基于逆時(shí)域分析的壓縮機(jī)組接地缺陷自動(dòng)檢測(cè)方法

摘 要 為解決壓縮機(jī)組接地缺陷檢測(cè)費(fèi)時(shí)費(fèi)力的問(wèn)題，提出基于逆時(shí)域分析的壓縮機(jī)組接地缺陷自動(dòng)檢測(cè)方法。采用多個(gè)傳感器采集壓縮機(jī)組由于接地缺陷產(chǎn)生的行波信號(hào)，利用極大重疊離散小波包（MODWT）方法對(duì)采集到的行波信號(hào)進(jìn)行降噪處理后，采用同步壓縮短時(shí)傅里葉變換（SSTFT）方法提取壓縮機(jī)組的行波信號(hào)脊線，并通過(guò)同步壓縮逆變換重構(gòu)脊線對(duì)應(yīng)的時(shí)域信號(hào)，完成壓縮機(jī)組行波信號(hào)特征的提??；將提取到的行波信號(hào)特征輸入支持向量機(jī)進(jìn)行訓(xùn)練，采用訓(xùn)練完畢的支持向量機(jī)對(duì)壓縮機(jī)組接地缺陷進(jìn)行診斷。實(shí)驗(yàn)結(jié)果表明：該方法應(yīng)用同步壓縮傅里葉變換方法獲取的信號(hào)主頻特征清晰，特征提取優(yōu)勢(shì)顯著；并且該方法可精準(zhǔn)實(shí)現(xiàn)壓縮機(jī)組接地缺陷的自動(dòng)檢測(cè)。

關(guān)鍵詞 壓縮機(jī)組 極大重疊離散小波包 傅里葉變換 同步壓縮 支持向量機(jī) 信號(hào)降噪

中圖分類號(hào) TH45 " 文獻(xiàn)標(biāo)志碼 A " 文章編號(hào) 1000-3932（2024）04-0652-06

壓縮機(jī)在各行各業(yè)都有著極為重要的作

用［1］，以管道運(yùn)輸為例［2］，壓縮機(jī)被稱為輸氣管道的“心臟”［3］。壓縮機(jī)的主要作用是增加壓力［4］，在壓縮機(jī)工作過(guò)程中，為了保證設(shè)備和人員安全，需對(duì)壓縮機(jī)進(jìn)行接地處理［5］，壓縮機(jī)正常接地可以消除由于壓縮機(jī)帶電而產(chǎn)生的電擊危險(xiǎn)。為了保證壓縮機(jī)的接地效果良好，防止產(chǎn)生接地缺陷，許多學(xué)者針對(duì)壓縮機(jī)接地問(wèn)題開(kāi)展了研究，文獻(xiàn)［6］采用梯度擴(kuò)散法檢測(cè)壓縮機(jī)組的行波信號(hào)，分析其故障原因，利用Perona-Malik的擴(kuò)散濾波經(jīng)小波變換獲取梯度，選擇諧波和基波構(gòu)建行波空間模型，根據(jù)能量比函數(shù)檢測(cè)出壓縮機(jī)的設(shè)備故障，該方法雖然可以根據(jù)行波信號(hào)檢測(cè)出設(shè)備存在的故障，但由于模型建立得不夠準(zhǔn)確，因此檢測(cè)準(zhǔn)確度有待提升。文獻(xiàn)［7］利用紅外成像對(duì)壓縮機(jī)組進(jìn)行接地缺陷檢測(cè)，該方法以卷積神經(jīng)網(wǎng)絡(luò)為主對(duì)紅外圖像進(jìn)行標(biāo)記，在標(biāo)記后的紅外圖像中使用灰度梯度提取紋理特征，最后使用主成分分析方法對(duì)壓縮機(jī)組的接地情況進(jìn)行判斷，完成壓縮機(jī)組接地缺陷的檢測(cè)，但該方法的檢測(cè)精度受紅外成像精度影響較大。文獻(xiàn)［8］利用紅外圖像進(jìn)行壓縮機(jī)接地缺陷檢測(cè)，采用多尺度模型以及壓縮機(jī)組的超分辨率紅外圖像共同構(gòu)建對(duì)抗網(wǎng)絡(luò)，增強(qiáng)了網(wǎng)絡(luò)的適應(yīng)性，同時(shí)配合深度學(xué)習(xí)，實(shí)現(xiàn)了對(duì)壓縮機(jī)組接地缺陷的檢測(cè)，但由于使用了多尺度模型導(dǎo)致其檢測(cè)過(guò)程十分復(fù)雜，因此檢測(cè)時(shí)間也相應(yīng)變長(zhǎng)。

逆時(shí)域分析是直接在時(shí)域中對(duì)問(wèn)題進(jìn)行分析，具有直觀和準(zhǔn)確的特點(diǎn)，因此筆者提出基于逆時(shí)域分析的壓縮機(jī)組接地缺陷自動(dòng)檢測(cè)方法。

1 壓縮機(jī)組接地缺陷自動(dòng)檢測(cè)

壓縮機(jī)組接地缺陷會(huì)導(dǎo)致壓縮機(jī)組設(shè)備上存在電流，并由此產(chǎn)生行波信號(hào)。因此，通過(guò)采集行波信號(hào)對(duì)其進(jìn)行分析，便可以判斷出壓縮機(jī)組是否存在接地缺陷，并可根據(jù)行波信號(hào)的特征分析出接地缺陷類型。

1.1 基于屏蔽濾波的壓縮機(jī)組行波信號(hào)消噪 通過(guò)傳感器采集到的壓縮機(jī)組行波信號(hào)，由于存在周期性干擾（離散譜干擾，DSI），某些頻率中心呈帶狀分布。連續(xù)的周期性干擾，只存在于特定的頻段；反而白噪聲的頻譜與行波信號(hào)的頻譜相似。通常采用Lipschitz指數(shù)對(duì)行波信號(hào)和干擾的局部正則性進(jìn)行精準(zhǔn)描述［9］。對(duì)于不同干擾Lipschitz指數(shù)α便會(huì)有不同的值，脈沖干擾下α=

-1；受正常行波信號(hào)奇異性影響，0lt;αlt;1；窄帶干擾下αgt;1；白噪聲干擾下α=-1/2-ε，εgt;0（其中，ε為白噪聲頻譜）。

由于小波在時(shí)域有極佳的局部性［10］，因此筆者采用極大重疊離散小波包（MODWT）去除行波信號(hào)中的噪聲。

小波變換可以簡(jiǎn)單理解為解耦器［11］，通過(guò)小波分解后信號(hào)能夠得到更加獨(dú)立的小波系數(shù)，但又不能完全對(duì)信號(hào)進(jìn)行解耦。MODWT對(duì)原始?jí)嚎s機(jī)組行波信號(hào)進(jìn)行分解的過(guò)程如圖1所示。

J——小波分解層； " " "g（）——固定窗函數(shù)；

W——原始信號(hào)小波分解后信號(hào)； h（）——小波基函數(shù)

采用MODWT分解壓縮機(jī)組行波信號(hào)的步驟如下：

a. 利用MODWT對(duì)采集到的壓縮機(jī)組行波信號(hào)進(jìn)行變換，計(jì)算出不同尺度下的小波包系數(shù)。

b. 計(jì)算出臨近尺度下的相關(guān)系數(shù)。

c. 采用歸一化處理相關(guān)系數(shù)，對(duì)比不同尺度下的小波包信號(hào)，得到信號(hào)奇異點(diǎn)，根據(jù)奇異點(diǎn)形成信號(hào)濾波器。

d. 將小波包系數(shù)與濾波器進(jìn)行相乘運(yùn)算，得出最新的小波包系數(shù)。

e. 對(duì)計(jì)算得出的新小波包系數(shù)重構(gòu)，得出去噪后的壓縮機(jī)組行波信號(hào)C（m，ξ）：

其中，m為小波包系數(shù)的二進(jìn)尺度；ξ為小波包系數(shù)的離散化時(shí)間刻度；l為分解尺度；χ（m+l，ξ）表示小波包系數(shù)。

1.2 逆時(shí)域變換分析下壓縮機(jī)組行波信號(hào)特征提取

在時(shí)域分析中，短時(shí)傅里葉變換（STFT）是一種極為實(shí)用的分析方式，因此筆者在壓縮機(jī)組行波信號(hào)的時(shí)域分析中采用短時(shí)傅里葉變換方法。同時(shí)，為保證時(shí)域分析更加準(zhǔn)確，在短時(shí)傅里葉變換的基礎(chǔ)上采用同步壓縮方法，形成同步壓縮短時(shí)傅里葉變換（SSTFT）方法用于提取壓縮機(jī)組的行波信號(hào)脊線，而后通過(guò)同步壓縮逆變換重構(gòu)脊線對(duì)應(yīng)的時(shí)域信號(hào)，最終完成壓縮機(jī)組行波信號(hào)的特征提取。

壓縮機(jī)組行波信號(hào)f在t時(shí)刻的AM-FM表達(dá)式為：

f（t）=A（t）cos［2πφ（t）］（2）

其中，A（t）為行波信號(hào)f（t）的時(shí)頻。由于相位φ（t）不好確定，因此需要采用一種能夠準(zhǔn)確直觀描述出信號(hào)f在t時(shí)刻振蕩的方法。

假設(shè)存在K個(gè)AM-FM成分疊加的f：

其中，k為同步壓縮參數(shù)，值為實(shí)數(shù)；T為時(shí)域； f ′（t）為同步壓縮逆變換重構(gòu)到的脊線對(duì)應(yīng)的時(shí)域信號(hào)。

至此完成了逆時(shí)域分析下壓縮機(jī)組行波信號(hào)特征的提取。

1.3 基于支持向量機(jī)的壓縮機(jī)組接地缺陷檢測(cè)

以逆時(shí)域分析提取到的壓縮機(jī)組行波信號(hào)特征為輸入，使用支持向量機(jī)進(jìn)行壓縮機(jī)組接地缺陷分類檢測(cè)，線性分類可以將分類面選擇在距離壓縮機(jī)組行波信號(hào)特征樣本較大的位置［13，14］，反之進(jìn)行非線性分類時(shí)通過(guò)高維空間變換將其轉(zhuǎn)化為線性問(wèn)題。支持向量機(jī)進(jìn)行壓縮機(jī)組接地缺陷分類檢測(cè)的最優(yōu)超平面如圖2所示。

在使用支持向量機(jī)進(jìn)行壓縮機(jī)極低缺陷檢測(cè)時(shí)［15］，由于問(wèn)題并非線性，因此需要進(jìn)行非線性映射。將輸入的壓縮機(jī)組行波信號(hào)特征映射至高維空間H，并在H中構(gòu)造分類超平面。此外還需要引入松弛變量，防止線性不可分的情況。筆者采用徑向基核函數(shù)K（x，x）減少高維空間中的大量運(yùn)算，即：

由此獲得最終的壓縮機(jī)組接地缺陷分類檢測(cè)結(jié)果。

壓縮機(jī)組缺陷檢測(cè)的流程如圖3所示。

通過(guò)多組傳感器采集壓縮機(jī)組的行波信號(hào)，利用MODWT對(duì)行波信號(hào)進(jìn)行去噪，利用同步壓縮短時(shí)傅里葉變換及逆時(shí)頻分析獲取壓縮機(jī)組行波信號(hào)特征，采用支持向量機(jī)將壓縮機(jī)組行波信號(hào)特征作為輸入，進(jìn)行壓縮機(jī)組接地缺陷檢測(cè)。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)對(duì)象

采用某廠的壓縮機(jī)組進(jìn)行接地缺陷檢測(cè)，該壓縮機(jī)組共包含3臺(tái)壓縮機(jī)，并分別由相對(duì)應(yīng)的電動(dòng)機(jī)驅(qū)動(dòng)，詳見(jiàn)表1。

2.2 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證筆者方法的特征提取效果，對(duì)降噪后的行波信號(hào)進(jìn)行特征提取，結(jié)果如圖4所示，可以看出，降噪后的信號(hào)（圖4a）經(jīng)過(guò)STFT變換（圖4b）后，信號(hào)頻率曲線與SSTFT變換（圖4c）相比較為模糊而且分散，雖然可以看出頻率的走勢(shì)但是無(wú)法分辨信號(hào)主頻。說(shuō)明采用SSTFT變換可以更好地為壓縮機(jī)組接地缺陷檢測(cè)做好準(zhǔn)備工作。

為驗(yàn)證筆者方法應(yīng)用支持向量機(jī)的缺陷檢測(cè)效果，采用CNN與LSTM兩種神經(jīng)網(wǎng)絡(luò)與SVM進(jìn)行對(duì)比，均進(jìn)行200次訓(xùn)練，后將接地缺陷測(cè)試集輸入網(wǎng)絡(luò)進(jìn)行測(cè)試，結(jié)果如圖5所示，可以看出，在迭代到50次后CNN的缺陷檢測(cè)準(zhǔn)確率反超LSTM且差距逐漸增大，但采用筆者方法進(jìn)行壓縮機(jī)組缺陷檢測(cè)的準(zhǔn)確率要遠(yuǎn)高于其他方法。

為驗(yàn)證筆者方法對(duì)于壓縮機(jī)組接地缺陷檢測(cè)結(jié)果是否準(zhǔn)確，現(xiàn)將壓縮機(jī)組設(shè)置接地缺陷進(jìn)行檢測(cè)，檢測(cè)結(jié)果見(jiàn)表2，可以看出，采用筆者方法進(jìn)行壓縮機(jī)組接地缺陷檢測(cè)，能夠準(zhǔn)確地將壓縮機(jī)組中的各種接地缺陷檢測(cè)出來(lái)，其中還包含了一些難以檢測(cè)的缺陷類型。

3 結(jié)束語(yǔ)

壓縮機(jī)組產(chǎn)生接地缺陷后，筆者方法應(yīng)用SSTFT變換能夠較精準(zhǔn)地獲取壓縮機(jī)組行波信號(hào)的頻率走向和信號(hào)的主頻。支持向量機(jī)能夠較準(zhǔn)確地判斷壓縮機(jī)組是否存在接地缺陷，并判斷出缺陷類型。實(shí)驗(yàn)結(jié)果表明，與CNN和LSTM相比，筆者方法在檢測(cè)壓縮機(jī)組接地缺陷上更具有優(yōu)勢(shì)，該方法解決了傳統(tǒng)方法檢測(cè)精度不足的問(wèn)題，保證了現(xiàn)場(chǎng)設(shè)備與工作人員的安全，對(duì)壓縮機(jī)組接地工程具有重要應(yīng)用意義。

參 考 文 獻(xiàn)

［1］ 周恩民，顧蘊(yùn)松，程松，等.連續(xù)式跨聲速風(fēng)洞中壓縮機(jī)一體化設(shè)計(jì)［J］.兵工學(xué)報(bào)，2021，42（6）：1331-1338.

［2］ 龔昉，孟維軍，陳曉祥.陸上油氣管道運(yùn)輸改造工程的施工管理策略研究［J］.工程抗震與加固改造，2021，43（1）：175-176.

［3］ 趙霞，王駱，譚紅，等.適用于壓縮機(jī)定速控制的電-氣綜合能流計(jì)算方法［J］.電力系統(tǒng)自動(dòng)化，2022，46（21）：116-124.

［4］ 申道明，桂超，夏錦紅，等.并聯(lián)壓縮機(jī)組制冷系統(tǒng)性能試驗(yàn)分析［J］.流體機(jī)械，2020，48（9）：77-82.

［5］ 郝帥，范文璐，付周興，等.基于壓縮感知的小電流接地系統(tǒng)故障選線方法［J］.西安科技大學(xué)學(xué)報(bào)，2020，

40（2）：330-335.

［6］ 王子默，王清亮.基于梯度擴(kuò)散的電氣設(shè)備調(diào)試故障行波檢測(cè)［J］.計(jì)算機(jī)仿真，2020，37（5）：468-472.

［7］ 趙歡，陽(yáng)浩，何亮，等.高精度配電網(wǎng)電氣設(shè)備故障識(shí)別檢測(cè)方法［J］.沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2021，43（6）：614-618.

［8］ 謝慶，楊天馳，裴少通，等.基于多尺度協(xié)作模型的電氣設(shè)備紅外圖像超分辨率故障辨識(shí)方法［J］.電工技術(shù)學(xué)報(bào)，2021，36（21）：4608-4616.

［9］ 李寶麟，席婭.測(cè)度微分方程的Lipschitz穩(wěn)定性［J］.數(shù)學(xué)雜志，2020，40（5）：600-610.

［10］ 高淑萍，徐振曦，宋國(guó)兵，等.基于小波閾值去噪和CEEMD的混合三端直流輸電線路故障測(cè)距［J］.電力系統(tǒng)保護(hù)與控制，2022，50（3）：29-40.

［11］ 宮睿，王小春.基于可協(xié)調(diào)經(jīng)驗(yàn)小波變換的多聚焦圖像融合［J］.計(jì)算機(jī)工程與應(yīng)用，2020，56（2）：201-210.

［12］ 吳龍文，牛金鵬，王昭，等.基于同步壓縮小波變換的主信號(hào)抑制技術(shù)［J］.電子與信息學(xué)報(bào)，2020，42（8）：2045-2052.

［13］ 崔強(qiáng)，李迎龍，李志紅.基于改進(jìn)魚(yú)群算法和支持向量機(jī)的變壓器故障診斷［J］.電氣自動(dòng)化，2017，39（6）：63-66；69.

［14］ 蘇海東，董鵬，頡志強(qiáng).在固定的獨(dú)立覆蓋網(wǎng)格中求解幾何非線性問(wèn)題［J］.長(zhǎng)江科學(xué)院院報(bào)，2022，39（9）：159-166.

［15］ 肖軍，舒悅，謝傳東，等.基于二叉樹(shù)支持向量機(jī)的往復(fù)壓縮機(jī)氣閥故障診斷方法［J］.流體機(jī)械，2020，

48（10）：48-53.

（收稿日期：2023-09-25）

Auto-detection Method of Grounding Defects of Compressor

Unit Based on Inverse Time Domain Analysis

ZHANG Hong-tao

（Lanzhou Gas Transmission Branch， PipeChina Western Pipeline Company）

Abstract " Considering the time-consuming and energy-consumption in detecting compressor’s grounding defects， the auto-detection method for the compressor grounding defect based on reverse time domain analysis was proposed and multiple sensors were used to collect traveling wave signals generated by the ground defect of the compressor， and the maximally-overlapped discrete wavelet packet（MODWT） method was adopted to reduce noises of the traveling wave signals collected， and the synchronous compressed short-time Fourier transform（SSTFT） method was employed to extract ridge of the traveling wave signals of the compressor， including having the time domain signal which corresponding to the ridge reconstructed by the synchronous compression inverse transform to extract feature extraction of the compressor traveling wave signals， then having the extracted features input into the support vector machine for training and the trained support vector machine employed to diagnose the compressor grounding defect. The experimental results show that， the main frequency features of the signals obtained by the SSTFT method are clear along with significant feature extraction advantages. This method can accurately realize auto-detection of any compressor grounding faults.

Key words " compressor unit， MODWT， Fourier transform， synchronous compression， support vector machine， signal noise reduction