支持向量机在压缩机气阀故障诊断中的应用

胡 新，潘淑微

(温州职业技术学院机械工程系,浙江 温州 325035)

支持向量机在压缩机气阀故障诊断中的应用

胡 新，潘淑微

(温州职业技术学院机械工程系,浙江 温州 325035)

由于结构复杂且缺乏故障样本等原因，往复式压缩机的故障样本及诊断结果存在很强的不确定性。针对典型压缩机气阀振动信号的特点及不同故障机理，研究气阀振动信号的特征参数提取方法。提取工作循环有效值RMS1、气阀关闭段有效值RMS2，以及经两层小波包分解得到的各频带能量比系数E1、E2、E3、E4，组成6维特征向量，并将其作为支持向量机的输入。利用支持向量机适合处理高维数据且在有限样本下具有最优泛化能力的特点，对3种不同气阀状态下的振动信号经时域波形分析和小波包分解后提取的特征参数进行支持向量机学习；建立气阀故障诊断的支持向量机分类模型；利用Libsvm软件包对故障样本进行随机分类测试，并与其他智能诊断方法进行对比。对比结果表明，将支持向量机方法应用于往复式压缩机的气阀故障诊断中具有可行性；在小样本条件下，支持向量机较其他智能诊断方法具有更大的优势。

支持向量机； 往复式压缩机； 气阀； 小样本； 故障诊断； 小波包

0 引言

气阀是往复式压缩机的易损部件。统计数据表明，超过一半以上的压缩机故障发生在气阀[1]。常见的气阀故障类型有漏气、弹簧损坏及阀片断裂等。气阀故障不仅直接影响了压缩机的性能和工作效率，甚至可能会引发恶性拉缸事故，造成设备停产使企业蒙受巨大的经济损失[2]。因此，对气阀进行早期故障预警和检测，及时对故障气阀进行检修和更换，对保障压缩机安全、高效运行具有重要意义。

振动检测法是当前往复式压缩机故障分析诊断的主要手段，但由于往复式压缩机运动部件多且复杂，气阀故障信息的振动信号往往淹没在背景噪声中，且振动信号为典型的非线性非平稳信号，采用传统的线性系统信号处理方法进行故障特征提取较为困难[3]。传统的机器学习方法(如神经网络等)一般建立在较多的故障样本基础之上，而压缩机故障具有一定的破坏性，大样本数据收集十分困难[4-5]。本文将振动检测法与支持向量机(support vector machines，SVM)方法相结合，运用振动信号时域波形分析及小波包分析方法提取气阀故障特征参数，建立小样本条件下气阀故障诊断的支持向量机分类模型，以提高往复式压缩机气阀故障诊断的准确率。

1 支持向量机技术

支持向量机是基于统计学习理论发展起来的一种新的针对分类和回归问题的机器学习方法，具有较好的分类精确性和良好的推广性，适用于小样本学习问题，已成为继模式识别和人工神经元网络之后机器学习领域新的研究热点[6-8]。通过在特征空间中构建最优分割超平面，以最大化样本间的分类间隔是支持向量机的核心思想。针对非线性分类问题，支持向量机预先指定某种非线性映射，通过其将输入向量映射到高维特征空间中，然后在这个高维空间中构建最优分类超平面，其原理如图1所示。

图1 支持向量机原理图

最优分类函数决策式为[8]:

(1)

式中:xi、yi为训练样本；l为样本个数；ai为对偶问题式的最优解；b为对应偏移量；K(xi,x)为核函数。

支持向量机分类模型由训练样本和核函数完全描述。对同一训练样本集来说，不同的核函数可以构造不同类型的支持向量算法[9]，因此，选择合适的核函数对支持向量机分类问题非常重要。常用的支持向量机核函数包括线性核函数、多项式核函数、高斯核函数、sigmoid核函数等。研究表明[10]:高斯核函数的适用度广，适应于任意分布的样本。

与神经网络及其他智能机器学习方法相比，支持向量机主要具有以下优点[11]。

①支持向量机求得的最优化是基于当前样本条件下而非样本数趋于无穷时的最优解，有效避免了过学习现象的产生，这在小样本条件下优势明显。

②相比于神经网络，支持向量机基于结构风险最小化原理，将算法最终转换为二次寻优问题，因此避免了局部极值问题。

③引入核函数，将输入的特征向量通过非线性变换转换到高维特征空间，在高维特征空间中构造线性判别函数来实现输入空间中的非线性判别函数，同时计算量不会随维数的增大而增大，避免了维数灾难。

2 气阀振动信号特征参数提取

2.1 时域波形分析

阀盖处的气阀振动信号主要由机身振动和各种激振力的响应叠加而成[12]。在引起阀盖振动的诸多因素中，气阀故障引起的气流脉动对阀盖振动的影响作用最大，其他因素的影响可以忽略不计。典型压缩机阀盖处的振动信号时域波形如图2所示。

图2 振动信号时域波形图

往复式压缩机的一个工作循环可以分为膨胀-吸气-压缩-排气4个过程，气阀的动作过程为:气阀开启-开启保持-气阀关闭-关闭保持。从图2可以看出，气阀开启和关闭瞬间均会产生强烈的脉冲振动，这是由高速气流的瞬时冲击和阀片撞击阀座及升程限制器产生的。当气阀保持开启状态时，由于弹簧的不稳定颤动，使得气流持续通过而产生的振动幅值相对较大；当气阀保持关闭状态时，振动信号幅值较低，此时主要是机身自身振动所产生的激励。当气阀发生故障时，冲击激励的变化必然会引起阀盖振动特性的变化。如气阀泄漏故障时，缸内高压气流迅速通过狭小缺口，形成高速激流喷射，气阀关闭段的振动信号能量必然有所变化；若气阀弹簧损坏和阀片断裂，对气阀开启和关闭时的撞击激励产生影响，会在整周期信号能量有所体现[13-14]。因此，选取工作循环有效值RMS2和气阀关闭段有效值RMS2作为支持向量机训练模型的其中两个输入向量。

2.2 小波包分析

小波分析具有“变焦距”的性质，能从不同的尺度获得非平稳随机振动信号的宏观和微观特征。小波包分析由小波分析的理论发展而来，是一种更精细的信号分析方法[15-16]。将原始信号依次重复通过低通滤波器和高通滤波器，最终将信号分解到2j个(j为小波包分解层数)等范围频段上，具有更加精确的局部分析能力。两层小波包分解示意图如图3所示。

图3 两层小波包分解示意图

(2)

因此，对于任意尺度j上的小波分解成分，原信号f(t)可表示为:

(3)

所以，信号f(t)的总能量可表示为：

(4)

由小波包函数的正交性可得:

(5)

采用小波包节点带宽能量比系数作为特征参数，对各个节点进行计算:

(6)

气阀故障信息往往隐含在振动信号高频部分[17]，小波包技术将信号无冗余、无疏漏、正交地分解到独立的频带内，而且同一分解层次上的频带是等宽的。这些分解频带信号都具有一定的能量， 每个频带信号的能量对故障的敏感度都不同，可为气阀故障诊断提供信息。某型压缩机气阀在不同状态下，振动信号(10 Hz～10 kHz)经两层小波包分解，得到的各频带能量比系数如图4所示。

图4 各频带能量比系数示意图

图4中：S1的频率范围为10 Hz～2.5 kHz;S2的频率范围为2.5～5 kHz;S3的频率范围为5～7.5 kHz;S4的频率范围为7.5～10 kHz。

3 基于支持向量机的气阀故障诊断

往复式压缩机属于典型的多故障分类识别问题。“一对一”是适用的多值分类算法，将支持向量机的2类分类有效地扩展到多值分类。按照上述信号处理方法，构建6维特征向量H作为支持向量机训练模型的输入:

H=[RMS1，RMS2，E1，E2，E3，E4]

式中：RMS1为振动信号工作循环有效值;RMS2为振动信号气阀关闭段有效值;E1、E2、E3、E4分别为振动信号经2层Daubechies2小波包分解后得到的4个频带(S1、S2、S3、S4)带宽能量比系数。

部分训练样本集如表1所示。

表1 部分训练样本集

在Wz-1.5/5-A单缸往复式压缩机上进行气阀漏气和弹簧失效两种故障模拟试验，收集其振动信号共60组，其中正常气阀、气阀漏气、弹簧失效每种状态各20组。随机选择其中30组(每种状态10组)作为支持向量机的训练样本，剩余的30组(每种状态10组)作为测试样本。在Matlab中调用Libsvm软件包并创建由训练样本6维特征向量组成的属性矩阵，指定其故障类别作为类别标签，调用svmtrain()函数建立分类模型。分类算法为标准的C-SVC，核函数类型为标准的RBF核。

4 分类结果

在Matlab中调用Libsvm工具包中的svmpredict()函数，对剩余30组测试样本进行分类预测，同时，在小样本条件下比较不同的智能诊断算法的分类性能，选取常用的BP神经网络和线性分类器两种智能学习方法与支持向量机作对比。在相同的特征参数输入下比较其分类准确率，测试样本分类结果如表2所示。

表2 测试样本分类结果

由表2可知，训练后得到的支持向量机分类模型对不同气阀故障具有较理想的分类效果，平均分类准确率达到93%以上。在样本数据有限的条件下，支持向量机的训练模型的分类准确率高于BP神经网络和其他分类器。

5 结束语

本文将支持向量机技术应用于往复式压缩机气阀的故障诊断，对往复压缩机气阀在阀片漏气、弹簧失效及无故障状态给予识别。针对传统的频谱特征参数对故障不敏感的特点，利用小波包分析引入频带归一化能量比系数，提取了6维特征向量作为支持向量机分类模型的输入，并建立了相应的诊断模型；最后对测试样本进行了预测分类，并与其他机器学习方法进行了对比。

由对比结果可得出以下结论。

①经2层小波包分解提取的气阀振动信号频带归一化能量比系数对气阀故障特征具有一定的敏感度，可作为支持向量机的特征向量输入。

②将支持向量机技术应用于往复式压缩机小样本下的气阀故障诊断是可行的，对不同气阀状态有较好的分类效果，平均分类准确率达到93%以上。

③在小样本条件下，支持向量机相比其他机器学习方法具有更好的泛化能力和分类性能。

[1] 高京卫，韩毅.往复式压缩机气阀失效形式及故障诊断[J].天然气技术，2007,6(1):74-76.

[2] 李旭朋.往复式压缩机气阀故障诊断的小波包分析方法[D].北京:北京化工大学，2008.

[3] 王成栋，朱永生，张优云,等.时频分析与支持向量机在柴油机气阀故障诊断中的应用[J].内燃机学报，2004,3(22):245-251.

[4] 董作一.往复式压缩机气阀故障诊断方法研究[D].北京:北京化工大学，2014.

[5] 孙小权，皱丽英.支持向量机在轴承故障识别中的应用研究[J].自动化仪表，2015,36(2):12-15.

[6] 邓乃阳，田关杰.数据挖掘中的新方法——支持向量机[M]．北京:科学出版社，2004:164-221.

[7] 许葆华，李洪儒，白海峰.LS-SVM在状态监测数据趋势预测中的应用[J].科学技术与工程，2004,7(15):3924-3926.

[8] 余永华，陈杰，杨建国,等.基于支持向量机的柴油机气阀漏气的声发射诊断研究[J].内燃机工程，2013,34(6):47-51.

[9] 杨佳，许强，曹长修.基于数据挖掘的铁水硅质量分数SVM预测方法[J].华中科技大学学报(自然科学版)，2009(5):68-71.

[10]杜京义.基于核算法的故障智能诊断理论及方法研究[D].西安:西安科技大学,2006.

[11]申勇，范红.基于SVM的数字识别技术研究[J].微计算机信息，2010,26(13):194-196.

[12]吴广宇，郝点，石磊.往复式压缩机气阀的振动测试分析[J].压缩机技术，2007,5(8):23-25.

[13]高晶波，王日新，徐敏强,等.2D12型往复式压缩机气阀故障的声谱诊断方法[J].化工机械，2003,30(4):202-205.

[14]李旭朋.往复式压缩机气阀故障诊断的小波包分析方法[D].北京:北京化工大学，2008.

[15]曾芸，武和雷.基于小波包的频带能量特征提取及智能诊断[J].计算机技术与自动化，2008,27(4):115-117.

[16]王家宏，张仕海.基于时间序列与小波分析的船舶柴油机故障诊断[J].船舶工程，2009,31(4):15-17.

[17]伍学奎，陈进，周轶尘.基于小波包变换的内燃机气阀漏气诊断方法[J].振动工程学报，2000,13(2):210-215.

Application of Support Vector Machine in Fault Diagnosis of Compressor Valve

HU Xin，PAN Shuwei
(Department of Mechanical Engineering,Wenzhou Vocational and Technical College,Wenzhou 325035,China)

Due to the complexity of structure and lack of fault samples,strong uncertainty exists in fault samples and diagnosis results of the reciprocating compressors.According to the characteristics of the vibration signal of typical compressor air valve and the different fault mechanism,the extraction methods of characteristic parameters of valve vibration signal are studied.The working cycle effective valueRMS1,and the effective value of the valve closed sectionRMS2are extracted,and decomposed by two-layer wavelet to obtain energy ratio coefficients ofE1,E2,E3andE4,and to build up the six dimensional eigenvector and used as the input of the support vector machine (SVM).Taking the features of SVM,such as suitable for dealing with high-dimensional data and the optimal generalization ability under finite samples,through time domain analysis and wavelet packet decomposition of the vibration signals under three of different valve states,the feature parameters are extracted for conducting SVM learning; and the SVM classification model of valve fault diagnosis is established.The random classification test of the fault sample is conducted using Libsvm software package,and compared with other intelligent diagnostic methods.The comparison results show that it is feasible to apply SVM method in the valve fault diagnosis for reciprocating compressor,and the SVM has more advantages than other intelligent diagnosis methods under small sample condition.

Support vector machine(SVM);Reciprocating compressor;Valve; Small-sample;Fault diagnosis;Wavelet packet

胡新(1967—)，男，学士，讲师，主要从事机电一体化、机械设备故障诊断方向的研究。E-mail:Huxin_wz@126.com。

TH455；TP181

A

10.16086/j.cnki.issn1000-0380.201707009

修改稿收到日期:2017-03-21