基于人工智能的往復式壓縮機故障診斷研究綜述

劉華敏，呂 倩，余小玲，葉君超，楊長華，萬辰詠

（1.中國石油化工股份有限公司江漢油田分公司，湖北潛江 433100；2.西安交通大學，西安 710049；3.中石化重慶涪陵頁巖氣勘探開發(fā)有限公司，重慶 404100）

0 引言

往復式壓縮機是石油化工行業(yè)工藝流程中不可或缺的核心裝置，壓縮機能否正常運行直接關(guān)系到企業(yè)的經(jīng)濟效益。有些工藝壓縮機的壓縮機介質(zhì)為氫氣、乙烯、天然氣等易燃易爆的氣體，且工作在高壓條件下，一旦發(fā)生故障可能會造成嚴重的人員傷亡事故。因此，研究往復式壓縮機的故障診斷技術(shù)，盡早發(fā)現(xiàn)故障異常，并采取相應的防治措施具有重要意義［1］。

機械故障診斷過程，一般包含三大步驟：基于傳感器的狀態(tài)信號監(jiān)測，基于信號分析方法的信號特征提取，以及故障模式識別［2］。目前對于往復式壓縮機的故障監(jiān)測診斷，常用的方法是通過在線監(jiān)測設(shè)備獲取壓縮機的運行參數(shù)信息，發(fā)現(xiàn)參數(shù)異常后再進行人工分析診斷［3］。然而，往復式壓縮機的結(jié)構(gòu)復雜，易損件多，且結(jié)構(gòu)之間的相對運動較多，結(jié)構(gòu)件受力復雜，因此，往復式壓縮機的故障具有多樣性，且故障之間的關(guān)聯(lián)性強和復雜度高的特點［2,4］。這就給人工的診斷過程增加了難度，使得診斷過程在時間上不夠及時，并且診斷結(jié)果的準確性很大程度上依賴于診斷專家的經(jīng)驗學識。若診斷信號成分復雜，加之診斷專家的經(jīng)驗不足，可能還會出現(xiàn)誤判的情況。因此減少診斷過程中人工的參與，提高診斷精度是往復壓縮機故障診斷的迫切需求。

在過去的60 年中人工智能（AI）的發(fā)展取得了巨大進步。各類不同的人工智能技術(shù)為很多復雜非線性、大型的工程問題的解決提供了方法［5］。并且，隨著專家系統(tǒng)、機器學習等技術(shù)的發(fā)展，各類人工智能系統(tǒng)可以學習并儲存大量的人類經(jīng)驗和專業(yè)領(lǐng)域知識，用于解決各類復雜的專業(yè)問題。其中人工智能技術(shù)在旋轉(zhuǎn)機械、大型風機、電機等大型機械的故障診斷中都得到了廣泛的應 用［6-10］，并且都有很好的診斷效果，對往復式壓縮機的故障診斷有一定的指導意義。因此，將往復式壓縮機的故障診斷與人工智能技術(shù)相結(jié)合，在獲取熱力參數(shù)，振動和噪聲信號等多種不同的原始信號后，采取合適的信號處理方法提取信號特征，再結(jié)合人工智能中多種不同的模式識別方法，對信號特征進行故障分類［2］，將會是未來的發(fā)展趨勢。

本文介紹各類人工智能技術(shù)在往復式壓縮機故障診斷中的應用情況，分析其優(yōu)缺點，并以此來預測將來的發(fā)展方向。根據(jù)往復式壓縮機故障診斷過程中故障識別類型是否全面，將往復式壓縮機的故障診斷分為全局故障診斷和局部故障診斷兩類。在局部故障診斷中，常用的診斷手段根據(jù)監(jiān)測的狀態(tài)信號來源的不同可以分為：熱力參數(shù)法，振動噪聲法，和油液分析法［11］。其中，油液法需要先采集壓縮機內(nèi)的潤滑油，再利用各種分析手段來檢測油液樣品的性能和樣品中所帶的磨損顆粒，此過程耗時較長不能及時反應壓縮機的故障，在此文中不做討論。本文首先介紹人工智能在全局故障診斷中的應用，然后從參數(shù)法和振動噪聲法兩個方面介紹人工智能和局部診斷的結(jié)合應用。

1 常用的人工智能技術(shù)

1.1 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡（ANN）是模擬人類大腦神經(jīng)元的工作機制，由多個信息處理單元（神經(jīng)元）并行互連建立起來的網(wǎng)絡。神經(jīng)元作為基本工作單元，一般有3 個組成部分：一組帶有權(quán)重的連接（connection），一個加法器和一個激活函數(shù)［12］，如圖1 所示。以圖示神經(jīng)元為例，該神經(jīng)元通過帶權(quán)重的連接，接受到來自其他m 個不同神經(jīng)元的信號，之后將總輸入值經(jīng)過激活函數(shù)的處理，形成新的輸出信號，再傳遞給下一個神經(jīng)元［13］。

ANN 可以根據(jù)需要調(diào)整不同的網(wǎng)絡結(jié)構(gòu)，如層數(shù)、神經(jīng)元個數(shù)等，也可以根據(jù)實際問題的性質(zhì)選擇不同的激活函數(shù)，如，Sigmoid 函數(shù)，階躍函數(shù)等。另外，ANN 可以通過不同的學習算法，例如反向傳播，通過訓練多層網(wǎng)絡中的連接權(quán)重來學習任何函數(shù)。因此ANN 可以用來對高維非線性問題進行建模，并且具有自適應性。經(jīng)過很多年發(fā)展的積累，ANN 已經(jīng)發(fā)展出了很多適用條件不同的神經(jīng)網(wǎng)絡，例如徑向基函數(shù)（RBF）網(wǎng)絡非常適合用于逼近函數(shù)，自適應共振理論（ART）模型適用于聚類等。壓縮機的故障診斷本質(zhì)上可以歸納為聚類問題，選擇適當?shù)纳窠?jīng)網(wǎng)絡，可以使診斷工作事半功倍。但與此同時，神經(jīng)網(wǎng)絡在應用中也存在受樣本質(zhì)量影響較大，不能解釋結(jié)果，并在小規(guī)模問題上受限的缺點。

圖1 神經(jīng)元模型

1.2 專家系統(tǒng)

專家系統(tǒng)（ES）是一種能借助人類對其輸入的知識庫、采取一定的搜索策略并通過推理的方式去解決某一領(lǐng)域的問題，并對結(jié)果進行解釋的智能計算機程序［5，11］。ES 可以模擬人腦的思維方式，基于知識庫，解決復雜的推理問題，能夠代替診斷過程中人工分析的過程。在復雜的案例中，能提高解決問題的精確度，減少分析時間。

ES 主要分為四類：基于規(guī)則的ES，基于案例推理的ES，基于模型的ES和基于Web的ES［14-15］?；谝?guī)則的ES 是目前使用最廣泛的類型，此類系統(tǒng)將專家的知識總結(jié)為一條條的規(guī)則，推理的過程易懂，結(jié)果易解釋。但缺點在于，規(guī)則的獲取是需要專家人工總結(jié)提出，當知識過于冗雜時，會增加難度，并且知識庫不能自動更新，難以維護。基于案例推理的ES 的工作原理是根據(jù)以前的案例解決現(xiàn)有問題，此類ES 可以不斷的從新案例中獲取新知識并更新，提高系統(tǒng)解決問題的能力。但當案例庫過大，則會導致搜索時間過長?；谀Ｐ偷腅S 中常見的一個分支為，基于神經(jīng)網(wǎng)絡模型的ES。此類專家系統(tǒng)從根本上改變了知識獲取的方式，由原來的人工輸入變?yōu)楝F(xiàn)在的神經(jīng)網(wǎng)絡自動獲取，這就解決了知識庫不能自動更新，和當案例較多時搜索時間過長的問題。但是，由于神經(jīng)網(wǎng)絡自身學習特性，也會造成該系統(tǒng)存在和神經(jīng)網(wǎng)絡同樣的局限性。另外一種是隨著信息技術(shù)發(fā)展而產(chǎn)生的基于Web 的ES，該系統(tǒng)的用戶的交互接口是基于網(wǎng)絡的，使用者通過網(wǎng)絡訪問專家系統(tǒng)服務器，服務器則通過調(diào)用云端的知識庫來推理結(jié)果。此種系統(tǒng)從本質(zhì)上只是改變了知識庫的存儲位置，更方便了其調(diào)用。根據(jù)上述的各個專家系統(tǒng)的特點可知，一般專家系統(tǒng)更適合用于全局的故障診斷中。

1.3 支持向量機

支持向量機是一種監(jiān)督式機器學習方法，它依賴于統(tǒng)計學習理論和結(jié)構(gòu)風險最小化原理，并可以對樣本按照不同的類別標記進行分類。支持向量機的分類思想是基于該樣本訓練集，在其樣本空間中找到一個劃分超平面，能夠?qū)⒉煌悇e的樣本劃分開，使得異側(cè)的支持向量到這個平面的距離相等且最大。以二維空間為例，其劃分規(guī)則如圖2 所示。當訓練樣本是線性不可分的時候，就需要引入核函數(shù)，將原始空間映射到一個更高維的特征空間中，使得樣本在這個空間中變的線性可分，再構(gòu)造出最優(yōu)超平面。統(tǒng)計學習理論是一套針對小樣本統(tǒng)計問題的學習體系，因此使得支持向量機在非線性和小樣本的分類問題上表現(xiàn)優(yōu)異。往復式壓縮機的故障診斷模型的訓練樣本量少，問題復雜非線性高，正是這一類問題。

圖2 二維空間超平面劃分

當然支持向量機也有弊端，在線性不可分問題上，支持向量機的構(gòu)造依賴于核函數(shù)的選擇，因此，其分類功能的泛化能力主要也依賴于核函數(shù)。而在支持向量機的應用中，核函數(shù)如何高效準確的選擇是一個尚未解決的問題［16-18］。

1.4 貝葉斯網(wǎng)絡

貝葉斯網(wǎng)絡，又被稱為信念網(wǎng)絡，是基于概率論和圖論的一種有向無環(huán)圖［19］，如圖3 所示。它主要由兩部分組成：（1）節(jié)點，節(jié)點代表隨機變量；（2）有向弧，有向弧是帶有權(quán)值的箭頭，箭頭的起始端代表“因”，終端代表“果”，權(quán)值代表兩變量之間的依賴關(guān)系，即條件概率［13］。在研究某一問題時，所有變量和變量之間的依賴關(guān)系在一個有向無環(huán)圖中描述，便是一個貝葉斯網(wǎng)絡。貝葉斯網(wǎng)絡結(jié)構(gòu)可以通過結(jié)合先驗知識和對觀測數(shù)據(jù)的學習來構(gòu)建。

圖3 貝葉斯網(wǎng)絡結(jié)構(gòu)示意

貝葉斯網(wǎng)絡具有很多優(yōu)點：（1）在某些領(lǐng)域中，專家的知識可以分解成因果相關(guān)的依賴關(guān)系直觀的表示在網(wǎng)絡中，并且以往積累的統(tǒng)計數(shù)據(jù)可以轉(zhuǎn)換成條件概率融入到模型當中，這就使得模型具備了知識；（2）模型可以表示隨機變量之間的條件概率，這就使得貝葉斯網(wǎng)絡在不確定推理方面表現(xiàn)優(yōu)異；（3）因為貝葉斯網(wǎng)絡是基于貝葉斯理論進行推理的，本質(zhì)上是概率計算，因此不再需要額外的推理規(guī)則。往復壓縮機的故障原因和表象之間具有復雜的相關(guān)性，并且診斷經(jīng)驗具有不確定性，相比于人類貝葉斯網(wǎng)絡可以發(fā)揮其優(yōu)勢，系統(tǒng)快速精準地做出診斷［20］。

與上述第1 點一致，以往貝葉斯網(wǎng)絡結(jié)構(gòu)的構(gòu)建大多是建立于某問題領(lǐng)域?qū)＜业慕?jīng)驗知識之上，但難免和專家系統(tǒng)一樣具有局限性。因此，通過客觀的觀測數(shù)據(jù)建立優(yōu)異的網(wǎng)絡結(jié)構(gòu)，即結(jié)構(gòu)學習，是目前的研究重點。如何通過小樣本數(shù)據(jù)進行學習以及如何基于不完備的數(shù)據(jù)進行學習等也是當前應用中的難點［21］。

2 人工智能在全局故障診斷技術(shù)中的應用

專家系統(tǒng)由于其自身特點更適合用于構(gòu)建全局的故障診斷系統(tǒng)。姚華堂［11］在壓縮機診斷原理和經(jīng)驗的基礎(chǔ)上，建立了一套往復式壓縮機故障診斷專家系統(tǒng)。該文首先通過故障樹的形式，構(gòu)建了壓縮機常見的六種故障的分析圖。其中較為完備的分析了每種故障的可能原因，并相對應給出了解決方案。之后通過鏈表形式的數(shù)據(jù)結(jié)構(gòu)，利用C 語言建立了專家系統(tǒng)的知識庫。但該系統(tǒng)只是用羅列的方式展示了故障形式的原因，還需要人工按照可能的原因?qū)收弦灰贿M行排除，并最終確定故障原因，因此其診斷過程依然不夠智能。趙心怡［22］建立了一個基于規(guī)則推理的專家系統(tǒng)，該系統(tǒng)通過監(jiān)測系統(tǒng)監(jiān)測到的信號依據(jù)規(guī)則進行推理，最終進行故障診斷，但經(jīng)過實驗驗證，該系統(tǒng)的準確度不高，誤報還會增加人工勞力浪費。

貝葉斯網(wǎng)絡因為其可以處理具有不確定性的信息，例如以往的壓縮機故障診斷規(guī)律，和專家的診斷知識等，同樣也適于構(gòu)造全局的診斷系統(tǒng)。阿布都外力·買買提［23］在以往的壓縮機維修檔案的歷史資料中提取了貝葉斯網(wǎng)絡中所需要的先驗概率，并依據(jù)該領(lǐng)域?qū)＜曳e累的經(jīng)驗知識搭建網(wǎng)絡結(jié)構(gòu)，從而搭建了貝葉斯網(wǎng)絡診斷系統(tǒng)。該系統(tǒng)減少了診斷時間，并提高了診斷精度。該系統(tǒng)的構(gòu)建是具有完備的數(shù)據(jù)基礎(chǔ)的，但實際的壓縮機廠家很難提供出詳細完備的維修診斷數(shù)據(jù)。

3 人工智能在局部故障診斷技術(shù)中的應用

3.1 參數(shù)法

參數(shù)法是指根據(jù)熱力參數(shù)來判斷壓縮機狀態(tài)的一種監(jiān)測方法，pV 圖便是其中一種。pV 圖是反映壓縮機一個工作循環(huán)中氣缸內(nèi)壓力隨工作腔容積變化的曲線圖。氣閥，活塞環(huán)和支撐環(huán)等故障都會引起氣缸內(nèi)工作過程的變化，從而直接影響pV 圖的形狀。因此，pV 圖是一種判別往復式壓縮機故障的重要依據(jù)［24］。

Wang 等［25］提出了一種基于pV 圖和支持向量機的往復式壓縮機氣閥診斷的方法。他根據(jù)圖像處理中的不變矩理論，提取pV 圖的7 個特征不變矩。并實驗模擬并采集了5 種氣閥故障工況下的pV 圖，并將其特征不變矩作為支持向量機的訓練樣本，最終結(jié)果顯示，訓練后的支持向量機可以有效的區(qū)分5 種氣閥故障。Feng 等［26］利用Curvelet 變換提取p-V 圖的特征，并用非線性主成分分析法來降低特征維度，最終選取支持向量機作為分類器來進行5 種氣閥故障識別。結(jié)果表明分類效果高于基于小波分析提取特征的方法。Kurt Pichler 等［27-28］針對六種不同類型的氣閥，提取了其p-V 圖膨脹過程在對數(shù)坐標上的梯度和進排氣壓力差作為訓練支持向量機的特征值，結(jié)果表明針對每一種氣閥，支持向量機對于氣閥有無故障都能有很高的辨識力。并且當選取其中5種氣閥數(shù)據(jù)作為樣本，訓練得到的支持向量機對另外一種氣閥有無故障的辨識力也較高。

從上述文章中，我們可以看出，利用p-V 圖進行故障診斷的本質(zhì)其實是圖像識別。首先要結(jié)合p-V 圖特性和其各個圖像特征所代表的物理意義找到合適的圖像特征提取方法，然后再選取合適的方法對提取出的特征進行識別。從以上文章來看，大多學者都選擇了支持向量機作為了識別方法。

3.2 振動噪聲法

在振動噪聲法中將重點介紹，人工智能方法是如何和傳統(tǒng)的聲發(fā)射法和振動測試法結(jié)合的［29-35］。

聲發(fā)射法是一種通過監(jiān)測分析受載或受損固體自身發(fā)射出的彈性波信號，從而實現(xiàn)故障診斷的方法。Ali 等［16，36］提出了一種基于聲發(fā)射信號的往復式壓縮機氣閥故障診斷的方法。作者在壓縮機上制造了包括故障程度在內(nèi)的16 種氣閥故障狀態(tài)，并在39 種運行工況下，分別提取了7個聲發(fā)射信號的特征參數(shù)，包括振幅，振鈴計數(shù)，持續(xù)時間，平均信號電平，能量，絕對能量和信號強度，以此作為支持向量機和神經(jīng)網(wǎng)絡的訓練樣本。最終訓練得到的支持向量機和神經(jīng)網(wǎng)絡對氣閥故障和健康兩種狀態(tài)的分類精確度均達到了99.4%。

振動測試法是通過對壓縮機外部的振動信號進行采集分析從而獲知機組狀態(tài)的故障檢測方法。許多機械部件的故障都能過通過振動信號反應，并且傳感器安裝方便，因此該方法在壓縮機故障診斷得到了廣泛應用。楊瑞［37］采集了正常氣閥、缺少彈簧、閥片斷裂和閥片有缺口四種氣閥狀態(tài)下的閥蓋振動信號，并用小波包算法對振動信號進行分解，并提取能量譜用于訓練貝葉斯分類器。基于不同算法，分別構(gòu)建了兩種貝葉斯分類器，即BAN 分類器和GBN 分類器，并將其應用于壓縮機氣閥故障的分類中，結(jié)果表明BAN 分類器在分類性能上優(yōu)于樸素貝葉斯方法，GBN 分類器算法在小樣本分類上有較好表現(xiàn)。Tran 等［38］分別采集了振動加速度，壓力和電流作為故障診斷信號，作者利用Teager-Kaiser 能量算子來估計振動信號的包絡幅值信號，利用小波分析來消除壓力和電流信號中的隨機噪聲，之后從經(jīng)過預處理的振動，壓力和電流信號中提取10 個時域特征、3 個頻域特征和8 個回歸分析特征，分別作為深度信念網(wǎng)絡（DBN）的訓練樣本，訓練得到的網(wǎng)絡可以有效的區(qū)分6 種氣閥狀態(tài)。Qin 等［39］使用基追蹤的方法對氣閥閥蓋的振動信號進行降噪處理，再通過波匹配的方式從信號中提取故障特征，最后采用支持向量機對故障進行模式識別，結(jié)果顯示，該方法能夠?qū)? 種氣閥狀態(tài)進行有效分類。Zhang 等［40］利用散度矩陣法從十字頭振動信號中提取敏感特征值，并用支持向量機對氣缸磨損，支撐環(huán)磨損和活塞桿斷裂三種機械故障進行分類識別，結(jié)果表示該方法可以用于提高現(xiàn)有診斷系統(tǒng)的針對性和有效性。

通過上述文獻可以發(fā)現(xiàn)，和p-V 圖信號不同，由于往復式壓縮機的結(jié)構(gòu)復雜，振動源更多，振動信號具有明顯的不平穩(wěn)性和非線性，在進行故障診斷前，對振動信號進行預處理消除隨機噪聲影響，并提取其振動特征是非常有必要的。并且對振動信號的預處理結(jié)果會直接影響最終的故障診斷效果。而在模式識別的過程中，上述提到的神經(jīng)網(wǎng)絡，貝葉斯網(wǎng)絡和支持向量機方法均有應用。

4 人工智能的應用規(guī)律總結(jié)

從上述各類基于人工智能方法的往復式壓縮機故障診斷方法的發(fā)展歷程可以看出，人工智能技術(shù)在壓縮機故障診斷中的應用，和人工智能技術(shù)的發(fā)展是息息相關(guān)的。最初的專家系統(tǒng)和貝葉斯網(wǎng)絡，使智能系統(tǒng)具備除推理能力外，還具備了專家知識，因此在工程中得到了大量應用。但往復式壓縮機的故障種類眾多并且互相之間存在關(guān)聯(lián)性，使得知識的總結(jié)變得尤為困難，于是專家系統(tǒng)的應用就遇到“知識瓶頸”。因此人工智能就開始尋找能讓機器開始自己學習知識的方法，也就是現(xiàn)在常說的機器學習。上文提到的神經(jīng)網(wǎng)絡，支持向量機都是基于數(shù)據(jù)，使智能系統(tǒng)自己學習數(shù)據(jù)中所蘊含的知識。

另外，從全局和局部故障診斷的方面可以看出，用于全局故障診斷的智能系統(tǒng)，多是像專家系統(tǒng)和貝葉斯網(wǎng)絡這種，方便可以將龐雜的診斷知識和經(jīng)驗轉(zhuǎn)化成規(guī)則，或者先驗概率等形式，存儲于系統(tǒng)中，用于后續(xù)推理和診斷的方法。而神經(jīng)網(wǎng)絡和支持向量機雖然可以自主的學習非線性的特征并分類等，但這一類的人工智能方法和壓縮機診斷的結(jié)合大多局限在局部診斷，這主要是受限于方法自身特點。一方面此類方法的應用是基于數(shù)據(jù)的，通過實驗得到大量樣本的方式成本較高不太現(xiàn)實。另一方面，因為壓縮機故障診斷監(jiān)測信號種類多，若是將此類方法應用于全局故障診斷，可能會造成維度災難，使得診斷系統(tǒng)變得復雜，運行復雜，并且分類效果不好。

5 人工智能技術(shù)應用的發(fā)展方向

經(jīng)過上述分析可以看出，往復式壓縮機故障診斷和人工智能方法的結(jié)合還有待進一步研究。文中只列舉了部分監(jiān)測參數(shù)和智能方法結(jié)合的案例，而壓縮機的監(jiān)測參數(shù)還有很多，例如活塞桿軸心軌跡，溫度，流量，磨損位移，油液成分等。并且更全面的狀態(tài)監(jiān)測也是更全面診斷的基礎(chǔ)，因此開發(fā)新的監(jiān)測參數(shù)和人工智能方法的結(jié)合，形成新型快速的故障診斷方法，將會是未來的發(fā)展趨勢之一。目前，全局診斷的方法精確度不高，局部診斷的方法在實際工程中的應用性不強。將局部診斷方法融合進全局診斷的方法中，或者尋找出一種新的既能滿足精確度高，并且應用性強的診斷方法也將會成為將來故障診斷發(fā)展的方向。

故障通常是由一些小異常隨著時間的積累最終發(fā)展成大故障。而在故障產(chǎn)生的初期，較難察覺。因此，如何使故障診斷方法盡早地發(fā)現(xiàn)故障，并作出壽命預測，在故障形成前作出相應維修處理，也將會是未來的研究方向。

6 結(jié)語

本文總結(jié)了多種基于人工智能的往復式壓縮機故障診斷的方法，并對這些方法進行了歸類總結(jié)，評價了其各自的優(yōu)缺點，并指出了現(xiàn)在診斷方法發(fā)展中的不足，并從3 個方面提出了今后往復式壓縮機故障診斷和人工智能方法結(jié)合的發(fā)展方向。