苗 茺

( 遼寧工程技術(shù)大學(xué) 機(jī)械工程學(xué)院，遼寧 阜新 123000)

由于礦用空壓機(jī)在使用的過(guò)程中滿負(fù)荷時(shí)間較長(zhǎng)，而且具有復(fù)雜的工作條件和惡劣的環(huán)境，所以在工作的過(guò)程中各種各樣的故障會(huì)在多種因素的作用下出現(xiàn)，其中故障和故障所出現(xiàn)的原因呈現(xiàn)出非常明顯的非線性關(guān)系，由于在診斷礦用空壓機(jī)故障的過(guò)程中無(wú)法利用數(shù)學(xué)模型進(jìn)行表達(dá)，因此需要在充分分析龐大數(shù)據(jù)信息的基礎(chǔ)上進(jìn)行故障預(yù)警，及時(shí)的發(fā)現(xiàn)所存在的風(fēng)險(xiǎn)，只有這樣才能夠保證現(xiàn)代煤礦企業(yè)的穩(wěn)定和健康發(fā)展[1-3]。

張強(qiáng)、戴俊等人在建立空壓機(jī)故障診斷模型的過(guò)程中利用了組合式BP神經(jīng)網(wǎng)絡(luò)，通過(guò)實(shí)踐和理論分析發(fā)現(xiàn)，相比于單BP神經(jīng)網(wǎng)絡(luò)，組合式BP神經(jīng)網(wǎng)絡(luò)具有誤差小的優(yōu)勢(shì)[4-5]；秦福星[6]在對(duì)空壓機(jī)采樣數(shù)據(jù)進(jìn)行詳細(xì)分析的基礎(chǔ)上，根據(jù)灰色關(guān)聯(lián)度理論得到了一種空壓機(jī)故障診斷系統(tǒng)。以上系統(tǒng)或模型在診斷空壓機(jī)的過(guò)程中精度較低，而且不具有較快的收斂速度[7-9]。

針對(duì)以上問(wèn)題，本文對(duì)壓縮機(jī)故障診斷系統(tǒng)進(jìn)行研究。建立基于最小二乘支持向量機(jī)的故障診斷模型，并使用PCA算法提取數(shù)據(jù)特征作為故障診斷模型的輸入，降低輸入維數(shù)，提高壓縮機(jī)故障診斷模型識(shí)別效率和識(shí)別準(zhǔn)確性。

1 礦用空壓機(jī)故障診斷模型

診斷模型的建立是空壓機(jī)故障診斷系統(tǒng)的關(guān)鍵，因此應(yīng)當(dāng)在對(duì)空壓機(jī)使用說(shuō)明和相關(guān)資料文獻(xiàn)充分了解的基礎(chǔ)上進(jìn)行空壓機(jī)故障診斷模型的建立，充分分析現(xiàn)場(chǎng)監(jiān)測(cè)記錄和參考使用維修人員的相關(guān)經(jīng)驗(yàn)，分析空壓機(jī)運(yùn)行過(guò)程中所出現(xiàn)的故障，并對(duì)這些故障進(jìn)行分類(lèi)和分析，進(jìn)而找到合適的方法來(lái)解決這些故障[10-13]。

根據(jù)壓縮機(jī)現(xiàn)場(chǎng)使用經(jīng)驗(yàn)及文獻(xiàn)資料，歸納出壓縮機(jī)的主要四種故障模式：壓縮機(jī)冷卻裝置故障(S2)、壓縮機(jī)潤(rùn)滑裝置故障(S3)、壓縮機(jī)軸承故障(S4)以及壓縮機(jī)電力裝置故障(S5)。

故障模式下出現(xiàn)的特征主要有：壓縮機(jī)排氣量不足(A)；排氣壓力過(guò)低(B)；壓縮機(jī)排氣溫度過(guò)高(C)； 壓縮機(jī)冷卻水水溫過(guò)高(D)；壓縮機(jī)冷卻水壓壓力過(guò)低(E)；主機(jī)轉(zhuǎn)速過(guò)低(F)；壓縮機(jī)振動(dòng)過(guò)大(G)；潤(rùn)滑油油溫過(guò)高(H)；潤(rùn)滑油壓力過(guò)低(I)；軸承溫度過(guò)高(J)。

針對(duì)故障類(lèi)型的不同列出相對(duì)應(yīng)得故障狀態(tài)：S1為壓縮機(jī)正常時(shí)的狀態(tài)，設(shè)定向量為(1，0，0，0，0)；

S2為壓縮機(jī)政黨時(shí)的狀態(tài)，設(shè)定向量為(1，0，0，0，0)；

S3為壓縮機(jī)潤(rùn)滑系統(tǒng)故障時(shí)的狀記,設(shè)定向量為(0，0，1，0，0)；

S4為壓縮機(jī)軸承發(fā)生故障時(shí)的狀態(tài),設(shè)定向量為(0，0，0，1，0)；

S5為壓縮機(jī)供電系統(tǒng)故意，設(shè)定向量為(0，0，0，0，1)。

壓縮機(jī)的故障狀態(tài)、故障類(lèi)型以及故障征兆如表1所示。

表1 壓縮機(jī)故障特征參數(shù)

本文研究的故障診斷模型主要通過(guò)前期獲取的壓縮機(jī)分別在正常狀態(tài)、壓縮機(jī)冷卻水系統(tǒng)故障、壓縮機(jī)潤(rùn)滑裝置故障、壓縮機(jī)軸承故障以及壓縮機(jī)電力裝置故障狀態(tài)下的冷卻溫度、冷卻壓力、排氣壓、軸承溫度、潤(rùn)滑油壓、潤(rùn)滑油溫、排氣量、排氣溫度、主機(jī)轉(zhuǎn)速和主機(jī)振動(dòng)及由LSSVM算法建立的故障狀態(tài)與特征數(shù)據(jù)之間的映射關(guān)系實(shí)現(xiàn)壓縮機(jī)系統(tǒng)的故障診斷。

圖1 基于經(jīng)過(guò)PCA算法提取特征LSSVM故障診斷模型

2 壓縮機(jī)系統(tǒng)故障診斷實(shí)例分析

2.1 故障診斷數(shù)據(jù)采集

對(duì)壓縮機(jī)分別在正常狀態(tài)、壓縮機(jī)冷卻水系統(tǒng)故障、壓縮機(jī)潤(rùn)滑裝置故障、壓縮機(jī)軸承故障以及壓縮機(jī)電力裝置故障狀態(tài)下進(jìn)行數(shù)據(jù)采集，得到壓縮機(jī)系統(tǒng)在不同狀態(tài)下的壓縮機(jī)數(shù)據(jù)。由于壓縮機(jī)出現(xiàn)各種故障頻率不高，因此各種故障狀態(tài)下的數(shù)據(jù)量有限，本文得到每種故障狀態(tài)下40組數(shù)據(jù)，隨機(jī)抽取其中20組用于故障診斷模型的訓(xùn)練，另外20組用于故障診斷模型泛化能力測(cè)試。部分?jǐn)?shù)據(jù)見(jiàn)表2所示。

表2 樣本樣本數(shù)據(jù)

2.2 故障診斷模型構(gòu)建

較高的輸入維數(shù)會(huì)增加基于LSSVM算法故障診斷模型的計(jì)算量，因此使用MATLAB軟件對(duì)采集整理得到的用于壓縮機(jī)故障診斷分析的數(shù)據(jù)進(jìn)行PCA分析，從而得到各個(gè)輸入變量的特征值、各成分的貢獻(xiàn)率以及累計(jì)貢獻(xiàn)率，見(jiàn)表3所示。通過(guò)這樣的處理，降低了輸入數(shù)據(jù)維數(shù)，減少了冗余信息對(duì)基于LSSVM算法的故障診斷模型分析效率的影響。

表3 主成分貢獻(xiàn)率和累計(jì)貢獻(xiàn)率

由PCA算法分析得到的主成分貢獻(xiàn)率和累計(jì)貢獻(xiàn)率可知，前2個(gè)主元成分基本能夠表達(dá)原始數(shù)據(jù)的特征矩陣。因此在此選用前2個(gè)主元成分，組成新的特征對(duì)壓縮機(jī)進(jìn)行故障診斷分析，降低了輸入數(shù)據(jù)維數(shù)。

2.3 故障診斷結(jié)果分析

使用常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法、常規(guī)LSSVM算法以及經(jīng)過(guò)PCA算法提取特征的LSSVM算法分別建立壓縮機(jī)故障診斷系統(tǒng)。使用相同的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)對(duì)所建立的3種故障診斷模型進(jìn)行模型訓(xùn)練和泛化能力測(cè)試。使用3種故障診斷模型進(jìn)行壓縮機(jī)系統(tǒng)故障診斷的模型訓(xùn)練時(shí)間、測(cè)試樣本分類(lèi)時(shí)間、故障識(shí)別準(zhǔn)確率對(duì)比見(jiàn)表4所示。

故障診斷模型對(duì)比結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型在較少的訓(xùn)練樣本情況下收斂速度低，需要進(jìn)行的訓(xùn)練時(shí)間較長(zhǎng)，故障識(shí)別準(zhǔn)確率較低。基于LSSVM的故障診斷模型可以使用較少的訓(xùn)練樣本就得到具有一定泛化能力的診斷模型，但是在訓(xùn)練過(guò)程中參數(shù)選取的隨機(jī)性能導(dǎo)致故障診斷模型性能的較大差異，總體識(shí)別效率和準(zhǔn)確率較低?；诮?jīng)過(guò)PCA算法提取特征的LSSVM故障診斷模型首先對(duì)采集整理得到的用于壓縮機(jī)故障診斷分析的數(shù)據(jù)進(jìn)行PCA分析，降低了輸入數(shù)據(jù)維數(shù)，減少了冗余信息對(duì)基于LSSVM算法的故障診斷模型分析效率的影響。綜上使得基于經(jīng)過(guò)PCA算法提取特征的LSSVM故障診斷模型具有較高的識(shí)別效率和識(shí)別準(zhǔn)確性。

表4 故障診斷模型對(duì)比結(jié)果

3 結(jié)論

本文針對(duì)壓縮機(jī)故障診斷系統(tǒng)進(jìn)行研究：(1)根據(jù)壓縮機(jī)系統(tǒng)工作原理和特性分析故障現(xiàn)象與發(fā)生根源的聯(lián)系，提取用于故障診斷的特征信號(hào)；(2)建立基于最小二乘支持向量機(jī)的故障診斷模型，并使用PCA算法提取數(shù)據(jù)特征作為故障診斷模型的輸入，降低輸入維數(shù)；(3)使用多種故障診斷模型進(jìn)行對(duì)比分析，驗(yàn)證了本文使用的基于經(jīng)過(guò)PCA算法提取特征的LSSVM故障診斷模型具有較高的識(shí)別效率和識(shí)別準(zhǔn)確性。