侯國安，田舟祺

（銀川能源學院，寧夏 銀川 750015）

引言

壓縮機是化工生產(chǎn)中的重要設(shè)備,隨著科學技術(shù)的飛速發(fā)展,壓縮機結(jié)構(gòu)日益復(fù)雜化，在工作中經(jīng)常會發(fā)生一些故障，導(dǎo)致生產(chǎn)停頓，甚至機毀人亡，造成重大經(jīng)濟損失和社會影響。如何及時發(fā)現(xiàn)和預(yù)測故障就顯得十分重要，于是出現(xiàn)了數(shù)據(jù)挖掘技術(shù)。數(shù)據(jù)挖掘技術(shù)就是應(yīng)用設(shè)備產(chǎn)生的振動數(shù)據(jù)，進行分析處理，找到分類規(guī)則，從而進行設(shè)備故障的診斷[1]。

1 轉(zhuǎn)子振動故障的頻率分析

壓縮機屬于旋轉(zhuǎn)機械的一類，轉(zhuǎn)子運作過程中將會產(chǎn)生振動，依據(jù)振動的頻域和時域特征進行分析，對故障的診斷具有重要意義[2]。壓縮機轉(zhuǎn)子故障的主要類型有以下幾種：

1.1 轉(zhuǎn)子不對中

故障特征從頻率角度分析，主要出現(xiàn)一倍頻和二倍頻；如果故障比較微小，軸心軌跡會出現(xiàn)橢圓形；嚴重時會呈現(xiàn)“8”字形[3]。

1.2 轉(zhuǎn)子不平衡

故障特征主要是一倍頻，軸心軌跡會出現(xiàn)橢圓形或圓形[4]。

1.3 轉(zhuǎn)子碰摩

故障特征1 倍頻、2 倍頻、3 倍頻與4 倍頻都存在，軸心軌跡會出現(xiàn)橢圓形或圓形[5]。

1.4 油膜渦動

故障特征主要為二倍頻以上，軸心軌跡是發(fā)散的曲線，有時會出現(xiàn)花瓣狀[6]。

2 數(shù)據(jù)挖掘在故障診斷中的應(yīng)用

2.1 決策樹

決策樹是一種歸納學習算法,它可以從大量無序、無規(guī)則的數(shù)據(jù)中找出分類規(guī)則。

決策樹是一種樹狀的流程圖模型，模型樹的頂層是其根節(jié)點，是不同的信息集合，各個樹枝是屬性的測試，樹葉表示分析結(jié)果。

針對類型判別的過程，決策樹是人們普遍采用的經(jīng)典歸類方式。分析時，決策樹的樹根結(jié)點首先選取恰當?shù)膶傩?，將全部初始?shù)據(jù)離散規(guī)劃為一些子集，接著在各個子集中設(shè)立低層次的結(jié)點和分枝，這樣便能夠?qū)⒎眮y的分類任務(wù)簡單化。在模式識別中,決策樹作為模式識別中一種行而有效的分類方法,通過從根節(jié)點開始選擇合適的屬性,將樣本數(shù)據(jù)集分割為若干子集,在子集中重復(fù)建立下層節(jié)點和分支,可以將繁雜的多類別分類問題轉(zhuǎn)變?yōu)橐环N簡單的分類問題。主要的決策樹方法有：ID3 算法、SPRIND 算法、CLS 算法和C4.5 算法等。

2.2 頻域下樣本生成決策樹

本文中的數(shù)據(jù)是關(guān)于30 個壓縮機的振動樣本監(jiān)控數(shù)據(jù)，其中，訓(xùn)練集選用了16 組數(shù)據(jù)，另14 組將作為決策樹的測試數(shù)據(jù)，第213 頁表1 為頻域下的故障下的樣本，在故障狀態(tài)中選定1 為轉(zhuǎn)子不平衡，2 為轉(zhuǎn)子不對中，3 為轉(zhuǎn)子的碰磨，讀取數(shù)據(jù)庫中BLOL 型的時域信號進行FFT 變化,提取出能反映設(shè)備故障特征的1 個～6 個倍頻值對應(yīng)的幅值[7]。在決策表中這個故障特征作為條件屬性e=（F1，F(xiàn)2，F(xiàn)3，F(xiàn)4，F(xiàn)5，F(xiàn)6），C 為決策屬性，這里由于原始樣本數(shù)據(jù)是連續(xù)性的因此首選要對樣本進行離散化處理，數(shù)據(jù)測試樣本見第213 頁表2，離散化后的樣本見第213 頁表3。數(shù)據(jù)的離散化方法常用的有3 種，即，基于最大熵法、等寬間距法及等頻率區(qū)間法，綜合考慮本文將選用等寬間距法來進行數(shù)據(jù)的離散化處理，它主要是把數(shù)據(jù)平均分為相等的區(qū)間，具體如下：

表1 頻域下的故障下的樣本

表2 數(shù)據(jù)測試樣本

表3 離散化后的樣本

2.3 決策樹構(gòu)造

根據(jù)算法所介紹的方法對樣本進行計算。在決策表中這個故障特征F 作為條件屬性，C 為決策屬性樣本共有6 個條件屬性值，其中，每個描述屬性都對應(yīng)3 個類1 不平衡、2 不對中、3 碰磨[7]。

其中，P（C1）=9/16，P（C2）=3/16，P（C3）=4/16。

對訓(xùn)練集分類所需期望為：

描述屬性F1有5 個屬性值分別為1，2，3，4，5，它們的信息量分別為：

同理，可得訓(xùn)練集F2所得信息量為:

F3的信息量：

F4的信息量：

F5的信息量：

F6的信息量：各屬性劃分訓(xùn)練集所得熵為：

各屬性劃分訓(xùn)練集的信息增益為:

計算各信息熵如下：

各描述屬性的信息增益比：

比較各個描述屬性的信息增益比,選擇信息增益比最大的屬性F6作為該決策樹的根節(jié)點。當F65個不同的取值時將產(chǎn)生相應(yīng)的樣本子集，樣本子集如表4、表5。

表4 F6 取1 的樣本集

表5 F6 取2 的樣本子集

由表4、表5 可知當F6取值為2 時樣本均對應(yīng)同一類別3，則作為葉子節(jié)點故障類別為轉(zhuǎn)子碰磨，取1 時樣本子集并不“純”以此要在該屬性下繼續(xù)選擇信息增益比最大的，如此下來將構(gòu)造出一棵決策樹如第215 頁圖1。

圖1 C4.5 生成的的故障診斷決策樹

決策樹生成根據(jù)以下規(guī)則：

每一條規(guī)則都為轉(zhuǎn)子故障診斷的分類。如第一條“if A=3 then ②”，可解釋為如果旋轉(zhuǎn)機械轉(zhuǎn)子特征頻率F6的頻率大于0.08 小于1.6，則可能發(fā)生轉(zhuǎn)子碰磨了。同理，第二條可解釋為如果轉(zhuǎn)子特征頻率F6的頻率大于0 小于0.8 且特征頻率F5的頻率大于0 小于0.8，且特征頻率F3 的頻率大于0.8 小于1.6，則可能發(fā)生轉(zhuǎn)子不平衡了[8]。這樣，通過基于粗糙集的數(shù)據(jù)挖掘技術(shù)，將6 個屬性約簡變?yōu)? 個，使旋轉(zhuǎn)機械轉(zhuǎn)子故障診斷分類維度降低，挖掘出更方便的分類規(guī)則。我們可以按照這些規(guī)則，代入新的樣本進行分類，也可以在數(shù)據(jù)庫建立過程中形成檢索和匹配的規(guī)則。

3 結(jié)語

本文分析了壓縮機轉(zhuǎn)子系統(tǒng)常見振動故障與頻域的關(guān)系，利用粗糙集理論中可辨識矩陣方法進行屬性約簡，刪除了冗余屬性，克服了在決策樹生成過程中產(chǎn)生子樹重復(fù)的缺點，用C4.5 方法進行分類,得到故障診斷規(guī)則，通過診斷規(guī)則可以預(yù)測壓縮機故障的發(fā)生。