基于响应特性的阀片故障诊断方法研究

赵国珍

摘要：往复式压缩机阀片响应具有高冲击、强噪声的特点。为了解决基于激励的故障诊断方法难以适用于压缩机阀片泄漏故障诊断的问题，提出一种基于响应特性的往复式压缩机阀片泄漏故障诊断方法。以电机定子电流信号作为激励信号，振动加速度信号作为响应信号，分析激励和响应特性，利用集合经验模态分解（ensemble empirical mode decomposition，EEMD）对响应信号进行特征提取。实验模拟了阀片不同程度的泄漏故障，基于响应特性对支持向量机 （support vector machine，SVM）分类效果进行了实验。实验结果表明，基于响应特性的故障诊断方法具有较好的SVM分类效果。

关键词：阀片；响应特性；集合经验模态分解；支持向量机

中图分类号：TH45                  文献标志码：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）

往复式压缩机在机械、石油化工、制冷和气体运输行业具有广泛的应用[1-5]。然而，由于长时间运行、不当使用或其他外部因素的影响，往复式压缩机可能会出现各种故障。及时准确地诊断和解决这些故障对于保障设备的正常运行和延长其寿命至关重要。阀片是决定压缩机稳定高效工作的核心部件，而且阀片是往复式压缩机中最易损害的部件之一。因此，一种有效准确的阀片故障检测方法可以提高压缩机运行可靠性，减少事故的发生，降低压缩机的停机时间和成本[6-8]。

往复式压缩机的故障诊断方法主要是从旋转机械的故障诊断方法发展而来的[9-11]。基于激励响应的识别方法是一种常用的故障诊断方法，在旋转设备故障诊断领域备受关注。然而，往复式压缩机的激励响应具有非线性、非平稳性和多组分耦合等特点[12-14]，给压缩机故障诊断带来挑战。故障诊断是指通过分析和判断设备运行中出现的异常现象和故障表现，确定其原因和来源的过程。对于往复式压缩机而言，故障诊断不仅需要深入了解该设备的结构和工作原理，還需要掌握相关的工程知识和技术手段。

本文提出了一种基于响应特性的压缩机阀片泄露故障诊断方法。选择电流信号作为激励信号，振动加速度信号作为响应信号，利用集合经验模态分解（ensemble empirical mode decomposition，EEMD）对振动信号进行模式分解。EEMD保持了经验模态分解（empirical mode decomposition，EMD）自适应分解的优点，克服了EMD的端点效应和模式混叠效应[15-17]。但是本征模态函数（intrinsic mode function，IMF）的选择仍然是需要解决的问题，选择的成分过多或太少，都会影响特征的提取[18-20]。根据电流信号的变频和压缩机的转动频率效应，选择最佳的IMF重构响应信号，利用转动频率的1倍频、2倍频和3倍频分量特征提取故障特征信息，再通过支持向量机 （support vector machine，SVM）基于激励状态指标故障进行对比实验。

1基于響应特性的压缩机阀片泄漏故障诊断方法

基于响应特性的压缩机阀片泄漏故障诊断方法路线图见图1。以电机定子电流信号为激励信号，以振动加速度信号为响应信号，聚焦响应信号中显著的故障特征，使故障特征更明显，降低对信号处理方法性能的要求，提高诊断效率。

1.1基于响应特性的压缩机阀片泄漏故障诊断原理

活塞在活塞杆、连杆、曲轴、皮带及电机的共同作用下在压缩缸内做往复式运动，构成了往复式压缩机的工作过程，见图2。当压缩机吸气阀发生泄漏故障时，活塞缸内与进气管内压力差减小，导致吸气阀不能完全打开或关闭，降低了吸气阀对阀体的冲击。当压缩机排气阀发生泄漏故障时，活塞缸内与排气管内压力差减小，排气阀不能完全关闭或打开，降低了排气阀对阀体的冲击。同时，由于泄漏的存在，在压缩气体过程中，缸内气压峰值会降低，导致曲轴所受扭矩减小，即电动机所受载荷减小。因此电机速度会增加，从而会导致压缩机工作频率增大。

综上所述，通过对泄漏引起的压缩机工作过程的影响进行分析，可以识别出与阀片泄漏程度相关的响应特性。阀片泄漏故障会减小压缩机响应信号中冲击成分的能量，增大冲击的频率。因此，在泄漏情况下，压缩机的转动频率及其倍频会发生变化，从而影响振动加速度信号的频谱特性。另外，由于电机所受的载荷与电机电流正相关，阀片泄漏会导致压缩机电机的电流减小，增大电流信号冲击分量的频率。因此，阀片的泄漏故障也会影响压缩机的激励信号。

1.2响应信号选择

往复式压缩机的响应信号有很多种，如振动加速度信号、压力信号、声发射信号、温度信号和瞬时转速信号等。其中，压力信号和温度信号无法在压缩机外部测量，需要对压缩缸结构进行改造，嵌入传感器测量。而且，由于对压缩缸原有结构的破坏，可能会对故障特征造成不良影响。利用声发射信号和瞬时转速信号诊断压缩机阀片故障，需要传感器具有较高灵敏度和测量精度，而且针对瞬时转速的信号处理方法相对振动信号的处理方法较少。而振动加速度信号容易获得，信号处理方法丰富，在故障诊断领域应用最为广泛，因此，采用振动加速度信号作为响应信号来分析压缩机阀片故障的响应特征。

活塞在阀片泄漏下的压缩速度大于阀片正常时的压缩速度，而且，到达上下止点附件时冲击力能量减小，再加上压缩机本身振动造成的影响，会导致冲击信号的周期性被削弱。如图3所示，图3（a）中幅值超过200 m/s2以上的冲击次数明显多于图3（b），而且，图3（a）中信号波形的周期性比图3（b）中更明显。振动信号中不仅包含丰富的故障特征，还与电流信号保持着系统传递特性关系，因此，本文选择振动信号作为响应信号。

2数据采集

为研究基于响应特性诊断技术的压缩机阀片故障的诊断方法。利用往复式空气压缩机设计2 mm、6 mm和8 mm 3种不同程度泄漏的排气阀故障进行实验，在管道压力1.0 MPa下采集电流信号和振动加速度信号。

为基于响应特性诊断方法的模式识别与诊断方法研究提供训练样本数据，设计了3种不同程度的阀片泄漏故障。在第一级压缩缸的正常排气阀阀片上分别加工出直径为2 mm、6 mm和8 mm的圆孔，来模拟阀片3种不同程度的泄漏故障，如图4所示。为了提高数据的可靠性，当压缩机压力达到1.0 MPa时开始采集数据，振动加速度数据和电动机电流数据同时采集。共进行3组排气阀泄漏实验和一组正常阀片实验，采样频率设置为51.2 kHz，采样时间为30 s。

3往复式压缩机阀片泄漏故障诊断

试验台以往复式空气压缩机为载体，由单作用双级空气压缩机、计算机、振动加速度传感器、电流钳和数据采集系统组成，如图5所示。实验共采集到压缩机在排气阀正常、2 mm泄漏、6 mm泄漏和8 mm泄漏的条件下的4组振动信号数据和电流信号数据。下面基于此四组数据从响应特性角度对压缩机排气阀泄漏故障的诊断方法进行研究。

3.1响应信号故障特征分析

各组振动信号的频域波形如图6所示。其中，f1、f2、f3和f4分别为正常阀片、2 mm、6 mm和8 mm泄漏故障条件下压缩机的转动频率。

在图6中：f1=14.336 Hz，f2=15.360 Hz，f3=16.378 Hz，f4=16.381 Hz。表明压缩机的转动频率在随着泄漏故障程度的增加而变大。在压缩机实际工作的过程中，由于泄漏的存在，导致压缩缸内的压力减小，从而曲轴的扭矩减小，曲轴的转速增大。在一定范围内，压缩机转动频率会与阀片泄漏量保持正相关关系。振动信号的频谱中含有大量转动频率的倍频，转动频率波动的同时其倍频也会随之波动。因此，压缩机阀片的故障特征可以从压缩机的转动频率及其倍频中提取。

3.2响应状态指标提取

压缩机的转动频率及其倍频成分中包含阀片泄漏故障特征信息。高倍数转动频率分量是受转子不平衡产生的，受转动频率特性的影响较小，包含的有效故障特征较少。因此，从高倍数转动频率分量中提取故障特征信息技术难度较高，且可获得有效故障信息较少。本文只利用转动频率的1倍频、2倍频和3倍频分量特征提取故障特征信息，忽略高倍数转动频率分量。

利用转动频率的1倍频、2倍频和3倍频的能量谱值作为响应状态指标，并通过梳状滤波器，可以自适应的从响应信号频谱图中获取这些指标。从每组中取1 000 000个数据点，分为50份。对每组的每一份数据进行频谱分析，通过EEMD对振动信号进行模式分解，选择最佳的IMF重构响应信号，然后利用梳状滤波器获取每份数据频谱的1倍、2倍和3倍转动频率的能量谱值，作为响应状态指标，用于故障的模式识别与分类。响应状态指标见表1。

3.3压缩机阀片泄漏故障模式识别

获取了状态指标之后，需要对其进行分类，以识别不同的故障模式。SVM是一种基于统计学习理论的强大的分类技术。SVM最初是作为一种二元分类的广义线性分类器引入的，其决策边界是对学习样本求解的最大边界超平面，最终转化为一个凸二次规划问题，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为截距；φxi为样本变量；yi为样本的标签；C为参数；ξi为松弛变量。利用响应状态指标对不同的故障模式进行分类。首先，取数据的一倍频（energy-radio frequency，E-RF）与二倍频（energy-double radio frequency，E-DRF）、E-RF与三倍频（energy-triple radio frequency，E-TRF）、E-DRF与E-TRF分别组合作为SVM分类的二维特征指标，并给4组数据的状态指标分别赋予类别编号1、2、3和4；然后，取各组状态指标，及相对应的类别编号进行SVM训练。将所有类别的状态指标，放入训练后的SVM中进行分类，分类效果如7所示。图7分类结果显示，基于响应状态指标的基本可以将不同程度的故障类别分开。其中：图7（a）中正常阀片和2 mm泄漏阀片均被完全分开，其分类的准确率为91.5%；图7（b）中，只有正常的阀片被分离出来，其分类的准确率为61.5%；图7（c）中，只有2 mm泄漏阀片故障被分离出来，其分类的准确率为66.5%。因此，基于E-RF与E-DRF的SVM分类效果优于E-RF与E-TRF和E-DRF与E-TRF的分类效果，进一步验证了低倍转动频率分量中包含更多的故障特征信息。

4结论

提出一种基于响应特性的往复式压缩机阀片泄漏故障诊断方法，聚焦更多故障特征信息，降低了对信号处理方法性能的要求。通过对阀片泄漏对压缩机的影响进行分析，选择电机定子电流信号作为激励信号，振动加速度信号作为响应信号，通过频谱分析和转动频率及其低倍频的提取，有效地捕捉到阀片泄漏故障的特征信息，并利用EEMD对响应信号进行特征提取，实现对阀片泄漏故障的有效诊断。通过对正常以及3种不同程度泄漏的排气阀故障进行实验，结果表明，该方法在使用SVM进行分类时具有较好的效果。研究为往复式压缩机阀片泄漏故障的有效诊断提供了一种新的方法。

参考文献：

[1]索文凯， 班利明， 雷争军， 等. 基于有源激励的激光测距机故障诊断技术研究[J]. 激光杂志， 2023， 44（1）： 184-187.

[2]于兵. 基于激励机制增量学习的设备故障诊断方法研究[D]. 天津： 河北工业大学， 2021.

[3]赵娜. 变载荷激励下的齿轮故障特征提取及故障诊断方法研究[D]. 秦皇岛： 燕山大学， 2017.

[4]汪敏， 孙达山， 张健. 基于扰动激励的智能变电站继电保护故障诊断关键技术[J]. 科学技术创新， 2020（25）： 158-159.

[5]李洋. 不平衡激励下的转子碰摩故障诊断方法研究[D]. 哈尔滨： 哈尔滨工业大学， 2015.

[6]吴静云， 鄢博， 戚文， 等. 基于充电脉冲激励的电池内短路故障诊断方法[J]. 电源技术， 2023， 47（3）： 332-336.

[7]杨敬娜， 郝克明， 朱霄珣， 等. 激励下齿轮-转子系统故障模糊C聚类诊断[J]. 机械设计与制造， 2023（4）： 296-299， 304.

[8]郭莹莹. 柔性薄壁椭圆轴承的运动学特性及故障诊断研究[D]. 广州： 华南理工大学， 2021.

[9]张晓. 基于复模型的模拟滤波电路故障诊断[D]. 成都： 电子科技大学， 2018.

[10]王鹤潼. 基于紧密度度量的模拟电路潜在故障检测与诊断方法研究[D]. 哈尔滨： 哈尔滨工业大学， 2017.

[11]罗进. 有源电力滤波器的故障诊断技术研究[D]. 大连： 大连理工大学， 2016.

[12]陈星田. 智能变电站继电保护隐藏故障诊断与系统重构方法[D]. 重庆： 重庆大学， 2015.

[13]刘赫， 雷雨秋， 张心怡， 等. 基于阶跃激励稳态响应的感应电机匝间短路故障诊断方法研究[J]. 电气传动， 2021， 51（13）： 75-80.

[14]张海涵. 载荷激励下齿轮： 转子系统故障诊断方法研究[D]. 太原： 太原理工大学， 2020.

[15]宗志亚. 基于扰动激励的智能变电站继电保护故障诊断关键技术[J]. 电测与仪表， 2019， 56（21）： 63-69.

[16]陈凯. 基于变分模态分解的船舶轴系状态监测及故障诊断方法研究[D]. 武汉： 武汉理工大学， 2018.

[17]刘立婷. 航空发动机传感器故障实时诊断方法研究[D]. 南京： 南京航空航天大学， 2018.

[18]谭瑞. 内燃机气门间隙故障诊断研究[D]. 重庆： 重庆邮电大学， 2017.

[19]冯大为， 秦向丽. 故障诊断多激励法的容差分析[J]. 山东建材学院学报， 1991， 5（3）： 1-4.

[20]袁博. 气流激励引起的风机振动故障诊断[J]. 风机技术， 2017， 59（6）： 81-86.