基于數據驅動的空壓機溫度過高故障診斷仿真

王海泉,劉向虹,白曉杉,羅 航

(1. 北京航空航天大學,北京 100191;2. 紅塔集團昭通卷煙廠,云南 昭通 657000;3. 北京航空航天大學云南創新研究院,云南 昆明 650000)

1 引言

由于空氣壓縮機具有無污染、易存儲和可循環等優勢,被廣.泛應用在鋼鐵、食品、紡織和醫療等多種領域[1-3]?？諝鈮嚎s機作為壓縮空氣系統中的主要機器,對壓縮機組起到輔助作用?；ば袠I的空氣壓縮機一般用于氫氣和氨氣等危險的氣體壓縮,而且氣體溫度較高、壓強較大。如果空壓機出現故障,在一定程度上會降低氣體的純度和合成效率,甚至有可能導致氣體泄漏[4,5],因此對空壓機的故障狀態進行監測與診斷非常重要。為了保證空壓機能夠安全穩定的運行,眾多學者參與到空壓機故障診斷的研究中。

文獻[6]設計了一個由硬件/軟件、SCADA網絡和人機界面等模塊組成的診斷系統,結合神經網絡算法對空壓機進行實時的遠程監控,通過人工智能技術挖掘空壓機運行過程中的大數據,完成空壓機的報警與故障診斷功能,該方法滿足空壓機故障診斷要求,對空壓機的智能控制具有重要意義。文獻[7]通過對空壓機工作原理與故障現象的分析,提取出故障特征信號,結合最小二乘法建立空壓機故障診斷模型,采用PCA算法對數據特征進行提取,并將提取的數值作為故障診斷模型的輸入值,通過對比分析,該方法的識別效率和準確性較高。文獻[8]通過故障樹法分析空壓機的故障,并將系統故障與解決方法建立成知識庫,從推理方法與方向、控制方案多方面進行機理設計,結合可信度與正反混合推理方式對推理機制進行分析與計算,該方法能夠保證空壓機的安全與穩定運行。

基于以上研究,本文對空壓機運行過程中故障參數的相關性和健康指數進行研究,建立分別以溫度故障向量和故障類型向量作為輸入向量和輸出向量的BP神經網絡模型,通過對網絡模型的訓練,得出最優的目標函數。

2 空壓機故障診斷方案設計

2.1 系統結構

為了能夠更好的對空壓機故障進行診斷,首先需要搭建具有開放性、安全性和易于維護的空壓機組數據平臺。在保證空壓機系統安全的情況下,系統應該具備繼承性和封裝性。為了方便對系統進行維護,系統應具備遠程調試與故障數據備份與恢復的功能?？諌簷C故障診斷系統主要由三部分模塊組成:遠程終端單元、服務器和遠程監測終端。

遠程終端單元:負責采集空壓機的數據,并將數據傳輸給中心站。

服務器:負責將遠程終端單元傳輸的空壓機數據進行存儲備份,對故障診斷系統的數據起到查詢統計的作用。

遠程監測終端:負責實時監控空壓機組的運行狀態,具備提取故障信息的功能,能夠對空壓機的性能進行預測與分析。

2.2 系統功能

根據各個氣壓站的實際運行狀況,為了對空壓機的性能進行預測與優化,設計了全面的智能診斷系統,該系統具備的功能如下:

數據采集與傳輸功能:遠程終端單元通過RS485通信傳輸方式將空壓機組由傳感器獲得的數據,通過Modbus TCP/IP協議將數據實時傳輸給監控中心。服務器將讀取到的空壓機各項指標數據存儲在本地數據庫中,方便后續的查看與調用。

數據監控功能:監控系統將遠程終端單元傳輸的空壓機運行數據反饋給應用服務器,遠程用戶通過WEB端對空壓機的運行狀態、指標和參數進行查看。

數據分析功能:當系統從數據庫中讀取到數據后,系統通過指定算法對空壓機的故障和歷史數據進行深度的挖掘與計算,完成對空壓機的故障診斷與性能預測。

3 診斷系統模型的研究

3.1 參數分析

空壓機的參數較為復雜,但本文只考慮對空壓機的溫度進行故障診斷,因此大大降低了研究的難度。本文采用PLC數據采集方式對溫度進行采集,通過傳感器將采集的信息轉換為信號,然后傳輸到系統中進行分析,生成表格數據存入到本地。建立監測模型前需要對空壓機內部運行參數的相關性進行分析,而皮爾森相關系數可以衡量出兩個隨機變量的相關性,公式可表示為

(1)

其中,A、B表示隨機變量;N表示運行參數的總個數。若數值為1,表示兩者非常正相關;若數值為-1,表示兩者非常負相關;若數值為0,表示兩者沒有相關性。通過皮爾森相關系數的計算,規定數值為[0.8～1.0]時,表示極強相關性;數值為[0.6～0.8]時,表示較強相關性;數值為[0.4～0.6]時,表示中等相關性。經過分析,選擇數值為極強的相關性參數作為輸入值輸入到模型中。參數相關性數值如表1所示。

表1 參數相關性數值

通過分析比較空壓機的溫度相關性,將主機頭排氣溫度作為模型的輸入值,構建空壓機的溫度監測模型。為了以數值形式反映出空壓機的運行狀態,采用健康指數對空壓機的健康情況進行評估,健康指數公式可表示為

(2)

(3)

其中,Di表示第i個評估參數的組合權重值,公式可表示為

(4)

其中,αi和βi分別表示權重系數;cei和cfi分別表示由層次分析法和熵值法得出的權重。就空壓機的老化情況,引入老化健康指數,公式可表示為

Cheal＿old(t)=1-(1-Cheal＿0)eδ(t-t0)

(5)

其中,Cheal＿0表示空壓機初始健康度;δ表示老化系數。進而空壓機的綜合健康指數公式可表示為

(6)

綜上所述,空壓機的健康指數與溫度故障率的關系如表2所示。

表2 健康指數與溫度故障率間的關系

為了證明設計模型對溫度監測的效果,對模型進行故障監測與殘差的計算,監測殘差值公式可表示為

Gres=Gact-Gmon

(7)

其中,Gact表示實際值;Gmon表示模型監測值。對溫度故障診斷過程中,對溫度值進行數據偏移的處理,把模型的監測誤差視為正態分布函數。假設監測殘差的絕對值為gt,測試數據的個數為n,那么溫度故障閾值公式可表示為

(8)

通過對模型監測值的殘差進行絕對值處理,可計算出殘差絕對值的標準差與平均值。假設殘差絕對值的標準差和平均值分別為σ和μ,那么溫度故障閾值為3σ+μ,因為殘差呈線性變化,因此可通過閾值判斷空壓機的溫度是否存在異常,當故障值超出故障閾值,那么系統會進行預警,對系統進行故障診斷。

3.2 網絡模型

BP神經網絡和其它神經網絡有很大的差別,是一種多層的前饋神經網絡,實際上是通過梯度下降法對目標函數進行計算的,經過對空壓機的分析,建立空壓機的神經網絡模型。首先,對網絡故障的樣本集進行采樣,分別以溫度故障向量和故障類型向量作為輸入向量和輸出向量。然后,建立輸入層為10、隱藏層為16、輸出層為12的神經網絡模型。輸入第h個組樣,參數j的輸出公式可表示為

(9)

其中,Lih表示參數j在第h個組樣輸入下的第i個輸入值。進而計算網絡目標函數,公式可表示為

(10)

其中,ykh(t)表示經過t修正后的網絡輸出;k表示輸出層的節點數。最后做出誤差判斷,若目標函數比誤差值小,則結束訓練;若目標函數比誤差值大,按照梯度下降法對權值進行反向更新處理,處理過程公式可表示為

(11)

其中,η表示學習步長。通過以上步驟便完成了一次完整的學習,之后一直重復上述步驟,直到目標函數值小于誤差值為止。

通過對BP神網絡的訓練,得出圖1的結果,表明本文建立的模型網絡擬合度較好,訓練步長為24步時,目標函數最優。

圖1 訓練誤差曲線

4 仿真與結果分析

為了驗證提出的BP神經網絡模型對空壓機的監測效果,本文分別將傳統的長短時記憶神經網絡(V-LSTM)和支持向量機(SVM)兩種方法與本文提出的方法進行仿真對比,圖2和圖3分別為網絡模型的監測值和殘差值。

圖2 網絡模型監測值對比結果

圖3 殘差特性對比結果

從圖中可以看出,空壓機正常工作過程中,采用本文方法對溫度的監測值和采用V-LSTM方法對溫度的監測值與溫度實際值沒有較大的差距,甚至本文方法的監測值還比V-LSTM方法小,說明對數據采集過程中,本文方法效果更佳。而且基于三種方法對殘差特性的對比,明顯可以看出采用本文方法的殘差值幾乎接近于0,而采用V-LSTM和SVM方法的殘差絕對值接近于0.5,表明本文方法對溫度監測的效果較好。

為了進一步驗證BP神經網絡模型對空壓機溫度故障診斷的靈敏程度,通過本文方法確定的故障閾值,分別將V-LSTM和SVM兩種方法與本文提出的方法進行仿真對比,每種方法的殘差值與其對應方法的故障閾值對比結果如圖4所示。

圖4 殘差值與故障閾值

從圖中可以看出,隨著模擬故障程度的逐漸增加,溫度實際值與監測結果的殘差值呈現出線性變化,三種方法都超出了給定的故障閾值,而采用本文方法能夠更早的判斷出空壓機的溫度閾值警戒線,說明本文方法對溫度故障監測的準確率更高,可以及時診斷出空壓機運行過程中的溫度故障。

為驗證本文方法對故障診斷的準確程度,設置神經網絡的輸入層為10層、隱藏層為16層、輸出層為12層,共進行40次訓練,并與V-LSTM和SVM兩種方法進行仿真對比,準確率的對比結果如圖5所示。

圖5 訓練過程的準確率

從圖中可以看出,當訓練次數小于25次時,隨著訓練次數的不斷增加,三種方法的準確率均有明顯的提高。當訓練次數為25次后,SVM方法的準確率忽高忽低,不穩定。而采用本文方法和V-LSTM方法對空壓機溫度故障進行診斷時可以維持較高的準確率,但相比之下本文方法的準確率更高,說明本文設計的模型非常適合空壓機故障診斷場景,對目標函數優化后的模型具有較高的準確率。

5 結束語

為了對空壓機的溫度故障進行及時的診斷,本文對BP神經網絡模型進行學習,同時對空壓機的系統結構與系統功能進行了詳細地 分析。通過本文建立的監測模型、殘差分析模型對故障信息進行監測查找。為了驗證本文方法的監測性能、對空壓機溫度故障診斷的靈敏程度以及診斷的準確性,分別將本文方法與V-LSTM和SVM方法進行仿真對比。實驗結果表明,本文方法的殘差值幾乎接近于0,具有較好的監測效果。而且隨著模擬故障程度的逐漸增加,本文方法能夠更早的判斷出空壓機的溫度閾值警戒線,并且對故障判斷的準確率更高。