天然氣壓縮機耦合故障的波動熵診斷模型

崔厚璽，張來斌，段禮祥，蘭新陽

(1. 中國石油集團海洋工程有限公司 工程設計院，北京，100176；2. 中國石油大學(北京) 機電工程學院，北京，102249)

天然氣的開發(fā)及安全生產(chǎn)對于緩解能源緊張、保證能源持續(xù)供給具有非常重要的意義。壓縮機組是天然氣生產(chǎn)的關鍵設備，其結構復雜，運行環(huán)境惡劣，故障率高，一旦發(fā)生故障，將會引起鏈式反應，造成嚴重甚至是災難性的后果。因此，開展壓縮機故障診斷對于天然氣的安全生產(chǎn)與供給很有必要。目前，國內(nèi)外研究者開展了壓縮機故障診斷工作，如屈梁生等[1]采用噪聲壓縮、信息融合、長周期統(tǒng)計等方法提高診斷精度；王儼凱等[2?8]采用小波方法診斷氣閥故障等，取得了較好的效果。然而，在壓縮機組的眾多故障類型中，除自身結構性故障(如氣閥故障、部件磨損等)外，還存在耦合故障模式，如管線氣流脈動、機組喘振及共振等。這些故障一般不易被監(jiān)控系統(tǒng)識別，但其自身危害性是潛在的、緩慢的、長期的。近幾年，天然氣壓縮機組的耦合故障日趨嚴重，已占故障總量的40%以上，卻缺乏有效的診斷方法，相關研究也僅限于解決一些具體的現(xiàn)場問題，可以說，天然氣壓縮機耦合故障已嚴重制約天然氣的安全生產(chǎn)。為此，本文作者對天然氣壓縮機組耦合故障機理進行分析，研究故障特征，針對耦合故障定性及定量特征提取的難題，引入信息熵機制建立故障的波動熵診斷模型。

1 天然氣壓縮機耦合故障機理及診斷難點

1.1 天然氣壓縮機耦合故障機理

天然氣壓縮機組中含有動力、轉(zhuǎn)速、電力、流體、熱工等工藝控制參數(shù)，在運行過程中，這些工藝參數(shù)之間相互影響和制約。由于目前機組控制系統(tǒng)的設計水平只是考慮滿足設備運行的工藝流程，并沒有顧及控制參數(shù)對設備的深層次故障的影響，雖然存在一組控制參數(shù)滿足生產(chǎn)工藝的要求，但使設備處于不良運行狀態(tài)。這些參數(shù)相互耦合作用后產(chǎn)生故障誘因并在機組中傳遞，可能產(chǎn)生耦合故障。可見，壓縮機耦合故障具有多參數(shù)作用性、傳遞性、多發(fā)性等特點，危害較大。

1.2 天然氣壓縮機耦合故障診斷難點

目前，國內(nèi)外開展的壓縮機故障診斷大多針對自身結構性故障，很少涉及耦合故障的識別及診斷，相關研究也僅限于解決一些具體的現(xiàn)場問題，如機組管線振動分析及減振方法研究[9?10]、防喘振系統(tǒng)的設計[11?12]等，這些研究僅是從機組系統(tǒng)改造、平衡機組進出口氣體壓力作為出發(fā)點，以減小管線振動，防止喘振，但對具體如何識別這些耦合故障，即對故障的定性及定量診斷沒有進行研究。在識別耦合故障時，首先要區(qū)別是結構性故障還是耦合故障。而目前故障診斷方法的本質(zhì)是“分類”，即首先選擇識別參數(shù)并提取故障定性及定量特征建立“故障標準類別”，再根據(jù)已建故障標準類別識別待診故障。這些“故障標準類別”多采用固定的時頻域特征作為識別參數(shù)，具有針對性強、識別率高等優(yōu)點，適用于診斷相同類型設備；但是，其普適性差，必須針對不同類型的設備分別提取故障定性及定量特征。而天然氣壓縮機自身結構性故障及耦合故障形式多，因此，若考慮所有可能形式建立自身結構性故障標準類別及耦合故障標準類別，在提取故障定性及定量特征時極其復雜，工作量大，難以實現(xiàn)。

2 壓縮機耦合故障的波動熵模型

解決故障定性及定量特征提取難題的有效途徑是引入信息熵機制進行識別。信息熵用來描述信號的總體統(tǒng)計特性[13?15]，對信號總體特征具有極強的概括能力。為此，本文作者通過提取機組多個位置的信號能量組成能量譜以構造波動熵，通過考查信號能量譜整體波動特性識別耦合故障，建立波動熵診斷模型。

根據(jù)耦合故障的傳遞性、多發(fā)性特點，當發(fā)生耦合故障時，會有多個部件出現(xiàn)故障征兆而使各自信號能量增大，能量譜向量的波動及離散程度較小，波動熵較大；而當發(fā)生設備自身結構故障時，只有極個別故障部件信號的能量變大，能量譜向量的波動及離散程度較大，波動熵較小，這樣，根據(jù)波動熵即可識別出壓縮機組耦合故障。波動熵的構造如下。

設1臺壓縮機共設置M個測點，x(t)為第m個測點處振動信號，經(jīng)傅里葉變換后得到幅值譜：

式中：k為橫坐標的點序號；N為傅里葉變化點數(shù)，一般為1 024。因此，測點m處振動信號的能量Sm可由下式計算得到：

Sm構成了該設備的信號能量譜向量。設S={S1,S2, …,SM}為該機組正常狀態(tài)下能量譜向量，為待檢狀態(tài)能量譜向量，定義能量波動譜向量?S為

式中：?Sm為測點m處信號的能量波動度；1≤m≤M。

?Sm越大，說明能量增幅波動越大；反之，則越小。因此，波動譜?S反映了能量譜向量的波動程度，若能量譜波動較劇烈，則可能由機組的結構性故障引起；反之，若波動譜波動較平穩(wěn)，則可能由耦合故障引起。因此，定義波動熵以描述波動譜的波動程度，進而判斷機組故障類型。

定義波動熵：

式中：pm為第m個能量波動度在整個波動譜中所占的比例，

波動熵模型無需提取信號的局部細節(jié)特征，不僅解決了故障定性特征提取的難題，且具有較強的信息涵蓋和容錯能力，而波動熵的特征界限值較易確定，又解決了故障定量特征提取的難題。

3 實例應用

在某西部油田對多臺天然氣壓縮機組進行跟蹤測試，這里以其中1臺為例說明波動熵診斷模型的應用。根據(jù)機組結構及診斷需要，共在壓縮機組本身及進出口管線處布置16個測點，拾取各測點處的振動信號，經(jīng)預處理、降噪后，按照式(2)計算各測點信號能量。表1所示為機組正常狀態(tài)、氣閥故障、喘振及管線共振4種故障下各測點多次測量的能量平均值。

表1 4種不同類型故障下機組各測點能量Table 2 Energy of each measured signal under four different failures 能量*/(mm·s?2)

按照式(4)計算機組在不同故障下各測點的能量波動度，波動曲線如圖1所示。從圖1可以看出：當機組出現(xiàn)結構性故障(即氣閥故障)時，只有靠近故障源處(測點 6位置)，能量波動度較大，且該值遠遠高于其他故障情況下的波動度；當機組出現(xiàn)耦合故障(即機組喘振或管線共振)時，各測點能量波動度變化范圍不大，即氣閥故障時波動度曲線離散度大，而波動度曲線離散度較小。

圖1 不同故障下各測點能量波動度Fig.1 Energy fluctuation degree of each measured signal under different failures

根據(jù)式(5)計算得到各故障的波動熵。結果表明：當機組存在結構性故障(氣閥故障)時，波動熵較小，為 0.858 4；而當機組存在耦合故障(機組喘振、管線共振)時，波動熵較大，分別為1.150 1和1.172 4。由此可見，不同類型故障的波動熵差別較大，說明波動熵能從本質(zhì)上反映故障的性質(zhì)。因此，用表征信號整體分布特性的波動熵作為特征量識別機組的耦合故障是可行的。該模型已在某西部油田現(xiàn)場進行驗證，準確率高達95%。

4 結論

(1) 提出耦合故障的波動熵診斷模型。通過計算信號能量波動度生成波動譜，定義波動熵特征描述故障信號特性，根據(jù)波動熵識別故障，不需提取信號局部細節(jié)特征，提高了診斷模型的信息涵蓋及容錯能力，解決了故障定性及定量特征提取的難題。

(2) 該模型充分考慮了故障的產(chǎn)生機理及故障征兆，并基于故障的傳遞性和多發(fā)性特點，因此，更能從本質(zhì)上反映故障性質(zhì)。該模型可準確診斷壓縮機耦合故障，準確率高達95%。

(3) 研究耦合故障的定量診斷方法，統(tǒng)計多種耦合故障類型的波動熵區(qū)間，確定其定量界限值，可為壓縮機耦合故障的診斷提供實用的理論體系與定量診斷模型。

[1] 屈梁生, 張海軍. 提高故障診斷質(zhì)量的幾種方法[J]. 中國機械工程, 2001, 12(10): 1168?1172.QU Liang-sheng, ZHANG Hai-jun. Some measures to improve the quality of fault diagnosis[J]. China Mechanical Engineering,2001, 12(10): 1168?1172.

[2] 王儼凱, 廖明夫, 趙鐵. 基于小波分析的制冷壓縮機氣閥故障診斷方法的研究[J]. 中國機械工程, 2003, 14(12):1046?1048.WANG Yan-kai, LIAO Ming-fu, ZHAO Tie. Application of the wavelet transform to fault diagnosis in compressor valves[J].China Mechanical Engineering, 2003, 14(12): 1046?1048.

[3] 余紹蓉, 尹益輝, 徐兵, 等. 基于信息熵理論的隨機?模糊可靠性分析方法探討[J]. 機械強度, 2006, 28(5): 695?698.YU Shao-rong, YIN Yi-hui, XU Bin, et al. Analysis of the random-fuzzy reliability based on the information entropy theory[J]. Journal of Mechanical Strength, 2006, 28(5):695?698.

[4] 劉長虹, 陳虬. 基于信息熵理論中的含模糊參數(shù)的響應面法[J]. 機械強度, 2003, 25(2): 187?189.LIU Chang-hong, CHEN Qiu. Response surface method in fuzzy parameters under the entropy[J]. Journal of Mechanical Strength,2003, 25(2): 187?189.

[5] 熊良才, 史鐵林, 楊叔子. Choi-Williams分布參數(shù)優(yōu)化及其應用[J]. 華中科技大學學報: 自然科學版, 2003, 31(1): 103?104.XIONG Liang-cai, SHI Tie-lin, YANG Shu-zi. Parameter optimizing of Choi-Williams distribution and its application[J].Journal of Huazhong University of Science and Technology:Natural Science Edition, 2003, 31(1): 103?104.

[6] 申弢, 黃樹紅, 韓守木, 等. 旋轉(zhuǎn)機械振動信號的信息熵特征[J]. 機械工程學報, 2001, 37(6): 94?98.SHEN Tao, HUANG Shu-hong, HAN Shou-mu, et al. Extracting information entropy features for rotating machinery vibration signals[J]. Chinese Journal of Mechanical Engineering, 2001,37(6): 94?98.

[7] 耿俊豹, 黃樹紅, 陳非, 等. 基于信息熵貼近度的旋轉(zhuǎn)機械故障診斷[J]. 華中科技大學學報: 自然科學版, 2006, 34(11):93?95.GENG Jun-bao, HUANG Shu-hong, CHEN Fei, et al. Rotating machinery fault diagnosis based on close degree to information entropy[J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2006, 34(11): 93?95.

[8] 桂中華, 韓鳳琴. 小波包特征熵神經(jīng)網(wǎng)絡在尾水管故障診斷中的應用[J]. 中國電機工程學報, 2005, 25(4): 99?102.GUI Zhong-hua, HAN Feng-qin. Neural network based on wavelet packet-characteristic entropy for fault diagnosis of draft tube[J]. Proceedings of the Chinese Society for Electrical Engineering, 2005, 25(4): 99?102.

[9] 劉長海, 薛長泉. 4RDS往復壓縮機組管系振動分析及減振措施[J]. 壓縮機技術, 2005(3): 10?12.LIU Chang-hai, XUE Chang-quan. Vibration analysis and absorbing of 4RDS reciprocating compressor unit[J].Compressor Technology, 2005(3): 10?12.

[10] 孫春一, 鄧子龍. 5 L型壓縮機管路振動分析與減振措施[J].遼寧石油化工大學學報, 2006, 26(3): 70?72.SUN Chun-yi, DENG Zi-long. Vibration analysis and shock absorption measurement of pipes for 5 L-type reciprocating compressor[J]. Journal of Liaoning University of Petroleum &Chemical Technology, 2006, 26(3): 70?72.

[11] 靳伍銀, 劉飛躍, 剡昌鋒, 等. 離心壓縮機的防喘振控制[J].蘭州理工大學學報, 2007, 33(3): 42?45.JIN Wu-yin, LIU Fei-yue, YAN Chang-feng, et al. An anti-surge control for centrifugal compressor[J]. Journal of Lanzhou University of Technology, 2007, 33(3): 42?45.

[12] 儲朝霞. 離心式壓縮機防喘振控制方案及數(shù)學模型[J]. 石油化工自動化, 2007(3): 19?22.CHU Zhao-xia. The anti-surge control schemes and mathematic models for centrifugal compressors in methanol plant[J].Automation in Petro-Chemical Industry, 2007(3): 19?22.

[13] Shannon C E. A mathematical theory of communication[J]. Bell System Technical Journal, 1948, 27: 379?423.

[14] 尹喜云, 趙伏軍. 動靜組合加載作用下鑿巖刀具失效的信息熵分析[J]. 中南大學學報: 自然科學版, 2007, 38(4): 739?744.YIN Xi-yun, ZHAO Fu-jun. Failure comentropy analysis of rock-drilling cutter under dynamic-static loading[J]. Journal of Central South University: Science and Technology, 2007, 38(4):739?744.

[15] 陳非, 黃樹紅, 張燕平, 等. 基于過程的旋轉(zhuǎn)機械振動故障定量診斷方法[J]. 動力工程, 2008, 28(4): 543?547.CHEN Fei, HUANG Shu-hong, ZHANG Yan-ping, et al. A quantitative diagnosis method of vibration faults of rotating machinery based on process[J]. Journal of Power Engineering,2008, 28(4): 543?547.