融合GA優(yōu)化算法的數(shù)字孿生模型在石油旋轉(zhuǎn)機(jī)械診斷中的應(yīng)用

朱傳同，苑得鑫，吳義維，李卓軍

(1.中國石油大學(xué)(華東)，山東 青島 266580；青島石大石儀科技有限責(zé)任公司，山東 青島 266580)

0 引言

石油旋轉(zhuǎn)機(jī)械是指主要依靠旋轉(zhuǎn)動作完成特定行為功能的石油驅(qū)動機(jī)械，典型的機(jī)械設(shè)備包括石油發(fā)電機(jī)、石油輪機(jī)、石油發(fā)動機(jī)等。旋轉(zhuǎn)類機(jī)械設(shè)備的故障行為較難預(yù)測，且一旦發(fā)生故障大多數(shù)情況下會導(dǎo)致嚴(yán)重事故。隨著石油旋轉(zhuǎn)機(jī)械設(shè)計(jì)指標(biāo)的不斷提高，機(jī)械系統(tǒng)的運(yùn)行模式也在日漸趨于復(fù)雜，多個系統(tǒng)部件之間的相互作用越來越頻繁[1]。此外，大型旋轉(zhuǎn)機(jī)械設(shè)備普遍存在工況環(huán)境惡劣、工作負(fù)載量大、持續(xù)運(yùn)行時間長等問題。受到運(yùn)行環(huán)境、自身運(yùn)行能力等內(nèi)外因素的影響，設(shè)備元件產(chǎn)生故障的可能性也越來越高。對于石油旋轉(zhuǎn)機(jī)械而言，各類故障都會在不同程度上影響設(shè)備元件的旋轉(zhuǎn)能力，且這種影響行為可以直接反映在振動信號之中，所以對于機(jī)械狀態(tài)監(jiān)測及故障診斷多以振動信號作為判定基礎(chǔ)。

對于石油旋轉(zhuǎn)機(jī)械故障行為的診斷，周付明、劉武強(qiáng)、楊小強(qiáng)等人提出的基于精細(xì)化改進(jìn)多尺度快速樣本熵的診斷方法，以快速樣本熵作為研究對象，利用重構(gòu)向量代替?zhèn)鹘y(tǒng)的樣本熵，在定義匹配機(jī)制的同時，完成對數(shù)據(jù)樣本的多尺度、多方向拓展，并在此基礎(chǔ)上，聯(lián)合最大相關(guān)與最小冗余條件，完善分類器模型，一方面實(shí)現(xiàn)了對石油旋轉(zhuǎn)機(jī)械故障行為的診斷，另一方面也可以判斷出故障數(shù)據(jù)樣本的大致傳輸方向[2]。張劍、程培源、邵思羽提出的基于改進(jìn)殘差卷積自編碼網(wǎng)絡(luò)的故障診斷方法首先對少量源域數(shù)據(jù)進(jìn)行標(biāo)記，根據(jù)目標(biāo)域條件，創(chuàng)建故障數(shù)據(jù)樣本的閾度空間；然后利用一維殘差卷積自編碼網(wǎng)絡(luò)提取振動信號特征參量；最后聯(lián)合均值差異原則，將不同域空間內(nèi)的信息參量映射到同一個數(shù)據(jù)空間內(nèi)，以便于主機(jī)元件對故障表現(xiàn)行為的逐一診斷[3]。

數(shù)字孿生是利用歷史數(shù)據(jù)完成仿真處理的過程，整個映射環(huán)節(jié)只能在虛擬空間中進(jìn)行，因此在全生命周期內(nèi)，利用該方法進(jìn)行運(yùn)算，能夠得到大量的真實(shí)數(shù)值解。由于虛擬數(shù)據(jù)、真實(shí)數(shù)據(jù)之間具有明顯的數(shù)值對應(yīng)關(guān)系，所以在運(yùn)算過程中，不會出現(xiàn)多個自變量對應(yīng)同一個因變量的情況[4]。GA算法是結(jié)合多元化思想與遺傳運(yùn)算思維的自適應(yīng)型隨機(jī)搜索算法，其運(yùn)算流程不單純依靠交叉計(jì)算，因此即便是在自變量種群較為復(fù)雜的情況下，應(yīng)用該算法依然可以求解得到完全準(zhǔn)確的數(shù)值解。在石油旋轉(zhuǎn)機(jī)械故障表現(xiàn)行為較為復(fù)雜的情況下，傳統(tǒng)方法所定義模態(tài)信號頻率并不一定完全屬于標(biāo)準(zhǔn)頻率數(shù)值區(qū)段之內(nèi)，故而在診斷準(zhǔn)確性方面的能力相對較為欠缺。為解決上述問題，提出基于融合GA優(yōu)化算法的數(shù)字孿生模型在石油旋轉(zhuǎn)機(jī)械診斷方法，并對其應(yīng)用能力展開研究。

1 基于數(shù)字孿生模型的石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)聚類處理

基于數(shù)字孿生模型的石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)聚類處理以完善GA算法優(yōu)化規(guī)則為基礎(chǔ)，利用已注入的虛擬同源數(shù)據(jù)，定義具體的聚類運(yùn)算方案，本章節(jié)針對其具體實(shí)現(xiàn)方法展開研究。

1.1 GA算法優(yōu)化規(guī)則

1.1.1 GA參數(shù)編碼

GA算法對于參數(shù)的編碼遵循模糊性處理原則。對于石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)而言，GA算法首先利用固定數(shù)據(jù)對象完成對樣本空間內(nèi)所有參量指標(biāo)的全局搜索，并根據(jù)關(guān)聯(lián)信息參量之間的數(shù)值關(guān)系，建立初始聚類中心矩陣；然后按照既定編碼條件，對所有一致數(shù)據(jù)樣本進(jìn)行指導(dǎo)性分類，從而達(dá)到提高信息參量收斂速度的目的；最后按照由小至大的順序?qū)Τ跏季垲愔行木仃囍械乃行畔⒘窟M(jìn)行排列，達(dá)到注意編碼數(shù)據(jù)對象的目的，上述處理過程所得到的最終編碼結(jié)果，就是GA參數(shù)編碼對象[5-6]。

(1)

Q1、Q2、…、Qn表示矩陣中n個由小至大排列的石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)對象，為避免主機(jī)元件在診斷故障行為時發(fā)生重復(fù)提取數(shù)據(jù)樣本的情況，規(guī)定n個數(shù)據(jù)對象不存在相等的可能。

在公式(1)的基礎(chǔ)上，推導(dǎo)GA參數(shù)編碼表達(dá)式為：

(2)

1.1.2 核模糊均值函數(shù)

完善GA算法優(yōu)化規(guī)則就是按照GA參數(shù)編碼條件，求解核模糊均值函數(shù)，函數(shù)表達(dá)式的最終計(jì)算數(shù)值就是GA算法所對應(yīng)的優(yōu)化運(yùn)算結(jié)果。整個函數(shù)流程的實(shí)現(xiàn)參考如下步驟。

1)GA參數(shù)編碼條件初始化——設(shè)定石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)的聚類數(shù)目為定值，改變模糊指數(shù)與收斂精度，某一時刻GA參數(shù)編碼條件的運(yùn)算結(jié)果不再發(fā)生變化，表示當(dāng)前時刻能夠求得核模糊函數(shù)的最大值[7]。

2)規(guī)定核模糊函數(shù)的初始遺傳代數(shù)、模糊指數(shù)、收斂精度的取值均為“0”，在求解均值函數(shù)的過程中，每增加一個運(yùn)算步驟，參數(shù)指標(biāo)的增長幅度為自然數(shù)“1”，當(dāng)其數(shù)值水平與GA參數(shù)編碼條件保持對應(yīng)狀態(tài)時，就可以求得石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)的核模糊均值函數(shù)。

設(shè)e表示基于GA參數(shù)編碼的故障數(shù)據(jù)初始遺傳代數(shù)，ε表示模糊指數(shù)，γ表示收斂精度，β表示石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)的目標(biāo)聚類數(shù)目，ΔR表示GA參數(shù)編碼過程中石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)的單位累積量。在上述物理量的支持下，聯(lián)絡(luò)公式(2)，可將GA優(yōu)化核模糊均值函數(shù)表示為：

(3)

3)計(jì)算初始遺傳代數(shù)、模糊指數(shù)、收斂精度在不同取值情況下所對應(yīng)GA參數(shù)編碼條件的具體運(yùn)算數(shù)值，并從中去除數(shù)值重復(fù)的部分，以保證主機(jī)元件在診斷石油旋轉(zhuǎn)機(jī)械故障行為時，不會提取到完全相同的數(shù)據(jù)樣本。

1.2 融合GA優(yōu)化算法的數(shù)字孿生模型構(gòu)建

1.2.1 虛擬同源數(shù)據(jù)注入

虛擬同源數(shù)據(jù)是指與原始石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)來源相同，但存儲方式不同的非真實(shí)數(shù)據(jù)信息參量。功能性方面，虛擬同源數(shù)據(jù)與原始數(shù)據(jù)的能力基本相同；但在適應(yīng)性方面，前者所能匹配的傳輸環(huán)境明顯更多[8]。按照GA優(yōu)化算法取樣原始石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)，在單位時間內(nèi)所能定義的數(shù)據(jù)信息樣本總量相對有限，但若應(yīng)用該算法，定義與之同源的虛擬數(shù)據(jù)，則可以獲得更多的信息參量，對于主機(jī)元件而言，其在診斷機(jī)械故障行為時，如果能在更多的數(shù)據(jù)樣本中完全對目標(biāo)信息的取樣，則可以大大增強(qiáng)診斷結(jié)果的準(zhǔn)確性。

利用GA算法優(yōu)化規(guī)則完善數(shù)字孿生模型時，一般只在一個數(shù)據(jù)集合中選擇一個數(shù)據(jù)信息樣本，且所選參量不能等于已定義數(shù)據(jù)參量的最大值與最小值[9]。對于虛擬同源數(shù)據(jù)注入表達(dá)式的求解參考公式(4)。

(4)

數(shù)字孿生模型對于虛擬同源數(shù)據(jù)的定義，要求一個信息參量在單位傳輸周期內(nèi)只能與一個同源信息保持?jǐn)?shù)值對應(yīng)關(guān)系，且無論數(shù)據(jù)總量增大或減少，這種數(shù)值對應(yīng)關(guān)系都不能發(fā)生變化。

1.2.2 孿生數(shù)據(jù)特征生成

石油旋轉(zhuǎn)機(jī)械運(yùn)行過程中會產(chǎn)生大量的振動信號，且這些信號所描述出的機(jī)械設(shè)備行為模式并不相同，因此按照數(shù)字孿生模型診斷機(jī)械故障行為時，可以將主機(jī)元件采集到的振動信號作為孿生數(shù)據(jù)特征。在虛擬同源數(shù)據(jù)的基礎(chǔ)上，孿生數(shù)據(jù)特征進(jìn)一步描述了石油旋轉(zhuǎn)機(jī)械的運(yùn)行狀態(tài)，由于取樣數(shù)據(jù)所代表的運(yùn)行時刻真實(shí)存在，所以在建立數(shù)字孿生模型的過程中，不會出現(xiàn)錯誤診斷故障行為的情況。

規(guī)定i0表示石油旋轉(zhuǎn)機(jī)械的原始故障診斷數(shù)據(jù)，i1表示數(shù)據(jù)i0的孿生對象，由參數(shù)i0到參數(shù)i1的數(shù)值轉(zhuǎn)化關(guān)系可以表示為；

(5)

η表示基于數(shù)字孿生模型的數(shù)據(jù)錄入效率，其取值恒屬于(0，1)的數(shù)值區(qū)間，ι0表示原始故障診斷數(shù)據(jù)記錄參數(shù)，ι1表示孿生故障診斷數(shù)據(jù)記錄參數(shù)。

GA優(yōu)化算法規(guī)定，對于石油旋轉(zhuǎn)機(jī)械的診斷，在建立數(shù)字孿生模型時，應(yīng)將數(shù)據(jù)樣本的數(shù)值鏡像問題考慮在內(nèi)[10]。所謂數(shù)值鏡像就是指數(shù)據(jù)對象的數(shù)值水平相等，但取值符號相反，在推導(dǎo)模型計(jì)算式的過程中，為避免造成運(yùn)算方向性的錯誤，可以對所有數(shù)據(jù)對象進(jìn)行求解有效值的處理。

聯(lián)立公式(4)、公式(5)，可將孿生數(shù)據(jù)特征計(jì)算式表示為：

(6)

1.3 石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)聚類運(yùn)算

完成石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)聚類運(yùn)算，首先需要構(gòu)造一個具有約束能力的目標(biāo)聚類函數(shù)，然后通過持續(xù)優(yōu)化的方式，搜尋數(shù)據(jù)樣本集合中的局域性最優(yōu)解，接著再以該數(shù)值解為標(biāo)準(zhǔn)，實(shí)現(xiàn)對運(yùn)行數(shù)據(jù)的模糊性劃分。在融合GA優(yōu)化算法的數(shù)字孿生模型的作用下，持續(xù)進(jìn)行數(shù)據(jù)聚類運(yùn)算，能夠?qū)?shù)據(jù)集合中的非標(biāo)準(zhǔn)信息參量過濾出來，從而在保證運(yùn)算結(jié)果準(zhǔn)確性的同時，為主機(jī)元件提供更多的可參考診斷信息[11]。

F表示依照融合GA優(yōu)化算法的數(shù)字孿生模型所定義的目標(biāo)聚類函數(shù)，其計(jì)算式如下：

(7)

在公式(7)的基礎(chǔ)上，推導(dǎo)石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)聚類運(yùn)算表達(dá)式如下：

(8)

2 石油旋轉(zhuǎn)機(jī)械的診斷

為實(shí)現(xiàn)對石油旋轉(zhuǎn)機(jī)械的精準(zhǔn)診斷，本章節(jié)根據(jù)運(yùn)行數(shù)據(jù)損失情況，建立具體的模態(tài)分解條件，再通過重耦合運(yùn)算的方式，確定超參數(shù)指標(biāo)的取值范圍，以便于主機(jī)元件可以根據(jù)超參數(shù)樣本的集中訓(xùn)練結(jié)果總結(jié)出具體的機(jī)械設(shè)備診斷與執(zhí)行方案。

2.1 運(yùn)行數(shù)據(jù)損失計(jì)算

對于石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)而言，數(shù)據(jù)參量的損失與輸入數(shù)據(jù)的正向傳播與信息量差的反向傳播行為有關(guān)。數(shù)字孿生模型通過計(jì)算輸出數(shù)據(jù)與數(shù)據(jù)樣本真實(shí)值之間的差異來調(diào)整和優(yōu)化整個數(shù)據(jù)樣本空間[13]。其中，用以計(jì)算和度量數(shù)據(jù)樣本之間差異性的信息參量被稱為運(yùn)行數(shù)據(jù)損失量，GA優(yōu)化算法規(guī)定，數(shù)據(jù)樣本的實(shí)時損失量越大，主機(jī)元件在診斷石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)過程中，所需處理的相關(guān)性參數(shù)就越多。

運(yùn)行數(shù)據(jù)損失計(jì)算的本質(zhì)就是通過最小化數(shù)據(jù)損失來達(dá)到準(zhǔn)確診斷機(jī)械設(shè)備運(yùn)行狀態(tài)的目的，從某種程度上來說，只有將數(shù)據(jù)樣本損失量控制在既定數(shù)值范圍之內(nèi)，才能夠保證診斷結(jié)果的可參考性價值[14]。此外，按照數(shù)字孿生模型的應(yīng)用特性，運(yùn)行數(shù)據(jù)損失條件的取值情況還能夠決定主機(jī)元件對于數(shù)據(jù)樣本的優(yōu)化處理方向，只要在保證運(yùn)算方法不發(fā)生改變的前提下，相同數(shù)據(jù)樣本所對應(yīng)的診斷結(jié)果均相同。

利用公式(8)，可將石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)損失量計(jì)算結(jié)果表示為：

(9)

2.2 描述性樣本模態(tài)分解

數(shù)據(jù)樣本模態(tài)是指在一個本征模函數(shù)中包含差異最大的時間特征尺度，也可以理解為相近或相似時間特征尺度在不同本征模函數(shù)中的分布情況。參照融合GA優(yōu)化算法的數(shù)字孿生模型在石油旋轉(zhuǎn)機(jī)械診斷方法而言，本征模函數(shù)就是指融合GA優(yōu)化算法的數(shù)字孿生模型函數(shù)表達(dá)式，時間尺度就是指主機(jī)元件診斷單一運(yùn)行數(shù)據(jù)樣本所需時長[15]。單純從分解流程的角度來看，數(shù)據(jù)樣本模態(tài)的存在是為了避免所取樣運(yùn)行數(shù)據(jù)在既定節(jié)點(diǎn)處出現(xiàn)數(shù)值跳轉(zhuǎn)行為，從而使得最終診斷結(jié)果的真實(shí)性出現(xiàn)偏差。

規(guī)定G表示基于石油機(jī)械設(shè)備運(yùn)行數(shù)據(jù)的樣本模態(tài)值，其定義式如下：

(10)

利用公式(10)，推導(dǎo)描述性樣本模態(tài)分解表達(dá)式為：

G′=ζ·G

(11)

ζ表示數(shù)據(jù)樣本分解尺度參數(shù)。ζ>0成立時，表示數(shù)據(jù)樣本模態(tài)分解的行為方向?yàn)檎颍?jīng)過分解處理后，每一個石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)參量都能對應(yīng)一個與之相關(guān)的正向分解系數(shù)；ζ<0成立時，表示數(shù)據(jù)樣本模態(tài)分解的行為方向?yàn)樨?fù)向，經(jīng)過分解處理后，每一個石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)參量都能對應(yīng)一個與之相關(guān)的負(fù)向分解系數(shù)。

2.3 核心診斷信息的重耦合

診斷信息重耦合是指按照融合GA優(yōu)化算法的數(shù)字孿生模型，對石油選擇機(jī)械診斷過程中可能出現(xiàn)的信息參量進(jìn)行重新組合的處理行為。對于系統(tǒng)主機(jī)元件而言，其對于診斷條件的定義除了參考故障數(shù)據(jù)的取樣情況，還應(yīng)保證診斷信息之間的相互組合關(guān)系，特別是在故障表現(xiàn)行為較為類似的情況下，只要保證診斷信息組合關(guān)系的絕對準(zhǔn)確，才有可能獲得較為理想的診斷結(jié)果[16-17]。關(guān)于重耦合，也可以理解為重新定義，完成模態(tài)分解后描述性樣本的取值保持為固定狀態(tài)，因此只要針對所得樣本參量進(jìn)行分別賦值，就可以保證重耦合計(jì)算結(jié)果的準(zhǔn)確性。

對于核心診斷信息重耦合表達(dá)式的計(jì)算參考公式(12)。

(12)

2.4 超參數(shù)求解

超參數(shù)指標(biāo)的選擇至關(guān)重要，直接影響計(jì)算機(jī)設(shè)備對石油旋轉(zhuǎn)機(jī)械的診斷能力。對于超參數(shù)指標(biāo)可以從批量歸一化、學(xué)習(xí)率、激活函數(shù)三個角度進(jìn)行理解。

1)批量歸一化：由于必要診斷信息、非必要診斷信息之間存在對抗博弈關(guān)系，所以在求解超參數(shù)的過程中，必須在穩(wěn)固上一層數(shù)據(jù)樣本權(quán)重賦值的基礎(chǔ)上，才能對下一層數(shù)據(jù)樣本權(quán)重進(jìn)行計(jì)算，且處于準(zhǔn)確性考慮，在批量診斷機(jī)械故障數(shù)據(jù)時，必須將每一個數(shù)據(jù)樣本的實(shí)際賦值都?xì)w于自然數(shù)“1”后，才能進(jìn)行后續(xù)計(jì)算[18]。

2)學(xué)習(xí)率：學(xué)習(xí)率作為一項(xiàng)重要的參數(shù)指標(biāo)，其取值影響主機(jī)元件對石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)的賦值，特別是在求解超參數(shù)的過程中，由于數(shù)據(jù)樣本的自由化程度相對較高，所以為保證診斷結(jié)果的唯一性，要求兩類數(shù)據(jù)樣本的學(xué)習(xí)率水平必須保持不相等的數(shù)值狀態(tài)[19]。

3)激活函數(shù)：由于石油旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)的排列保持線性狀態(tài)，所以在求解超參數(shù)指標(biāo)時，只能定義保持線性狀態(tài)的數(shù)值激活函數(shù)。

在公式(12)的基礎(chǔ)上，推導(dǎo)超參數(shù)計(jì)算式為：

(13)

2.5 超參數(shù)樣本集中訓(xùn)練

超參數(shù)樣本集中訓(xùn)練就是按照數(shù)字孿生模型，對超參數(shù)指標(biāo)取樣結(jié)果進(jìn)行的統(tǒng)一運(yùn)算處理。GA優(yōu)化算法規(guī)定，待訓(xùn)練的超參數(shù)樣本數(shù)量越多，主機(jī)元件所需處理的石油旋轉(zhuǎn)機(jī)械運(yùn)行數(shù)據(jù)對象就越多[20]。由于不同超參數(shù)指標(biāo)所對應(yīng)的診斷結(jié)果并不相同，所以在進(jìn)行集中訓(xùn)練運(yùn)算時，只能針對一種類型的超參數(shù)指標(biāo)進(jìn)行取樣。

設(shè)M表示超參數(shù)指標(biāo)的數(shù)值類項(xiàng)定義系數(shù)，N表示依照數(shù)字孿生模型所定義的超參數(shù)指標(biāo)運(yùn)算參數(shù)，m1、m2、…、mn分別表示n個不同的數(shù)據(jù)樣本訓(xùn)練指征，其取值恒屬于(0，+∞)的數(shù)值區(qū)間。在上述物理量的支持下，聯(lián)立公式(13)，可將超參數(shù)樣本集中訓(xùn)練表達(dá)式定義為：

(14)

超參數(shù)樣本集中訓(xùn)練條件影響主機(jī)元件對石油旋轉(zhuǎn)機(jī)械的診斷能力，特別是在多種故障模態(tài)信號同時存在的情況下，保證超參數(shù)樣本集中訓(xùn)練的準(zhǔn)確性，才能得到較為理想的診斷結(jié)果。

3 實(shí)驗(yàn)分析與研究

本次實(shí)驗(yàn)選擇融合GA優(yōu)化算法的數(shù)字孿生模型的石油旋轉(zhuǎn)機(jī)械診斷方法、基于精細(xì)化改進(jìn)多尺度快速樣本熵的診斷方法、基于改進(jìn)殘差卷積自編碼網(wǎng)絡(luò)的故障診斷方法三組不同的技術(shù)手段進(jìn)行實(shí)驗(yàn)，記錄在不同方法作用下，模態(tài)信號頻率檢測結(jié)果與真實(shí)模態(tài)信號頻率之間的數(shù)值符合情況。

3.1 實(shí)驗(yàn)原理描述

以MT-A202型號的檢測機(jī)臺，作為實(shí)驗(yàn)診斷的裝置，首先將融合GA優(yōu)化算法的數(shù)字孿生模型的石油旋轉(zhuǎn)機(jī)械診斷方法的執(zhí)行程序輸入檢測主機(jī)之中，記錄在該方法作用下，故障行為模態(tài)信號頻率的檢測數(shù)值，所得結(jié)果為實(shí)驗(yàn)組變量；其次將基于精細(xì)化改進(jìn)多尺度快速樣本熵的診斷方法的執(zhí)行程序輸入檢測主機(jī)之中，記錄在該方法作用下，故障行為模態(tài)信號頻率的檢測數(shù)值，所得結(jié)果為對照1組變量；接著將基于改進(jìn)殘差卷積自編碼網(wǎng)絡(luò)的故障診斷方法的執(zhí)行程序輸入檢測主機(jī)之中，記錄在該方法作用下，故障行為模態(tài)信號頻率的檢測數(shù)值，所得結(jié)果為對照2組變量；然后將實(shí)驗(yàn)組、對照1組、對照2組模態(tài)信號頻率檢測頻率與真實(shí)模態(tài)信號頻率進(jìn)行對比；最后根據(jù)差值情況總結(jié)實(shí)驗(yàn)規(guī)律。存在故障行為的情況下，石油旋轉(zhuǎn)機(jī)械模態(tài)信號頻率水平可以用來描述故障行為所屬類別，且對于檢測主機(jī)而言，只有保證檢測頻率值與真實(shí)頻率區(qū)段的完全符合，才表示當(dāng)前所應(yīng)用方法的診斷結(jié)果具有可參考價值。

應(yīng)用MT-A202檢測機(jī)臺對石油旋轉(zhuǎn)機(jī)械的故障模態(tài)信號頻率進(jìn)行測量。表1記錄了真實(shí)模態(tài)信號頻率的數(shù)值水平及其所屬的具體故障行為類別。

表1 真實(shí)模態(tài)信號頻率分類

根據(jù)表1可知，各類故障行為的模態(tài)信號頻率不存在相互重疊的情況，且每一類模態(tài)信號頻率的數(shù)值寬度水平并不相同，單從數(shù)值角度來看，第Ⅳ類故障行為模態(tài)信號頻率的數(shù)值寬度水平最大，第Ⅲ類故障故障行為模態(tài)信號頻率的數(shù)值寬度水平最小。

3.2 步驟與數(shù)據(jù)處理

選擇6個不同的故障模態(tài)信號作為實(shí)驗(yàn)對象，其數(shù)值編號與故障行為類別的對應(yīng)關(guān)系如下：1號實(shí)驗(yàn)對象——第Ⅱ類故障、2號實(shí)驗(yàn)對象——第Ⅵ類故障、3號實(shí)驗(yàn)對象——第Ⅰ類故障、4號實(shí)驗(yàn)對象——第Ⅴ類故障、5號實(shí)驗(yàn)對象——第Ⅱ類故障、6號實(shí)驗(yàn)對象——第Ⅰ類故障，分別應(yīng)用實(shí)驗(yàn)組、對照1組、對照2組方法對6個不同實(shí)驗(yàn)對象的故障模態(tài)信號頻率進(jìn)行診斷，具體實(shí)驗(yàn)情況如圖1所示。

圖1 故障模態(tài)信號頻率實(shí)驗(yàn)數(shù)值

實(shí)驗(yàn)組：1～6號故障模態(tài)信號頻率的診斷值分別為0.75 Hz、2.50 Hz、0.50 Hz、2.00 Hz、0.70 Hz、0.25 Hz，其所屬故障行為類別分別為第Ⅱ類故障、第Ⅵ類故障、第Ⅰ類故障、第Ⅴ類故障、第Ⅱ類故障、第Ⅰ類故障，與各個實(shí)驗(yàn)對象的真實(shí)故障情況相同。

對照1組：1～6號故障模態(tài)信號頻率的診斷值分別為0.70 Hz、2.75 Hz、0.37 Hz、2.50 Hz、1.25 Hz、0.75 Hz，其所屬故障行為類別分別為第Ⅱ類故障、第Ⅵ類故障、第Ⅰ類故障、第Ⅵ類故障、第Ⅳ類故障、第Ⅱ類故障，第1號、第2號、第3號實(shí)驗(yàn)對象的故障診斷結(jié)果與真實(shí)情況相同，第4號、第5號、第6號實(shí)驗(yàn)對象的故障診斷結(jié)果與真實(shí)情況不同。

對照2組：1～6號故障模態(tài)信號頻率的診斷值分別為0.75 Hz、2.25 Hz、1.25 Hz、2.25 Hz、1.50 Hz、1.00 Hz，其所屬故障行為類別分別為第Ⅱ類故障、第Ⅴ類故障、第Ⅳ類故障、第Ⅴ類故障、第Ⅳ類故障、第Ⅲ類故障，第1號、第4號實(shí)驗(yàn)對象的故障診斷結(jié)果與真實(shí)情況相同，第2號、第3號、第5號、第6號實(shí)驗(yàn)對象的故障診斷結(jié)果與真實(shí)情況不同。

綜上可知本次實(shí)驗(yàn)結(jié)論為：基于精細(xì)化改進(jìn)多尺度快速樣本熵的診斷方法、基于改進(jìn)殘差卷積自編碼網(wǎng)絡(luò)的故障診斷方法的應(yīng)用能力有限，不能實(shí)現(xiàn)對石油旋轉(zhuǎn)機(jī)械故障模態(tài)信號頻率的精準(zhǔn)診斷；融合GA優(yōu)化算法的數(shù)字孿生模型的石油旋轉(zhuǎn)機(jī)械診斷方法的應(yīng)用，實(shí)現(xiàn)了對機(jī)械故障模態(tài)信號頻率的精準(zhǔn)診斷，能夠?qū)Ξ?dāng)前故障行為所屬類別進(jìn)行準(zhǔn)確定義，符合實(shí)際應(yīng)用需求。

4 結(jié)束語

新型石油旋轉(zhuǎn)機(jī)械診斷方法的設(shè)計(jì)，在數(shù)字孿生模型的基礎(chǔ)上，按照GA優(yōu)化算法原則，對參數(shù)指標(biāo)進(jìn)行重新編碼，又通過聚類運(yùn)算的方式，完成對機(jī)械運(yùn)行數(shù)據(jù)的模塊化處理。相較于基于精細(xì)化改進(jìn)多尺度快速樣本熵的診斷方法、基于改進(jìn)殘差卷積自編碼網(wǎng)絡(luò)的故障診斷方法，這種新型診斷方法能夠準(zhǔn)確計(jì)算出運(yùn)行數(shù)據(jù)損失量的數(shù)值水平，可以在模態(tài)分解描述性樣本的同時，求解超參數(shù)指標(biāo)的具體數(shù)值水平。實(shí)用性方面，該方法可以根據(jù)模態(tài)信號的頻率水平確定石油旋轉(zhuǎn)機(jī)械當(dāng)前故障行為所屬類別，切實(shí)實(shí)現(xiàn)了對機(jī)械設(shè)備故障行為的準(zhǔn)確診斷。