苗 茺

( 遼寧工程技術大學 機械工程學院，遼寧 阜新 123000)

由于礦用空壓機在使用的過程中滿負荷時間較長，而且具有復雜的工作條件和惡劣的環(huán)境，所以在工作的過程中各種各樣的故障會在多種因素的作用下出現(xiàn)，其中故障和故障所出現(xiàn)的原因呈現(xiàn)出非常明顯的非線性關系，由于在診斷礦用空壓機故障的過程中無法利用數(shù)學模型進行表達，因此需要在充分分析龐大數(shù)據(jù)信息的基礎上進行故障預警，及時的發(fā)現(xiàn)所存在的風險，只有這樣才能夠保證現(xiàn)代煤礦企業(yè)的穩(wěn)定和健康發(fā)展[1-3]。

張強、戴俊等人在建立空壓機故障診斷模型的過程中利用了組合式BP神經(jīng)網(wǎng)絡，通過實踐和理論分析發(fā)現(xiàn)，相比于單BP神經(jīng)網(wǎng)絡，組合式BP神經(jīng)網(wǎng)絡具有誤差小的優(yōu)勢[4-5]；秦福星[6]在對空壓機采樣數(shù)據(jù)進行詳細分析的基礎上，根據(jù)灰色關聯(lián)度理論得到了一種空壓機故障診斷系統(tǒng)。以上系統(tǒng)或模型在診斷空壓機的過程中精度較低，而且不具有較快的收斂速度[7-9]。

針對以上問題，本文對壓縮機故障診斷系統(tǒng)進行研究。建立基于最小二乘支持向量機的故障診斷模型，并使用PCA算法提取數(shù)據(jù)特征作為故障診斷模型的輸入，降低輸入維數(shù)，提高壓縮機故障診斷模型識別效率和識別準確性。

1 礦用空壓機故障診斷模型

診斷模型的建立是空壓機故障診斷系統(tǒng)的關鍵，因此應當在對空壓機使用說明和相關資料文獻充分了解的基礎上進行空壓機故障診斷模型的建立，充分分析現(xiàn)場監(jiān)測記錄和參考使用維修人員的相關經(jīng)驗，分析空壓機運行過程中所出現(xiàn)的故障，并對這些故障進行分類和分析，進而找到合適的方法來解決這些故障[10-13]。

根據(jù)壓縮機現(xiàn)場使用經(jīng)驗及文獻資料，歸納出壓縮機的主要四種故障模式：壓縮機冷卻裝置故障(S2)、壓縮機潤滑裝置故障(S3)、壓縮機軸承故障(S4)以及壓縮機電力裝置故障(S5)。

故障模式下出現(xiàn)的特征主要有：壓縮機排氣量不足(A)；排氣壓力過低(B)；壓縮機排氣溫度過高(C)； 壓縮機冷卻水水溫過高(D)；壓縮機冷卻水壓壓力過低(E)；主機轉速過低(F)；壓縮機振動過大(G)；潤滑油油溫過高(H)；潤滑油壓力過低(I)；軸承溫度過高(J)。

針對故障類型的不同列出相對應得故障狀態(tài)：S1為壓縮機正常時的狀態(tài)，設定向量為(1，0，0，0，0)；

S2為壓縮機政黨時的狀態(tài)，設定向量為(1，0，0，0，0)；

S3為壓縮機潤滑系統(tǒng)故障時的狀記,設定向量為(0，0，1，0，0)；

S4為壓縮機軸承發(fā)生故障時的狀態(tài),設定向量為(0，0，0，1，0)；

S5為壓縮機供電系統(tǒng)故意，設定向量為(0，0，0，0，1)。

壓縮機的故障狀態(tài)、故障類型以及故障征兆如表1所示。

表1 壓縮機故障特征參數(shù)

本文研究的故障診斷模型主要通過前期獲取的壓縮機分別在正常狀態(tài)、壓縮機冷卻水系統(tǒng)故障、壓縮機潤滑裝置故障、壓縮機軸承故障以及壓縮機電力裝置故障狀態(tài)下的冷卻溫度、冷卻壓力、排氣壓、軸承溫度、潤滑油壓、潤滑油溫、排氣量、排氣溫度、主機轉速和主機振動及由LSSVM算法建立的故障狀態(tài)與特征數(shù)據(jù)之間的映射關系實現(xiàn)壓縮機系統(tǒng)的故障診斷。

圖1 基于經(jīng)過PCA算法提取特征LSSVM故障診斷模型

2 壓縮機系統(tǒng)故障診斷實例分析

2.1 故障診斷數(shù)據(jù)采集

對壓縮機分別在正常狀態(tài)、壓縮機冷卻水系統(tǒng)故障、壓縮機潤滑裝置故障、壓縮機軸承故障以及壓縮機電力裝置故障狀態(tài)下進行數(shù)據(jù)采集，得到壓縮機系統(tǒng)在不同狀態(tài)下的壓縮機數(shù)據(jù)。由于壓縮機出現(xiàn)各種故障頻率不高，因此各種故障狀態(tài)下的數(shù)據(jù)量有限，本文得到每種故障狀態(tài)下40組數(shù)據(jù)，隨機抽取其中20組用于故障診斷模型的訓練，另外20組用于故障診斷模型泛化能力測試。部分數(shù)據(jù)見表2所示。

表2 樣本樣本數(shù)據(jù)

2.2 故障診斷模型構建

較高的輸入維數(shù)會增加基于LSSVM算法故障診斷模型的計算量，因此使用MATLAB軟件對采集整理得到的用于壓縮機故障診斷分析的數(shù)據(jù)進行PCA分析，從而得到各個輸入變量的特征值、各成分的貢獻率以及累計貢獻率，見表3所示。通過這樣的處理，降低了輸入數(shù)據(jù)維數(shù)，減少了冗余信息對基于LSSVM算法的故障診斷模型分析效率的影響。

表3 主成分貢獻率和累計貢獻率

由PCA算法分析得到的主成分貢獻率和累計貢獻率可知，前2個主元成分基本能夠表達原始數(shù)據(jù)的特征矩陣。因此在此選用前2個主元成分，組成新的特征對壓縮機進行故障診斷分析，降低了輸入數(shù)據(jù)維數(shù)。

2.3 故障診斷結果分析

使用常規(guī)BP神經(jīng)網(wǎng)絡算法、常規(guī)LSSVM算法以及經(jīng)過PCA算法提取特征的LSSVM算法分別建立壓縮機故障診斷系統(tǒng)。使用相同的訓練數(shù)據(jù)和測試數(shù)據(jù)對所建立的3種故障診斷模型進行模型訓練和泛化能力測試。使用3種故障診斷模型進行壓縮機系統(tǒng)故障診斷的模型訓練時間、測試樣本分類時間、故障識別準確率對比見表4所示。

故障診斷模型對比結果表明，基于BP神經(jīng)網(wǎng)絡的故障診斷模型在較少的訓練樣本情況下收斂速度低，需要進行的訓練時間較長，故障識別準確率較低?；贚SSVM的故障診斷模型可以使用較少的訓練樣本就得到具有一定泛化能力的診斷模型，但是在訓練過程中參數(shù)選取的隨機性能導致故障診斷模型性能的較大差異，總體識別效率和準確率較低?；诮?jīng)過PCA算法提取特征的LSSVM故障診斷模型首先對采集整理得到的用于壓縮機故障診斷分析的數(shù)據(jù)進行PCA分析，降低了輸入數(shù)據(jù)維數(shù)，減少了冗余信息對基于LSSVM算法的故障診斷模型分析效率的影響。綜上使得基于經(jīng)過PCA算法提取特征的LSSVM故障診斷模型具有較高的識別效率和識別準確性。

表4 故障診斷模型對比結果

3 結論

本文針對壓縮機故障診斷系統(tǒng)進行研究：(1)根據(jù)壓縮機系統(tǒng)工作原理和特性分析故障現(xiàn)象與發(fā)生根源的聯(lián)系，提取用于故障診斷的特征信號；(2)建立基于最小二乘支持向量機的故障診斷模型，并使用PCA算法提取數(shù)據(jù)特征作為故障診斷模型的輸入，降低輸入維數(shù)；(3)使用多種故障診斷模型進行對比分析，驗證了本文使用的基于經(jīng)過PCA算法提取特征的LSSVM故障診斷模型具有較高的識別效率和識別準確性。