活塞压缩机气阀故障分析

活塞压缩机气阀故障分析

0气阀的故障检测气阀故障是激活泵中最常见的故障类型之一。主要故障包括阀片开口故障和阀片误差故障。及弹簧损坏故障等。无论气阀出现何种故障,都要对气阀进行检修或更换。所以,在对气阀进行故障诊断较为困难的情况下,可对其进行故障检测,及时发现异常度较为严重的气阀并对其进行检修或更换。气阀的故障检测就是通过检测气阀的异常度,了解气阀的工作状态,根据所设定的异常度阈值,判断气阀的故障状态。本文基于生物免疫系统自己—非己识别的反面选择智能机理,结合神经网络的智能信息处理技术,研究了活塞压缩机气阀故障检测的新方法。1检测非己的方法免疫系统的T细胞在产生过程中,通过伪随机基因重组过程在T细胞表面产生检测器,然后T细胞进入胸腺进行检查(称为反面选择),那些和机体自身蛋白质反应的T细胞被毁灭,只有那些不破坏自身组织的T细胞存活,这些成熟的T细胞在体内循环,它能检测出任何非己物质,执行免疫功能,保护机体免受抗原的侵袭。T细胞的检测器能够准确识别非己,这也称为免疫系统的自己—非己识别过程。免疫系统能够通过对自己的学习,对非己产生记忆,并通过有限数量的检测器,能够准确地识别和杀伤无限数量的非己,体现了免疫系统独特的智能机理和极具鲁棒性的处理问题方法。受免疫系统自己-非己识别机理的启发,Forrest等提出了适于检测计算机病毒的编码反面选择算法。该算法与免疫系统的反面选择过程类似,通过随机地产生检测器,并取消那些能检测出自己的检测器,以便保留的检测器能检测任何非己。为了使反面选择算法更具有实用性,Gonzalez等对检测器的概念进行了推广,提出了向量检测器的概念,扩大了反面选择算法的应用范围。2正常模式向非己空间横向配置气阀的振动信号v和气缸内压力信号p是反映气阀故障的敏感信号,将两信号进行融合可较准确地描述气阀的故障状态。从免疫系统自己—非己识别的机理出发,借鉴反面选择算法的已有研究成果,通过振动信号v和压力信号p对气阀故障检测问题进行描述。气阀状态空间的定义气阀的状态空间T可通过特征向量x表示,xi=(vi,pi)∈[0,1]2。vi和pi表示由振动信号和压力信号对气阀状态描述的两个归一化信息参数;上标i表示振动信号和压力信号所有可能状态下的取值,即气阀当前和过去状态下的归一化信息参数的取值;信息参数可以是直接测量参数,也可以是经过预处理(如平滑等)、变换(如FFT变换或小波变换等)或特征提取后的结果。自己—非己空间的定义气阀的状态空间T可通过某一阈值的限定被划分成自己空间S和非己空间NS,且NS=T-S,用特征函数xS-NS表示自己-非己空间,通过特征函数,产生映射:[0,1]2→{0,1},即如下关系成立:xS-ΝS={0x∈S1x∈ΝS(1)为了描述活塞压缩机气阀的自己与非己空间,选取经归一化处理的振动信号时间序列v=(v1,v2,…,vm)和气缸压力信号时间序列p=(p1,p2,…,pm)为信息参数。充分收集气阀正常工作模式(自己)下的振动信号和压力信号,采用加窗并移动窗口的方法获取正常模式向量。如果窗宽为n,窗口移动步长为1,则提取的正常模式集(矩阵)M为Μ=[v1v2⋯vnp1p2⋯pnv2v3⋯vn+1p2p3⋯pn+1⋮⋮⋮⋮⋮⋮⋮⋮vm-n+1vm-n+2⋯vmpm-n+1pm-n+2⋯pm]当然,窗口移动步长也可取其他整数值,窗口移动步长越小,对正常模式的描述越精确,但相应的计算复杂性也会增加。窗口宽度的选择决定了正常模式向量的维数,对于实际的问题,窗口宽度应根据信号的特点及时间序列的个数进行选择。对气阀正常工作状态数据收集得越充分,正常模式越具有代表性。在已知正常模式向量的基础上,考虑到阈值的作用,对自己—非己空间的描述如图1所示。气阀状态空间T为一正方形,自己空间S是以各正常模式向量点为中心,以阈值为半径画的圆所覆盖的区域,则非己空间NS=T-S。检测器具有只与非己空间匹配、不与自己空间匹配的内涵。向量检测器具有与正常模式向量相同的维数,但其分布在非己空间内,向量检测器d需满足以下不等式:E(d,s)>r(2)式中,E(·)为欧式距离;s为自己空间的任意正常模式向量;r为阈值。按以上规则产生的向量检测器都分布在非己空间,而无一落入自己空间。非己空间划分的定义通过模糊隶属度函数μA将气阀的非己空间NS映射到模糊空间A,A的取值为(0,1],表示气阀的异常度。为了对非己空间进行划分,将非己空间划分成i个不同的异常等级。设异常的等级分别为l1,l2,…,li,且0<l1<l2<…<li≤1,等级控制半径分别为r1,r2,…,ri,且r1<r2<…<ri。各等级的检测器个体分别为d1,d2,…,di,各等级的检测器集分别为D1,D2,…,Di。不同异常度等级检测器的产生由以下公式控制:r<E(d1,s)≤r1r1<E(d2,s)≤r2…ri-1<E(di,s)≤ri检测器可采用随机方式产生,直到满足检测器集D1,D2,…,Di所要求的检测器数量。每个检测器集所包含的检测器反映了气阀的不同异常等级。3故障检测过程正常模式向量代表气阀运行的正常样本,检测器集D1,D2,…,Di实质上代表的是反映气阀不同异常等级的异常样本,具有了正常样本和各类异常样本后,就可充分利用神经网络的联想记忆和分类功能进行故障检测。图2和图3分别为对神经网络的训练过程和神经网络的故障检测过程。在训练过程中,神经网络的输入模式为M,D1,D2,…,Di,对应的输出分别为0,l1,l2,…,li。在故障检测过程中,首先将在线采集的振动信号与压力信号进行模式处理,其处理方法与正常模式的处理方法相同。经处理后的模式作为神经网络的输入,神经网络的输出则为反映气阀异常度的数值。待检模式样本→神经网络→输出图3神经网络在线故障检测过程为了使神经网络的输出以曲线形式清晰地表示出来,采用以下公式进行平滑处理:ˆΟl=w∑i=1Οt-iw(3)式中,w为平滑的窗口宽度;ˆΟi为前w个输出的平滑结果。4异常度检测实例分析作为应用实例,对2D12活塞压缩机进行了气阀故障检测的应用研究。在充分收集气阀无故障工作状态(正常工作状态)时的振动信号和压力信号的基础上,进行振动信号和压力信号组合正常模式向量的获取,每个正常模式向量都由4个振动数据和4个压力数据(即窗宽为4)组成,构成8维的正常模式向量;窗口移动步长取2。通过对大量正常信号的模式获取,可得到能够反映正常工作状态的模式向量集M,这些模式向量构成了对压缩机气阀正常工作状态的自己空间表达。在训练检测器之前,首先选取控制不同异常等级的控制半径r1,r2,…,ri,为了能够覆盖气阀较小的异常和较大的异常,r1的值应尽量小一些,ri的值应尽量大一些,中间几个半径的取值可采用均布的方法或根据对实际信号的分析来选取。针对气阀的故障检测问题,选取了10个控制半径r1,r2,…,r10,其值分别为0.0001、0.001、0.01、0.05、0.1、0.2、0.3、0.4、0.5、0.8,这10个控制半径将非己空间划分成的10个异常等级分别为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1的空间。根据所选的控制半径,按所提出的方法训练反映压缩机气阀10种异常等级的检测器集D1,D2,…,D10,每个检测器集各产生50个检测器。将正常模式向量和10类检测器集看作11类样本对神经网络进行分类训练,对于正常模式向量,神经网络的输出值为0,对于检测器集,神经网络的输出为各自所代表的异常度数值。所选的神经网络为BP网络,其中输入节点为8,隐层节点为10,输出节点为1。在对实际信号进行故障检测时,神经网络的输出平滑点数为9。从图4可以看出,所提出的方法能准确地检测出气阀的三种故障状况,分别以异常度(量纲一)曲线反映出来,工作人员可通过观察具有实时性的异常度曲线了解气阀的运行状况。经过对气阀各种故障异常度曲线的分析,还可提出根据异常度进行报警的阈值。经现场测试分析,如果异常度阈值设为0.2以上,故障检测的准确率达到100%;如果异常度阈值设为0.1,故障检测的准确率达到85%以上。另外还发现,异常度数值越大,气阀的故障程度越严重,在线检测结果证实了这一点。为了分析误报警情况,选取了一段未经学习训练的正常模式数据,应用训练好的神经网络对其进行故障检测,检测结果如图5所示。从图中可以看出,异常度数值几乎接近0,说明该方法具有较好的鲁棒性。从图4中可以看出,对气阀故障的检测结果都出现周期性的异常度,这是由气阀自身的工作机理决定的。对于每种故障,气阀在不同的工作时刻对故障会有不同的反应强度,出现周期性的波动。异常度曲线的波峰能够真实地反映出气阀的异常状态,可根据异常度的峰值设置报警阈值。异常度的时序波动能够使诊断专家更能精细地认识故障的本质。此外,还可根据气阀不同故障异常度时序曲线波形的差别,结合气阀的工作机理,对气阀进行故障诊断,