的区间中，计算故障类别cj的出现概率P(gi|cj)，于是可计算条件熵d)、计算对称不确定性e)、计算下一个特征，并重复a)到d)的计算步骤；f)、经过基于信息熵评估方法得到一个表示各个参数敏感性系数的向量SU；该向量SU还需要经过归一化处理得到MSU，MSUk就是信息熵法计算后获得的第k个故障特征参数的敏感性系数；计算过程如下：MSUk＝(SUk‑min(SU))/(max(SU)‑min(SU))其中：max(SU)为SU的最大值；min(SU)为SU的最小值；规定向量MSU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；4)、针对往复压缩机实际在线监测数据，根据步骤3中提取的故障敏感特征参数，设定往复压缩机典型故障敏感报警参数，对恶性故障：活塞杆断裂、撞缸、连杆断裂或拉缸故障进行重点报警关注；5)、采用智能分类算法对故障历史数据进行自学习，基于故障敏感特征参数形成标准案例分类器，实现机组故障自动诊断。