張思陽(yáng)，徐敏強(qiáng)，王日新，高晶波

（1.哈爾濱工業(yè)大學(xué)航天學(xué)院，黑龍江哈爾濱150001；2.中國(guó)石油哈爾濱石化分公司，黑龍江哈爾濱150056）

EMD與樣本熵在往復(fù)壓縮機(jī)氣閥故障診斷中的應(yīng)用

張思陽(yáng)1，2，徐敏強(qiáng)1，王日新1，高晶波1

（1.哈爾濱工業(yè)大學(xué)航天學(xué)院，黑龍江哈爾濱150001；2.中國(guó)石油哈爾濱石化分公司，黑龍江哈爾濱150056）

針對(duì)往復(fù)壓縮機(jī)氣閥故障信號(hào)沖擊性、非連續(xù)性特點(diǎn)，采用EMD方法分解提取各頻率故障信號(hào)。然后通過(guò)對(duì)數(shù)據(jù)重新篩選、提出主要振動(dòng)信息對(duì)分解波形進(jìn)行了重構(gòu)。并對(duì)往復(fù)壓縮機(jī)故障信號(hào)分解及重構(gòu)數(shù)據(jù)進(jìn)行了分析，提取了故障信息。針對(duì)正常與故障信號(hào)分解結(jié)果復(fù)雜度不一致的特點(diǎn)，對(duì)EMD分解后包含的故障信息主要分量進(jìn)一步通過(guò)樣本熵進(jìn)行量化識(shí)別。最后通過(guò)對(duì)正常、閥片缺口、彈簧失效的實(shí)測(cè)信號(hào)進(jìn)行EMD分解、重構(gòu)和樣本熵分析，精確提取了故障信息，驗(yàn)證了方法的有效性。

往復(fù)壓縮機(jī)；壓縮機(jī)氣閥；經(jīng)驗(yàn)?zāi)B(tài)分解；氣閥故障；信息重構(gòu)；量化分析；樣本熵

往復(fù)壓縮機(jī)大多數(shù)故障都屬于氣閥故障。由于往復(fù)壓縮機(jī)氣閥故障信號(hào)非連續(xù)性、沖擊性及不具備全局性的特點(diǎn)，采用傳統(tǒng)的傅里葉變換、基于時(shí)頻的故障分析往往難于找到故障特征。因此局部信號(hào)分析方法得到廣泛開(kāi)展，如針對(duì)氣閥早期故障，魏中青、李剛等［1-2］采用最大似然估計(jì)及雙演化遺傳聚類(lèi)算法等方法提取故障特征。Fengshou Gu等［3］提出用改進(jìn)的雙頻譜來(lái)提純信號(hào)，防止信號(hào)干擾用來(lái)診斷氣閥的泄漏問(wèn)題。M.H.El-Ghamry［4］等根據(jù)不同的統(tǒng)計(jì)特征和識(shí)別模式采用不同時(shí)間窗對(duì)聲發(fā)射信號(hào)進(jìn)行分析。Zhigang Chen［5］等提出采用信息熵作為特征提取參數(shù)，提取小波包熵作為輸入載體，并基于支持向量機(jī)（SVM），提出了新的向量機(jī)方法較傳統(tǒng)BP算法得到了極大改進(jìn)。李月［6］等針對(duì)混疊噪聲提出采用結(jié)合余弦信號(hào)2次EMD［7］處理方式，對(duì)地震信號(hào)進(jìn)行了探究。由于往復(fù)壓縮機(jī)氣閥信號(hào)的復(fù)雜性、混亂性和數(shù)據(jù)量的巨大，使得通過(guò)往復(fù)壓縮機(jī)氣閥原始信號(hào)進(jìn)行故障診斷難度較大。為了能夠去除噪聲干擾，需要對(duì)數(shù)據(jù)進(jìn)一步的處理，使信號(hào)故障特征明顯。文章通過(guò)采用經(jīng)驗(yàn)?zāi)B(tài)分解方法［7-8］（empirical mode decomposition，EMD）把信號(hào)數(shù)據(jù)分頻段分析，通過(guò)提取不同頻段內(nèi)的故障振動(dòng)特征，突出某一頻段的故障。并進(jìn)一步收集必要信息，對(duì)數(shù)據(jù)進(jìn)行重構(gòu)，形成新的振動(dòng)波形。為了進(jìn)一步定量分析往復(fù)壓縮機(jī)故障，從EMD分解的IMF分量中選取包含故障主要信息的前幾個(gè)內(nèi)蘊(yùn)模式分量的樣本熵［9-10］對(duì)機(jī)組故障進(jìn)行量化分析。

1 經(jīng)驗(yàn)?zāi)B(tài)分解方法

首先對(duì)往復(fù)壓縮機(jī)的基本結(jié)構(gòu)進(jìn)行分析，從中得出故障類(lèi)型。通過(guò)對(duì)故障類(lèi)型及采集的信號(hào)特點(diǎn)闡述，并根據(jù)EMD自身的多頻率段分解特點(diǎn)，選取EMD作為此類(lèi)問(wèn)題的分析工具。通過(guò)對(duì)機(jī)組故障信息進(jìn)行分析，闡述此類(lèi)故障適合EMD分析。

分析流程見(jiàn)圖1。

圖1 分析流程圖Fig.1 Analysis tree

EMD方法是把一個(gè)復(fù)雜的非平穩(wěn)振動(dòng)信號(hào)分解為有限個(gè)基本模式分量（IMF）之和。其中任何一個(gè)基本模式分量在整個(gè)數(shù)據(jù)段內(nèi)極值點(diǎn)的個(gè)數(shù)和零交叉點(diǎn)的個(gè)數(shù)相等或相差不超過(guò)1個(gè)；在任一點(diǎn)，由局部極大值點(diǎn)形成的包絡(luò)線和由局部極小值點(diǎn)形成的包絡(luò)線平均值為零。選取往復(fù)壓縮機(jī)的振動(dòng)信號(hào)x（t）進(jìn)行分解?；静襟E如下：

1）確定實(shí)際振動(dòng)信號(hào)x（t）各局部極值點(diǎn)；

2）采用三次樣條曲線構(gòu)造x（t）的極大值點(diǎn)和極小值點(diǎn)，并建立極大值點(diǎn)包絡(luò)線lmax和極小值點(diǎn)包絡(luò)線lmin；

3）計(jì)算上、下包絡(luò)線的平均值包絡(luò)線lm；

4）用原數(shù)據(jù)x（t）減去平均包絡(luò)線的值得到去掉低頻成分的新數(shù)據(jù)序列：h（t）＝x（t）-lm，重復(fù)步驟1）～4），直到h（t）滿足停止條件，即取得的平均包絡(luò)趨向于零，得到了第1個(gè)IMF分量c1（t），表示信號(hào)的最高頻成分。

5）然后用x（t）減去c1（t）得到一組新的序列r1（t）。再重復(fù)上述步驟得到一系列的ci（t）和最后一個(gè)不可再分的rn（t）。

則得到：

由于每一個(gè)IMF的信號(hào)包含了從高到低的不同頻率段的成分，并且ci（t）為平穩(wěn)信號(hào)。

EMD是一種對(duì)非平穩(wěn)信號(hào)進(jìn)行自適應(yīng)分解的方法，通過(guò)將信號(hào)按不同尺度的波動(dòng)或趨勢(shì)進(jìn)行逐級(jí)分解，產(chǎn)生一系列具有不同特征尺度的數(shù)據(jù)序列，每一個(gè)序列稱(chēng)為一個(gè)固有的模態(tài)函數(shù)IMF。EMD的基本實(shí)現(xiàn)過(guò)程是用“篩分”的方法把一個(gè)復(fù)雜信號(hào)分解為有限個(gè)本征模函數(shù)之和。

2 往復(fù)壓縮機(jī)氣閥故障分析

2D12-70／0.1-13型往復(fù)對(duì)稱(chēng)雙缸壓縮機(jī)布置見(jiàn)圖2。針對(duì)2D-12型往復(fù)式壓縮機(jī)正常工況、閥缺口故障、閥彈簧故障情況下采集的振動(dòng)數(shù)據(jù)進(jìn)行分析，利用EMD分析找到不同頻段的故障特征，查找機(jī)組運(yùn)行中存在的問(wèn)題，量化故障，拾取有價(jià)值信號(hào)進(jìn)行重構(gòu)，降低信號(hào)噪聲影響，提高故障分析的準(zhǔn)確性。

圖2 一、二級(jí)閥的布置圖Fig.2 First and second valve structure picture

圖2 中定義空間坐標(biāo)方向如下：x為活塞軸線方向由二級(jí)缸指向一級(jí)缸，y為曲軸軸線方向由外指向內(nèi)，z方向?yàn)榇怪庇诘孛嫦蛏戏较?。測(cè)點(diǎn)序號(hào)后面的x、y、z代表傳感器安裝方向。12個(gè)振動(dòng)測(cè)點(diǎn)為加速度傳感器，分別布置在缸蓋及缸頭上。設(shè)置故障為二級(jí)排氣4 g閥中間閥片有2個(gè)缺口，二級(jí)排氣3 g閥少?gòu)椈?。同步采集?shù)據(jù)包括多通道振動(dòng)加速度相信號(hào)等。為了保證數(shù)據(jù)具有可比性，測(cè)點(diǎn)均選在二級(jí)蓋側(cè)近排氣閥位置。

選取一個(gè)完整周期的振動(dòng)信號(hào)繪制原始波形圖，如圖3所示。

圖3 原始信號(hào)波形Fig.3 The original signal wave form

由于該波形含有各種干擾及噪聲信號(hào)，如氣流脈動(dòng)及如圖2中十字頭、齒輪箱部件、電機(jī)運(yùn)行等振動(dòng)干擾。由于電機(jī)及齒輪箱部件轉(zhuǎn)速高于往復(fù)壓縮機(jī)的活塞往復(fù)次數(shù)，十字頭則表現(xiàn)為在方向發(fā)生變化時(shí)出現(xiàn)脈沖振動(dòng)于是存在著干擾信號(hào)與故障信號(hào)時(shí)頻的不同。根據(jù)EMD分解信號(hào)的特點(diǎn)，可以提取不同時(shí)頻段的振動(dòng)信息，適合分析此類(lèi)故障。

針對(duì)原始信號(hào)多種頻率混疊及噪聲干擾的情況，采用EMD對(duì)圖3（a）、（b）、（c）3種信號(hào)進(jìn)行分解，結(jié)果見(jiàn)圖4～6。

圖4 正常狀態(tài)下EMD變換Fig.4 The EMD transform of normal signal

圖5 閥缺口狀態(tài)下EMD變換Fig.5 The EMD transform of valve gap

圖6 閥少?gòu)椈蔂顟B(tài)下EMD變換Fig.6 The EMD transform of valve less spring

如圖3（a）是正常全周期信號(hào)的原始振動(dòng)波形，數(shù)據(jù)與圖5中的一個(gè)周期數(shù)據(jù)對(duì)應(yīng)。由于噪聲及干擾信號(hào)的存在，造成信號(hào)相關(guān)信息度降低，影響測(cè)試精度及分析。圖3（b）閥缺口故障，與圖6（a）正常運(yùn)行狀態(tài)的原始振動(dòng)波形相比未發(fā)現(xiàn)明顯故障特征。圖3（c）為閥少?gòu)椈晒收?，與圖6（a）相比，波形比較散亂，吸排氣閥打開(kāi)及閉合信息完全被淹沒(méi)在低頻信號(hào)中。無(wú)法確認(rèn)整個(gè)運(yùn)行過(guò)程中，吸、排氣閥的開(kāi)啟與閉合狀態(tài)。

圖4～6中，每個(gè)IMF的3個(gè)圖分別對(duì)應(yīng)閥正常狀態(tài)、閥缺口故障、閥少?gòu)椈晒收螮MD分解結(jié)果。根據(jù)選取的往復(fù)壓縮機(jī)故障信號(hào)特征，僅取前5個(gè)包含故障信息較多的分量進(jìn)行分析。IMF1～I(xiàn)MF5分別表示特征頻率由高到低的EMD分解分量，縱軸表示相對(duì)振動(dòng)幅值。

根據(jù)故障分解情況，IMF6以后的波形失真嚴(yán)重，且振動(dòng)相對(duì)幅值的數(shù)量級(jí)明顯下降（分解結(jié)果略）。為了進(jìn)一步確認(rèn)分解后波形的降噪及故障特征提取能力，選擇故障信息較多的IMF1～I(xiàn)MF5的數(shù)據(jù)進(jìn)行振動(dòng)波形重構(gòu)，重構(gòu)結(jié)果見(jiàn)圖7。

雖然原始波形比較混亂，但經(jīng)過(guò)EMD分解后從IMF分量可以識(shí)別各級(jí)頻率的振動(dòng)特點(diǎn)，如高頻沖擊，低頻擾動(dòng)現(xiàn)象。通過(guò)信號(hào)重構(gòu)圖形中可以看出，經(jīng)過(guò)重構(gòu)后信號(hào)信息更為豐富，機(jī)組故障信息表達(dá)更加清楚。

下面對(duì)3種狀態(tài)進(jìn)一步具體分析。

1）正常運(yùn)行狀態(tài)的振動(dòng)波形經(jīng)分解后吸氣閥打開(kāi)時(shí)沖擊最大，振動(dòng)主要集中在高頻IMF1、IMF2階段，IMF3以后振動(dòng)幅值顯著降低。

2）閥片缺口故障狀態(tài)下由于排氣閥漏氣，膨脹及吸氣時(shí)由于出口氣體重新漏回到氣缸內(nèi)造成吸氣閥吸入的氣量較少，由于氣缸內(nèi)壓力下降較慢，造成了吸氣閥打開(kāi)較正常時(shí)間延長(zhǎng)、同時(shí)由于在吸氣階段排氣閥繼續(xù)漏氣，造成氣缸內(nèi)氣體壓力上升較快，吸氣閥吸氣時(shí)間縮短，關(guān)閉提前且振動(dòng)幅值較小。因此IMF分量低頻幅值高于正常狀態(tài)，吸氣閥打開(kāi)滯后，關(guān)閉提前。

3）排氣閥少?gòu)椈晒收?，在未進(jìn)行EMD分解及重構(gòu)時(shí)，吸、排氣閥打開(kāi)與關(guān)閉的沖擊及低頻擾動(dòng)現(xiàn)象均不明顯，從各級(jí)分解結(jié)果上看，在高頻階段，吸、排氣閥沖擊明顯，表現(xiàn)出了吸、排氣閥的打開(kāi)與關(guān)閉現(xiàn)象。同時(shí)低頻幅值明顯上升，說(shuō)明低頻擾動(dòng)情況嚴(yán)重，從重構(gòu)結(jié)果及IMF4、IMF5發(fā)現(xiàn)少?gòu)椈晒收祥y片低頻擾動(dòng)特征比較明顯。

圖7 重構(gòu)信號(hào)波形Fig.7 Reconstruction of signal wave forms

3 樣本熵分析

樣本熵是一種與近似熵相類(lèi)似但精度更高的復(fù)雜性度量方法，通過(guò)樣本熵可以對(duì)數(shù)據(jù)的復(fù)雜度進(jìn)行量化分析。

一般地，對(duì)于由N個(gè)數(shù)據(jù)組成的時(shí)間序列{x（n）}＝x（1），x（2），..，x（N），樣本熵（sample entropy）的基本定義為

式中：m表示組成的時(shí)間序列向量的維數(shù)值，r表示樣本熵距離閾值，N表示數(shù)據(jù)總數(shù)。根據(jù)數(shù)據(jù)特點(diǎn)，取m＝2，r＝0.15 sd，sd表示原始數(shù)據(jù)的標(biāo)準(zhǔn)差。計(jì)算3種狀態(tài)IMF1～I(xiàn)MF5分量樣本熵，具體樣本熵量化結(jié)果見(jiàn)表1及圖8。

表1 樣本熵量化結(jié)果Table 1 The quantity results of SE

圖8 IMF樣本熵Fig.8 SE of IMF

經(jīng)過(guò)將EMD分解后的數(shù)據(jù)通過(guò)樣本熵量化可以識(shí)別出不同故障特征。正常狀態(tài)相對(duì)于故障狀態(tài)樣本熵值較高，說(shuō)明正常狀態(tài)信號(hào)復(fù)雜度高。正常狀態(tài)各級(jí)EMD分解總體的樣本熵值逐漸下降，說(shuō)明頻域高的信號(hào)復(fù)雜度高。閥缺口及閥少?gòu)椈?種故障存在不同的復(fù)雜度升高現(xiàn)象，反映出不同故障表現(xiàn)的頻域不同。

4 結(jié)束語(yǔ)

由于傳統(tǒng)時(shí)頻域分析方法對(duì)非平穩(wěn)信號(hào)可調(diào)能力較差，信號(hào)經(jīng)處理后故障特征表現(xiàn)不清晰。針對(duì)此種信號(hào)特點(diǎn)，通過(guò)EMD變換，進(jìn)一步結(jié)合樣本熵分析，對(duì)往復(fù)壓縮機(jī)采集的正常信號(hào)及2種故障振動(dòng)信號(hào)分析。通過(guò)正常數(shù)據(jù)及故障數(shù)據(jù)的各IMF對(duì)比，表明在不同頻域可以表現(xiàn)出不同的故障特征，并采用含信息量較大的數(shù)據(jù)重構(gòu)波形。重構(gòu)后的振動(dòng)波形相比于原始信號(hào)，故障特征清晰。通過(guò)IMF分解、信號(hào)重構(gòu)及樣本熵方法的綜合分析為往復(fù)機(jī)組的氣閥故障診斷提供了可靠的信息。經(jīng)采用上述方法后準(zhǔn)確識(shí)別出了往復(fù)壓縮機(jī)氣閥缺口、閥少?gòu)椈晒收稀?/p>

［1］魏中青，馬波，竇遠(yuǎn)，等.基于MLE閾值規(guī)則的小波特征提取技術(shù)在氣閥故障診斷中的應(yīng)用［J］.振動(dòng)與沖擊，2011，30（1）：237-241.WEI Zhongqing，MA Bo，DOU Yuan，et al.Wavelet feature extracting technique based on maximum likelihood estimation threshold rule and its application in fault diagnosis of a gas valve［J］.Journal of Vibraton and Shock，2011，30（1）：237-241.

［2］李剛，莊健，侯洪寧，等.往復(fù)壓縮機(jī)氣閥早期故障的雙演化遺傳聚類(lèi)檢測(cè)［J］.振動(dòng)、測(cè)試與診斷，2010，30（4）：384-388.LI Gang，ZHUANG Jian，HOU Hongnin，et al.The double action genetic algorithm clustering on the initial failure of reciprocating valve［J］.Journal of Vibraton Measurement and Diagnosis，2010，30（4）：384-388.

［3］GU Fengshou，SHAO Yimin.Motor current signal analysis using a modified bispectrum for machine fault diagnosis［C］／／ICROS-SICE International Joint Conference.Fukuoka，Japan，2009：4890-4895.

［4］EL-GHAMRY M H，REUBEN R L，STEEL J A.The development of automated pattern recognition and statistical feature isolation techniques for the diagnosis of reciprocating machinery faults using acoustic emission［J］.Mechanical Systems and Signal Processing，2003，17（4）：805-823.

［5］CHEN Zhigang，LIAN Xiangjiao.Fault diagnosis for valves of compressors based on support vector machine［C］／／Chinese Control and Decision Conference.Xuzhou，China，2010：1235-1238.

［6］李月，彭蛟龍，馬海濤，等.過(guò)渡內(nèi)蘊(yùn)模態(tài)函數(shù)對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解去噪結(jié)果的影響研究及改進(jìn)算法［J］.地球物理學(xué)報(bào)，2013，56（2）：626-634.LI Yue，PENG Jiaolong，MA Haitao，et al.Study of the influnce of transition IMF on EMD denoising and the improved algorithm［J］.Chinse J Geophys，2013，56（2）：626-634.

［7］HUANG N E.The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis［C］／／Proc R Soc Lond A.Greenbelt，USA，1998，454（4）：903-955.

［8］YANG J N，LEI Y，LIN S，et al.Hilbert-Huang based approach for structural damage detection［J］.Journal of Engineering Mechanics，2004，1：85-95.

［9］蘇文勝，王奉濤，朱泓，等.基于小波包樣本熵的滾動(dòng)軸承故障特征提?。跩］.振動(dòng)、測(cè)試與診斷，2011，31（2）：162-166.SU Wenshen，WANG Fengtao，ZHU Hong，et al.Feature extraction of rolling element bearing fault using wavelet packet sample entropy［J］.Journal of Vibration，Measurement and Diagnosis，2011，31（2）：162-166.

［10］趙志宏，楊紹普.一種基于樣本熵的軸承故障診斷方法［J］.振動(dòng)與沖擊，2012，31（6）：136-140，154.ZHAO Zhihong，YANG Shaopu.Sample entropy-based roller bearing fault diagnosis method.［J］.Journal of Vibration and Shock，2012，31（6）：136-140，154.

Application of EMD and SampEn to the fault diagnosis of reciprocating compressor valves

ZHANG Siyang1，2，XU Minqiang1，WANG Rixin1，GAO Jingbo1
（1.School of Astronautics，Harbin Institute of Technology，Harbin 150001，China；2.PetroChina Harbin petrochemical Company，Harbin 150056，China）

Aiming at the characteristics of fault signals of for a reciprocating compressor valve：shock and discontinuity，the EMD method was taken to decompose and extract the fault signal of every frequency，which was reconstructed through screening the data and finding the main vibration information.The decomposition results and reconstruction data of the reciprocating compressor fault signals were analyzed，and the fault information was extracted.For the complexity of decomposition results of the normal and fault signal，the sample entropy（SampEn）method was used to quantitatively analyze the fault information of every main IMF.EMD combined with reconstruction，and SampEn methods were applied to analyze the vibration signals of three kinds of conditions：normal state，valve gap，and valve less spring.The practical application abstracted the fault information exactly and proved the feasibility of the proposed method.

reciprocating compressor；compressor value；empirical model decomposition（EMD）；valve faults；information reconstruction；quantitative analysis；sample entropy（SampEn）

10.3969／j.issn.1006-7043.201308008

http：／／www.cnki.net／kcms／doi／10.3969／j.issn.1006-7043.201308008.html

TH457；TP206.3

A

1006-7043（2014）06-0696-05

2013-08-03.網(wǎng)絡(luò)出版時(shí)間：2014-05-14 15：53：27.

國(guó)家自然科學(xué)基金資助項(xiàng)目（10772061）.

張思陽(yáng)（1971-），男，高級(jí)工程師；徐敏強(qiáng)（1965-），男，教授，博士生導(dǎo)師.

張思陽(yáng)，E-mail：z90sy＠163.com.