韩亚洲，张 波，段礼祥，于兴军，范向增

(1.宝鸡石油机械有限责任公司，陕西 宝鸡 721000；2.中国石油大学(北京)机械与储运工程学院，北京 102249)

1 引言

往复压缩机是石油石化领域广泛使用的关键设备，在油田现场，占A类设备总数的30%以上。由于往复压缩机结构复杂，运动零件多，激励源多，故障率较高[1]。其中气阀是发生故障最频繁的部件，阀片断裂、弹簧失效和阀片磨损是常见故障，占气阀故障的75%左右。气阀故障[2]会引发连锁反应，导致气缸活塞系统进一步损坏，因此，对往复压缩机气阀进行状态监测与故障诊断具有十分重要的意义[3]。

目前人工神经网络[4-6]等智能算法在机电设备故障诊断中得到了大量的应用。但对于压缩机这种大型设备来说，获得大量的故障样本数据比较困难。因此，应用人工神经网络算法具有一定的局限性，而SVM[7-10]能够在现有的信息下寻找到最优解，尤其在解决小样本、非线性、局部极小等问题上具有独特的优势，因此更适合应用到压缩机的故障诊断中。在SVM算法中，惩罚因子和核函数的选择对诊断精度有很大的影响。目前参数优化的算法主要有网格搜索法[11]、粒子群算法[12]、遗传算法等，其中粒子群算法和遗传算法属于启发式算法，优点是寻优速度快，但在算法后期易陷入局部极小点；网格搜索法遍历所有参数组合，在设定合适的搜索范围和步距的前提下，可以快速搜索到最优参数组合。本文将网格搜索法运用到SVM参数寻优中，对油田现场大量的历史数据样本进行统计，对往复压缩机气阀常见故障进行分类识别，可以快速准确地诊断出压缩机气阀的故障。……