基于響應特性的閥片故障診斷方法研究

趙國珍

摘要：往復式壓縮機閥片響應具有高沖擊、強噪聲的特點。為了解決基于激勵的故障診斷方法難以適用于壓縮機閥片泄漏故障診斷的問題，提出一種基于響應特性的往復式壓縮機閥片泄漏故障診斷方法。以電機定子電流信號作為激勵信號，振動加速度信號作為響應信號，分析激勵和響應特性，利用集合經驗模態分解（ensemble empirical mode decomposition，EEMD）對響應信號進行特征提取。實驗模擬了閥片不同程度的泄漏故障，基于響應特性對支持向量機 （support vector machine，SVM）分類效果進行了實驗。實驗結果表明，基于響應特性的故障診斷方法具有較好的SVM分類效果。

關鍵詞：閥片；響應特性；集合經驗模態分解；支持向量機

中圖分類號：TH45? ? ? ? ? ? ? ? ??文獻標志碼：A

Research on the valve plate fault diagnosis method based on excitation diagnosis

ZHAO Guozhen

（Anhui Communications Vocational & Technical College， Hefei 230051， China）

Abstract： The response of the valve plate of a reciprocating compressor shows high impact and strong noise. In order to solve the problem that incentive based fault diagnosis methods were difficult to apply to compressor valve leakage fault diagnosis， a response characteristic based reciprocating compressor valve leakage fault diagnosis method was proposed. Using the motor stator current signal as the excitation signal and the vibration acceleration signal as the response signal， the excitation and response characteristics were analyzed. Features from the response signal were extracted by using ensemble empirical mode decomposition （EEMD）. Different degrees of valve leakage faults were simulated. And experiments on the classification performance of support vector machine （SVM） based on response characteristics were performed. The experimental results show that the fault diagnosis method based on response characteristics has good SVM classification performance.

Key words： valve plate; incentive response; ensemble empirical mode decomposition （EEMD）; support vector machine （SVM）

往復式壓縮機在機械、石油化工、制冷和氣體運輸行業具有廣泛的應用[1-5]。然而，由于長時間運行、不當使用或其他外部因素的影響，往復式壓縮機可能會出現各種故障。及時準確地診斷和解決這些故障對于保障設備的正常運行和延長其壽命至關重要。閥片是決定壓縮機穩定高效工作的核心部件，而且閥片是往復式壓縮機中最易損害的部件之一。因此，一種有效準確的閥片故障檢測方法可以提高壓縮機運行可靠性，減少事故的發生，降低壓縮機的停機時間和成本[6-8]。

往復式壓縮機的故障診斷方法主要是從旋轉機械的故障診斷方法發展而來的[9-11]?；诩铐憫淖R別方法是一種常用的故障診斷方法，在旋轉設備故障診斷領域備受關注。然而，往復式壓縮機的激勵響應具有非線性、非平穩性和多組分耦合等特點[12-14]，給壓縮機故障診斷帶來挑戰。故障診斷是指通過分析和判斷設備運行中出現的異?，F象和故障表現，確定其原因和來源的過程。對于往復式壓縮機而言，故障診斷不僅需要深入了解該設備的結構和工作原理，還需要掌握相關的工程知識和技術手段。

本文提出了一種基于響應特性的壓縮機閥片泄露故障診斷方法。選擇電流信號作為激勵信號，振動加速度信號作為響應信號，利用集合經驗模態分解（ensemble empirical mode decomposition，EEMD）對振動信號進行模式分解。EEMD保持了經驗模態分解（empirical mode decomposition，EMD）自適應分解的優點，克服了EMD的端點效應和模式混疊效應[15-17]。但是本征模態函數（intrinsic mode function，IMF）的選擇仍然是需要解決的問題，選擇的成分過多或太少，都會影響特征的提取[18-20]。根據電流信號的變頻和壓縮機的轉動頻率效應，選擇最佳的IMF重構響應信號，利用轉動頻率的1倍頻、2倍頻和3倍頻分量特征提取故障特征信息，再通過支持向量機 （support vector machine，SVM）基于激勵狀態指標故障進行對比實驗。

1基于響應特性的壓縮機閥片泄漏故障診斷方法

基于響應特性的壓縮機閥片泄漏故障診斷方法路線圖見圖1。以電機定子電流信號為激勵信號，以振動加速度信號為響應信號，聚焦響應信號中顯著的故障特征，使故障特征更明顯，降低對信號處理方法性能的要求，提高診斷效率。

1.1基于響應特性的壓縮機閥片泄漏故障診斷原理

活塞在活塞桿、連桿、曲軸、皮帶及電機的共同作用下在壓縮缸內做往復式運動，構成了往復式壓縮機的工作過程，見圖2。當壓縮機吸氣閥發生泄漏故障時，活塞缸內與進氣管內壓力差減小，導致吸氣閥不能完全打開或關閉，降低了吸氣閥對閥體的沖擊。當壓縮機排氣閥發生泄漏故障時，活塞缸內與排氣管內壓力差減小，排氣閥不能完全關閉或打開，降低了排氣閥對閥體的沖擊。同時，由于泄漏的存在，在壓縮氣體過程中，缸內氣壓峰值會降低，導致曲軸所受扭矩減小，即電動機所受載荷減小。因此電機速度會增加，從而會導致壓縮機工作頻率增大。

綜上所述，通過對泄漏引起的壓縮機工作過程的影響進行分析，可以識別出與閥片泄漏程度相關的響應特性。閥片泄漏故障會減小壓縮機響應信號中沖擊成分的能量，增大沖擊的頻率。因此，在泄漏情況下，壓縮機的轉動頻率及其倍頻會發生變化，從而影響振動加速度信號的頻譜特性。另外，由于電機所受的載荷與電機電流正相關，閥片泄漏會導致壓縮機電機的電流減小，增大電流信號沖擊分量的頻率。因此，閥片的泄漏故障也會影響壓縮機的激勵信號。

1.2響應信號選擇

往復式壓縮機的響應信號有很多種，如振動加速度信號、壓力信號、聲發射信號、溫度信號和瞬時轉速信號等。其中，壓力信號和溫度信號無法在壓縮機外部測量，需要對壓縮缸結構進行改造，嵌入傳感器測量。而且，由于對壓縮缸原有結構的破壞，可能會對故障特征造成不良影響。利用聲發射信號和瞬時轉速信號診斷壓縮機閥片故障，需要傳感器具有較高靈敏度和測量精度，而且針對瞬時轉速的信號處理方法相對振動信號的處理方法較少。而振動加速度信號容易獲得，信號處理方法豐富，在故障診斷領域應用最為廣泛，因此，采用振動加速度信號作為響應信號來分析壓縮機閥片故障的響應特征。

活塞在閥片泄漏下的壓縮速度大于閥片正常時的壓縮速度，而且，到達上下止點附件時沖擊力能量減小，再加上壓縮機本身振動造成的影響，會導致沖擊信號的周期性被削弱。如圖3所示，圖3（a）中幅值超過200 m/s2以上的沖擊次數明顯多于圖3（b），而且，圖3（a）中信號波形的周期性比圖3（b）中更明顯。振動信號中不僅包含豐富的故障特征，還與電流信號保持著系統傳遞特性關系，因此，本文選擇振動信號作為響應信號。

2數據采集

為研究基于響應特性診斷技術的壓縮機閥片故障的診斷方法。利用往復式空氣壓縮機設計2 mm、6 mm和8 mm 3種不同程度泄漏的排氣閥故障進行實驗，在管道壓力1.0 MPa下采集電流信號和振動加速度信號。

為基于響應特性診斷方法的模式識別與診斷方法研究提供訓練樣本數據，設計了3種不同程度的閥片泄漏故障。在第一級壓縮缸的正常排氣閥閥片上分別加工出直徑為2 mm、6 mm和8 mm的圓孔，來模擬閥片3種不同程度的泄漏故障，如圖4所示。為了提高數據的可靠性，當壓縮機壓力達到1.0 MPa時開始采集數據，振動加速度數據和電動機電流數據同時采集。共進行3組排氣閥泄漏實驗和一組正常閥片實驗，采樣頻率設置為51.2 kHz，采樣時間為30 s。

3往復式壓縮機閥片泄漏故障診斷

試驗臺以往復式空氣壓縮機為載體，由單作用雙級空氣壓縮機、計算機、振動加速度傳感器、電流鉗和數據采集系統組成，如圖5所示。實驗共采集到壓縮機在排氣閥正常、2 mm泄漏、6 mm泄漏和8 mm泄漏的條件下的4組振動信號數據和電流信號數據。下面基于此四組數據從響應特性角度對壓縮機排氣閥泄漏故障的診斷方法進行研究。

3.1響應信號故障特征分析

各組振動信號的頻域波形如圖6所示。其中，f1、f2、f3和f4分別為正常閥片、2 mm、6 mm和8 mm泄漏故障條件下壓縮機的轉動頻率。

在圖6中：f1=14.336 Hz，f2=15.360 Hz，f3=16.378 Hz，f4=16.381 Hz。表明壓縮機的轉動頻率在隨著泄漏故障程度的增加而變大。在壓縮機實際工作的過程中，由于泄漏的存在，導致壓縮缸內的壓力減小，從而曲軸的扭矩減小，曲軸的轉速增大。在一定范圍內，壓縮機轉動頻率會與閥片泄漏量保持正相關關系。振動信號的頻譜中含有大量轉動頻率的倍頻，轉動頻率波動的同時其倍頻也會隨之波動。因此，壓縮機閥片的故障特征可以從壓縮機的轉動頻率及其倍頻中提取。

3.2響應狀態指標提取

壓縮機的轉動頻率及其倍頻成分中包含閥片泄漏故障特征信息。高倍數轉動頻率分量是受轉子不平衡產生的，受轉動頻率特性的影響較小，包含的有效故障特征較少。因此，從高倍數轉動頻率分量中提取故障特征信息技術難度較高，且可獲得有效故障信息較少。本文只利用轉動頻率的1倍頻、2倍頻和3倍頻分量特征提取故障特征信息，忽略高倍數轉動頻率分量。

利用轉動頻率的1倍頻、2倍頻和3倍頻的能量譜值作為響應狀態指標，并通過梳狀濾波器，可以自適應的從響應信號頻譜圖中獲取這些指標。從每組中取1 000 000個數據點，分為50份。對每組的每一份數據進行頻譜分析，通過EEMD對振動信號進行模式分解，選擇最佳的IMF重構響應信號，然后利用梳狀濾波器獲取每份數據頻譜的1倍、2倍和3倍轉動頻率的能量譜值，作為響應狀態指標，用于故障的模式識別與分類。響應狀態指標見表1。

3.3壓縮機閥片泄漏故障模式識別

獲取了狀態指標之后，需要對其進行分類，以識別不同的故障模式。SVM是一種基于統計學習理論的強大的分類技術。SVM最初是作為一種二元分類的廣義線性分類器引入的，其決策邊界是對學習樣本求解的最大邊界超平面，最終轉化為一個凸二次規劃問題，其公式如下。

min12ω2+C∑mi=1ξi

yiωφxi+b≥1-ξi，ξi≥0;i=1，…，m（1）

式中：ω為超平面的法向量；b為截距；φxi為樣本變量；yi為樣本的標簽；C為參數；ξi為松弛變量。利用響應狀態指標對不同的故障模式進行分類。首先，取數據的一倍頻（energy-radio frequency，E-RF）與二倍頻（energy-double radio frequency，E-DRF）、E-RF與三倍頻（energy-triple radio frequency，E-TRF）、E-DRF與E-TRF分別組合作為SVM分類的二維特征指標，并給4組數據的狀態指標分別賦予類別編號1、2、3和4；然后，取各組狀態指標，及相對應的類別編號進行SVM訓練。將所有類別的狀態指標，放入訓練后的SVM中進行分類，分類效果如7所示。圖7分類結果顯示，基于響應狀態指標的基本可以將不同程度的故障類別分開。其中：圖7（a）中正常閥片和2 mm泄漏閥片均被完全分開，其分類的準確率為91.5%；圖7（b）中，只有正常的閥片被分離出來，其分類的準確率為61.5%；圖7（c）中，只有2 mm泄漏閥片故障被分離出來，其分類的準確率為66.5%。因此，基于E-RF與E-DRF的SVM分類效果優于E-RF與E-TRF和E-DRF與E-TRF的分類效果，進一步驗證了低倍轉動頻率分量中包含更多的故障特征信息。

4結論

提出一種基于響應特性的往復式壓縮機閥片泄漏故障診斷方法，聚焦更多故障特征信息，降低了對信號處理方法性能的要求。通過對閥片泄漏對壓縮機的影響進行分析，選擇電機定子電流信號作為激勵信號，振動加速度信號作為響應信號，通過頻譜分析和轉動頻率及其低倍頻的提取，有效地捕捉到閥片泄漏故障的特征信息，并利用EEMD對響應信號進行特征提取，實現對閥片泄漏故障的有效診斷。通過對正常以及3種不同程度泄漏的排氣閥故障進行實驗，結果表明，該方法在使用SVM進行分類時具有較好的效果。研究為往復式壓縮機閥片泄漏故障的有效診斷提供了一種新的方法。

參考文獻：

[1]索文凱， 班利明， 雷爭軍， 等. 基于有源激勵的激光測距機故障診斷技術研究[J]. 激光雜志， 2023， 44（1）： 184-187.

[2]于兵. 基于激勵機制增量學習的設備故障診斷方法研究[D]. 天津： 河北工業大學， 2021.

[3]趙娜. 變載荷激勵下的齒輪故障特征提取及故障診斷方法研究[D]. 秦皇島： 燕山大學， 2017.

[4]汪敏， 孫達山， 張健. 基于擾動激勵的智能變電站繼電保護故障診斷關鍵技術[J]. 科學技術創新， 2020（25）： 158-159.

[5]李洋. 不平衡激勵下的轉子碰摩故障診斷方法研究[D]. 哈爾濱： 哈爾濱工業大學， 2015.

[6]吳靜云， 鄢博， 戚文， 等. 基于充電脈沖激勵的電池內短路故障診斷方法[J]. 電源技術， 2023， 47（3）： 332-336.

[7]楊敬娜， 郝克明， 朱霄珣， 等. 激勵下齒輪-轉子系統故障模糊C聚類診斷[J]. 機械設計與制造， 2023（4）： 296-299， 304.

[8]郭瑩瑩. 柔性薄壁橢圓軸承的運動學特性及故障診斷研究[D]. 廣州： 華南理工大學， 2021.

[9]張曉. 基于復模型的模擬濾波電路故障診斷[D]. 成都： 電子科技大學， 2018.

[10]王鶴潼. 基于緊密度度量的模擬電路潛在故障檢測與診斷方法研究[D]. 哈爾濱： 哈爾濱工業大學， 2017.

[11]羅進. 有源電力濾波器的故障診斷技術研究[D]. 大連： 大連理工大學， 2016.

[12]陳星田. 智能變電站繼電保護隱藏故障診斷與系統重構方法[D]. 重慶： 重慶大學， 2015.

[13]劉赫， 雷雨秋， 張心怡， 等. 基于階躍激勵穩態響應的感應電機匝間短路故障診斷方法研究[J]. 電氣傳動， 2021， 51（13）： 75-80.

[14]張海涵. 載荷激勵下齒輪： 轉子系統故障診斷方法研究[D]. 太原： 太原理工大學， 2020.

[15]宗志亞. 基于擾動激勵的智能變電站繼電保護故障診斷關鍵技術[J]. 電測與儀表， 2019， 56（21）： 63-69.

[16]陳凱. 基于變分模態分解的船舶軸系狀態監測及故障診斷方法研究[D]. 武漢： 武漢理工大學， 2018.

[17]劉立婷. 航空發動機傳感器故障實時診斷方法研究[D]. 南京： 南京航空航天大學， 2018.

[18]譚瑞. 內燃機氣門間隙故障診斷研究[D]. 重慶： 重慶郵電大學， 2017.

[19]馮大為， 秦向麗. 故障診斷多激勵法的容差分析[J]. 山東建材學院學報， 1991， 5（3）： 1-4.

[20]袁博. 氣流激勵引起的風機振動故障診斷[J]. 風機技術， 2017， 59（6）： 81-86.