基于神经网络的往复压缩机缸套故障诊断研究.pdf

《基于神经网络的往复压缩机缸套故障诊断研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第20卷第4期江汉石油科技V01．2ONo．42010年12月~ANGHANPETROLEUMSCIENCEANDTECHNOL0GYDec．2010基于神经网络的往复压缩机缸套故障诊断研究宋满华(江汉油田江钻股份公司)摘要往复压缩机是油田生产的关键设备，结构复杂，激励源多，易发生故障。其中缸套是往复压缩机的重要部件，对其进行故障诊断具有十分重要的意义。首先对采集的缸套振动信号预处理，应用奇异值降噪方法提高信噪比。然后利用时域、频域分析对降噪后的信号提取特征参数，把提取的特征参数作为神经网络的输入实现缸

2、套的故障建模和故障诊断。试验表明，提出的方法具有较高的故障识别率，正确率达到80％。关键词往复压缩机缸套故障诊断奇异值降噪神经网络1引言较好的故障识别率。随着西气东输工程的启动以来，因为往复压缩2人工神经网络机压力范围比较广，热效率较高，适应性强，单级压神经网络作为一种新的方法体系，具有分布并缩比高等优点应用越来越广泛，其性能优劣对工业行处理、非线性映射、自适应学习特性，这使得它在生产有很大影响。在其使用过程中，不可避免的会模式识别、控制优化、智能信息处理及故障诊断等方出现一些故障，这些都给安全生产带来

3、了严重的隐面都有广泛的应用。20世纪80年代中期，以患。由于往复压缩机用于结构复杂，激励源多，对其Rumelhart和Mcclenand为首，提出了多层前馈网络实施故障诊断较困难。的反向传播(BP，BackPropagation)学习算法，简记近年来国内外的机械故障诊断技术发展迅速，BP算法。它是有导师的学习算法，用于BP网的权国内外学者和科研机构进行了大量研究。如美国学值和阈值的学习。者曾利用气缸内测得的压力信号图像判断气阀故障限于梯度下降法的固有缺陷，标准的BP学习及活塞环的磨损，捷克学者根据对千余

4、种不同类型算法通常具有收敛速度慢、易陷入局部极小值等缺的压缩机建立的常规性能参数数据库，确定评定参点，因此出现了许多改进的算法。这些算法从改进数，以判断新压缩机的工作状态。在国内，西安交通途径上可分为两大类：一类是采用启发式学习方法，大学、华中理工大学、中国石油大学、上海交通大学、如引入动量因子的学习算法、变学习速率学习算法东南大学、沈阳空压机技术研究所等单位为代表，在和弹性学习算法；另一类则采用更为有效的数值优气阀、连杆信号分析、故障诊断、模式识别等方面取化方法，如共轭梯度学习算法、auasi—New

5、ton算法以得了一些成果。总体而言，由于往复压缩机结构复及Levenberg—Marquardt优化方法等。对于不同的杂，机器故障产生大量的冲击、摩擦以及运行速度的问题，在选择学习算法时不仅要考虑算法本身的性不稳定，负荷的变化，振动激励较多，导致非平稳信能，还要视问题的复杂度、样本集大小、网络规模、网号的产生，并且信号中所包含的不同零部件的故障络误差目标和所要解决的问题类型(是函数拟合还特征频率分布在不同的频带范围内。由于以上原因是模式分类问题)而定。使往复压缩机的故障诊断技术研究开展得较少，往结合往复

6、机械故障诊断的实际情况，以及反复复压缩机故障的全面诊断技术仍处于探索阶段。针对以上问题，本文从信号预处理、降噪、特征作者简介宋满华，硕士研究生，毕业于中国石油大学提取和故障模式识别四个方面着手，提出基于神经(北京)机电工程学院，现在江汉油田江钻股份公司从事技网络的往复压缩机缸套故障诊断方法，并且取得了术研究工作。4期宋满华：基于神经网络的往复压缩机缸套故障研：三．实验仿真，本论文采用Levenberg—Marquardt算法，一个相应的噪声平台。基于奇异值分解的振动信号该算法结合了动量梯度算法和自适应学

7、习速率梯度降噪就是利用这个噪声平台实现对含有噪声信号的下降算法的优点，从而使网络训练速度和稳定性有降噪处理。了进一步提高。由Takens嵌入定理可知，对于确定性信号，他总是被嵌入在相控件的低维流行上，而随机噪声总3基于神经网络的故障诊断流程是使确定性信号偏离这个流行，从而增大了系统的维数。奇异值分解在于它利用了观测数据协方差矩为了提高故障识别率，有必要对整个故障诊断阵的特征值和特征矢量。如果观测数据含有噪声，流程的每个关键环节进行针对性研究。本文首先对且噪声的方差为，则对应于观测数据协方差矩阵采集的缸套

8、振动信号预处理，应用奇异值降噪方法的每一个特征值，它将被放大6倍。因此通过噪提高信噪比。然后利用时域、频域分析对降噪后的声方差，我们可以从奇异谱{}中确定出噪声平信号提取特征参数，把提取的特征参数作为神经网台，利用这个噪声平台就可以将信号成分和噪络的输入实现缸套的故障建模和故障诊断。本课题声给予区分。奇异值分解降噪的主要思想就是把较研究的技术路线如图1。高维的空间向拥有较大特征值的几个特征矢量构成3．1奇异值降噪的较低维空间投影，达到降维的