运行状态智能监测与诊断原理

　　对于大型、高速运行的设备，如大型化肥压缩机、汽轮机和发电机等设备，在运行中如果出现故障往往会产生巨大的、甚至是灾难性的后果。对这些设备运行状态的监测与诊断是解决其可靠性、安全性的关键途径之一。机械设备故障诊断在现代工业生产中起着非常重要的作用，开展机械设备故障诊断技术的研究具有重要的现实意义，国内外研究者在这方面做了大量工作。目前机械设备故障诊断技术手段迅猛发展，已逐步形成以振动诊断、油样分析、温度监测和无损检测探伤为主，一些新技术或方法不断兴起和发展的局面。特别是计算机技术的日新月异，极大地促进了故障诊断技术向着科学化和实用化的方向发展。本文通过对人工神经网络理论与技术的研究，利用其对大型化肥压缩机工作状态进行智能监测与故障诊断。

　　2人工神经网络模型人工神经网络由许多处理单元也就是人工神经元广泛互连组成的网络，这些人工神经元类似于生物神经系统的单元。

　　虽然这些简单的神经元结构简单、功能有限，但由大量神经元经过广泛地互相连接形成的人工神经网络系统却是一个高度复杂的非线性动力学系统。它所能实现的行为是极其丰富多彩的，且能模仿人脑的许多基本特性，可以完成学习、记忆、识别和推理等功能。此外，它还具有很强的容错性和鲁棒性。

　　人工神经网络的模型很多。快速误差向后传播学习算法（ FBP）是对反向传播算法（ BP算法）的改进，它可以将非线性优化问题化为线性优化问题，从而可以利用线性优化的许多积极成果，克服了BP算法收敛速度慢等问题。其网络的结构模型与BP网络模型相似，如所示。

　　这种算法对性能指标的定义作了一些修改，神经元的每一层定义一个性能指标。通过对该性能指标的优化确定网络的权值，从而把神经网络的调整转化为以神经元的层为单位的分层分散子优化问题。

　　人工神经网络之所以适合于故障诊断，是因为：训练过的神经网络能存储有关过程的知识，能直接从定量的、历史故障信息中学习，可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障；具有滤出噪声及在有噪声情况下得出正确结论的能力，这种能力使得人工神经网络适合在线故障检测和诊断。

　　故障诊断的过程是把症状空间的向量映射到故障空间，即实现空间X到空间Y的映射F， F： X→Y.通常映射关系F是未知的。但神经网络可以通过学习输入到输出的样本集，实现输入到输出的这种映射关系，其作用机理可用表示。

　　特征空间中向量的维数，直接对应神经网络输入层的节点数。而故障空间的维数对应于输出层的节点数。隐层在神经网络中是实现特征空间到故障空间非线性映射的桥梁。故障诊断问题是一个典型的模式分类问题，即把诊断的案例归入相应的故障类别中。

　　人工神经网络具有这种能力。隐层中第i个神经元节点的输入为：I i = m j = 1 ij x j + i = W i T X + i（1）式中：W i = < i1，i2， ，im > T X = < x 1， x 2， ， x m > T网络的学习过程，实质上就是自动调整参数（W i，i）的过程，调整过程中模式空间划分的区域不断变化。多个神经元节点在空间将形成超平面，将空间划分成若干区域。这样，任何待识别的模式将匹配到其*接近的区域。神经网络用于故障诊断的机理也在于此。

　　隐层在神经网络中对模式进行了超平面或超曲面划分。由于它的作用， m维的输入模式可映射到任意n维的输出模式。当训练样本数为p时，隐单元数n大于p- 1，则网络能够实现所需的映射关系。

　　3运行状态智能监测与诊断原理对大型化肥压缩机运行状态的智能监测与诊断，是通过对机体某些敏感部位振动信号的采集，并经过信号处理技术提取特征参数来判断压缩机工作状态。其基本原理是，在压缩机运行过程中，机体零部件会发出各自确定特征的信号，而这些信号随单个零件的损坏或磨损程度而变化。

　　根据表征具体故障的特征参数，通过人工神经网络智能监测与诊断系统，对故障进行诊断和预报。对大型化肥压缩机运行状态智能监测与诊断原理如表示。

　　一个故障智能监测与诊断系统，主要包括学习、监测与诊断两个过程。其中每个过程都包括预处理和特征提取两部分。能够快速、有效地提取反映机器的故障信息的特征是故障诊断的关键所在。把从诊断的对象处获得的数据看作一组时间序列，通过对该时间序列的分段采样，将输入数据映射成样本空间的点。这些数据包含故障的类型、程度和位置等信息。首先对映射到样本空间的输入数据进行预处理，通过删除原始数据中的无用信息得到另一类故障模式，由样本空间映射成数据空间。在数据空间基础上，提取数据中的不变特性，形成不变故障模式空间。在提取了故障模式的不变特性后，根据诊断的需要和问题的特性，对所选择的模式特征矢量进行量化压缩变换，选择有用的特征，以利于故障诊断。

　　人工神经网络系统由于本身具有自组织、自学习和自适应的特点，网络的自学习就是实现模式变换和特征提取。只要待诊断的模式具有一定的差异，网络就可以通过自适应聚类学习，提取不同模式的特征。利用人工神经网络对大型化肥压缩机进行智能监测与诊断，基础在于对压缩机的振动特性有深入的了解。

　　3. 1化肥压缩机振动信号的产生和传播一般认为压缩机的结构为一定常线性系统，则系统振动可表达为： { X } + < C > { X } + {X } = {Q}（2）为系统的质量矩阵， { X }为响应的加速度向量，< C >为系统的阻尼矩阵， {X }为速度向量， 为系统刚度矩阵， 为振动的位移向量， < Q >为产生压缩机机体振声的激励力向量。

　　压缩机机体表面振动的激励源主要有：曲轴平衡铁装配不当或飞轮动平衡性不良造成气缸部分振动；缸内气体压力；活塞横向撞击；运动构件的惯性力；活塞压紧螺母松动，会发生敲击和振动；动静件间的摩擦。

　　通过对激起化肥压缩机振动的主要激励作用的分析，这些振动信号大都会通过各种途径传递到压缩机机体上。而对压缩机机体振声响应信号的分析，就可以了解压缩机的工作状态。

　　3. 2化肥压缩机的振动信号处理应用于压缩机故障诊断的振动信号通常是在机体或机体附近的某一点测取，对化肥压缩机来说，信号是由许多不同周期驱动作用产生的基本事件序列的加权和。

　　在无故障时，机械系统中的振动和其他摩擦现象的产生是由于活塞的往复运动和冲击，以及附属机构的旋转等与机械运动有关的强迫振动，把这种振动称为基本振动，记为c（ r， t， ） （符号r表示位置， t表示动态时间，为机器的已使用时间）。当压缩机发生故障时，零部件的失效是与故障有关的原始振动过程的产生源，记为V i（ t， ），在机械结构中以时间t和频率f传递。

　　基本振动和由失效造成的结构振动响应的总和在某一位置r，用A （ r， t， ）表示。在位置r安装加速度传感器，它的输出为电信号S （ r， t， ）。为了得到S （r， t， ）的可分析模型，定义从失效的第i个位置到测点的脉冲传递函数为h （ r i， t， ），这里r i = r（x i， y i， z i）是测点到振声产生点的矢量。结构的强迫振动响应是激励V i（ t， ）与系统脉冲传递函数h （ r i， t， ）的卷积，因此传感器采集的信号为：S （ r， t， ） = n i= 1 h （ r i， t， ） V i（ t， ） + c（ r， t， ） + n （ r， t， ） （3）式中表示卷积， n （ r， t， ）为噪声信号。

　　利用振动信号进行往复机械的故障诊断，即是要确定信号S （ r， t， ）所表征的技术状态，它有三个决定因素r、t、，噪声成分在一般情况下可看作是随机过程，在空域r它是一个有限均值和有限方差过程；在动态时间域t它是零均值有限方差随机过程；在使用时间域它是一个随机增量过程。

　　4压缩机工作状态智能监测与诊断的试验研究6L2K型化肥压缩机是化肥生产过程中的重要设备。该压缩机气缸数为6；气缸列数为2，压缩机段数是6；主轴转数为125rad /m in；活塞冲程为125 mm；一段标准吸气量19 400；一段吸气压力为1. 96 kPa；*终压力是31. 38 kPa.本文就该化肥压缩机进行基于人工神经网络的智能监测与诊断的试验研究。

　　首先用学习样本训练网络，为了加快收敛速度，对样本数据进行加权优化处理，使所有数据在< 0， 1>网络空间变化。

　　振动是压缩机故障和异常的重要征兆，弄清运行中产生的振动信号与故障原因及故障部位的关系是进行维修的前提和关键。以化肥压缩机产生振动的6种常见故障作为网络的输出，利用振动信号频谱中的7个频段上的不同频率的谱的谱峰能量值作为特征量，形成训练样本，见。

　　本文采用的网络为三层：输入层、隐层、输出层，输入层的单元数为7，对应7个频率特征量；输出层单元数为6，对应于6种故障；隐层单元数为8比较合适。规定系统误差为0. 0001，经过多次训练。可见，对相应的输入样本和目标样本，输出模式中相应故障节点值接近1，非故障节点值接近0.

　　5结论通过对大型化肥压缩机工作状态智能监测与故障诊断的理论研究和试验研究，得出以下结论：

　　1）人工神经网络模拟人脑的并行分布结构，对知识的存储是通过大量的经验知识对网络的权值的调整实现的，对知识的处理也具有并行、分布的特点；同时，由于知识分散存储在各接点的连接上，因此，某一局部的知识偏差不会影响整个结构，具有较高的容错性。

　　2） FBP算法克服了BP算法收敛速度慢等问题，能实现全局*优。

　　3）训练过的神经网络能直接从定量的、历史故障中学习。可以根据对象的正常历史数据训练网络，再将此信息与当前测量数据进行比较，以确定故障。