技术领域：
：本发明涉及的是往复机械故障诊断
技术领域：
，具体涉及的是基于时变奇异谱的往复压缩机气阀故障诊断方法。
背景技术：
：：在石油化工领域，往复压缩机经常被用作气体升压和传输介质的动力源，广泛应用于油气炼化和石油天然气长输管线的运行中。但由于往复压缩机构造复杂，零部件受交变作用力，且常用来运送天然气、氢气等不稳定气体，工作环境恶劣，而且，其局部零部件的缺陷或故障，可能会激发出与机械系统某部分固有频率相同的故障频率，从而加剧整个机械系统的振动程度，影响设备的正常运行。因此，及时地发现隐藏的安全问题，检测并诊断出故障位置，对于压缩机的安全运行具有重要意义。气阀是往复式压缩机中最为关键的组件之一，对压缩机运行的可靠性与经济性有着决定性影响。往复压缩机振动信号的非平稳、非线性特性导致其在通频带范围内均有大量能量分布，故时频分析可以弥补分辨率不足的问题。主要的时频分析方法有wigner时频分布、经验模态分解、小波变换和局部均值分解等。但以上方法只是对振动信号做整体分析，所得结果仍不能刻画振动信号的细节特征。往复压缩机系统振动信号的时变特性复杂多变，且采样精度和条件有限，在计算实际分形过程的时变奇异性指数时，如果直接利用瞬时自相关函数来计算，计算量巨大且不易准确估计。技术实现要素：：本发明的一个目的是提供基于时变奇异谱的往复压缩机气阀故障诊断方法，这种基于时变奇异谱的往复压缩机气阀故障诊断方法用于解决往复压缩机气阀故障诊断的难题。本发明解决其技术问题所采用的技术方案是：这种基于时变奇异谱的往复压缩机气阀故障诊断方法包括以下步骤：步骤一：采集往复压缩机气阀的振动加速度信号及压力信号；步骤二：对初始振动加速度信号进行小波降噪；步骤三：用局部均值分解剔除伪分量，进行信号重构；步骤四：对重构信号进行时变奇异谱分析，计算各工作过程的谱参数，用以描述振动加速度信号的整体及细节信息；根据压力随时间变化的曲线来确定吸气起始点和排气起始点，将活塞运动到内止点时的数据点作为压缩起始点进行记录和整理；为便于识别和分析，将这四个过程分别标记为a——膨胀、b——吸气、c——压缩和d——排气，将键相信号点定义为初始时刻t，选择一个工作过程作为时间延迟，为突出各阶段振动加速度的特征，截取t1：a-b-c-d-a、t2：b-c-d-a-b、t3：c-d-a-b-c和t4：d-a-b-c-d阶段间的振动加速度数据，具体时变奇异谱分析的算法为：4.1)根据分形过程时间序列的特点，选择合适的时间延迟；经matlab计算得出，往复压缩机正常运行及故障状态振动时间序列的相空间重构最优时间延迟、最佳嵌入维数和关联维数，关联维数从整体角度概括描述振动信号的混沌特征；4.2)利用标准盒计数法，假设覆盖盒子的长度为ε，ti(t)是t时刻n等分时间序列的第i份序列，每个盒子覆盖的概率为：4.3)定义配分函数χq(t,ε)为p(t,ε)的q次方加权求和：χq(t,ε)＝∑pi(t,ε)q＝ετ(t,q)4.4)如果上式右侧的等式成立，那么定义质量指数τ(q)为曲线lnχq-lnε的斜率：4.5)根据让德勒变换规律，计算信号任意时刻t的时变奇异性指数：τ(t,q)＝α(t,ττ)·q-f(t,α)利用上述关系，通过测定并计算pi(ε)、χq(ε)和τ(q)，求得分形系统的多重分形奇异谱f(a)；计算出的多重分形谱的不同参数具有不同的物理意义，根据参数值的差异，从细节角度定量表达系统的混沌特征，具体如下：多重分形奇异谱f(a)反映被考察的物理量在分形结构上不均匀分布的性质；多重分形奇异谱的峰值fmax表示相同概率的单元数随观察尺度的变化速度；amax、amin反映大、小概率测度区域的性质，那么δa＝amax-amin描述了奇异强度分布范围内概率测度分布的不均匀程度；大、小概率测度的比值b＝(αmax-α(fmax))/(α(fmax)-αmin)，描述的是大、小概率子集在分形结构中占的比例大小；最大、最小概率子集分形维数之差δf＝f(αmax)-f(αmin)，描述的是最大与最小概率子集中元素个数的差异；步骤五：合理选择时变奇异谱参数，形成时变奇异谱故障特征向量；合理选择气阀的时变奇异谱参数，形成时变奇异谱故障特征向量，计算各状态下t1至t4阶段振动加速度信号的奇异谱参数，捕捉针对气阀故障类型影响差异较大的参数，故将t4段奇异谱的谱参数amin值作为故障特征向量中的第一个元素；为综合t2和t4阶段振动信号的特性，将其奇异谱的七个重要谱参数进行奇异值分解，选取分解后特征量中的第一个值作为故障特征向量的第二个元素；为表现气阀四种状态下各阶段运动时间的差异，将吸气过程和排气过程的运动时间在一周期内所占比例分别作为故障特征向量的第三个和第四个元素；步骤六：将故障特征向量输入支持向量机进行模式识别，判断故障位置及故障类型。上述方案步骤六中，将故障特征向量输入支持向量机进行模式识别，优选气阀故障参数组合，取各状态的第1～20个特征向量组成训练集，取第21～30个特征向量组成测试集，其中支持向量机以径向基函数作为核函数。绘制气阀故障分类结果图，判断故障位置及故障类型。本发明具有以下有益效果：1、本发明将时变奇异谱分析应用于往复压缩机气阀故障诊断中，旨在观察往复压缩机工作过程中奇异谱参数随时间的变化规律，以时变奇异谱的形式来表达和刻画往复压缩机气阀故障信号的整体和细节信息，据此捕捉针对某故障类型影响差异较大的参数，有效提取其特征向量。2、本发明提出了一种基于时变奇异谱的往复压缩机气阀故障诊断方法，并将其应用于2d12往复压缩机的故障诊断中，气阀故障包括阀片缺口、断裂和弹簧失效三种故障。采集往复压缩机气阀的振动加速度信号及压力信号，进行小波降噪，用局部均值分解剔除伪分量，进行信号重构。选择合适的时间延迟来构建窗函数，将时间信息引入到振动信号的多重分形分析中，从而得到时变奇异谱。绘制的各工作过程的时变奇异谱图能更精细的刻画振动信号整体及细节信息，据此捕捉针对某故障类型影响差异较大的参数，方便重构故障特征向量，并将故障特征向量输入svm分类器进行模式识别，分类结果验证了基于时变奇异谱方法提取故障特征的有效性。附图说明图1为本发明流程图。图2为往复压缩机气阀正常状态信号。图3为往复压缩机气阀阀片缺口漏气状态信号。图4为往复压缩机气阀阀片断裂状态信号。图5为往复压缩机气阀弹簧失效状态信号。图6(图6a、图6b、图6c)为振动加速度信号四个工作过程划分。图7为阀片振动加速度信号时变奇异谱，其中图7a为正常状态，图7b为阀片有缺口状态，图7c为阀片断裂状态，图7d为弹簧失效状态。图8为阀片三个周期的t2及t4阶段的奇异谱，其中图8a为正常状态，图8b为阀片有缺口状态，图8c为阀片断裂状态，图8d为弹簧失效状态。图9为svm气阀故障分类结果图。具体实施方式下面结合附图对本发明做进一步的说明：本发明的基于时变奇异谱的往复压缩机气阀故障诊断方法包括如下步骤，如图1所示：步骤一：采集往复压缩机气阀振动加速度信号及气缸内压力信号；步骤二：对初始振动加速度信号进行小波降噪；步骤三：用局部均值分解剔除伪分量，进行信号重构；步骤四：对重构信号进行时变奇异谱分析，计算各工作过程的谱参数，用以描述振动加速度信号的整体及细节信息。多重谱分析工作周期截取点具体如下：利用采集到的键相信号确定压缩机每周期的起始点和终止点，即膨胀开始和排气结束对应的振动加速度数据点。键相信号如图6(b)，图中点1为膨胀开始点，点5为排气结束，也是下一个周期的膨胀开始点。根据压力随时间变化的曲线来确定吸气起始点和排气起始点。压力随时间变化的曲线如图6(c)，图中点2为吸气起始点，点4为排气起始点。最后，将活塞运动到内止点时的数据点作为压缩起始点进行记录和整理。为便于识别和分析，将这四个过程分别标记为a——膨胀、b——吸气、c——压缩和d——排气。将键相信号点定义为初始时刻t，选择一个工作过程作为时间延迟，为突出各阶段振动加速度的特征，截取t1：a-b-c-d-a、t2：b-c-d-a-b、t3：c-d-a-b-c和t4：d-a-b-c-d阶段间的振动加速度数据，具体时变奇异谱分析的算法为：1)根据分形过程时间序列的特点，选择合适的时间延迟，经matlab计算得出，往复压缩机正常运行及故障状态振动时间序列的相空间重构最优时间延迟、最佳嵌入维数和关联维数如表1所示，关联维数从整体角度概括描述振动信号的混沌特征；表1最优相空间重构参数及相关维数最优时间延迟/τ最佳嵌入维数/m关联维数/d2阀片正常状态16101.3872阀片缺口漏气14121.5004阀片断裂失效2051.4347阀弹簧失效2051.35042)利用标准盒计数法，假设覆盖盒子的长度为ε。ti(t)是t时刻n等分时间序列的第i份序列，每个盒子覆盖的概率为：3)定义配分函数χq(t,ε)为p(t,ε)的q次方加权求和：χq(t,ε)＝∑pi(t,ε)q＝ετ(t,q)如果上式右侧的等式成立，那么定义质量指数τ(q)为曲线lnχq-lnε的斜率：4)根据让德勒变换规律，计算信号任意时刻t的时变奇异性指数：τ(t,q)＝α(t,ττ)·q-f(t,α)利用上述关系，通过程序测定并计算pi(ε)、χq(ε)和τ(q)，便可求得分形系统的多重分形奇异谱f(a)；计算出的多重分形谱的不同参数具有不同的物理意义，可根据参数值的差异，从细节角度定量表达系统的混沌特征。如图7为阀片振动加速度信号时变奇异谱，其中a)为正常状态，b)为阀片有缺口状态，c)为阀片断裂状态，d)为弹簧失效状态。通过对多重分形谱的观察，可以看出下面几个重要的参数能够定量表达分形结构的概率分布比例和不均匀程度；多重分形奇异谱f(a)反映被考察的物理量在分形结构上不均匀分布的性质；多重分形奇异谱的峰值fmax表示相同概率的单元数随观察尺度的变化速度；amax、amin反映大、小概率测度区域的性质，那么δa＝amax-amin描述了奇异强度分布范围内概率测度分布的不均匀程度；大、小概率测度的比值b＝(αmax-α(fmax))/(α(fmax)-αmin)，描述的是大、小概率子集在分形结构中占的比例大小；最大、最小概率子集分形维数之差δf＝f(αmax)-f(αmin)，描述的是最大与最小概率子集中元素个数的差异；计算出反映气阀各状态下各工作过程的谱参数，见表2至表5，用以描述其振动加速度信号的整体及细节信息。表2为阀片正常状态下时变奇异谱参数fmaxα(fmax)αmaxαminδαδfbt10.98591.13252.01590.66921.3467-0.141.9068t20.97381.07051.93020.6571.2732-0.10712.0794t30.90931.0962.05760.71881.3388-0.10852.5492t40.98161.09021.94560.67551.2701-0.03222.0627表4阀片缺口故障时变奇异谱参数表5阀片断裂故障时变奇异谱参数fmaxα(fmax)αmaxαminδαδfbt10.94991.0132.06120.73841.3229-0.23593.8175t20.96510.98661.94560.68271.2629-0.1593.156t30.90931.01351.90930.75541.1539-0.23643.4706t40.95670.77971.63490.6211.014-0.36265.388表6阀片弹簧失效时变奇异谱参数fmaxα(fmax)αmaxαminδαδfbt11.01090.98341.72580.72780.998-0.20712.9037t20.97781.05031.91960.82081.0988-0.27553.7871t30.92090.80781.77210.61571.1563-0.24715.0196t40.94791.0231.69160.76240.9292-0.14832.5655步骤五：合理选择时变奇异谱参数，形成时变奇异谱故障特征向量，即选取时变异谱的局部及整体参量组成特征向量。首先在吸气和排气过程开始时，由于阀片的撞击，其振动加速度信号会呈现高频冲击特性，所以选择t2及t4阶段的信号奇异谱进行观察并绘制，如图8为阀片三个周期的t2及t4阶段的奇异谱，其中a)为正常状态，b)为阀片有缺口状态，c)为阀片断裂状态，d)为弹簧失效状态。捕捉针对气阀故障类型影响差异较大的参数，故将t4段奇异谱的谱参数αmin值作为故障特征向量中的第一个元素。为综合t2和t4阶段振动信号的特性，将其奇异谱的七个重要谱参数进行奇异值分解，选取分解后特征量中的第一个值作为故障特征向量的第二个元素。为表现气阀四种状态下各阶段运动时间的差异，将吸气过程和排气过程的运动时间在一周期内所占比例分别作为故障特征向量的第三个和第四个元素。步骤六：将故障特征向量输入支持向量机进行模式识别，判断故障位置及故障类型，即将特征向量输入到识别器中，确定故障类型，其中支持向量机以径向基函数作为核函数。取各状态的第1～20个特征向量组成训练集，取第21～30个特征向量组成测试集。绘制气阀故障分类结果图，如图9，气阀故障分类准确率达到100％，验证了基于时变奇异谱方法提取故障特征的有效性。这种基于时变奇异谱的往复压缩机气阀故障诊断方法，并将其应用于2d12往复压缩机的故障诊断中。采集气阀振动加速度信号和压力信号，对初始振动加速度信号进行小波降噪及分解剔除伪分量。选择合适的时间延迟来构建窗函数，将时间信息引入到振动信号的多重分形分析中，从而得到时变奇异谱。绘制的各工作过程的时变奇异谱图能更精细的刻画振动信号整体及细节信息，据此捕捉针对某故障类型影响差异较大的参数，便于构建故障特征向量，建立svm分类器，并优化设置参数，最终成功实现气阀故障诊断。以上所述，仅为本发明的最优具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。当前第1页1 2 3
技术特征：1.一种基于时变奇异谱的往复压缩机气阀故障诊断方法，其特征在于包括以下步骤：
步骤一：采集往复压缩机气阀的振动加速度信号及压力信号；
步骤二：对初始振动加速度信号进行小波降噪；
步骤三：用局部均值分解剔除伪分量，进行信号重构；
步骤四：对重构信号进行时变奇异谱分析，计算各工作过程的谱参数，用以描述振动加速度信号的整体及细节信息；
根据压力随时间变化的曲线来确定吸气起始点和排气起始点，将活塞运动到内止点时的数据点作为压缩起始点进行记录和整理；为便于识别和分析，将这四个过程分别标记为a——膨胀、b——吸气、c——压缩和d——排气，将键相信号点定义为初始时刻t，选择一个工作过程作为时间延迟，为突出各阶段振动加速度的特征，截取t1：a-b-c-d-a、t2：b-c-d-a-b、t3：c-d-a-b-c和t4：d-a-b-c-d阶段间的振动加速度数据，具体时变奇异谱分析的算法为：
4.1)根据分形过程时间序列的特点，选择合适的时间延迟；经matlab计算得出，往复压缩机正常运行及故障状态振动时间序列的相空间重构最优时间延迟、最佳嵌入维数和关联维数，关联维数从整体角度概括描述振动信号的混沌特征；
4.2)利用标准盒计数法，假设覆盖盒子的长度为ε，ti(t)是t时刻n等分时间序列的第i份序列，每个盒子覆盖的概率为：
4.3)定义配分函数χq(t,ε)为p(t,ε)的q次方加权求和：
χq(t,ε)＝∑pi(t,ε)q＝ετ(t,q)
4.4)如果上式右侧的等式成立，那么定义质量指数τ(q)为曲线lnχq-lnε的斜率：
4.5)根据让德勒变换规律，计算信号任意时刻t的时变奇异性指数：
τ(t,q)＝α(t,ττ)·q-f(t,α)
利用上述关系，通过测定并计算pi(ε)、χq(ε)和τ(q)，求得分形系统的多重分形奇异谱f(a)；计算出的多重分形谱的不同参数具有不同的物理意义，根据参数值的差异，从细节角度定量表达系统的混沌特征，具体如下：
多重分形奇异谱f(a)反映被考察的物理量在分形结构上不均匀分布的性质；多重分形奇异谱的峰值fmax表示相同概率的单元数随观察尺度的变化速度；amax、amin反映大、小概率测度区域的性质，那么δa＝amax-amin描述了奇异强度分布范围内概率测度分布的不均匀程度；大、小概率测度的比值b＝(αmax-α(fmax))/(α(fmax)-αmin)，描述的是大、小概率子集在分形结构中占的比例大小；最大、最小概率子集分形维数之差δf＝f(αmax)-f(αmin)，描述的是最大与最小概率子集中元素个数的差异；
步骤五：合理选择时变奇异谱参数，形成时变奇异谱故障特征向量；
合理选择气阀的时变奇异谱参数，形成时变奇异谱故障特征向量，计算各状态下t1至t4阶段振动加速度信号的奇异谱参数，捕捉针对气阀故障类型影响差异较大的参数，故将t4段奇异谱的谱参数amin值作为故障特征向量中的第一个元素；为综合t2和t4阶段振动信号的特性，将其奇异谱的七个重要谱参数进行奇异值分解，选取分解后特征量中的第一个值作为故障特征向量的第二个元素；为表现气阀四种状态下各阶段运动时间的差异，将吸气过程和排气过程的运动时间在一周期内所占比例分别作为故障特征向量的第三个和第四个元素；
步骤六：将故障特征向量输入支持向量机进行模式识别，判断故障位置及故障类型。
2.根据权利要求1所述的基于时变奇异谱的往复压缩机气阀故障诊断方法，其特征在于：所述的步骤六中，将故障特征向量输入支持向量机进行模式识别，优选气阀故障参数组合，取各状态的第1～20个特征向量组成训练集，取第21～30个特征向量组成测试集，其中支持向量机以径向基函数作为核函数。绘制气阀故障分类结果图，判断故障位置及故障类型。
技术总结本发明涉及的是基于时变奇异谱的往复压缩机气阀故障诊断方法，它具体为：采集气阀振动加速度信号和压力信号，对初始振动加速度信号进行小波降噪及分解剔除伪分量；选择合适的时间延迟来构建窗函数，将时间信息引入到振动信号的多重分形分析中，从而得到时变奇异谱；绘制的各工作过程的时变奇异谱图能更精细的刻画振动信号整体及细节信息，据此捕捉针对某故障类型影响差异较大的参数，便于构建故障特征向量，建立SVM分类器，并优化设置参数，最终成功实现气阀故障诊断。本发明解决了往复压缩机气阀故障诊断的难题。
技术研发人员：王金东;李彦阳;赵海洋;高一淇;于德龙;陈新
受保护的技术使用者：东北石油大学
技术研发日：2020.03.03
技术公布日：2020.06.09
