趙國珍

摘要：往復(fù)式壓縮機(jī)閥片響應(yīng)具有高沖擊、強(qiáng)噪聲的特點(diǎn)。為了解決基于激勵的故障診斷方法難以適用于壓縮機(jī)閥片泄漏故障診斷的問題，提出一種基于響應(yīng)特性的往復(fù)式壓縮機(jī)閥片泄漏故障診斷方法。以電機(jī)定子電流信號作為激勵信號，振動加速度信號作為響應(yīng)信號，分析激勵和響應(yīng)特性，利用集合經(jīng)驗?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）對響應(yīng)信號進(jìn)行特征提取。實驗?zāi)M了閥片不同程度的泄漏故障，基于響應(yīng)特性對支持向量機(jī) （support vector machine，SVM）分類效果進(jìn)行了實驗。實驗結(jié)果表明，基于響應(yīng)特性的故障診斷方法具有較好的SVM分類效果。

關(guān)鍵詞：閥片；響應(yīng)特性；集合經(jīng)驗?zāi)B(tài)分解；支持向量機(jī)

中圖分類號：TH45? ? ? ? ? ? ? ? ??文獻(xiàn)標(biāo)志碼：A

Research on the valve plate fault diagnosis method based on excitation diagnosis

ZHAO Guozhen

（Anhui Communications Vocational & Technical College， Hefei 230051， China）

Abstract： The response of the valve plate of a reciprocating compressor shows high impact and strong noise. In order to solve the problem that incentive based fault diagnosis methods were difficult to apply to compressor valve leakage fault diagnosis， a response characteristic based reciprocating compressor valve leakage fault diagnosis method was proposed. Using the motor stator current signal as the excitation signal and the vibration acceleration signal as the response signal， the excitation and response characteristics were analyzed. Features from the response signal were extracted by using ensemble empirical mode decomposition （EEMD）. Different degrees of valve leakage faults were simulated. And experiments on the classification performance of support vector machine （SVM） based on response characteristics were performed. The experimental results show that the fault diagnosis method based on response characteristics has good SVM classification performance.

Key words： valve plate; incentive response; ensemble empirical mode decomposition （EEMD）; support vector machine （SVM）

往復(fù)式壓縮機(jī)在機(jī)械、石油化工、制冷和氣體運(yùn)輸行業(yè)具有廣泛的應(yīng)用[1-5]。然而，由于長時間運(yùn)行、不當(dāng)使用或其他外部因素的影響，往復(fù)式壓縮機(jī)可能會出現(xiàn)各種故障。及時準(zhǔn)確地診斷和解決這些故障對于保障設(shè)備的正常運(yùn)行和延長其壽命至關(guān)重要。閥片是決定壓縮機(jī)穩(wěn)定高效工作的核心部件，而且閥片是往復(fù)式壓縮機(jī)中最易損害的部件之一。因此，一種有效準(zhǔn)確的閥片故障檢測方法可以提高壓縮機(jī)運(yùn)行可靠性，減少事故的發(fā)生，降低壓縮機(jī)的停機(jī)時間和成本[6-8]。

往復(fù)式壓縮機(jī)的故障診斷方法主要是從旋轉(zhuǎn)機(jī)械的故障診斷方法發(fā)展而來的[9-11]?；诩铐憫?yīng)的識別方法是一種常用的故障診斷方法，在旋轉(zhuǎn)設(shè)備故障診斷領(lǐng)域備受關(guān)注。然而，往復(fù)式壓縮機(jī)的激勵響應(yīng)具有非線性、非平穩(wěn)性和多組分耦合等特點(diǎn)[12-14]，給壓縮機(jī)故障診斷帶來挑戰(zhàn)。故障診斷是指通過分析和判斷設(shè)備運(yùn)行中出現(xiàn)的異?，F(xiàn)象和故障表現(xiàn)，確定其原因和來源的過程。對于往復(fù)式壓縮機(jī)而言，故障診斷不僅需要深入了解該設(shè)備的結(jié)構(gòu)和工作原理，還需要掌握相關(guān)的工程知識和技術(shù)手段。

本文提出了一種基于響應(yīng)特性的壓縮機(jī)閥片泄露故障診斷方法。選擇電流信號作為激勵信號，振動加速度信號作為響應(yīng)信號，利用集合經(jīng)驗?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）對振動信號進(jìn)行模式分解。EEMD保持了經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition，EMD）自適應(yīng)分解的優(yōu)點(diǎn)，克服了EMD的端點(diǎn)效應(yīng)和模式混疊效應(yīng)[15-17]。但是本征模態(tài)函數(shù)（intrinsic mode function，IMF）的選擇仍然是需要解決的問題，選擇的成分過多或太少，都會影響特征的提取[18-20]。根據(jù)電流信號的變頻和壓縮機(jī)的轉(zhuǎn)動頻率效應(yīng)，選擇最佳的IMF重構(gòu)響應(yīng)信號，利用轉(zhuǎn)動頻率的1倍頻、2倍頻和3倍頻分量特征提取故障特征信息，再通過支持向量機(jī) （support vector machine，SVM）基于激勵狀態(tài)指標(biāo)故障進(jìn)行對比實驗。

1基于響應(yīng)特性的壓縮機(jī)閥片泄漏故障診斷方法

基于響應(yīng)特性的壓縮機(jī)閥片泄漏故障診斷方法路線圖見圖1。以電機(jī)定子電流信號為激勵信號，以振動加速度信號為響應(yīng)信號，聚焦響應(yīng)信號中顯著的故障特征，使故障特征更明顯，降低對信號處理方法性能的要求，提高診斷效率。

1.1基于響應(yīng)特性的壓縮機(jī)閥片泄漏故障診斷原理

活塞在活塞桿、連桿、曲軸、皮帶及電機(jī)的共同作用下在壓縮缸內(nèi)做往復(fù)式運(yùn)動，構(gòu)成了往復(fù)式壓縮機(jī)的工作過程，見圖2。當(dāng)壓縮機(jī)吸氣閥發(fā)生泄漏故障時，活塞缸內(nèi)與進(jìn)氣管內(nèi)壓力差減小，導(dǎo)致吸氣閥不能完全打開或關(guān)閉，降低了吸氣閥對閥體的沖擊。當(dāng)壓縮機(jī)排氣閥發(fā)生泄漏故障時，活塞缸內(nèi)與排氣管內(nèi)壓力差減小，排氣閥不能完全關(guān)閉或打開，降低了排氣閥對閥體的沖擊。同時，由于泄漏的存在，在壓縮氣體過程中，缸內(nèi)氣壓峰值會降低，導(dǎo)致曲軸所受扭矩減小，即電動機(jī)所受載荷減小。因此電機(jī)速度會增加，從而會導(dǎo)致壓縮機(jī)工作頻率增大。

綜上所述，通過對泄漏引起的壓縮機(jī)工作過程的影響進(jìn)行分析，可以識別出與閥片泄漏程度相關(guān)的響應(yīng)特性。閥片泄漏故障會減小壓縮機(jī)響應(yīng)信號中沖擊成分的能量，增大沖擊的頻率。因此，在泄漏情況下，壓縮機(jī)的轉(zhuǎn)動頻率及其倍頻會發(fā)生變化，從而影響振動加速度信號的頻譜特性。另外，由于電機(jī)所受的載荷與電機(jī)電流正相關(guān)，閥片泄漏會導(dǎo)致壓縮機(jī)電機(jī)的電流減小，增大電流信號沖擊分量的頻率。因此，閥片的泄漏故障也會影響壓縮機(jī)的激勵信號。

1.2響應(yīng)信號選擇

往復(fù)式壓縮機(jī)的響應(yīng)信號有很多種，如振動加速度信號、壓力信號、聲發(fā)射信號、溫度信號和瞬時轉(zhuǎn)速信號等。其中，壓力信號和溫度信號無法在壓縮機(jī)外部測量，需要對壓縮缸結(jié)構(gòu)進(jìn)行改造，嵌入傳感器測量。而且，由于對壓縮缸原有結(jié)構(gòu)的破壞，可能會對故障特征造成不良影響。利用聲發(fā)射信號和瞬時轉(zhuǎn)速信號診斷壓縮機(jī)閥片故障，需要傳感器具有較高靈敏度和測量精度，而且針對瞬時轉(zhuǎn)速的信號處理方法相對振動信號的處理方法較少。而振動加速度信號容易獲得，信號處理方法豐富，在故障診斷領(lǐng)域應(yīng)用最為廣泛，因此，采用振動加速度信號作為響應(yīng)信號來分析壓縮機(jī)閥片故障的響應(yīng)特征。

活塞在閥片泄漏下的壓縮速度大于閥片正常時的壓縮速度，而且，到達(dá)上下止點(diǎn)附件時沖擊力能量減小，再加上壓縮機(jī)本身振動造成的影響，會導(dǎo)致沖擊信號的周期性被削弱。如圖3所示，圖3（a）中幅值超過200 m/s2以上的沖擊次數(shù)明顯多于圖3（b），而且，圖3（a）中信號波形的周期性比圖3（b）中更明顯。振動信號中不僅包含豐富的故障特征，還與電流信號保持著系統(tǒng)傳遞特性關(guān)系，因此，本文選擇振動信號作為響應(yīng)信號。

2數(shù)據(jù)采集

為研究基于響應(yīng)特性診斷技術(shù)的壓縮機(jī)閥片故障的診斷方法。利用往復(fù)式空氣壓縮機(jī)設(shè)計2 mm、6 mm和8 mm 3種不同程度泄漏的排氣閥故障進(jìn)行實驗，在管道壓力1.0 MPa下采集電流信號和振動加速度信號。

為基于響應(yīng)特性診斷方法的模式識別與診斷方法研究提供訓(xùn)練樣本數(shù)據(jù)，設(shè)計了3種不同程度的閥片泄漏故障。在第一級壓縮缸的正常排氣閥閥片上分別加工出直徑為2 mm、6 mm和8 mm的圓孔，來模擬閥片3種不同程度的泄漏故障，如圖4所示。為了提高數(shù)據(jù)的可靠性，當(dāng)壓縮機(jī)壓力達(dá)到1.0 MPa時開始采集數(shù)據(jù)，振動加速度數(shù)據(jù)和電動機(jī)電流數(shù)據(jù)同時采集。共進(jìn)行3組排氣閥泄漏實驗和一組正常閥片實驗，采樣頻率設(shè)置為51.2 kHz，采樣時間為30 s。

3往復(fù)式壓縮機(jī)閥片泄漏故障診斷

試驗臺以往復(fù)式空氣壓縮機(jī)為載體，由單作用雙級空氣壓縮機(jī)、計算機(jī)、振動加速度傳感器、電流鉗和數(shù)據(jù)采集系統(tǒng)組成，如圖5所示。實驗共采集到壓縮機(jī)在排氣閥正常、2 mm泄漏、6 mm泄漏和8 mm泄漏的條件下的4組振動信號數(shù)據(jù)和電流信號數(shù)據(jù)。下面基于此四組數(shù)據(jù)從響應(yīng)特性角度對壓縮機(jī)排氣閥泄漏故障的診斷方法進(jìn)行研究。

3.1響應(yīng)信號故障特征分析

各組振動信號的頻域波形如圖6所示。其中，f1、f2、f3和f4分別為正常閥片、2 mm、6 mm和8 mm泄漏故障條件下壓縮機(jī)的轉(zhuǎn)動頻率。

在圖6中：f1=14.336 Hz，f2=15.360 Hz，f3=16.378 Hz，f4=16.381 Hz。表明壓縮機(jī)的轉(zhuǎn)動頻率在隨著泄漏故障程度的增加而變大。在壓縮機(jī)實際工作的過程中，由于泄漏的存在，導(dǎo)致壓縮缸內(nèi)的壓力減小，從而曲軸的扭矩減小，曲軸的轉(zhuǎn)速增大。在一定范圍內(nèi)，壓縮機(jī)轉(zhuǎn)動頻率會與閥片泄漏量保持正相關(guān)關(guān)系。振動信號的頻譜中含有大量轉(zhuǎn)動頻率的倍頻，轉(zhuǎn)動頻率波動的同時其倍頻也會隨之波動。因此，壓縮機(jī)閥片的故障特征可以從壓縮機(jī)的轉(zhuǎn)動頻率及其倍頻中提取。

3.2響應(yīng)狀態(tài)指標(biāo)提取

壓縮機(jī)的轉(zhuǎn)動頻率及其倍頻成分中包含閥片泄漏故障特征信息。高倍數(shù)轉(zhuǎn)動頻率分量是受轉(zhuǎn)子不平衡產(chǎn)生的，受轉(zhuǎn)動頻率特性的影響較小，包含的有效故障特征較少。因此，從高倍數(shù)轉(zhuǎn)動頻率分量中提取故障特征信息技術(shù)難度較高，且可獲得有效故障信息較少。本文只利用轉(zhuǎn)動頻率的1倍頻、2倍頻和3倍頻分量特征提取故障特征信息，忽略高倍數(shù)轉(zhuǎn)動頻率分量。

利用轉(zhuǎn)動頻率的1倍頻、2倍頻和3倍頻的能量譜值作為響應(yīng)狀態(tài)指標(biāo)，并通過梳狀濾波器，可以自適應(yīng)的從響應(yīng)信號頻譜圖中獲取這些指標(biāo)。從每組中取1 000 000個數(shù)據(jù)點(diǎn)，分為50份。對每組的每一份數(shù)據(jù)進(jìn)行頻譜分析，通過EEMD對振動信號進(jìn)行模式分解，選擇最佳的IMF重構(gòu)響應(yīng)信號，然后利用梳狀濾波器獲取每份數(shù)據(jù)頻譜的1倍、2倍和3倍轉(zhuǎn)動頻率的能量譜值，作為響應(yīng)狀態(tài)指標(biāo)，用于故障的模式識別與分類。響應(yīng)狀態(tài)指標(biāo)見表1。

3.3壓縮機(jī)閥片泄漏故障模式識別

獲取了狀態(tài)指標(biāo)之后，需要對其進(jìn)行分類，以識別不同的故障模式。SVM是一種基于統(tǒng)計學(xué)習(xí)理論的強(qiáng)大的分類技術(shù)。SVM最初是作為一種二元分類的廣義線性分類器引入的，其決策邊界是對學(xué)習(xí)樣本求解的最大邊界超平面，最終轉(zhuǎn)化為一個凸二次規(guī)劃問題，其公式如下。

min12ω2+C∑mi=1ξi

yiωφxi+b≥1-ξi，ξi≥0;i=1，…，m（1）

式中：ω為超平面的法向量；b為截距；φxi為樣本變量；yi為樣本的標(biāo)簽；C為參數(shù)；ξi為松弛變量。利用響應(yīng)狀態(tài)指標(biāo)對不同的故障模式進(jìn)行分類。首先，取數(shù)據(jù)的一倍頻（energy-radio frequency，E-RF）與二倍頻（energy-double radio frequency，E-DRF）、E-RF與三倍頻（energy-triple radio frequency，E-TRF）、E-DRF與E-TRF分別組合作為SVM分類的二維特征指標(biāo)，并給4組數(shù)據(jù)的狀態(tài)指標(biāo)分別賦予類別編號1、2、3和4；然后，取各組狀態(tài)指標(biāo)，及相對應(yīng)的類別編號進(jìn)行SVM訓(xùn)練。將所有類別的狀態(tài)指標(biāo)，放入訓(xùn)練后的SVM中進(jìn)行分類，分類效果如7所示。圖7分類結(jié)果顯示，基于響應(yīng)狀態(tài)指標(biāo)的基本可以將不同程度的故障類別分開。其中：圖7（a）中正常閥片和2 mm泄漏閥片均被完全分開，其分類的準(zhǔn)確率為91.5%；圖7（b）中，只有正常的閥片被分離出來，其分類的準(zhǔn)確率為61.5%；圖7（c）中，只有2 mm泄漏閥片故障被分離出來，其分類的準(zhǔn)確率為66.5%。因此，基于E-RF與E-DRF的SVM分類效果優(yōu)于E-RF與E-TRF和E-DRF與E-TRF的分類效果，進(jìn)一步驗證了低倍轉(zhuǎn)動頻率分量中包含更多的故障特征信息。

4結(jié)論

提出一種基于響應(yīng)特性的往復(fù)式壓縮機(jī)閥片泄漏故障診斷方法，聚焦更多故障特征信息，降低了對信號處理方法性能的要求。通過對閥片泄漏對壓縮機(jī)的影響進(jìn)行分析，選擇電機(jī)定子電流信號作為激勵信號，振動加速度信號作為響應(yīng)信號，通過頻譜分析和轉(zhuǎn)動頻率及其低倍頻的提取，有效地捕捉到閥片泄漏故障的特征信息，并利用EEMD對響應(yīng)信號進(jìn)行特征提取，實現(xiàn)對閥片泄漏故障的有效診斷。通過對正常以及3種不同程度泄漏的排氣閥故障進(jìn)行實驗，結(jié)果表明，該方法在使用SVM進(jìn)行分類時具有較好的效果。研究為往復(fù)式壓縮機(jī)閥片泄漏故障的有效診斷提供了一種新的方法。

參考文獻(xiàn)：

[1]索文凱， 班利明， 雷爭軍， 等. 基于有源激勵的激光測距機(jī)故障診斷技術(shù)研究[J]. 激光雜志， 2023， 44（1）： 184-187.

[2]于兵. 基于激勵機(jī)制增量學(xué)習(xí)的設(shè)備故障診斷方法研究[D]. 天津： 河北工業(yè)大學(xué)， 2021.

[3]趙娜. 變載荷激勵下的齒輪故障特征提取及故障診斷方法研究[D]. 秦皇島： 燕山大學(xué)， 2017.

[4]汪敏， 孫達(dá)山， 張健. 基于擾動激勵的智能變電站繼電保護(hù)故障診斷關(guān)鍵技術(shù)[J]. 科學(xué)技術(shù)創(chuàng)新， 2020（25）： 158-159.

[5]李洋. 不平衡激勵下的轉(zhuǎn)子碰摩故障診斷方法研究[D]. 哈爾濱： 哈爾濱工業(yè)大學(xué)， 2015.

[6]吳靜云， 鄢博， 戚文， 等. 基于充電脈沖激勵的電池內(nèi)短路故障診斷方法[J]. 電源技術(shù)， 2023， 47（3）： 332-336.

[7]楊敬娜， 郝克明， 朱霄珣， 等. 激勵下齒輪-轉(zhuǎn)子系統(tǒng)故障模糊C聚類診斷[J]. 機(jī)械設(shè)計與制造， 2023（4）： 296-299， 304.

[8]郭瑩瑩. 柔性薄壁橢圓軸承的運(yùn)動學(xué)特性及故障診斷研究[D]. 廣州： 華南理工大學(xué)， 2021.

[9]張曉. 基于復(fù)模型的模擬濾波電路故障診斷[D]. 成都： 電子科技大學(xué)， 2018.

[10]王鶴潼. 基于緊密度度量的模擬電路潛在故障檢測與診斷方法研究[D]. 哈爾濱： 哈爾濱工業(yè)大學(xué)， 2017.

[11]羅進(jìn). 有源電力濾波器的故障診斷技術(shù)研究[D]. 大連： 大連理工大學(xué)， 2016.

[12]陳星田. 智能變電站繼電保護(hù)隱藏故障診斷與系統(tǒng)重構(gòu)方法[D]. 重慶： 重慶大學(xué)， 2015.

[13]劉赫， 雷雨秋， 張心怡， 等. 基于階躍激勵穩(wěn)態(tài)響應(yīng)的感應(yīng)電機(jī)匝間短路故障診斷方法研究[J]. 電氣傳動， 2021， 51（13）： 75-80.

[14]張海涵. 載荷激勵下齒輪： 轉(zhuǎn)子系統(tǒng)故障診斷方法研究[D]. 太原： 太原理工大學(xué)， 2020.

[15]宗志亞. 基于擾動激勵的智能變電站繼電保護(hù)故障診斷關(guān)鍵技術(shù)[J]. 電測與儀表， 2019， 56（21）： 63-69.

[16]陳凱. 基于變分模態(tài)分解的船舶軸系狀態(tài)監(jiān)測及故障診斷方法研究[D]. 武漢： 武漢理工大學(xué)， 2018.

[17]劉立婷. 航空發(fā)動機(jī)傳感器故障實時診斷方法研究[D]. 南京： 南京航空航天大學(xué)， 2018.

[18]譚瑞. 內(nèi)燃機(jī)氣門間隙故障診斷研究[D]. 重慶： 重慶郵電大學(xué)， 2017.

[19]馮大為， 秦向麗. 故障診斷多激勵法的容差分析[J]. 山東建材學(xué)院學(xué)報， 1991， 5（3）： 1-4.

[20]袁博. 氣流激勵引起的風(fēng)機(jī)振動故障診斷[J]. 風(fēng)機(jī)技術(shù)， 2017， 59（6）： 81-86.