基于机器学习的海洋平台往复式压缩机故障诊断方法

2022-11-04吴斯琪曹颜玉张秀林王维民郭美那李启行

流体机械 2022年9期

吴斯琪，曹颜玉，张秀林，吴迪，王维民，4，郭美那，李启行

（1.北京化工大学高端机械装备健康监控与自愈化北京市重点实验室，北京 100029；2.海洋石油工程股份有限公司，天津 300461；3.中海石油（中国）有限公司海南分公司，海口 570311；4.压缩机技术国家重点实验室，合肥 230041）

0 引言

大型往复活塞式压缩机作为压缩和输送介质的动力源，广泛应用于石油、化工、制冷等领域［1］，也是海洋平台的关键设备之一，其安全可靠稳定长周期地运行至关重要。压缩机由自动化系统监测并控制成为主流趋势，尤其在深远海平台等人工监控困难的场所，系统必须能够自动获取和评估相关设备信息，以监测压缩机的故障行为［2］。

目前往复式压缩机的监测和故障诊断主要利用振动信号进行冲击等特征量的提取［3-5］。示功图是利用压缩机气缸内压力和体积信号构造的，气阀故障及活塞环磨损等故障将导致气缸内压力以及热力过程的变化。针对压缩机的气阀故障，相比振动信号、声发射信号以及其他压力信号等，示功图诊断是受噪声干扰最小且诊断最准确的，同样的故障对应相同的形状变化且不因工况、结构等影响，使其更适应变工况的诊断。因此，通过示功图便可以进行往复式压缩机的自动化故障诊断，示功图诊断识别已逐渐成为往复压缩机所特有的一种参数化诊断方法［6-8］，示功图将特征数据从一维转变为二维。基于不同故障时示功图出现明显的进排气压力变化、膨胀压缩线斜率变化以及示功图面积的变化等特征，可实现故障数据库的建立，形成有一定规模的故障智能诊断。

随着近年来的计算机技术和算法的研究与发展，各种智能框架的搭建和完善，神经网络更加广泛地应用在模式识别、专家系统、机器人和复杂系统控制等各个领域［9］。目前，国内外针对示功图往复式压缩机智能诊断的研究相对基础，利用示功图进行故障诊断的本质其实是图像处理与识别。基于示功图诊断的传统智能识别方法包括神经网络和支持向量机，传统智能识别首先要结合示功图特性提取合适的图像特征，然后再调整合适的算法对提取出的特征进行识别［10］。根据支持向量机自身的特点，一般用来实现是否为正常状态的二分类识别，当诊断多故障类型时，先要进行有无故障的判断，再两两对比进行分类［2，11-13］。常用传统BP神经网络要针对人工提取的特征量，进行往复式压缩机故障的多分类识别［6，14］。近年来深度学习算法的应用逐渐增多，其中卷积神经网络相比传统智能算法，有更强的特征自学习能力，更好的参数可调性和较高的图像识别准确率，它的自提取特征和自学习能力解决了人工处理数据和提取特征的复杂与困难。由于示功图的故障特性，训练网络的故障数据库可以由理论函数模拟、仿真计算以及试验获取，扩充了故障样本基数，可改善样本不平衡问题。训练好的模型可以结合实时信号采集实现设备运行状态的多分类识别与故障预警。

本文提出一种基于卷积神经网络并利用正常与实际结合的示功图训练识别的智能故障诊断方法。同时将正常示功曲线与实测示功曲线置于同一示功图中，依靠卷积神经网络进行示功图分类和往复式压缩机故障识别。FLUENT仿真往复式压缩故障示功图数据集证明了所提方法在故障诊断应用中的有效性，识别精度大于95%，最高准确率可达99.14%。工业现场应用也验证了本文所提方法能准确发现压缩机排气过程中的压力脉动现象。

1 理论背景

往复式压缩机的示功图综合反映了压缩机的运行状况和工作性能，是有效的参数法诊断手段，可在较深层次上诊断压缩机故障［14］。压缩机运行时，气缸内的气体体积和压力是在不断变化的，通常利用示功器观察和记录不同活塞位置或曲轴转角时气缸内部气体压力的变化，所得到的就是“PV”示功图。根据气缸结构尺寸可以得到曲轴转动一个周期内与压力信号相对应的气缸容积变化。

式中 V——工作容积；

S——活塞行程；

θ——曲轴角度；

l——连杆长度；

B——气缸内径；

Vc1——余隙容积。

不同的气缸对应不同的结构尺寸，同一双作用气缸盖侧和曲轴侧的余隙容积不同。

图1为往复式压缩机示功图示意。图中实际理论循环曲线，AB段表示进气线，BC段表示压缩过程，CD段表示排气线，DA段表示膨胀过程。对于双作用的活塞式压缩机，缸盖侧和曲轴侧的余隙不同，相同的曲轴转角下对应的工作状态不同。由于故障的存在，气缸内压力改变，示功曲线较正常有明显变化。若气缸内存在气体泄漏情况，漏出气体则压缩过程线平缓，膨胀过程线陡峭；漏入气体则压缩过程线陡峭，膨胀过程线平缓。若堵塞造成进气阻力增大，进气线较正常的偏低；若堵塞造成排气阻力增大，排气线较正常位置高。示功图形状的特征组合变化有助于判别压缩机故障，且容易实现智能识别诊断。

图1 压缩机示功图示意Fig.1 Schematic diagram of compressor indicator

2 基于卷积神经网络的往复式压缩机故障识别

2.1 故障诊断方法及流程

卷积神经网络其核心思路是在卷积层中利用卷积核提取特征后，送入全连接网络，最后一层的全连接神经元个数是所需分类的任务数。卷积神经网络在图像识别领域的应用非常广泛，可以深层次多通道地提取图像特征，这为后续构建的较复杂示功图的识别和分类提供便利。

本文提出一种基于卷积神经网络并利用正常与实际结合的示功图智能故障识别方法，利用卷积神经网络进行往复式压缩机的故障诊断和识别，故障数据样本库的准确建立是基本，先区分再诊断是整个故障诊断的关键。诊断流程示意如图2所示。

图2 诊断流程示意Fig.2 Schematic diagram of diagnosis process

图2（a）中步骤1利用动态压力和键相传感器实时采集设备信息；步骤2对压力信号进行简单归一化处理并与正常状态曲线合并配置在同一示功图中，添加标签构成训练和测试样本集送入卷积神经网络；步骤3中选取5层卷积神经网络，输入网络的是640×480像素大小的示功图样本，经过多次卷积以及全连接操作之后，输出故障分类。卷积神经网络结构设置如图2（a）及表1所示，其中卷积核大小均采用3×3，每次卷积操作后会进行一次2×2最大池化操作，图形像素减少一半用以降低特征图的维度。将经过卷积和池化的示功图数据全部拉直，变成一维数据送入全连接网络进行最终分类。网络通过对故障数据库中训练集的特征自提取和学习来设定参数，再通过测试集的检验不断更新调整超参数，使得网络达到高精度的输入与输出匹配；步骤4经训练过的网络模型可以用于后续新示功图的状态识别，输入示功图输出判别故障类型，结合传感器实时采集数据送入神经网络实现故障实时状态监测和识别。如图2（b）中所示，卷积神经网络训练所需故障数据库可由函数模拟、仿真计算和试验测试所得，并且可以在实际运行过程中不断积累故障数据，定期扩充数据库，为压缩机提供量身打造的智能监测诊断系统。

表1 卷积神经网络结构设置Tab.1 Structure setting of convolutional neural network

2.2 诊断示功图的构建

基于示功图的很多故障特征是需要结合正常曲线判断，比如进排气压力的升高或降低，膨胀压缩部分斜率的增大或减小，因而正常状态曲线与实时监测示功图曲线在同一图中进行训练识别有助于提高模型识别准确率，引入正常状态的对比，可提高模型识别针对不同工况的适应程度。

为了实现不同压比或气量下变化的示功图故障特征自动识别，将示功图进行简单的归一化，即：

式中 P——压力；

Pmax——该周期内最大工作压力；

V——容积；

Vmax——气缸最大容积。

这样归一化处理后把一个周期内压力最大值化为1，与此同时并没有改变示功图的相对形状，保留了原始图像斜率等特征，增强模型泛化能力的同时保证了示功图相对特征并未改变，保持了正常与故障状态特征曲线位置与形状的相对关系。通过程序处理压力-容积数据，重新构建归一化以后的示功图示例如图3所示，横纵坐标均为无量纲单位。实测故障模拟曲线与正常工况模拟理论曲线，二者之间对比明显，便于提取特征进而诊断。

图3 归一化处理后示功图示例Fig.3 Example of indicator diagram after normalization

2.3 模拟示功图训练分析

通过理论故障特征模拟函数生成多种状态示功图。根据资料的整理和仿真分析，共模拟6种进出口压力状态下10类故障，包括进气阀泄漏、排气阀泄漏、活塞环泄漏、进气阀咬住/卡塞、排气阀咬住/卡塞、气缸余隙容积过大、阀片震颤、进气阀或进气管通道截面积小、排气阀或排气管通道截面积小以及排气阀阀片自阀座上跳开这10种故障，再加一种正常状态，卷积神经网络的状态分类数为11。训练集包含1种工况，测试集包含有6种工况，训练集和测试集样本组成见表2。

表2 模拟示功图训练集和测试集样本构成Tab.2 Sample composition of simulated indicator diagram training set and test set

2.3.1 数据增强的影响

利用数据增强可以增加训练样本的泛化能力，针对往复式压缩机在应用中存在的进排气压力、排气量等改变的变工况情况，采用归一化的同时使用数据增强功能，即将训练的示功图进行一定量的上下偏移，增加训练模型的数量，可以提高网络测试准确率，可以根据压比变化的大小改变偏移量，应对实际工况。测试集的准确率体现了网络对新数据的识别能力即泛化能力，5层卷积网络加数据增强测试准确率最高可达到99.14%，未使用数据增强的最高准确率是88.48%，证明数据增强提升了网络的泛化能力，一定程度上弥补了基础卷积神经网络对该模型的识别缺陷。

2.3.2 卷积层数和卷积核个数的影响

在采用数据增强的情况下，单层的卷积核个数越多提取的特征量越多，在卷积层层数少的时候可以使用多的卷积核个数。分别对比使用不同卷积层数进行神经网络训练，采用同样的迭代训练次数对比训练时间，每一种情况为避免巧合均训练10次，取其每次训练结果中稳定后最高值的平均值。不同卷积层采用的卷积核个数见表3，每次训练循环迭代100轮，训练结果如图4所示。

表3 不同卷积层使用的卷积核个数Tab.3 Number of convolution cores used in different convolution layers

图4 不同卷积层网络训练结果对比Fig.4 Comparison of different convolutional network training results

从上述训练结果的对比中可看出，多个卷积层的深度特征提取比单层多个卷积核效果更好，在同样设定100轮循环训练内，不同卷积层数的网络收敛循环轮数相近，均在训练30轮循环以内收敛，但卷积核数多、层数少的网络所需稳定的时间更长，稳定性也较差一些，5层卷积网络更轻量，较为适合该示功图模型下的训练。在往复式压缩机故障识别诊断中，调用训练好的模型进行结果输出，输入图片到出示诊断结果仅需0.07 s。

2.3.3 卷积神经网络与BP神经网络的对比

卷积神经网络选用5层卷积层，BP神经网络中将相应的卷积层变为全连接层，原始数据直接送入网络训练没有特征提取。为避免偶然进行10次训练，没有人工提取特征的BP网络训练准确率仅达到10%，调整学习率、使用不同隐藏层数等其他参数的调整均未使网络准确率有所提高。对比之下，针对此训练模型，通过调整网络参数，卷积神经网络的特征自提取功能发挥了很强的作用。

3 气阀流固耦合计算

选取某二级双作用往复式压缩机的第一级气缸模拟正常工况和故障状态下气缸和气阀内的流场，仿真计算过程在ANSYS FLUENT 2021R1中进行。由于气缸两侧对称，为减小计算量选取流体域模型的一半划分网格并仿真计算。气缸壁面附近流体网格进行了加密处理，模型单元数量为699 582，此时气缸内压力计算结果随网格加密不再发生明显变化。活塞位于外止点时的流体域网格模型如图5所示。

图5 仿真模型示意Fig.5 Schematic diagram of simulation model

往复压缩机模型和工艺主要参数见表4，流体介质为空气，仿真过程中将其视为理想气体，符合理想气体状态方程。FLUENT软件中设置入口边界面压力为进气压力0.3 MPa，出口边界面压力为排气压力0.85 MPa，在气阀进出口以外部分额外提取一部分流体域使得压力边界与气阀和气缸流体域隔开一定距离。气缸、活塞、气阀流道内的壁面视为绝热，湍流模型采用k-ε模型，并采用适合瞬态计算的PISO求解方法。采用铺层动网格的方式实现流体域随活塞和阀片运动而变化，阀片和活塞的运动可以通过C语言编写自定义函数实现，这种方法可以较为准确地计算气缸内压力变化情况［15-18］。

表4 模型和工艺主要参数Tab.4 Main parameters of model and process

通过改变阀片位移限制使得气阀关闭不到位，实现气阀不同程度的泄漏仿真。瞬态计算过程中每2×10-4s保存一个流场计算压力结果，匹配相应时刻的气缸对应容积，经归一化处理以后得到排气阀泄漏量20%的示功图样本如图6所示，进气阀泄漏量20%的示功图样本如图7所示，横纵坐标均为无量纲单位。

图6 仿真排气阀泄漏20%示功图Fig.6 Indicator diagram of exhaust valve leakage 20%

图7 仿真进气阀泄漏20%示功图Fig.7 Indicator diagram of inlet valve leakage 20%

卷积网络训练识别的关键除了网络的搭建和各个超参数的设置，最为重要的就是训练故障数据库的构造见表5。

表5 理论和仿真模拟基础训练库构成Tab.5 Composition of basic training database for theory and simulation

由于实际试验故障数据不易获得，本文提出了可以同时使用函数模拟和仿真计算的示功图数据样本扩充基础原理故障数据库。通过仿真分别模拟不同程度的进气阀泄漏、排气阀泄漏，同时按照理论，根据表4中的主要参数模拟生成一定量的不同压比故障示功图进行卷积网络的训练和测试，再将其中一部分仿真示功图加入到训练集中进行训练，训练完成的卷积网络成功识别另一部分故障示功图，且整个网络测试稳定后，准确率结果平均可在95%以上，训练100轮后结果如图8所示。利用FLUENT仿真故障示功图测试基于卷积网络的往复式压缩机故障诊断程序，随机输入一张未经识别过的示功图，发现训练好的卷积网络模型可以准确识别判断故障类型。

图8 训练结果Fig.8 Training results

4 深海平台往复式压缩机故障诊断

从某海洋平台现场监测获取气体动压和键相脉冲信号数据，通过对键相信号的处理，可以得到气缸工作循环的节点以及对应于压力的活塞位置（即曲轴转角），结合气缸的结构和尺寸，得出工作容积。根据键相信号截取一个循环的工作压力信号，重新采样后，对应工作体积绘制PV曲线。如图9，10分别示出某海洋平台往复式压缩机1号低压缸盖侧和3号高压缸盖侧示功。以该往复式压缩机理论工作循环示功图为正常状况开展实测对比识别，压缩机工作稳定，重复多个工作周期后示功图没有明显变化。对训练完成的智能卷积神经网络模型输入归一化处理后的实测压缩机示功图，输出诊断结果为阀片震颤，从示功图中可以看出，进排气阶段压力波动明显，进排气阀片震颤，显示往复式压缩机运行状态异常，初步诊断为压缩机气阀排气量不匹配。此次采集实际压缩机运行数据可为智能机器学习模型提供参考依据及多可能性的故障类型。