一种天然气离心压缩机振动故障诊断方法与流程

本发明涉及离心压缩机领域，具体涉及一种天然气离心压缩机振动故障诊断方法。

背景技术：

1、离心压缩机是天然气长输管道的核心设备，其安全运行可为下游用户提供稳定的气源。但由于其内部结构复杂，在工业实际生产运行中较为容易出现故障(转子不对中、转子不平衡、喘振、油膜振荡等)，只有快速发现故障、诊断“病因”才能迅速恢复下游供气，保障国民经济不受损失。

2、机械设备工作过程中会产生振动，设备不同的运行状态往往伴随着不同的振动形式：

3、1)对于正常和异常工况，设备的周期性振动信号不同；

4、2)对于不同故障类型，设备的振动形式及信号不同；

5、3)对于同一故障的不同程度，设备振动信号的强弱有较大差异。

6、在离心式压缩机的各类常见故障中，以振动故障最多，根据分析计算主体的不同，可将现有故障分析手段分为人工分析和机器分析两大类：

7、1)人工分析法

8、领域内的专家通常可以通过对压缩机关键振动信号(包括振动振幅、相位、频谱、轨迹等)特性变化进行分析从而能够推断故障类型及原因，应用较为广泛的分析方法是振动信号特征分析法。

9、下面以转子不平衡故障为例来介绍振动信号特征分析法。不平衡是转子最常见的系统故障，该故障有较为明显的振动特征：不平衡振动频谱主要显示主频为工频，振动的时域波形为正弦波，转子轴心轨迹为椭圆，进动特征为同步正进动，转子振幅随转子转速升降减小等。波谱特征的明显程度，是判断转子不平衡故障的重要依据。

10、2)机器分析法

11、随着科技的发展，专家系统、bp神经网络、贝叶斯网络、支持向量机等机器学习算法不断涌现。相比人工分析振动特征的传统方法，基于机器学习的故障诊断方法有利于非线性映射关系的拟合，能极大提高故障的识别精度。基于此，中石化重庆天然气管道有限公司提出了《一种天然气长输管道离心压缩机组智能监控系统》的发明专利。该系统由数据采集传感器、通信单元、数据处理单元、智能故障识别单元组成。方案里的故障识别单元采用机器学习算法中的三层贝叶斯网络。该网络能够检测压缩机组发生的故障类型和故障概率。不仅如此，该方案还能通过机器学习的方式来更新故障类型的数据库，这样做到能够根据机器的状态来进行扩充和更新，提高了检测的动态灵活性。

12、3)现有方案的不足

13、a)基于振动特征的人工分析法需要压缩机领域经验丰富的工程师才能实现，属于事后分析，无法提前预警事故，并且需要花费一天甚至更长的时间，分析结果具有一定的人为主观性，成本高，对工程师的专业知识基础、现场经验和设备熟悉程度等依赖度较大；

14、b)基于机器学习的智能故障分析方法多为浅层算法，数据分析能力弱，应用效果依赖于特征的表达能力。由于天然气压缩机非线性影响因素较多，如果特征不能很好地表达信号之间的差异，故障诊断、学习效果会受影响。

15、4)其他方法

16、压缩机故障诊断方式还包括振动噪音检测法和热力诊断法。具体为：

17、a)噪音监测法主要原理在于通过结合各种机械部件表面的内部振动检测情况，有效准确判断气缸内部有无出现磨损、气阀内部有无出现漏气等振动情况。在实际进行诊断时，还需要将气缸振动检测传感器直接安装在整个气缸主机头部，与气缸振动检测信号结合使用来准确判断检测出整个气缸内部结构有无振动故障现象出现。除此之外，还需要通过结合空压管路内空气压力和声波的传动信号特征来准确判断压缩机传动轴承是否发生相关故障。

18、b)热力故障诊断法检测是系统使用一种仪器对一台往复式压缩机的各项热力数据活动进行实时监测、分析，以对各种故障原因进行实时监测的方法。对各项排水数据的综合监测分析内容主要包括电源水温、排水量、冷却器排水量等。在诊断搜集分析数据的工作过程中，由于不同热力部件在出现热力故障情况后会在分析数据上面显示出较大差异，因此，采用传统热力故障诊断分析法在进行热力故障的分析监测时，也往往缺乏数据准确性，其主要研究应用领域在往复压缩机的热力运行管理参数故障监测技术方面。

技术实现思路

1、本发明的实施例旨在至少解决现有技术中存在的技术问题之一，提供一种天然气离心压缩机振动故障诊断方法。

2、本发明的实施例的一个方面，提供一种天然气离心压缩机振动故障诊断方法，依次包括训练阶段和推理阶段，天然气离心压缩机常见的故障特征信号包括下述至少一种：转子轻微不对中、转子中等不对中、转子强不对中；转子轻微不平衡、转子中等不平衡、转子强不平衡；油膜轻微振荡、油膜中等振荡、油膜强振荡；轻微喘振、中等喘振、强喘振及正常工况；

3、1)训练阶段的具体实施步骤如下：

4、步骤a1：对每种故障特征信号分别采集至少10000条，此数据作为深度神经网络训练用的数据集，在数据采集的时候把每条数据打上标签，其标签为上述故障中的某一种；

5、步骤a2：将每条故障特征信号做mfcc变换提取特征；

6、步骤a3：将故障数据和对应的标签送到深度神经网络中迭代至少200轮进行训练，得到训练好的深度神经网络；

7、步骤a4：将训练好的所述深度神经网络部署到实际系统中；

8、2)应用阶段的具体步骤为：

9、步骤b1：采集天然气压缩机振动信号；

10、步骤b2：将振动信号做mfcc特征提取变换；

11、步骤b3：将步骤b2得到的特征信号送到训练好的深度神经网络中进行计算,得到计算好的振动故障类型及其概率；

12、步骤b4：将故障类型和概率显示在系统显示器上。

13、优选的，故障特征信号的变换提取采用在语音识别与分析领域应用最为广泛的mfcc前沿分析方法对采集到的振动信号进行特征提取。mfcc基于人的听觉特征，首先将线性频谱对应到梅尔频率非线性频谱上，最后再进行倒谱变换。

14、优选的，梅尔频率倒谱系数特征提取流程如下：预加重、分帧、加窗、快速傅里叶变换、计算mel滤波器能量、离散余弦变换和动态差分参数提取。

15、优选的，预加重利用高通滤波器来提升信号高频部分，使频谱更平坦，保证在低频到高频的整个频带中可以用同样的信噪比计算频谱，这就是预加重的主要目的。一般来说，高通滤波器的传递函数为：

16、y(n)＝x(n)-αx(n-1)

17、式中，x(n)为原始信号，y(n)为加重后信号序列，α为预加重系数。

18、优选的，分帧是将较长的声音信号分成多个小段。一帧涵盖的时间为20～30ms，其中两个相邻帧之间有一段重叠区域，这是为了避免相邻两帧的变化过大。本发明取384个点为一帧，选取的重叠区域长度为二分之一帧，即192个点。

19、优选的，加窗是为了避免每帧信号的两端可能会出现信号不连续的情况。常用的窗函数有方窗、hamming窗和hanning窗等。相比之下，hamming窗适合处理频谱表现复杂、存在多个频谱分量的信号，因此本文选取hamming窗对每一帧信号进行处理。

20、优选的，快速傅里叶变换通过观察信号在时域上的变换来分析该信号的特性一般来说比较难，所以通常利用快速傅里叶变换(fft)进行信号时频转换，观察其能量分布。如下式所示：

21、x(i,k)＝fft[xi(n)]

22、式中x(i,k)为经过快速傅里叶变换(fft)进行时频转换得到所需频域信号，xi为i时刻离心压缩机的振动信号，n是dct后的谱线。

23、优选的，mel滤波器能量基于人耳对不同频率信号有不同的敏感程度，且呈非线性关系，所以将频谱按照不同的人耳的敏感程度分为多个mel滤波器组，然后计算每一帧fft后的数据的谱线能量，如下式所示：

24、e(i,k)＝[x(i,k)]2

25、式中e(i,k)为声音信号的能量谱，其中i表示第i帧，k表示第k条谱线。然后将每帧的谱能量通过mel滤波器，即把每帧的能量谱e(i,k)和mel滤波器的频域相乘后相加，即

26、

27、式中hm(k)表示梅尔滤波器组中第m个滤波器，m表示滤波器组数，这里取26，s(i,m)表示经过第m个梅尔滤波器后第i帧的能量。

28、优选的，离散余弦变换(dct)主要用于压缩，比如压缩数据或压缩图像，它能够将空域的信号转换到频域上，具有良好的去相关性。

29、

30、上式中，mel滤波器的能量s(i,m)由上一步求出，其中n是dct后的谱线，l为梅尔频率倒谱系数的阶数，这里可以取18。

31、mfcc系数反映的是声信号静态特征，采用动态差分谱可以进一步获取声信号的动态特征，静态加动态的特征分析更能有效提高系统的总体识别性能。这里用mfcc的一阶差分来表示声信息的动态特征。

32、优选的，本方案采用卷积神经网络对提取的mfcc故障特征信号进行训练。采用的卷积神经网络一共有多个resblock，最后经过全连接层和softmax层。

33、与现有技术相比，本发明具有如下显著优点：

34、a)相比传统的基于振动特征的故障析方法，本方案能够实现自动化的故障诊断，诊断结果为故障类型和相应的概率。

35、b)相比基于机器学习的故障诊断方法，训练好的深度神经网络已经拟合了大量的故障数据，模型特征的表达能力强，数据分析能力更强，具有强非线性拟合能力和特征表达能力，能从复杂多变且多影响因素耦合作用下的故障数据中提炼出有利于准确诊断的判别信息，检测精度更高。

36、c)仅需要在设备表面检测设备振动信号就能进行故障诊断，不需要改变设备原有结构，不需要拆装机，使用非常方便。

37、本方案借助前沿的大数据分析技术、神经网络技术、深度学习技术可实现以下功能：

38、1)精准识别并判断离心压缩机故障类型及发生概率，结果可视化展示；

39、2)故障实时感知，提前预警，确保本质安全；

40、3)优化后的神经网络算法集成于芯片，可生产便携式动设备故障诊断仪；

41、4)释放优质人力资源；

42、5)适用场景广泛，可将本方案扩展应用到天然气领域各机械设备的振动故障诊断中。

技术特征：

1.一种天然气离心压缩机振动故障诊断方法，其特征在于，依次包括训练阶段和推理阶段，天然气离心压缩机常见的故障特征信号包括下述至少一种：转子轻微不对中、转子中等不对中、转子强不对中；转子轻微不平衡、转子中等不平衡、转子强不平衡；油膜轻微振荡、油膜中等振荡、油膜强振荡；轻微喘振、中等喘振、强喘振及正常工况；

2.根据权利要求1所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：所述步骤a2中mfcc基于人的听觉特征，首先将线性频谱对应到梅尔频率非线性频谱上，最后再进行倒谱变换；梅尔频率倒谱系数特征提取流程如下：预加重、分帧、加窗、快速傅里叶变换、计算mel滤波器能量、离散余弦变换和动态差分参数提取。

3.根据权利要求2所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：预加重利用高通滤波器来提升信号高频部分，高通滤波器的传递函数为：

4.根据权利要求2所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：分帧是将较长的声音信号分成多个小段，一帧涵盖的时间为20～30ms，其中两个相邻帧之间有一段重叠区域，选取的重叠区域长度为二分之一帧。

5.根据权利要求2所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：加窗是为了避免每帧信号的两端会出现信号不连续的情况，窗函数选取hamming窗对每一帧信号进行处理。

6.根据权利要求3所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：利用快速傅里叶变换(fft)进行信号时频转换，观察其能量分布，如下式所示：

7.根据权利要求6所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：mel滤波器能量基于人耳对不同频率信号有不同的敏感程度，且呈非线性关系，所以将频谱按照不同的人耳的敏感程度分为多个mel滤波器组，然后计算每一帧fft后的数据的谱线能量，如下式所示：

8.根据权利要求7所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：离散余弦变换主要用于压缩，比如压缩数据或压缩图像，它能够将空域的信号转换到频域上，具有良好的去相关性；

9.根据权利要求1所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：采用卷积神经网络对提取的mfcc故障特征信号进行训练，采用的卷积神经网络一共有多个resblock，最后经过全连接层和softmax层。

10.根据权利要求1所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：所述步骤b3中如果没有识别到故障，则将步骤b1中的信号和进行音频增强后的信号送入第二分类算法进行故障分类，得到设备发生故障的等级，所述第二分类算法是利用原始振动信号增强后的信号训练得到的分类算法，可以采用通用的语音信号增强算法。

11.根据权利要求1所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：所述步骤10中所采用的的音频增强方法为音量增强、音调增强、去噪、风格迁移语音增强中的一种或者多种的组合；所述第二分类算法是利用原始振动信号和增强后的振动信号训练得到的分类算法，采用通用的语音信号增强算法。

12.根据权利要求1所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：所述步骤b3中识别到微小故障，则使用lstm网络或informer去识别具体故障类型，利用音频信号增强后的信号进行识别，如果识别到故障类型，那结束此流程；如果没有识别到具体的故障类型，那么采用s1中的原始信号和进行音频信号增强后的信号进行故障类型识别。

13.根据权利要求1所述的一种天然气离心压缩机振动故障诊断方法，其特征在于：所述步骤b3中如果识别到中等程度故障或严重故障，那么采用机器学习算法或者深度学习算法去识别故障类型。

技术总结
本发明提供一种天然气离心压缩机振动故障诊断方法，依次包括训练阶段和推理阶段，天然气离心压缩机常见的故障特征信号包括下述至少一种：转子轻微不对中、转子中等不对中、转子强不对中；转子轻微不平衡、转子中等不平衡、转子强不平衡；油膜轻微振荡、油膜中等振荡、油膜强振荡；轻微喘振、中等喘振、强喘振及正常工况。通过上述步骤，可精准识别并判断离心压缩机故障类型及发生概率，结果可视化展示；故障实时感知，提前预警，确保本质安全；优化后的神经网络算法集成于芯片，可生产便携式动设备故障诊断仪；释放优质人力资源；适用场景广泛，可将本方案扩展应用到天然气领域各机械设备的振动故障诊断中。

技术研发人员：王宁,任高飞,马雯
受保护的技术使用者：中国石油管道局工程有限公司
技术研发日：
技术公布日：2024/12/5