基于多源信息融合的往复式压缩机故障诊断方法

潘 亮

（上海金山石油化工股份有限公司炼油事业部，上海 200540）

0 引言

改革开放以来，国内外学者均针对多源信息融合技术展开了创新研发，并将其广泛应用于往复式压缩机设备，并取得了良好成效。如我国学者提出了差分进化的神经网络和证据理论结合方法，对变速箱轴承存在的故障隐患展开了针对性分析判断，验证了实施该种诊断方法的可行性。往复式压缩机作为一种新型机械设备，普遍具有压缩效率高、应用范围广及安全稳定等优势，但同时也因内部结构复杂，容易产生各种故障隐患，需工作人员提前做好处理工作，否则将会造成企业经济效益的巨大损失。为有效改善上述情况，要求相关专业人士结合现状，提出适应性强的往复式压缩机故障诊断方法，确保诊断结果的准确性。

1 多源信息融合理论

根据相关调查显示，D-S（Dempster/Shafer，证据理论）最早出现于1967年，随着时间的不断推进，该理论内容也得到了丰富拓展，在信息融合理论中占据着重要地位。其中涵盖的3个要点是信任函数、似然函数及基本概率赋值函数。证据理论诊断方法对于存在的不确定性隐患有良好的处理功能，与以往传统理论方法相比具备较强优势。①D-S证据融合理论。需在同一框架上设置2个信任函数，并为其配置对应可信度分配函数，往往可信度分配函数之间差距越大，代表着信任函数准确性越低。②加权证据融合理论。在D-S证据理论应用的基础上，加权证据融合理论逐渐形成，可有效解决证据间存在的矛盾问题，在此过程中，证据权重系数主要取决于该证据和其他证据之间冲突情况[1]。

2 往复式压缩机信号的动力学特征分析

现阶段，往复式压缩机设备的故障诊断分析引起了学术界高度重视，然而因压缩机结构较复杂且振动源较多，带来的冲击性影响较大，致使故障诊断难度不断提高。从压缩机运行机理分析，设备在初期故障、中期故障、严重故障及正常运行等不同时期，非线性动力学特征会出现一些变化。如往复式压缩机具有较自由非线性特征，建立非线性方程时难度较大，但采用非线性动力学参数方法进行故障诊断的应用成效较佳，目前已获得广泛应用。著名学者唐友福等人借助人工神经网络进行故障特征模拟诊断，取得了突出性成就；还有部分学者通过符号化数据在小波转换下，利用符号化数据得到的非线性参数进行故障诊断，应用成效良好[2]。总体来说，随着专业人士的不断研究探索，往复式压缩机故障诊断方法开始朝着完善化方向前进。除此之外，从导致往复式压缩机出现故障隐患的振动源头来看，主要涵盖气体周期冲击脉冲、往复惯性力、旋转惯性力等，都会使压缩机设备的振动信号发生变化，再加上非线性因素的干扰影响，致使原稳定频谱也会呈现出复杂情况，这对往复式压缩机故障隐患的诊断治理非常不利，要求诊断人员能及时提出可行性解决措施，避免再次出现此种情况，为压缩机设备的稳定可靠运行创造良好条件。

3 基于多源信息融合的往复式压缩机故障诊断方法

由于往复式压缩机设备具有故障来源较多、关联性较强及结构复杂等特点，并且故障间的存在特征不能以独立形式呈现，利用单一化传感器进行数据信息收集必然会受到周围环境因素干扰影响，最终收集到的数据准确性不高。因此，要彻底改变以往利用单一传感器进行故障诊断方法，其中应用成效最为突出的是基于多源信息融合的往复式压缩机故障诊断方法，可有效克服以往面临的不确定隐患，借助信任区间信号特征描述，不但能充分表达出信息特征确定性，也能正确区分信息特征不确定性，有利于帮助诊断人员及时找出压缩机设备使用存在问题，进一步提高往复式压缩机工作效率和工作质量[3]。

3.1 径向基神经网络的初步诊断

通常可将径向基神经网络划分到前向型神经网络类型范畴内，能借助随意精度靠近任意连续函数，主要适用于分类问题解决处理，不但能解决存在的局部隐患，还能加快工作进度[4]。总体来说，径向基神经网络具有较强故障诊断判断能力和学习能力，将该种方法应用到往复式压缩机故障诊断中，可完成初步诊断要求。同时利用径向基神经网络还能构建多个独立形式的子网络结构，促使初步诊断更加高效顺利实现，具体注意3点：①借助正确划分适当简化神经网络复杂程度，不但能缩短故障处理时间，还能降低诊断空间维数；②不同神经网络以并行形式存在，能加快数据处理工作效率；③由于不同输入矢量仅仅只针对某个具体神经或是几个神经网络，因此一旦输入矢量出现变化只需要对其重新培训更好矢量神经网络即可，促使神经网络构造更具灵活性优势，进一步增强神经网络使用功能。

3.2 加权证据理论的故障诊断

一般情况下，在进行证据理论可信度分配时，需对专业人士提出较高标准，要求其掌握较全面证据理论，并能利用自身实践经验准确识别框架中不同命题的数字表示形式，具有较强主观性特。因而不同研究人员给予的证据命题也是不同，存在较大差距，为更加客观实现不同命题的正确分配，就要将相对独立的径向基神经网络看作是证据理论的重要参考依据，并将该神经网络输出值看作识别框架结构中命题的可信度指标。通过证据理论的不断融合，即为径向基神经网络在对信号数据完成初步诊断工作后的诊断结果再融合，充分发挥证据源中信息存在作用，彻底消除以往传统单一数据处理带来的不确定性和片面性隐患，便于帮助诊断人员快速找出往复式压缩机设备使用期间存在的故障隐患，利用各种可信性方法将其有效解决，确保往复式压缩机安全稳定运行[5]。

3.3 多源信息融合下的往复式压缩机诊断步骤

经过不断实践探索，总结出多源信息融合下的往复式压缩机故障诊断步骤：①明确故障空间，构建识别框架。进一步明确往复式压缩机设备可能出现的故障范围，将所有可能发生故障集中在一起，实现故障源和径向基神经网络之间的互相呼应。②利用传感器准确获取往复式压缩机使用信号信息，准确掌握不同传感器的信号特征，构建较完善特征空间证据集群。③通过径向基神经网络对特征空间的证据体展开初步诊断，得到准确性较高的初步诊断结果[6]。④基于径向基神经网络初步诊断基础，为其提供相应可信度分配函数，为往复式压缩机故障诊断提供参考依据。⑤不同特征空间证据体的可信度分配函数不同，需做好单个证据体识别框架命题的可信度范围计算工作。⑥结合加权证据融合理论准确计算特征空间背景下识别框架中的压缩机故障可信度空间。⑦故障诊断过程中需严格遵循融合诊断规则，便于得到往复式压缩机设备的较准确诊断结果，进一步明确故障识别框架中存在的不确定隐患，凸显多源信息融合的故障诊断方法应用优势，做好故障处理工作，确保往复式压缩机设备始终处于安全稳定运行状态[7]。

4 结束语

传统的往复式压缩机故障诊断方法即利用单一化传感器收集故障信息资料，往往面临着较严重不确定隐患。为此，提出了一种基于多源信息融合的往复式压缩机故障诊断方法，不仅能准确提取出压缩机设备使用过程中传感器的证据特征，还能利用径向基神经网络完成特征证据的初步诊断，按照诊断计算结果做好可信度分配工作。利用加权证据融合理论中的基础可信度得到融合后的可信度，帮助往复式压缩机顺利完成故障诊断。经过实践操作证明，多源信息融合的往复式压缩机特征信息后的诊断结果可信度大幅度上升，不确定性明显降低，可准确识别压缩机故障隐患，充分表现出该种方法的应用成效，为往复式压缩机设备的正常使用提供良好条件。