劉華敏，呂 倩，余小玲，葉君超，楊長(zhǎng)華，萬(wàn)辰詠

（1.中國(guó)石油化工股份有限公司江漢油田分公司，湖北潛江 433100；2.西安交通大學(xué)，西安 710049；3.中石化重慶涪陵頁(yè)巖氣勘探開(kāi)發(fā)有限公司，重慶 404100）

0 引言

往復(fù)式壓縮機(jī)是石油化工行業(yè)工藝流程中不可或缺的核心裝置，壓縮機(jī)能否正常運(yùn)行直接關(guān)系到企業(yè)的經(jīng)濟(jì)效益。有些工藝壓縮機(jī)的壓縮機(jī)介質(zhì)為氫氣、乙烯、天然氣等易燃易爆的氣體，且工作在高壓條件下，一旦發(fā)生故障可能會(huì)造成嚴(yán)重的人員傷亡事故。因此，研究往復(fù)式壓縮機(jī)的故障診斷技術(shù)，盡早發(fā)現(xiàn)故障異常，并采取相應(yīng)的防治措施具有重要意義［1］。

機(jī)械故障診斷過(guò)程，一般包含三大步驟：基于傳感器的狀態(tài)信號(hào)監(jiān)測(cè)，基于信號(hào)分析方法的信號(hào)特征提取，以及故障模式識(shí)別［2］。目前對(duì)于往復(fù)式壓縮機(jī)的故障監(jiān)測(cè)診斷，常用的方法是通過(guò)在線(xiàn)監(jiān)測(cè)設(shè)備獲取壓縮機(jī)的運(yùn)行參數(shù)信息，發(fā)現(xiàn)參數(shù)異常后再進(jìn)行人工分析診斷［3］。然而，往復(fù)式壓縮機(jī)的結(jié)構(gòu)復(fù)雜，易損件多，且結(jié)構(gòu)之間的相對(duì)運(yùn)動(dòng)較多，結(jié)構(gòu)件受力復(fù)雜，因此，往復(fù)式壓縮機(jī)的故障具有多樣性，且故障之間的關(guān)聯(lián)性強(qiáng)和復(fù)雜度高的特點(diǎn)［2,4］。這就給人工的診斷過(guò)程增加了難度，使得診斷過(guò)程在時(shí)間上不夠及時(shí)，并且診斷結(jié)果的準(zhǔn)確性很大程度上依賴(lài)于診斷專(zhuān)家的經(jīng)驗(yàn)學(xué)識(shí)。若診斷信號(hào)成分復(fù)雜，加之診斷專(zhuān)家的經(jīng)驗(yàn)不足，可能還會(huì)出現(xiàn)誤判的情況。因此減少診斷過(guò)程中人工的參與，提高診斷精度是往復(fù)壓縮機(jī)故障診斷的迫切需求。

在過(guò)去的60 年中人工智能（AI）的發(fā)展取得了巨大進(jìn)步。各類(lèi)不同的人工智能技術(shù)為很多復(fù)雜非線(xiàn)性、大型的工程問(wèn)題的解決提供了方法［5］。并且，隨著專(zhuān)家系統(tǒng)、機(jī)器學(xué)習(xí)等技術(shù)的發(fā)展，各類(lèi)人工智能系統(tǒng)可以學(xué)習(xí)并儲(chǔ)存大量的人類(lèi)經(jīng)驗(yàn)和專(zhuān)業(yè)領(lǐng)域知識(shí)，用于解決各類(lèi)復(fù)雜的專(zhuān)業(yè)問(wèn)題。其中人工智能技術(shù)在旋轉(zhuǎn)機(jī)械、大型風(fēng)機(jī)、電機(jī)等大型機(jī)械的故障診斷中都得到了廣泛的應(yīng) 用［6-10］，并且都有很好的診斷效果，對(duì)往復(fù)式壓縮機(jī)的故障診斷有一定的指導(dǎo)意義。因此，將往復(fù)式壓縮機(jī)的故障診斷與人工智能技術(shù)相結(jié)合，在獲取熱力參數(shù)，振動(dòng)和噪聲信號(hào)等多種不同的原始信號(hào)后，采取合適的信號(hào)處理方法提取信號(hào)特征，再結(jié)合人工智能中多種不同的模式識(shí)別方法，對(duì)信號(hào)特征進(jìn)行故障分類(lèi)［2］，將會(huì)是未來(lái)的發(fā)展趨勢(shì)。

本文介紹各類(lèi)人工智能技術(shù)在往復(fù)式壓縮機(jī)故障診斷中的應(yīng)用情況，分析其優(yōu)缺點(diǎn)，并以此來(lái)預(yù)測(cè)將來(lái)的發(fā)展方向。根據(jù)往復(fù)式壓縮機(jī)故障診斷過(guò)程中故障識(shí)別類(lèi)型是否全面，將往復(fù)式壓縮機(jī)的故障診斷分為全局故障診斷和局部故障診斷兩類(lèi)。在局部故障診斷中，常用的診斷手段根據(jù)監(jiān)測(cè)的狀態(tài)信號(hào)來(lái)源的不同可以分為：熱力參數(shù)法，振動(dòng)噪聲法，和油液分析法［11］。其中，油液法需要先采集壓縮機(jī)內(nèi)的潤(rùn)滑油，再利用各種分析手段來(lái)檢測(cè)油液樣品的性能和樣品中所帶的磨損顆粒，此過(guò)程耗時(shí)較長(zhǎng)不能及時(shí)反應(yīng)壓縮機(jī)的故障，在此文中不做討論。本文首先介紹人工智能在全局故障診斷中的應(yīng)用，然后從參數(shù)法和振動(dòng)噪聲法兩個(gè)方面介紹人工智能和局部診斷的結(jié)合應(yīng)用。

1 常用的人工智能技術(shù)

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）是模擬人類(lèi)大腦神經(jīng)元的工作機(jī)制，由多個(gè)信息處理單元（神經(jīng)元）并行互連建立起來(lái)的網(wǎng)絡(luò)。神經(jīng)元作為基本工作單元，一般有3 個(gè)組成部分：一組帶有權(quán)重的連接（connection），一個(gè)加法器和一個(gè)激活函數(shù)［12］，如圖1 所示。以圖示神經(jīng)元為例，該神經(jīng)元通過(guò)帶權(quán)重的連接，接受到來(lái)自其他m 個(gè)不同神經(jīng)元的信號(hào)，之后將總輸入值經(jīng)過(guò)激活函數(shù)的處理，形成新的輸出信號(hào)，再傳遞給下一個(gè)神經(jīng)元［13］。

ANN 可以根據(jù)需要調(diào)整不同的網(wǎng)絡(luò)結(jié)構(gòu)，如層數(shù)、神經(jīng)元個(gè)數(shù)等，也可以根據(jù)實(shí)際問(wèn)題的性質(zhì)選擇不同的激活函數(shù)，如，Sigmoid 函數(shù)，階躍函數(shù)等。另外，ANN 可以通過(guò)不同的學(xué)習(xí)算法，例如反向傳播，通過(guò)訓(xùn)練多層網(wǎng)絡(luò)中的連接權(quán)重來(lái)學(xué)習(xí)任何函數(shù)。因此ANN 可以用來(lái)對(duì)高維非線(xiàn)性問(wèn)題進(jìn)行建模，并且具有自適應(yīng)性。經(jīng)過(guò)很多年發(fā)展的積累，ANN 已經(jīng)發(fā)展出了很多適用條件不同的神經(jīng)網(wǎng)絡(luò)，例如徑向基函數(shù)（RBF）網(wǎng)絡(luò)非常適合用于逼近函數(shù)，自適應(yīng)共振理論（ART）模型適用于聚類(lèi)等。壓縮機(jī)的故障診斷本質(zhì)上可以歸納為聚類(lèi)問(wèn)題，選擇適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)，可以使診斷工作事半功倍。但與此同時(shí)，神經(jīng)網(wǎng)絡(luò)在應(yīng)用中也存在受樣本質(zhì)量影響較大，不能解釋結(jié)果，并在小規(guī)模問(wèn)題上受限的缺點(diǎn)。

圖1 神經(jīng)元模型

1.2 專(zhuān)家系統(tǒng)

專(zhuān)家系統(tǒng)（ES）是一種能借助人類(lèi)對(duì)其輸入的知識(shí)庫(kù)、采取一定的搜索策略并通過(guò)推理的方式去解決某一領(lǐng)域的問(wèn)題，并對(duì)結(jié)果進(jìn)行解釋的智能計(jì)算機(jī)程序［5，11］。ES 可以模擬人腦的思維方式，基于知識(shí)庫(kù)，解決復(fù)雜的推理問(wèn)題，能夠代替診斷過(guò)程中人工分析的過(guò)程。在復(fù)雜的案例中，能提高解決問(wèn)題的精確度，減少分析時(shí)間。

ES 主要分為四類(lèi)：基于規(guī)則的ES，基于案例推理的ES，基于模型的ES和基于Web的ES［14-15］。基于規(guī)則的ES 是目前使用最廣泛的類(lèi)型，此類(lèi)系統(tǒng)將專(zhuān)家的知識(shí)總結(jié)為一條條的規(guī)則，推理的過(guò)程易懂，結(jié)果易解釋。但缺點(diǎn)在于，規(guī)則的獲取是需要專(zhuān)家人工總結(jié)提出，當(dāng)知識(shí)過(guò)于冗雜時(shí)，會(huì)增加難度，并且知識(shí)庫(kù)不能自動(dòng)更新，難以維護(hù)。基于案例推理的ES 的工作原理是根據(jù)以前的案例解決現(xiàn)有問(wèn)題，此類(lèi)ES 可以不斷的從新案例中獲取新知識(shí)并更新，提高系統(tǒng)解決問(wèn)題的能力。但當(dāng)案例庫(kù)過(guò)大，則會(huì)導(dǎo)致搜索時(shí)間過(guò)長(zhǎng)?；谀Ｐ偷腅S 中常見(jiàn)的一個(gè)分支為，基于神經(jīng)網(wǎng)絡(luò)模型的ES。此類(lèi)專(zhuān)家系統(tǒng)從根本上改變了知識(shí)獲取的方式，由原來(lái)的人工輸入變?yōu)楝F(xiàn)在的神經(jīng)網(wǎng)絡(luò)自動(dòng)獲取，這就解決了知識(shí)庫(kù)不能自動(dòng)更新，和當(dāng)案例較多時(shí)搜索時(shí)間過(guò)長(zhǎng)的問(wèn)題。但是，由于神經(jīng)網(wǎng)絡(luò)自身學(xué)習(xí)特性，也會(huì)造成該系統(tǒng)存在和神經(jīng)網(wǎng)絡(luò)同樣的局限性。另外一種是隨著信息技術(shù)發(fā)展而產(chǎn)生的基于Web 的ES，該系統(tǒng)的用戶(hù)的交互接口是基于網(wǎng)絡(luò)的，使用者通過(guò)網(wǎng)絡(luò)訪(fǎng)問(wèn)專(zhuān)家系統(tǒng)服務(wù)器，服務(wù)器則通過(guò)調(diào)用云端的知識(shí)庫(kù)來(lái)推理結(jié)果。此種系統(tǒng)從本質(zhì)上只是改變了知識(shí)庫(kù)的存儲(chǔ)位置，更方便了其調(diào)用。根據(jù)上述的各個(gè)專(zhuān)家系統(tǒng)的特點(diǎn)可知，一般專(zhuān)家系統(tǒng)更適合用于全局的故障診斷中。

1.3 支持向量機(jī)

支持向量機(jī)是一種監(jiān)督式機(jī)器學(xué)習(xí)方法，它依賴(lài)于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，并可以對(duì)樣本按照不同的類(lèi)別標(biāo)記進(jìn)行分類(lèi)。支持向量機(jī)的分類(lèi)思想是基于該樣本訓(xùn)練集，在其樣本空間中找到一個(gè)劃分超平面，能夠?qū)⒉煌?lèi)別的樣本劃分開(kāi)，使得異側(cè)的支持向量到這個(gè)平面的距離相等且最大。以二維空間為例，其劃分規(guī)則如圖2 所示。當(dāng)訓(xùn)練樣本是線(xiàn)性不可分的時(shí)候，就需要引入核函數(shù)，將原始空間映射到一個(gè)更高維的特征空間中，使得樣本在這個(gè)空間中變的線(xiàn)性可分，再構(gòu)造出最優(yōu)超平面。統(tǒng)計(jì)學(xué)習(xí)理論是一套針對(duì)小樣本統(tǒng)計(jì)問(wèn)題的學(xué)習(xí)體系，因此使得支持向量機(jī)在非線(xiàn)性和小樣本的分類(lèi)問(wèn)題上表現(xiàn)優(yōu)異。往復(fù)式壓縮機(jī)的故障診斷模型的訓(xùn)練樣本量少，問(wèn)題復(fù)雜非線(xiàn)性高，正是這一類(lèi)問(wèn)題。

圖2 二維空間超平面劃分

當(dāng)然支持向量機(jī)也有弊端，在線(xiàn)性不可分問(wèn)題上，支持向量機(jī)的構(gòu)造依賴(lài)于核函數(shù)的選擇，因此，其分類(lèi)功能的泛化能力主要也依賴(lài)于核函數(shù)。而在支持向量機(jī)的應(yīng)用中，核函數(shù)如何高效準(zhǔn)確的選擇是一個(gè)尚未解決的問(wèn)題［16-18］。

1.4 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)，又被稱(chēng)為信念網(wǎng)絡(luò)，是基于概率論和圖論的一種有向無(wú)環(huán)圖［19］，如圖3 所示。它主要由兩部分組成：（1）節(jié)點(diǎn)，節(jié)點(diǎn)代表隨機(jī)變量；（2）有向弧，有向弧是帶有權(quán)值的箭頭，箭頭的起始端代表“因”，終端代表“果”，權(quán)值代表兩變量之間的依賴(lài)關(guān)系，即條件概率［13］。在研究某一問(wèn)題時(shí)，所有變量和變量之間的依賴(lài)關(guān)系在一個(gè)有向無(wú)環(huán)圖中描述，便是一個(gè)貝葉斯網(wǎng)絡(luò)。貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)可以通過(guò)結(jié)合先驗(yàn)知識(shí)和對(duì)觀測(cè)數(shù)據(jù)的學(xué)習(xí)來(lái)構(gòu)建。

圖3 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意

貝葉斯網(wǎng)絡(luò)具有很多優(yōu)點(diǎn)：（1）在某些領(lǐng)域中，專(zhuān)家的知識(shí)可以分解成因果相關(guān)的依賴(lài)關(guān)系直觀的表示在網(wǎng)絡(luò)中，并且以往積累的統(tǒng)計(jì)數(shù)據(jù)可以轉(zhuǎn)換成條件概率融入到模型當(dāng)中，這就使得模型具備了知識(shí)；（2）模型可以表示隨機(jī)變量之間的條件概率，這就使得貝葉斯網(wǎng)絡(luò)在不確定推理方面表現(xiàn)優(yōu)異；（3）因?yàn)樨惾~斯網(wǎng)絡(luò)是基于貝葉斯理論進(jìn)行推理的，本質(zhì)上是概率計(jì)算，因此不再需要額外的推理規(guī)則。往復(fù)壓縮機(jī)的故障原因和表象之間具有復(fù)雜的相關(guān)性，并且診斷經(jīng)驗(yàn)具有不確定性，相比于人類(lèi)貝葉斯網(wǎng)絡(luò)可以發(fā)揮其優(yōu)勢(shì)，系統(tǒng)快速精準(zhǔn)地做出診斷［20］。

與上述第1 點(diǎn)一致，以往貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建大多是建立于某問(wèn)題領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)之上，但難免和專(zhuān)家系統(tǒng)一樣具有局限性。因此，通過(guò)客觀的觀測(cè)數(shù)據(jù)建立優(yōu)異的網(wǎng)絡(luò)結(jié)構(gòu)，即結(jié)構(gòu)學(xué)習(xí)，是目前的研究重點(diǎn)。如何通過(guò)小樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)以及如何基于不完備的數(shù)據(jù)進(jìn)行學(xué)習(xí)等也是當(dāng)前應(yīng)用中的難點(diǎn)［21］。

2 人工智能在全局故障診斷技術(shù)中的應(yīng)用

專(zhuān)家系統(tǒng)由于其自身特點(diǎn)更適合用于構(gòu)建全局的故障診斷系統(tǒng)。姚華堂［11］在壓縮機(jī)診斷原理和經(jīng)驗(yàn)的基礎(chǔ)上，建立了一套往復(fù)式壓縮機(jī)故障診斷專(zhuān)家系統(tǒng)。該文首先通過(guò)故障樹(shù)的形式，構(gòu)建了壓縮機(jī)常見(jiàn)的六種故障的分析圖。其中較為完備的分析了每種故障的可能原因，并相對(duì)應(yīng)給出了解決方案。之后通過(guò)鏈表形式的數(shù)據(jù)結(jié)構(gòu)，利用C 語(yǔ)言建立了專(zhuān)家系統(tǒng)的知識(shí)庫(kù)。但該系統(tǒng)只是用羅列的方式展示了故障形式的原因，還需要人工按照可能的原因?qū)收弦灰贿M(jìn)行排除，并最終確定故障原因，因此其診斷過(guò)程依然不夠智能。趙心怡［22］建立了一個(gè)基于規(guī)則推理的專(zhuān)家系統(tǒng)，該系統(tǒng)通過(guò)監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)到的信號(hào)依據(jù)規(guī)則進(jìn)行推理，最終進(jìn)行故障診斷，但經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，該系統(tǒng)的準(zhǔn)確度不高，誤報(bào)還會(huì)增加人工勞力浪費(fèi)。

貝葉斯網(wǎng)絡(luò)因?yàn)槠淇梢蕴幚砭哂胁淮_定性的信息，例如以往的壓縮機(jī)故障診斷規(guī)律，和專(zhuān)家的診斷知識(shí)等，同樣也適于構(gòu)造全局的診斷系統(tǒng)。阿布都外力·買(mǎi)買(mǎi)提［23］在以往的壓縮機(jī)維修檔案的歷史資料中提取了貝葉斯網(wǎng)絡(luò)中所需要的先驗(yàn)概率，并依據(jù)該領(lǐng)域?qū)＜曳e累的經(jīng)驗(yàn)知識(shí)搭建網(wǎng)絡(luò)結(jié)構(gòu)，從而搭建了貝葉斯網(wǎng)絡(luò)診斷系統(tǒng)。該系統(tǒng)減少了診斷時(shí)間，并提高了診斷精度。該系統(tǒng)的構(gòu)建是具有完備的數(shù)據(jù)基礎(chǔ)的，但實(shí)際的壓縮機(jī)廠家很難提供出詳細(xì)完備的維修診斷數(shù)據(jù)。

3 人工智能在局部故障診斷技術(shù)中的應(yīng)用

3.1 參數(shù)法

參數(shù)法是指根據(jù)熱力參數(shù)來(lái)判斷壓縮機(jī)狀態(tài)的一種監(jiān)測(cè)方法，pV 圖便是其中一種。pV 圖是反映壓縮機(jī)一個(gè)工作循環(huán)中氣缸內(nèi)壓力隨工作腔容積變化的曲線(xiàn)圖。氣閥，活塞環(huán)和支撐環(huán)等故障都會(huì)引起氣缸內(nèi)工作過(guò)程的變化，從而直接影響pV 圖的形狀。因此，pV 圖是一種判別往復(fù)式壓縮機(jī)故障的重要依據(jù)［24］。

Wang 等［25］提出了一種基于pV 圖和支持向量機(jī)的往復(fù)式壓縮機(jī)氣閥診斷的方法。他根據(jù)圖像處理中的不變矩理論，提取pV 圖的7 個(gè)特征不變矩。并實(shí)驗(yàn)?zāi)M并采集了5 種氣閥故障工況下的pV 圖，并將其特征不變矩作為支持向量機(jī)的訓(xùn)練樣本，最終結(jié)果顯示，訓(xùn)練后的支持向量機(jī)可以有效的區(qū)分5 種氣閥故障。Feng 等［26］利用Curvelet 變換提取p-V 圖的特征，并用非線(xiàn)性主成分分析法來(lái)降低特征維度，最終選取支持向量機(jī)作為分類(lèi)器來(lái)進(jìn)行5 種氣閥故障識(shí)別。結(jié)果表明分類(lèi)效果高于基于小波分析提取特征的方法。Kurt Pichler 等［27-28］針對(duì)六種不同類(lèi)型的氣閥，提取了其p-V 圖膨脹過(guò)程在對(duì)數(shù)坐標(biāo)上的梯度和進(jìn)排氣壓力差作為訓(xùn)練支持向量機(jī)的特征值，結(jié)果表明針對(duì)每一種氣閥，支持向量機(jī)對(duì)于氣閥有無(wú)故障都能有很高的辨識(shí)力。并且當(dāng)選取其中5種氣閥數(shù)據(jù)作為樣本，訓(xùn)練得到的支持向量機(jī)對(duì)另外一種氣閥有無(wú)故障的辨識(shí)力也較高。

從上述文章中，我們可以看出，利用p-V 圖進(jìn)行故障診斷的本質(zhì)其實(shí)是圖像識(shí)別。首先要結(jié)合p-V 圖特性和其各個(gè)圖像特征所代表的物理意義找到合適的圖像特征提取方法，然后再選取合適的方法對(duì)提取出的特征進(jìn)行識(shí)別。從以上文章來(lái)看，大多學(xué)者都選擇了支持向量機(jī)作為了識(shí)別方法。

3.2 振動(dòng)噪聲法

在振動(dòng)噪聲法中將重點(diǎn)介紹，人工智能方法是如何和傳統(tǒng)的聲發(fā)射法和振動(dòng)測(cè)試法結(jié)合的［29-35］。

聲發(fā)射法是一種通過(guò)監(jiān)測(cè)分析受載或受損固體自身發(fā)射出的彈性波信號(hào)，從而實(shí)現(xiàn)故障診斷的方法。Ali 等［16，36］提出了一種基于聲發(fā)射信號(hào)的往復(fù)式壓縮機(jī)氣閥故障診斷的方法。作者在壓縮機(jī)上制造了包括故障程度在內(nèi)的16 種氣閥故障狀態(tài)，并在39 種運(yùn)行工況下，分別提取了7個(gè)聲發(fā)射信號(hào)的特征參數(shù)，包括振幅，振鈴計(jì)數(shù)，持續(xù)時(shí)間，平均信號(hào)電平，能量，絕對(duì)能量和信號(hào)強(qiáng)度，以此作為支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。最終訓(xùn)練得到的支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)對(duì)氣閥故障和健康兩種狀態(tài)的分類(lèi)精確度均達(dá)到了99.4%。

振動(dòng)測(cè)試法是通過(guò)對(duì)壓縮機(jī)外部的振動(dòng)信號(hào)進(jìn)行采集分析從而獲知機(jī)組狀態(tài)的故障檢測(cè)方法。許多機(jī)械部件的故障都能過(guò)通過(guò)振動(dòng)信號(hào)反應(yīng)，并且傳感器安裝方便，因此該方法在壓縮機(jī)故障診斷得到了廣泛應(yīng)用。楊瑞［37］采集了正常氣閥、缺少?gòu)椈伞㈤y片斷裂和閥片有缺口四種氣閥狀態(tài)下的閥蓋振動(dòng)信號(hào)，并用小波包算法對(duì)振動(dòng)信號(hào)進(jìn)行分解，并提取能量譜用于訓(xùn)練貝葉斯分類(lèi)器?；诓煌惴ǎ謩e構(gòu)建了兩種貝葉斯分類(lèi)器，即BAN 分類(lèi)器和GBN 分類(lèi)器，并將其應(yīng)用于壓縮機(jī)氣閥故障的分類(lèi)中，結(jié)果表明BAN 分類(lèi)器在分類(lèi)性能上優(yōu)于樸素貝葉斯方法，GBN 分類(lèi)器算法在小樣本分類(lèi)上有較好表現(xiàn)。Tran 等［38］分別采集了振動(dòng)加速度，壓力和電流作為故障診斷信號(hào)，作者利用Teager-Kaiser 能量算子來(lái)估計(jì)振動(dòng)信號(hào)的包絡(luò)幅值信號(hào)，利用小波分析來(lái)消除壓力和電流信號(hào)中的隨機(jī)噪聲，之后從經(jīng)過(guò)預(yù)處理的振動(dòng)，壓力和電流信號(hào)中提取10 個(gè)時(shí)域特征、3 個(gè)頻域特征和8 個(gè)回歸分析特征，分別作為深度信念網(wǎng)絡(luò)（DBN）的訓(xùn)練樣本，訓(xùn)練得到的網(wǎng)絡(luò)可以有效的區(qū)分6 種氣閥狀態(tài)。Qin 等［39］使用基追蹤的方法對(duì)氣閥閥蓋的振動(dòng)信號(hào)進(jìn)行降噪處理，再通過(guò)波匹配的方式從信號(hào)中提取故障特征，最后采用支持向量機(jī)對(duì)故障進(jìn)行模式識(shí)別，結(jié)果顯示，該方法能夠?qū)? 種氣閥狀態(tài)進(jìn)行有效分類(lèi)。Zhang 等［40］利用散度矩陣法從十字頭振動(dòng)信號(hào)中提取敏感特征值，并用支持向量機(jī)對(duì)氣缸磨損，支撐環(huán)磨損和活塞桿斷裂三種機(jī)械故障進(jìn)行分類(lèi)識(shí)別，結(jié)果表示該方法可以用于提高現(xiàn)有診斷系統(tǒng)的針對(duì)性和有效性。

通過(guò)上述文獻(xiàn)可以發(fā)現(xiàn)，和p-V 圖信號(hào)不同，由于往復(fù)式壓縮機(jī)的結(jié)構(gòu)復(fù)雜，振動(dòng)源更多，振動(dòng)信號(hào)具有明顯的不平穩(wěn)性和非線(xiàn)性，在進(jìn)行故障診斷前，對(duì)振動(dòng)信號(hào)進(jìn)行預(yù)處理消除隨機(jī)噪聲影響，并提取其振動(dòng)特征是非常有必要的。并且對(duì)振動(dòng)信號(hào)的預(yù)處理結(jié)果會(huì)直接影響最終的故障診斷效果。而在模式識(shí)別的過(guò)程中，上述提到的神經(jīng)網(wǎng)絡(luò)，貝葉斯網(wǎng)絡(luò)和支持向量機(jī)方法均有應(yīng)用。

4 人工智能的應(yīng)用規(guī)律總結(jié)

從上述各類(lèi)基于人工智能方法的往復(fù)式壓縮機(jī)故障診斷方法的發(fā)展歷程可以看出，人工智能技術(shù)在壓縮機(jī)故障診斷中的應(yīng)用，和人工智能技術(shù)的發(fā)展是息息相關(guān)的。最初的專(zhuān)家系統(tǒng)和貝葉斯網(wǎng)絡(luò)，使智能系統(tǒng)具備除推理能力外，還具備了專(zhuān)家知識(shí)，因此在工程中得到了大量應(yīng)用。但往復(fù)式壓縮機(jī)的故障種類(lèi)眾多并且互相之間存在關(guān)聯(lián)性，使得知識(shí)的總結(jié)變得尤為困難，于是專(zhuān)家系統(tǒng)的應(yīng)用就遇到“知識(shí)瓶頸”。因此人工智能就開(kāi)始尋找能讓機(jī)器開(kāi)始自己學(xué)習(xí)知識(shí)的方法，也就是現(xiàn)在常說(shuō)的機(jī)器學(xué)習(xí)。上文提到的神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)都是基于數(shù)據(jù)，使智能系統(tǒng)自己學(xué)習(xí)數(shù)據(jù)中所蘊(yùn)含的知識(shí)。

另外，從全局和局部故障診斷的方面可以看出，用于全局故障診斷的智能系統(tǒng)，多是像專(zhuān)家系統(tǒng)和貝葉斯網(wǎng)絡(luò)這種，方便可以將龐雜的診斷知識(shí)和經(jīng)驗(yàn)轉(zhuǎn)化成規(guī)則，或者先驗(yàn)概率等形式，存儲(chǔ)于系統(tǒng)中，用于后續(xù)推理和診斷的方法。而神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)雖然可以自主的學(xué)習(xí)非線(xiàn)性的特征并分類(lèi)等，但這一類(lèi)的人工智能方法和壓縮機(jī)診斷的結(jié)合大多局限在局部診斷，這主要是受限于方法自身特點(diǎn)。一方面此類(lèi)方法的應(yīng)用是基于數(shù)據(jù)的，通過(guò)實(shí)驗(yàn)得到大量樣本的方式成本較高不太現(xiàn)實(shí)。另一方面，因?yàn)閴嚎s機(jī)故障診斷監(jiān)測(cè)信號(hào)種類(lèi)多，若是將此類(lèi)方法應(yīng)用于全局故障診斷，可能會(huì)造成維度災(zāi)難，使得診斷系統(tǒng)變得復(fù)雜，運(yùn)行復(fù)雜，并且分類(lèi)效果不好。

5 人工智能技術(shù)應(yīng)用的發(fā)展方向

經(jīng)過(guò)上述分析可以看出，往復(fù)式壓縮機(jī)故障診斷和人工智能方法的結(jié)合還有待進(jìn)一步研究。文中只列舉了部分監(jiān)測(cè)參數(shù)和智能方法結(jié)合的案例，而壓縮機(jī)的監(jiān)測(cè)參數(shù)還有很多，例如活塞桿軸心軌跡，溫度，流量，磨損位移，油液成分等。并且更全面的狀態(tài)監(jiān)測(cè)也是更全面診斷的基礎(chǔ)，因此開(kāi)發(fā)新的監(jiān)測(cè)參數(shù)和人工智能方法的結(jié)合，形成新型快速的故障診斷方法，將會(huì)是未來(lái)的發(fā)展趨勢(shì)之一。目前，全局診斷的方法精確度不高，局部診斷的方法在實(shí)際工程中的應(yīng)用性不強(qiáng)。將局部診斷方法融合進(jìn)全局診斷的方法中，或者尋找出一種新的既能滿(mǎn)足精確度高，并且應(yīng)用性強(qiáng)的診斷方法也將會(huì)成為將來(lái)故障診斷發(fā)展的方向。

故障通常是由一些小異常隨著時(shí)間的積累最終發(fā)展成大故障。而在故障產(chǎn)生的初期，較難察覺(jué)。因此，如何使故障診斷方法盡早地發(fā)現(xiàn)故障，并作出壽命預(yù)測(cè)，在故障形成前作出相應(yīng)維修處理，也將會(huì)是未來(lái)的研究方向。

6 結(jié)語(yǔ)

本文總結(jié)了多種基于人工智能的往復(fù)式壓縮機(jī)故障診斷的方法，并對(duì)這些方法進(jìn)行了歸類(lèi)總結(jié)，評(píng)價(jià)了其各自的優(yōu)缺點(diǎn)，并指出了現(xiàn)在診斷方法發(fā)展中的不足，并從3 個(gè)方面提出了今后往復(fù)式壓縮機(jī)故障診斷和人工智能方法結(jié)合的發(fā)展方向。