基于頻譜分析的壓縮機(jī)故障診斷

張毅涵

（中石化巴陵分公司，湖南省 岳陽市 414007）

壓縮機(jī)是通過壓縮氣體體積來提升氣體壓力的的機(jī)械設(shè)備，是工業(yè)生產(chǎn)中常見的設(shè)備之一，應(yīng)用非常廣泛。按照其工作原理可以分為容積式和動力式兩大類，其結(jié)構(gòu)相對復(fù)雜，除了機(jī)械、電氣部分外，還有用于冷卻、潤滑等多種功能的油、氣、水系統(tǒng)。隨著現(xiàn)代化技術(shù)的發(fā)展以及工業(yè)生產(chǎn)的多樣化要求，壓縮機(jī)正朝著大型化、復(fù)雜化以及高度自動化的方向發(fā)展?？墒?，一旦壓縮機(jī)或者它的某一部分出現(xiàn)故障，往往就會造成整臺機(jī)組的癱瘓，嚴(yán)重影響生產(chǎn)進(jìn)行，造成巨大的經(jīng)濟(jì)損失。據(jù)不完全統(tǒng)計(jì)，上個(gè)世紀(jì)八十年代，我國僅化工、煉油等行業(yè)就因壓縮機(jī)故障發(fā)生事故200多起，占全國同期石化生產(chǎn)重大事故的20%以上，因此造成了高達(dá)上千萬元的經(jīng)濟(jì)損失。

機(jī)械設(shè)備出現(xiàn)故障并不是一個(gè)突發(fā)事件，它是一個(gè)從正常狀態(tài)逐漸發(fā)生、發(fā)展的漫長過程，因此需要對設(shè)備的運(yùn)行狀態(tài)進(jìn)行日常的、規(guī)范的、連續(xù)的工作狀態(tài)測量和檢測，即為設(shè)備狀態(tài)檢測。更重要的是，機(jī)械設(shè)備運(yùn)行時(shí)的狀態(tài)信息是存儲在設(shè)備振動信號等特征參數(shù)中的。依據(jù)從設(shè)備狀態(tài)檢測中所獲得的信息，并對照已知的設(shè)備特性（即專家經(jīng)驗(yàn)）和參數(shù)，再結(jié)合設(shè)備的運(yùn)行環(huán)境和運(yùn)行歷史，可以對設(shè)備即將發(fā)生或者已經(jīng)發(fā)生的故障進(jìn)行預(yù)測，并分析確定其故障的類別、原因、程度、部位等，判斷設(shè)備故障發(fā)生和發(fā)展的趨勢及其相應(yīng)后果，盡可能的提出消除故障或者控制故障發(fā)展的相關(guān)對策措施，最終使設(shè)備恢復(fù)正常運(yùn)行，即故障診斷技術(shù)。

文章就是在小波變化處理壓縮機(jī)實(shí)測信號的基礎(chǔ)上，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)，對壓縮機(jī)運(yùn)行狀態(tài)進(jìn)行診斷。它不僅是對壓縮機(jī)故障診斷技術(shù)的有益探索，對工業(yè)生產(chǎn)實(shí)際也具有重要的指導(dǎo)意義。

1 小波變換

對于信號分析來說，頻域?yàn)V波一直是國內(nèi)外科研人員研究的重點(diǎn)。常見的方法大部分是基于傅里葉變換，對原始信號進(jìn)行分頻處理之后，有選擇性的濾掉高頻部分，或者低頻部分。但是由于傅里葉變換的局限性，即時(shí)域分析和頻域分析不同兼顧，得到精度較高時(shí)域分析數(shù)據(jù)必須要犧牲頻域分析，換句話說，傅里葉變換對與平穩(wěn)信號是有足夠的變換精度，但是對與帶有突變、尖峰等壓縮機(jī)實(shí)時(shí)振動信號此類的非平穩(wěn)信號，傅里葉變換并不能夠保持足夠的精度。

小波變換（wavelet transformation,wt）是20世紀(jì)80年代后期發(fā)展起來的一個(gè)新的數(shù)學(xué)分支，作為信號分析處理的新技術(shù)，它與傅里葉變換類似，都是將隨時(shí)間變換的信號與基本函數(shù)進(jìn)行卷積的過程，不同的是，傅里葉變換的基本函數(shù)是三角函數(shù)，而小波分析的基本函數(shù)則是小波系列函數(shù)。小波變換，經(jīng)過科研人員的不懈努力，它在處理非穩(wěn)定信號的去噪方面體現(xiàn)了較強(qiáng)的優(yōu)勢，在信號處理領(lǐng)域得到了廣泛的應(yīng)用。

2 BP神經(jīng)網(wǎng)絡(luò)智能診斷

人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)事實(shí)上也來源于仿生學(xué)，它是對人類大腦神經(jīng)系統(tǒng)的一種物理結(jié)構(gòu)上的模擬，使得仿真系統(tǒng)具有類似與人腦的智能。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，一般有輸入節(jié)點(diǎn)層，輸出節(jié)點(diǎn)層和隱藏層組成，輸入節(jié)點(diǎn)層各節(jié)點(diǎn)事實(shí)上代表著一個(gè)個(gè)輸入變量，從結(jié)構(gòu)上來說，其輸入節(jié)點(diǎn)的個(gè)數(shù)必須與輸入向量的維數(shù)相同，同樣的，輸出節(jié)點(diǎn)的個(gè)數(shù)必須與期望輸出值的維數(shù)相同，而隱藏層各節(jié)點(diǎn)的個(gè)數(shù)則與輸入輸出無必然聯(lián)系，同時(shí)隱藏層也可以擁有多層。從輸入層到輸出層樹枝的傳播是有各層之間的連接權(quán)系數(shù)及作用函數(shù)決定，他們的聯(lián)合作用使得整個(gè)網(wǎng)絡(luò)具有明顯的非線性特點(diǎn)。

BP神經(jīng)網(wǎng)絡(luò)是典型的三層負(fù)反饋網(wǎng)絡(luò)。輸入層一共是7個(gè)輸入端口，輸入故障特征向量，輸出層一共7個(gè)端口，用排列組合的方式顯示故障診斷結(jié)果，隱含層則一共有k個(gè)神經(jīng)元，Wik是輸入層和隱含層之間的連接權(quán)重，Wkj代表隱含成和輸出層之間的鏈接權(quán)重。輸入和輸出之間的關(guān)系，可以用下式來描述

BP神經(jīng)網(wǎng)絡(luò)離心式空氣壓縮機(jī)故障診斷模型的訓(xùn)練算法的步驟可以分為向前傳播和反饋校核兩部分，即初設(shè)Wik和Wkj，輸入7組故障特征向量，初步計(jì)算出故障診斷結(jié)果；第二步則是，將故障診斷結(jié)果與真實(shí)的故障判斷做比較，反方向計(jì)算鏈接系數(shù)Wik和Wkj，接著用調(diào)整后的連接系數(shù)，重復(fù)上述步驟，直到輸出結(jié)果和期望值誤差滿足要求為止。

3 實(shí)例分析

對于引發(fā)離心式空氣壓縮機(jī)異常振動的大部分故障，都有這各不相同的頻譜特性，換句話說，我們通過分析振動測試信號頻譜規(guī)律，是可以對癥下藥的找到相應(yīng)的故障原因。這就是智能故障診斷的依據(jù)之一。因此，可以用已知壓縮機(jī)經(jīng)典故障作為訓(xùn)練樣本，完成BP神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的構(gòu)建工作。

作為實(shí)例分析的壓縮機(jī)，其轉(zhuǎn)子轉(zhuǎn)動速度為6000r/min。針對實(shí)測的壓縮機(jī)振動信號，采用小波包變換的方法進(jìn)行頻譜分析，獲得信號的主要振動能量集中在100Hz,200Hz,300Hz和400Hz等為轉(zhuǎn)頻的整數(shù)倍頻域內(nèi)，同時(shí)在35Hz左右這個(gè)低頻區(qū)域也存在較強(qiáng)的振幅。

針對該壓縮機(jī)的頻譜特性，參照壓縮機(jī)經(jīng)典故障集，可以將轉(zhuǎn)子不對中剔除（該信號無低頻頻段）、將油膜渦動剔除（該信號無整數(shù)倍轉(zhuǎn)頻段）、將油膜振蕩剔除（該信號為超低頻段），同時(shí)也可以將轉(zhuǎn)子過盈配合件過盈不足、轉(zhuǎn)軸有裂紋等剔除，只剩下轉(zhuǎn)子與靜止件摩擦及轉(zhuǎn)子支撐系統(tǒng)聯(lián)接松動兩個(gè)故障原因，而實(shí)測的軸心軌跡也相當(dāng)紊亂，此時(shí)無法再進(jìn)行人工判斷其故障原因，必須利用BP網(wǎng)絡(luò)智能診斷模型進(jìn)行診斷。

提取該信號的特征向量為 [0.12000.260.350.130.14]，輸入到BP神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)中得到結(jié)果為[0000.800.20]，即第4號故障：由于轉(zhuǎn)子與靜止件摩擦誘發(fā)機(jī)組異常振動。而在一個(gè)月后的實(shí)際檢修中發(fā)現(xiàn)，壓縮機(jī)軸承冷卻油中含有微量鐵屑，顯然轉(zhuǎn)子與軸承長期摩擦，這充分證明了故障診斷系統(tǒng)的準(zhǔn)確性。

4 結(jié)語

文章基于小波包變換，在對實(shí)測壓縮機(jī)振動信號濾波的基礎(chǔ)上，提取其特征值，并利用空壓機(jī)異常振動的常見故障現(xiàn)象特征集，作為訓(xùn)練樣本，對BP神經(jīng)網(wǎng)絡(luò)故障診斷模型進(jìn)行訓(xùn)練，針對空壓機(jī)某一振動信號，利用該模型得到了較好的診斷結(jié)果，這一方面是對故障診斷技術(shù)的有益探索，在實(shí)際應(yīng)用中也具有較大的實(shí)用價(jià)值。

[1]楊志伊.設(shè)備狀態(tài)監(jiān)測與故障診斷[M].北京:中國計(jì)劃出版社，2006.[2]鐘秉林，黃仁.機(jī)械故障診斷學(xué)[M].北京:機(jī)械工業(yè)出版社，1999.

[3]張建民，徐小力，許寶杰，等.面向機(jī)電系統(tǒng)狀態(tài)監(jiān)測與故障診斷的現(xiàn)代技術(shù)[J].北京理工大學(xué)學(xué)報(bào)，2004，（9）:751-756.

[4]劉相臣，張秉淑.化工裝備事故分析與預(yù)防[M].北京:化學(xué)工業(yè)出版社，1994.

[5]張敬芬，趙德有.基于模糊神經(jīng)網(wǎng)絡(luò)的高階頻段振動信號故障診斷研究[J].振動、測試與診斷，2001，（12）:271-274.