胡 新，潘淑微

(溫州職業(yè)技術學院機械工程系,浙江 溫州 325035)

支持向量機在壓縮機氣閥故障診斷中的應用

胡 新，潘淑微

(溫州職業(yè)技術學院機械工程系,浙江 溫州 325035)

由于結構復雜且缺乏故障樣本等原因，往復式壓縮機的故障樣本及診斷結果存在很強的不確定性。針對典型壓縮機氣閥振動信號的特點及不同故障機理，研究氣閥振動信號的特征參數(shù)提取方法。提取工作循環(huán)有效值RMS1、氣閥關閉段有效值RMS2，以及經(jīng)兩層小波包分解得到的各頻帶能量比系數(shù)E1、E2、E3、E4，組成6維特征向量，并將其作為支持向量機的輸入。利用支持向量機適合處理高維數(shù)據(jù)且在有限樣本下具有最優(yōu)泛化能力的特點，對3種不同氣閥狀態(tài)下的振動信號經(jīng)時域波形分析和小波包分解后提取的特征參數(shù)進行支持向量機學習；建立氣閥故障診斷的支持向量機分類模型；利用Libsvm軟件包對故障樣本進行隨機分類測試，并與其他智能診斷方法進行對比。對比結果表明，將支持向量機方法應用于往復式壓縮機的氣閥故障診斷中具有可行性；在小樣本條件下，支持向量機較其他智能診斷方法具有更大的優(yōu)勢。

支持向量機； 往復式壓縮機； 氣閥； 小樣本； 故障診斷； 小波包

0 引言

氣閥是往復式壓縮機的易損部件。統(tǒng)計數(shù)據(jù)表明，超過一半以上的壓縮機故障發(fā)生在氣閥[1]。常見的氣閥故障類型有漏氣、彈簧損壞及閥片斷裂等。氣閥故障不僅直接影響了壓縮機的性能和工作效率，甚至可能會引發(fā)惡性拉缸事故，造成設備停產(chǎn)使企業(yè)蒙受巨大的經(jīng)濟損失[2]。因此，對氣閥進行早期故障預警和檢測，及時對故障氣閥進行檢修和更換，對保障壓縮機安全、高效運行具有重要意義。

振動檢測法是當前往復式壓縮機故障分析診斷的主要手段，但由于往復式壓縮機運動部件多且復雜，氣閥故障信息的振動信號往往淹沒在背景噪聲中，且振動信號為典型的非線性非平穩(wěn)信號，采用傳統(tǒng)的線性系統(tǒng)信號處理方法進行故障特征提取較為困難[3]。傳統(tǒng)的機器學習方法(如神經(jīng)網(wǎng)絡等)一般建立在較多的故障樣本基礎之上，而壓縮機故障具有一定的破壞性，大樣本數(shù)據(jù)收集十分困難[4-5]。本文將振動檢測法與支持向量機(support vector machines，SVM)方法相結合，運用振動信號時域波形分析及小波包分析方法提取氣閥故障特征參數(shù)，建立小樣本條件下氣閥故障診斷的支持向量機分類模型，以提高往復式壓縮機氣閥故障診斷的準確率。

1 支持向量機技術

支持向量機是基于統(tǒng)計學習理論發(fā)展起來的一種新的針對分類和回歸問題的機器學習方法，具有較好的分類精確性和良好的推廣性，適用于小樣本學習問題，已成為繼模式識別和人工神經(jīng)元網(wǎng)絡之后機器學習領域新的研究熱點[6-8]。通過在特征空間中構建最優(yōu)分割超平面，以最大化樣本間的分類間隔是支持向量機的核心思想。針對非線性分類問題，支持向量機預先指定某種非線性映射，通過其將輸入向量映射到高維特征空間中，然后在這個高維空間中構建最優(yōu)分類超平面，其原理如圖1所示。

圖1 支持向量機原理圖

最優(yōu)分類函數(shù)決策式為[8]:

(1)

式中:xi、yi為訓練樣本；l為樣本個數(shù)；ai為對偶問題式的最優(yōu)解；b為對應偏移量；K(xi,x)為核函數(shù)。

支持向量機分類模型由訓練樣本和核函數(shù)完全描述。對同一訓練樣本集來說，不同的核函數(shù)可以構造不同類型的支持向量算法[9]，因此，選擇合適的核函數(shù)對支持向量機分類問題非常重要。常用的支持向量機核函數(shù)包括線性核函數(shù)、多項式核函數(shù)、高斯核函數(shù)、sigmoid核函數(shù)等。研究表明[10]:高斯核函數(shù)的適用度廣，適應于任意分布的樣本。

與神經(jīng)網(wǎng)絡及其他智能機器學習方法相比，支持向量機主要具有以下優(yōu)點[11]。

①支持向量機求得的最優(yōu)化是基于當前樣本條件下而非樣本數(shù)趨于無窮時的最優(yōu)解，有效避免了過學習現(xiàn)象的產(chǎn)生，這在小樣本條件下優(yōu)勢明顯。

②相比于神經(jīng)網(wǎng)絡，支持向量機基于結構風險最小化原理，將算法最終轉換為二次尋優(yōu)問題，因此避免了局部極值問題。

③引入核函數(shù)，將輸入的特征向量通過非線性變換轉換到高維特征空間，在高維特征空間中構造線性判別函數(shù)來實現(xiàn)輸入空間中的非線性判別函數(shù)，同時計算量不會隨維數(shù)的增大而增大，避免了維數(shù)災難。

2 氣閥振動信號特征參數(shù)提取

2.1 時域波形分析

閥蓋處的氣閥振動信號主要由機身振動和各種激振力的響應疊加而成[12]。在引起閥蓋振動的諸多因素中，氣閥故障引起的氣流脈動對閥蓋振動的影響作用最大，其他因素的影響可以忽略不計。典型壓縮機閥蓋處的振動信號時域波形如圖2所示。

圖2 振動信號時域波形圖

往復式壓縮機的一個工作循環(huán)可以分為膨脹-吸氣-壓縮-排氣4個過程，氣閥的動作過程為:氣閥開啟-開啟保持-氣閥關閉-關閉保持。從圖2可以看出，氣閥開啟和關閉瞬間均會產(chǎn)生強烈的脈沖振動，這是由高速氣流的瞬時沖擊和閥片撞擊閥座及升程限制器產(chǎn)生的。當氣閥保持開啟狀態(tài)時，由于彈簧的不穩(wěn)定顫動，使得氣流持續(xù)通過而產(chǎn)生的振動幅值相對較大；當氣閥保持關閉狀態(tài)時，振動信號幅值較低，此時主要是機身自身振動所產(chǎn)生的激勵。當氣閥發(fā)生故障時，沖擊激勵的變化必然會引起閥蓋振動特性的變化。如氣閥泄漏故障時，缸內高壓氣流迅速通過狹小缺口，形成高速激流噴射，氣閥關閉段的振動信號能量必然有所變化；若氣閥彈簧損壞和閥片斷裂，對氣閥開啟和關閉時的撞擊激勵產(chǎn)生影響，會在整周期信號能量有所體現(xiàn)[13-14]。因此，選取工作循環(huán)有效值RMS2和氣閥關閉段有效值RMS2作為支持向量機訓練模型的其中兩個輸入向量。

2.2 小波包分析

小波分析具有“變焦距”的性質，能從不同的尺度獲得非平穩(wěn)隨機振動信號的宏觀和微觀特征。小波包分析由小波分析的理論發(fā)展而來，是一種更精細的信號分析方法[15-16]。將原始信號依次重復通過低通濾波器和高通濾波器，最終將信號分解到2j個(j為小波包分解層數(shù))等范圍頻段上，具有更加精確的局部分析能力。兩層小波包分解示意圖如圖3所示。

圖3 兩層小波包分解示意圖

(2)

因此，對于任意尺度j上的小波分解成分，原信號f(t)可表示為:

(3)

所以，信號f(t)的總能量可表示為：

(4)

由小波包函數(shù)的正交性可得:

(5)

采用小波包節(jié)點帶寬能量比系數(shù)作為特征參數(shù)，對各個節(jié)點進行計算:

(6)

氣閥故障信息往往隱含在振動信號高頻部分[17]，小波包技術將信號無冗余、無疏漏、正交地分解到獨立的頻帶內，而且同一分解層次上的頻帶是等寬的。這些分解頻帶信號都具有一定的能量， 每個頻帶信號的能量對故障的敏感度都不同，可為氣閥故障診斷提供信息。某型壓縮機氣閥在不同狀態(tài)下，振動信號(10 Hz～10 kHz)經(jīng)兩層小波包分解，得到的各頻帶能量比系數(shù)如圖4所示。

圖4 各頻帶能量比系數(shù)示意圖

圖4中：S1的頻率范圍為10 Hz～2.5 kHz;S2的頻率范圍為2.5～5 kHz;S3的頻率范圍為5～7.5 kHz;S4的頻率范圍為7.5～10 kHz。

3 基于支持向量機的氣閥故障診斷

往復式壓縮機屬于典型的多故障分類識別問題?！耙粚σ弧笔沁m用的多值分類算法，將支持向量機的2類分類有效地擴展到多值分類。按照上述信號處理方法，構建6維特征向量H作為支持向量機訓練模型的輸入:

H=[RMS1，RMS2，E1，E2，E3，E4]

式中：RMS1為振動信號工作循環(huán)有效值;RMS2為振動信號氣閥關閉段有效值;E1、E2、E3、E4分別為振動信號經(jīng)2層Daubechies2小波包分解后得到的4個頻帶(S1、S2、S3、S4)帶寬能量比系數(shù)。

部分訓練樣本集如表1所示。

表1 部分訓練樣本集

在Wz-1.5/5-A單缸往復式壓縮機上進行氣閥漏氣和彈簧失效兩種故障模擬試驗，收集其振動信號共60組，其中正常氣閥、氣閥漏氣、彈簧失效每種狀態(tài)各20組。隨機選擇其中30組(每種狀態(tài)10組)作為支持向量機的訓練樣本，剩余的30組(每種狀態(tài)10組)作為測試樣本。在Matlab中調用Libsvm軟件包并創(chuàng)建由訓練樣本6維特征向量組成的屬性矩陣，指定其故障類別作為類別標簽，調用svmtrain()函數(shù)建立分類模型。分類算法為標準的C-SVC，核函數(shù)類型為標準的RBF核。

4 分類結果

在Matlab中調用Libsvm工具包中的svmpredict()函數(shù)，對剩余30組測試樣本進行分類預測，同時，在小樣本條件下比較不同的智能診斷算法的分類性能，選取常用的BP神經(jīng)網(wǎng)絡和線性分類器兩種智能學習方法與支持向量機作對比。在相同的特征參數(shù)輸入下比較其分類準確率，測試樣本分類結果如表2所示。

表2 測試樣本分類結果

由表2可知，訓練后得到的支持向量機分類模型對不同氣閥故障具有較理想的分類效果，平均分類準確率達到93%以上。在樣本數(shù)據(jù)有限的條件下，支持向量機的訓練模型的分類準確率高于BP神經(jīng)網(wǎng)絡和其他分類器。

5 結束語

本文將支持向量機技術應用于往復式壓縮機氣閥的故障診斷，對往復壓縮機氣閥在閥片漏氣、彈簧失效及無故障狀態(tài)給予識別。針對傳統(tǒng)的頻譜特征參數(shù)對故障不敏感的特點，利用小波包分析引入頻帶歸一化能量比系數(shù)，提取了6維特征向量作為支持向量機分類模型的輸入，并建立了相應的診斷模型；最后對測試樣本進行了預測分類，并與其他機器學習方法進行了對比。

由對比結果可得出以下結論。

①經(jīng)2層小波包分解提取的氣閥振動信號頻帶歸一化能量比系數(shù)對氣閥故障特征具有一定的敏感度，可作為支持向量機的特征向量輸入。

②將支持向量機技術應用于往復式壓縮機小樣本下的氣閥故障診斷是可行的，對不同氣閥狀態(tài)有較好的分類效果，平均分類準確率達到93%以上。

③在小樣本條件下，支持向量機相比其他機器學習方法具有更好的泛化能力和分類性能。

[1] 高京衛(wèi)，韓毅.往復式壓縮機氣閥失效形式及故障診斷[J].天然氣技術，2007,6(1):74-76.

[2] 李旭朋.往復式壓縮機氣閥故障診斷的小波包分析方法[D].北京:北京化工大學，2008.

[3] 王成棟，朱永生，張優(yōu)云,等.時頻分析與支持向量機在柴油機氣閥故障診斷中的應用[J].內燃機學報，2004,3(22):245-251.

[4] 董作一.往復式壓縮機氣閥故障診斷方法研究[D].北京:北京化工大學，2014.

[5] 孫小權，皺麗英.支持向量機在軸承故障識別中的應用研究[J].自動化儀表，2015,36(2):12-15.

[6] 鄧乃陽，田關杰.數(shù)據(jù)挖掘中的新方法——支持向量機[M]．北京:科學出版社，2004:164-221.

[7] 許葆華，李洪儒，白海峰.LS-SVM在狀態(tài)監(jiān)測數(shù)據(jù)趨勢預測中的應用[J].科學技術與工程，2004,7(15):3924-3926.

[8] 余永華，陳杰，楊建國,等.基于支持向量機的柴油機氣閥漏氣的聲發(fā)射診斷研究[J].內燃機工程，2013,34(6):47-51.

[9] 楊佳，許強，曹長修.基于數(shù)據(jù)挖掘的鐵水硅質量分數(shù)SVM預測方法[J].華中科技大學學報(自然科學版)，2009(5):68-71.

[10]杜京義.基于核算法的故障智能診斷理論及方法研究[D].西安:西安科技大學,2006.

[11]申勇，范紅.基于SVM的數(shù)字識別技術研究[J].微計算機信息，2010,26(13):194-196.

[12]吳廣宇，郝點，石磊.往復式壓縮機氣閥的振動測試分析[J].壓縮機技術，2007,5(8):23-25.

[13]高晶波，王日新，徐敏強,等.2D12型往復式壓縮機氣閥故障的聲譜診斷方法[J].化工機械，2003,30(4):202-205.

[14]李旭朋.往復式壓縮機氣閥故障診斷的小波包分析方法[D].北京:北京化工大學，2008.

[15]曾蕓，武和雷.基于小波包的頻帶能量特征提取及智能診斷[J].計算機技術與自動化，2008,27(4):115-117.

[16]王家宏，張仕海.基于時間序列與小波分析的船舶柴油機故障診斷[J].船舶工程，2009,31(4):15-17.

[17]伍學奎，陳進，周軼塵.基于小波包變換的內燃機氣閥漏氣診斷方法[J].振動工程學報，2000,13(2):210-215.

Application of Support Vector Machine in Fault Diagnosis of Compressor Valve

HU Xin，PAN Shuwei
(Department of Mechanical Engineering,Wenzhou Vocational and Technical College,Wenzhou 325035,China)

Due to the complexity of structure and lack of fault samples,strong uncertainty exists in fault samples and diagnosis results of the reciprocating compressors.According to the characteristics of the vibration signal of typical compressor air valve and the different fault mechanism,the extraction methods of characteristic parameters of valve vibration signal are studied.The working cycle effective valueRMS1,and the effective value of the valve closed sectionRMS2are extracted,and decomposed by two-layer wavelet to obtain energy ratio coefficients ofE1,E2,E3andE4,and to build up the six dimensional eigenvector and used as the input of the support vector machine (SVM).Taking the features of SVM,such as suitable for dealing with high-dimensional data and the optimal generalization ability under finite samples,through time domain analysis and wavelet packet decomposition of the vibration signals under three of different valve states,the feature parameters are extracted for conducting SVM learning; and the SVM classification model of valve fault diagnosis is established.The random classification test of the fault sample is conducted using Libsvm software package,and compared with other intelligent diagnostic methods.The comparison results show that it is feasible to apply SVM method in the valve fault diagnosis for reciprocating compressor,and the SVM has more advantages than other intelligent diagnosis methods under small sample condition.

Support vector machine(SVM);Reciprocating compressor;Valve; Small-sample;Fault diagnosis;Wavelet packet

胡新(1967—)，男，學士，講師，主要從事機電一體化、機械設備故障診斷方向的研究。E-mail:Huxin_wz@126.com。

TH455；TP181

A

10.16086/j.cnki.issn1000-0380.201707009

修改稿收到日期:2017-03-21