基于遺傳算法化工領(lǐng)域往復(fù)壓縮機(jī)故障診斷分析

何奮彪

(中國(guó)石油蘭州石化公司 化工運(yùn)行一部，甘肅 蘭州 730060)

在石油化工領(lǐng)域，往復(fù)壓縮機(jī)是一種十分重要的機(jī)械設(shè)備類型，可以實(shí)現(xiàn)對(duì)各種氣體的高效壓縮和輸送，滿足人們生產(chǎn)過(guò)程中的各種需求。往復(fù)壓縮機(jī)具有十分復(fù)雜的結(jié)構(gòu)，激勵(lì)源眾多，其軸承較易出現(xiàn)各種故障，影響到設(shè)備的正常運(yùn)行，也給實(shí)際生產(chǎn)造成了一定的影響。但是，在往復(fù)壓縮機(jī)的工作和運(yùn)行過(guò)程中，可能會(huì)出現(xiàn)一定的故障，進(jìn)而影響到生產(chǎn)的效率以及安全性。為此，針對(duì)往復(fù)壓縮機(jī)，還需要重視相關(guān)的故障問(wèn)題，并做好準(zhǔn)確的故障診斷，以及時(shí)排除故障，確保高效、安全生產(chǎn)。實(shí)踐工作中，還需要提高對(duì)往復(fù)壓縮機(jī)軸承故障的重視程度，并積極地做好相應(yīng)的故障診斷工作。

1 VMD與基于遺傳算法的VMD參數(shù)優(yōu)化

變分模態(tài)分解(VMD)具備強(qiáng)大的信號(hào)處理能力，可以對(duì)多種不同類型的信號(hào)予以有效的處理，例如各種具有非平穩(wěn)性、非線性特征的信號(hào)；同時(shí)，VMD還具有較強(qiáng)的噪聲敏感性。在處理各種信號(hào)的時(shí)候，VMD可以對(duì)信號(hào)分量的獲取過(guò)程進(jìn)行一定的轉(zhuǎn)移，將其轉(zhuǎn)移到變分框架內(nèi)，并進(jìn)行合理的處理。在處理過(guò)程中，可以科學(xué)的分解原始信號(hào)，避免各種問(wèn)題的出現(xiàn)，提高原始信號(hào)的分解效果，具有較好的復(fù)雜數(shù)據(jù)分解精度及較好的抗噪聲干擾等優(yōu)點(diǎn)。但是，VMD存在一定的不足之處。VMD對(duì)信號(hào)的分解層數(shù)和懲罰因子需要采用人為方式進(jìn)行選??；懲罰因子和分解層數(shù)K的具體選擇情況會(huì)對(duì)VMD方法的最終分解效果產(chǎn)生極大的影響。同時(shí)，采用相應(yīng)的參數(shù)設(shè)置方法也無(wú)法獲得最優(yōu)的參數(shù)組合，無(wú)法很好的滿足實(shí)際分析研究的需求。為此，在本文的研究中，選擇依托遺傳算法進(jìn)行必要的參數(shù)優(yōu)化。應(yīng)用遺傳算法法對(duì)VMD 算法進(jìn)行參數(shù)優(yōu)化，可以實(shí)現(xiàn)對(duì)帶寬參數(shù)以及分解層數(shù)的優(yōu)化處理。在優(yōu)化處理時(shí)，可以使用適應(yīng)度函數(shù)對(duì)目標(biāo)函數(shù)在解空間進(jìn)行全局并進(jìn)行隨機(jī)搜索，以獲得優(yōu)化參數(shù)。變分模態(tài)分解參數(shù)優(yōu)化過(guò)程中，首先需要結(jié)合實(shí)際需求，對(duì)適應(yīng)度函數(shù)進(jìn)行建立。之后，通過(guò)隨機(jī)方式形成初始化階次種群。并以一定的種群條件為背景，對(duì)相關(guān)的信號(hào)實(shí)施VMD分解，并對(duì)不同種群個(gè)體的適應(yīng)度進(jìn)行計(jì)算。計(jì)算結(jié)束后進(jìn)行分析，如果滿足了實(shí)際的終止條件，則在輸出最優(yōu)結(jié)果之后完成整個(gè)參數(shù)優(yōu)化。另外，也可以針對(duì)實(shí)際需求進(jìn)行一定的選擇、變異和交叉處理，得到新的種群。之后，與終止條件進(jìn)行對(duì)照分析，如果滿足條件的要求，則在輸出最優(yōu)結(jié)果之后完成參數(shù)優(yōu)化過(guò)程。

2 多尺度散布熵

本次研究中使用遺傳算法研究得出VMD算法的最佳影響參數(shù)組合，對(duì)相關(guān)的帶寬參數(shù)以及分量個(gè)數(shù)等進(jìn)行研究，得到分解故障信號(hào)。之后，對(duì)分解后的BLIMF 分量峭度值進(jìn)行計(jì)算，并通過(guò)篩選，得出最佳BLIMF 分量，實(shí)現(xiàn)對(duì)故障信號(hào)的重構(gòu)。在散布熵基礎(chǔ)上，可以提出多尺度散布熵(MDE)。多尺度散布熵可以實(shí)現(xiàn)對(duì)時(shí)間序列復(fù)雜性的有效度量，相關(guān)的時(shí)間序列越復(fù)雜，新模式產(chǎn)生的可能性便越高。這一情況下，可以對(duì)樣本熵進(jìn)行有效的擴(kuò)展，將其擴(kuò)展到多個(gè)不同的時(shí)間尺度。之后，便可以結(jié)合實(shí)際需求，在時(shí)間尺度不確定的情況下，獲得額外的觀察視角。在計(jì)算的時(shí)候，散布熵在全程應(yīng)用的參數(shù)是基于正態(tài)累積分布函數(shù)映射(NCDF)的數(shù)據(jù)平均值與標(biāo)準(zhǔn)差。在具體的計(jì)算中，上述2個(gè)參數(shù)均被設(shè)置為原始數(shù)據(jù)的平均值和標(biāo)準(zhǔn)差，在所有尺度上，則保持不變的狀態(tài)。往復(fù)壓縮機(jī)的振動(dòng)信號(hào)具有非線性特征，對(duì)于設(shè)備不同位置的故障狀態(tài)，在所具備的特征方面，相互之間也呈現(xiàn)出非線性關(guān)系。具體來(lái)看，在具體計(jì)算多尺度散布熵的時(shí)候，可以按照以下的方式完成計(jì)算：

(1)設(shè)定一定的信號(hào)，將其長(zhǎng)度設(shè)置為，具體計(jì)算公式：

(1)

(2)參照不同尺度因子的具體情況，計(jì)算相應(yīng)粗?；盘?hào)下的散布熵值，計(jì)算公式：

(2)

式中：、分別代表的是時(shí)間序列的標(biāo)準(zhǔn)差、均數(shù)。按照上述公式計(jì)算完畢后，可以應(yīng)用線性算法將分配到有一定范圍內(nèi)的任意整數(shù)，并獲得相應(yīng)的映射信號(hào)，具體計(jì)算公式：

(3)

在這一過(guò)程中，應(yīng)用了線性方法，但因?yàn)樵谟?jì)算中使用NCDF 進(jìn)行了映射，因此從整個(gè)映射過(guò)程來(lái)看，屬于非線性過(guò)程。

在時(shí)間序列方面，可以使用延遲時(shí)間和嵌入維數(shù)來(lái)構(gòu)成這一序列，具體計(jì)算公式：

(4)

在具體的計(jì)算過(guò)程中，需要考慮到時(shí)間序列的映射情況。在計(jì)算中，所有的時(shí)間序列都會(huì)被映射到一定的分散模式之中。信號(hào)具有不同的類型，數(shù)量以“” 表示。不同的信號(hào)類別均為整數(shù)，相應(yīng)的取值范圍為1～。在上述條件下進(jìn)行分析，不同時(shí)間序列所分配的分散模式數(shù)量便可以用“”來(lái)表示。分析不同的潛在分散模式，可以對(duì)其相對(duì)頻率進(jìn)行計(jì)算，具體的計(jì)算公式：

(5)

在計(jì)算完畢后，結(jié)合計(jì)算結(jié)果以及信息熵的定義，可以實(shí)現(xiàn)對(duì)散布熵值的具體計(jì)算，計(jì)算的方法為：

(6)

結(jié)合計(jì)算所得的結(jié)果進(jìn)行分析，可以得出不同尺度因子下的MDE 定義，具體計(jì)算公式：

(7)

3 VMD 和MDE 的參數(shù)優(yōu)化

3.1 往復(fù)壓縮機(jī)軸承故障診斷總體方法

在對(duì)往復(fù)壓縮機(jī)軸承故障進(jìn)行診斷的時(shí)候，還需要對(duì)往復(fù)壓縮機(jī)的特點(diǎn)進(jìn)行全面的分析。通過(guò)分析可以了解到，往復(fù)壓縮機(jī)的軸承振動(dòng)信號(hào)具有顯著的復(fù)雜多分量耦合特點(diǎn)。因此，在本文的研究過(guò)程中，選擇以參數(shù)優(yōu)化的VMD和MDE為依托，分析相應(yīng)的軸承故障診斷方法。在診斷過(guò)程中，首先需要應(yīng)用遺傳算法來(lái)對(duì)VMD方法實(shí)施參數(shù)優(yōu)化，以得到最佳的優(yōu)化參數(shù)組。針對(duì)實(shí)際診斷研究的需求，對(duì)這一優(yōu)化參數(shù)組進(jìn)行合理的設(shè)置，將其設(shè)置為VMD分解參數(shù)。之后，合理的分解往復(fù)壓縮機(jī)軸承故障信號(hào)，并得到若干個(gè)BLIMF分量。之后的步驟中需要對(duì)不同BLIMF 分量對(duì)應(yīng)的峭度值進(jìn)行計(jì)算，比較分析計(jì)算所得到的數(shù)據(jù)結(jié)果，從中選擇出可以顯著體現(xiàn)軸承故障特征的BLIMF 分量。將這些BLIMF分量實(shí)施重構(gòu)，獲得所需的故障信號(hào)。整理重構(gòu)后獲得的故障信號(hào)，實(shí)施MDE分析。對(duì)于重構(gòu)后得出的故障信號(hào)MDE 熵值進(jìn)行量化計(jì)算，獲得往復(fù)壓縮機(jī)軸承故障特征向量。之后，開(kāi)展一定的訓(xùn)練和測(cè)試活動(dòng)，以獲得最終的診斷結(jié)果。這一過(guò)程中，可以使用的儀器為極限學(xué)習(xí)機(jī)(ELM)，應(yīng)用該儀器，可以實(shí)現(xiàn)軸承故障特征向量的針對(duì)性訓(xùn)練和測(cè)試，并最終獲得所需的結(jié)果。

3.2 遺傳算法下的往復(fù)壓縮機(jī)軸承故障診斷案例分析

為更好的研究遺傳算法下的往復(fù)壓縮機(jī)軸承故障診斷方法，在本文中，我們結(jié)合一定的實(shí)際案例進(jìn)行分析研究。選擇以某型號(hào)往復(fù)壓縮機(jī)為例，開(kāi)展軸承故障模擬實(shí)驗(yàn)，相應(yīng)的軸承故障形式為一級(jí)、二級(jí)連桿大小頭處軸承間隙大。在實(shí)驗(yàn)過(guò)程中，首先對(duì)缸體表面一級(jí)、二級(jí)連桿大小頭處的振動(dòng)信號(hào)進(jìn)行采集，應(yīng)用的儀器為加速度傳感器。在信號(hào)采集過(guò)程中，相應(yīng)的采樣頻率設(shè)定為50 kHz，采樣時(shí)間設(shè)定為4 s。在分析的時(shí)候，需要對(duì)研究中的相關(guān)參數(shù)進(jìn)行確定，涉及到的參數(shù)主要為帶寬參數(shù)以及VMD分量個(gè)數(shù)。其中VMD分量個(gè)數(shù)是通過(guò)應(yīng)用一定的算法對(duì)VMD進(jìn)行分解得到的，此次研究中選擇使用的算法為遺傳算法。通過(guò)遺傳算法可以優(yōu)化不同軸承振動(dòng)信號(hào)的VMD 分解參數(shù)，采用優(yōu)化后的VMD 參數(shù)設(shè)置，分別針對(duì)一級(jí)連桿小頭軸承間隙偏大或者二級(jí)連桿大頭軸承間隙偏大等不同的故障狀態(tài)信號(hào)進(jìn)行分解，并得出具體的參數(shù)數(shù)值結(jié)果。在本章節(jié)的研究中，經(jīng)分析和計(jì)算，得出的不同故障狀態(tài)下振動(dòng)信號(hào)VMD相關(guān)參數(shù)大小情況如表1所示。

結(jié)合表1中的參數(shù)情況，按照對(duì)應(yīng)的VMD 參數(shù)設(shè)置，分別對(duì)不同軸承正常以及4種不同軸承故障類型下的5種狀態(tài)信號(hào)實(shí)施分解。分解結(jié)束后，通過(guò)計(jì)算得到不同BLIMF 分量所對(duì)應(yīng)的峭度值，不同狀態(tài)振動(dòng)信號(hào)下軸承不同BLIMF 分量的峭度值情況如表2所示。

表1 不同故障狀態(tài)下振動(dòng)信號(hào)VMD相關(guān)參數(shù)大小匯總Tab.1 Summary of VMD related parameters of vibration signals under different fault states

表2 不同狀態(tài)振動(dòng)信號(hào)下軸承不同BLIMF 分量的峭度值情況Tab.2 Kurtosis values of different BLIMF components of bearings under vibration signals of different states

在故障診斷過(guò)程中，峭度值越大，所對(duì)應(yīng)的信號(hào)中所含有的故障成分就越多。由此進(jìn)行分析，可以通過(guò)比較，將其中峭度絕對(duì)值較大的BLIMF 分量篩選出來(lái)，并針對(duì)這一分量實(shí)施信號(hào)重構(gòu)，以實(shí)現(xiàn)對(duì)不同狀態(tài)下信號(hào)的分析研究。結(jié)合表2 中的數(shù)據(jù)結(jié)果進(jìn)行研究，可以了解到，如果往復(fù)壓縮機(jī)的軸承處于間隙偏大的故障狀態(tài)時(shí)，其中一些BLIMF 分量所對(duì)應(yīng)的的峭度值則會(huì)出現(xiàn)異常變化，表現(xiàn)出顯著增大的情況，數(shù)值遠(yuǎn)遠(yuǎn)高于3。如果往復(fù)壓縮機(jī)軸承處于正常狀態(tài)，結(jié)合表2中的數(shù)據(jù)結(jié)果進(jìn)行分析可知，分量BLIMF3、BLIMF4 所對(duì)應(yīng)的峭度值在3左右，較為接近正態(tài)分布。因此，在本次研究中，為了獲得理想的診斷效果，選擇以正常狀態(tài)下峭度值在3所有的BLIMF 分量為參照重構(gòu)信號(hào)，對(duì)于故障狀態(tài)下的峭度值，采用遠(yuǎn)大于3 的BLIMF 分量進(jìn)行信號(hào)重構(gòu)。之后，可以對(duì)軸承不同類型狀態(tài)重構(gòu)后振動(dòng)信號(hào)的多尺度散布熵進(jìn)行計(jì)算。

在多尺度熵的粗?；h(huán)節(jié)，尺度因子是一個(gè)十分重要的指標(biāo)。在對(duì)這一指標(biāo)進(jìn)行選擇的時(shí)候，需要綜合考慮多方面情況的影響以及實(shí)際需求，從而合理控制尺度因子具體取值的大小，避免出現(xiàn)取值過(guò)大或者過(guò)小的問(wèn)題。如果尺度因子具體取值過(guò)大，則可能會(huì)導(dǎo)致不同信號(hào)之間復(fù)雜度差異無(wú)法得到有效的分析。如果尺度因子具體取值過(guò)小，則無(wú)法對(duì)信號(hào)的各種特征信息予以全面的提取。通過(guò)計(jì)算以及結(jié)果分析可以了解到，當(dāng)尺度小于5 的時(shí)候，對(duì)應(yīng)的多尺度散布熵值會(huì)呈現(xiàn)出逐漸增大的變化趨勢(shì)。而隨著尺度的不斷增大，多尺度散布熵值則會(huì)出現(xiàn)逐漸減小的情況。同時(shí)，在一定的尺度范圍內(nèi)，軸承不同類型狀態(tài)下的多尺度散布熵值之間存在十分明顯的差異。如果尺度達(dá)到8以上，則對(duì)應(yīng)的多尺度散布熵值曲線會(huì)出現(xiàn)十分明顯的交叉現(xiàn)象。此次研究中，對(duì)上述多種情況進(jìn)行綜合性的分析，為獲得更為理想的故障診斷效果，采用本文所述方法對(duì)軸承5 種狀態(tài)信號(hào)進(jìn)行分析,構(gòu)建往復(fù)壓縮機(jī)軸承狀態(tài)特征向量集。不同特征提取方法下的各種軸承故障狀態(tài)類型ELM識(shí)別率與總識(shí)別率如表3所示。

表3 不同特征提取方法下的各種軸承故障狀態(tài)類型ELM識(shí)別率與總識(shí)別率Tab.3 ELM recognition rate and total recognition rate of various bearing fault state types under different feature extraction methods

3 結(jié)語(yǔ)

在實(shí)際生產(chǎn)中，針對(duì)往復(fù)壓縮機(jī)這一石油化工行業(yè)的關(guān)鍵設(shè)備，提高對(duì)其軸承故障的關(guān)注程度，并積極的做好相應(yīng)難度診斷是十分重要的。在具體的故障診斷過(guò)程中，還需要結(jié)合實(shí)際情況，進(jìn)行科學(xué)的全面分析，選擇更為科學(xué)、高效的診斷與評(píng)估方法。在本次研究中，提出了基于參數(shù)優(yōu)化VMD 和MDE 的往復(fù)壓縮機(jī)故障診斷方法，使用遺傳算法研究得出VMD 算法的最佳影響參數(shù)組合，并對(duì)相關(guān)的帶寬參數(shù)以及分量個(gè)數(shù)等進(jìn)行研究，得到分解故障信號(hào)。之后，對(duì)分解后的BLIMF分量峭度值進(jìn)行計(jì)算，得出最佳BLIMF 分量，實(shí)現(xiàn)對(duì)故障信號(hào)的重構(gòu)。同時(shí)，還在散布熵的基礎(chǔ)上，提出從多個(gè)時(shí)間尺度下反映時(shí)間序列復(fù)雜度的多尺度散布熵。分析這一熵值，可以較為全面地觀察到時(shí)間序列的復(fù)雜程度，同時(shí)也可以提高算法的準(zhǔn)確性。針對(duì)重構(gòu)后得到的故障信號(hào)實(shí)施MDE分析，并通過(guò)極限學(xué)習(xí)機(jī)測(cè)驗(yàn)等方式，可以獲得相應(yīng)的故障類型中識(shí)別效果。在研究中，還結(jié)合具體案例進(jìn)行了分析，證實(shí)了本文所提出的往復(fù)壓縮機(jī)軸承故障診斷和識(shí)別方法是有效的，具有一定的實(shí)踐應(yīng)用價(jià)值。