（机械设计及理论专业论文）往复压缩机气缸内压力信号检测与分析技术.pdf

大庆石油学院硕士研究生学位论文 往复压缩机气缸内压力信号检测与分析技术 摘要 往复压缩机广泛应用于各生产部门，具有结构复杂、激励源多等特点，在实际生产 中，一旦发生故障，不仅会影响工业生产过程，造成巨大损失，而且会带来一系列安全 问题。因此，为了保证机组安全运行，生产企业急需一套经济、可靠的往复压缩机故障 诊断系统对压缩机故障进行早期预测、监测及诊断。2 d 1 2 往复压缩机是石油天然气输送 的常用设备，其气缸部分经常发生故障。往复压缩机的p - v 指示图能反映压缩机气缸内 压力的变化情况，是压缩机气缸部分工作状况的真实记录。本文将针对压缩机气缸故障 进行往复压缩机气缸内压力信号检测与分析技术的研究。 首先本文在查阅了大量文献的基础上，综合分析了机械设备故障诊断技术的基本理 论、基本方法，介绍了压缩机故障诊断技术的发展状况及主要问题，针对往复压缩机气 缸故障诊断的特点提出了人工神经网络和支持向量机两种故障识别方法，并阐述了这两 种方法的基本理论。其次，介绍了2 d 1 2 型往复压缩机结构、气缸故障模拟试验以及气缸 内压力信号检测技术，对其主要部件的常见故障进行了机理分析，采用分段重构方法对 往复式压缩机指示图进行归一化处理。再次，结合气缸的故障特征阐明了b p 网络的设计、 训练过程，对初始权值、网络层数、各层神经节点数目、系统目标误差进行设定，建立 了结构简明的b p 网络。随后介绍了支持向量机的核函数选择和参数优化过程，在此基础 之上建立了支持向量机多类分类器。并分别用b p 网络和支持向量机对归一化的指示图进 行识别，取得了满意的结果。最后，根据故障诊断系统的功能要求，利用m a t l a b 开发 了压缩机气缸故障诊断系统软件。 关键词：故障诊断；往复压缩机；神经网络；支持向量机；指示图 a b s t r a c t t h ed e t e c t i o na n d a n a l y s i st e c h n o l o g yo fp r e s s u r es i g n a l c o l l e c t e df r o mr e c i p r o c a t i n gc o m p r e s s o r c y l i n d e r a b s t r a c t r e c i p r o c a t i n gc o m p r e s s o r sa r eu s e dw i d e l yi np r o d u c t i o n m a n ys t i m u l a t i n gs o t l r o e s e x i s ti nt h ec o m p r e s s o r , a n dt h es t r u c t u r eo fr e c i p r o c a t i n gc o m p r e s s o ri sv e r yc o m p l i c a t e d i f t h e i rf a u l t sa r i s e i nt h ep r a c t i c a lp r o d u c t i o n i tw o u l dn o to n l ya f f e c ti n d u s t r i a lp r o c e s so f p r o d u c t i o n ，b u ta l s ob r i n gas e r i e so f p o t e n t i a lp r o b l e m so fs a f e t y t h u s i no r d e rt oe n s u r et h e c o m p r e s s o ru n i tw o r k i n gs a f e l y , a ne c o n o m i ca n dr e l i a b l er e c i p r o c a t i n gc o m p r e s s o rf a u l t d i a g n o s i ss y s t e mj sb a d l yn e e d e db yf a c t o r i e s ，t h es y s t e mc a r lb eu s e dt of o r e c a s t m o n i t o ra n d d i a g n o s et h e f a u l t so fr e c i p r o c a t i n gc o m p r e s s o r s 2 dl2r e c i p r o c a t i n gc o m p r e s s o r sa r e c o m m o ne q u i p m e n tt ot r a n s p o r tn a t u r a lg a s , a n df a u l t so c c u r r e df r e q u e n t l yi ni t sc y l i n d e r p v i n d i c a t i n gd i a g r a mo fr e c i p r o c a t i n gc o m p r e s s o r c a nr e f l e c tt h e c h a n g eo fp r e s s u r e i n c o m p r e s s o rc y l i n d e r , a n di ti sat r u t h f u lr e c o r do fw o r k 、i n gc o n d i t i o ni nt h ec y l i n d e r t h i s p a p e rw o u l ds t u d yt h ed e t e c t i o na n da n a l y s i st e c h n o l o g yo fp r e s s u r es i g n a lc o l l e c t e df r o m r e c i p r o c a t i n gc o m p r e s s o rc y l i n d e r a tt h eb e g i n n i n go ft h i sp a p e r ，t h ef u n d a m e n t a lt h e o r ya n dd e v e l o p m e n ts i t u a t i o no f m e c h a n i c a le q u i p m e n tf a u l td i a g n o s i st e c h n o l o g yw e r ea n a l y z e ds y n t h e t i c a l l y ；t h em a i n p r o b l e m s a n d d e v e l o p m e n t s i t u a t i o no fc o m p r e s s o rf a u l t d i a g n o s i st e c h n o l o g y w e r e i n t r o d u c e dt h i sp a p e rp r e s e n t e dt w ok i n do ff a u l tr e c o g n i t i o nm e t l l o d a r t i f i c i a ln e u r a l n e t w o r ka n ds u p p o r tv c c t o rm a c h i n eo nt h eb a s i so ft h ec h a r a c t e ro fc o m p r e s s o rc y l i n d e r f a u l t s a n de x p l a i n e dt h ef u n d a m e n t a lt h e o r yo ft h e m s e c o n d l y , t h es t r u c t u r eo f2 d 1 2 r e c i p r o c a t i n gc o m p r e s s o r s ，s i m u l a t i o ne x p e r i m e n to fc y l i n d e rf a u l t sa n dd e t e c t i o nt e c h n o l o g y o fc y l i n d e rp r e s s u r e s i g n a lw e r ei n t r o d u c e d ，t h ef a u l tm e c h a n i s mo fp r i n c i p a lp a r t sw a s a n a l y z e d ，a n dt h ei n d i c a t i n gd i a g r a m so fr e c i p r o c a t i n gc o m p r e s s o rw e r en o r m a l i z e db y s e g m e n t a t i o nr e c o n f i g u r a t i o nm e t h o d t h i r d l y , t h i sp a p e re x p l a i n e dt h ed e s i g na n dt r a i n i n g p r o c e s so f b pn e t w o r k a n d t h ed e t e r m i n a t i o n o f o r i g i n a l w e i g h t ，t h e n u m b e ro f n e t w o r k l a y e r s ， t h en u m b e ro fn e u r o nn o d ea n dt a r g e te r r o ro fs y s t e m ，t h e nab r i e f l yb pn e t w o r kw a s c o n s t r u c t e d t h i sp a p e ra l s oi n t r o d u c e dt h ec h o i c eo fk e r n e lf u n c t i o na n do p t i m i z a t i o no f p a r a m e t e ra b o u ts u p p o r tv e c t o rm a c h i n e ，a n das u p p o nv e c t o rm a c h i n em u l t i - c l a s s i f i e rw a s c o n s t r u c t e db a s e do nt h e m i n d i c a t i n gd i a g r a m sw h i c hh a db e e nn o r m a l i z e dw e r er e c o g n i z e d b va r t i f i c i a ln e u r a ln e t w o r ka n ds u p p o r tv e c t o rm a c h i n er e s p e c t i v e l y , a n das a t i s f a c t o r y r e s u l tw a sc o n c l u d e d f i n a l l y , c y l i n d e rf a u l td i a g n o s i ss y s t e ms o f t w a r ew a sd e v e l o p e db y ma r l a ba c c o r d i n gt ot i l ef u n c t i o nr e q u i r e m e n to ff a u l td i a g n o s i ss y s t e m k e yw o r d s ：f a u l td i a g n o s i s ；r e c i p r o c a t i n gc o m p r e s s o r ；a r t i f i c i a ln e u r a ln e t w o r k ；s u p p o r t v e c t o rm a c h i n e ；i n d i c a t i n gd i a g r a m 人庆石油学院硕二| 研究生学位论文 11 引言 第1 章绪论 往复压缩机广泛应用于石油、交通运输、国防、冶金和化工等部门“。它通常可以 用于气体的输送，例如为天然气输送增压；可咀产生压缩空气提供高压气体，用来驱动 备种风动工具和器械，例如烈镐、风钻、气力扳手和气力喷沙等装置：还能够在化工工 艺中提供高压气体，有利于发生化学反应，例如氮气和氢气合成氨气的反应、高压氢气 在石油的精炼中的反应等。此外，往复压缩机还是制冷和低温系统中的关键设备之一。 往复压缩机具有压力和排量范围广、效率高、气量调节时压力稳定等优点，但它的 结构比较复杂，易磨损件多，易发生故障件多，维修工作量大。频繁的故障和较长的检 修时问常常会造成整个工艺的中断，直接影响到工厂的生产活动。若在不分解压缩机的 情况下，就能准确地判断出故障件的部位，则可预先确定排除故障实施方案，从而大大 缩短检修时间。另外，及时发现一些重要零部件的早期故障，采取措施予以排除，可以 避免重大事故的发生。对压缩机实旌先进的状态监测与故障诊断技术，可起到上述两方 面的作用，会产生明显的经济效益和社会效益。 目前，我国对往复压缩机的状态监测，普遍是凭借着简单的仪表和人工经验来完成 的，而国产压缩机在质量上已经有了较大的提高，对于国产设备以及进口的高质量设备， 原有方法己远远不能够满足状态监测和故障诊断的要求。在出现异常现象和故障时，如 果不能及时停机和检查，就会造成机器进一步破坏，从而给企业带来极大的浪费和损失。 国外已经出现了通过在往复压缩机上安装传感器，利用计算机进行信号采集和分析，进 而掌握机器运行状况的经验。因此，将建立在计算机和传感器基础上的测试和故障诊断 系统应用于往复压缩机这个领域，提高压缩机工作的安全性和可靠性，是当前压缩机行 业所面临的一个重大课题。 1 2 机械设备故障诊断技术概述 机械设备故障诊断技术是一门以实践为基础、与各学科相互融合、并独立发展的学 科体系：它正在逐步成为2 l 世纪一门对工业生产设备实施现代化管理的新兴学科，该 技术是一门涉及与融合机、电、计算机、数学、力学、声学、系统论与信息论等多学科 内容的新技术，其应用非常广泛。 1 2 1 机械设备故障诊断技术的发展历程 机械设备故障诊断技术的发展，大致可以分为4 个阶段。1 ： 第一个阶段：在1 9 世纪，当时机器设备本身的技术水平和复杂程度都很低，因此， 当时的故障诊断技术属于事后维修方式。 第二个阶段：进入2 0 世纪后，随着大生产的发展，机器设备本身的技术复杂程度 也相应有了提高，设备故障或事故对生产的影响显著增加。在这种情况下，出现了定期 预防维修方式。在这个时期，设备故障诊断技术处于孕育时期。 第三个阶段：设备诊断技术随着现代计算机技术、数据处理技术等的发展，出现了 更为科学的按设备状态维修的方式。 第l 章绪论 第四个阶段：进入9 0 年代以后，高性能计算机得到了广泛的应用，专家系统、神 经网络、支持向量机等人工智能技术，计算机图形学可视化技术迅速发展，而且在实际 工程中得到大规模的广泛应用，这使设备维修技术达到相当程度的智能化。虽然此阶段 的发展历史并不很长，但是，现有的研究成果足以表明，设备诊断技术智能化具有极其 广泛的应用前景，它代表了设备诊断技术的主要发展方向。 l2 2 机械设备故障诊断技术的研究现状 在机械设备故障诊断这个课题上，国内外已经做了大量的工作，不但在理论上进行 了创新，并且积极地把相关产品推上市场，取得了显著的成绩。 在理论上，近些年来，专家系统与传统的程序设计相结合、以及与新技术：如神经 网络、遗传算法、粗集理论、支持向量机等的结合都得到了广泛的研究，并且在故障渗 断领域敬得了广泛的应用和发展。因此，现在的机械设备故障诊断学科在研究上呈现出 科学性、前沿性、多学科交叉性的特点，它的发展依赖于数学方法、计算机技术、人工 智能技术等的发展。 在应用上，大型机械设备的在线监测与故障诊断技术，尤其是旋转机械，在近二十 年来得到了广泛地开发和应用。世界各国都在这方面开展了广泛的研究工作，并不断推 出新产品，其中又以美国的技术最先进，如b e n t l y n e v a d a c o r p o r a t i o n ( n e c ) 公司在这方 面就推出了一系列产品。我国的不少高校也在进行这方面的研究与开发，例如西安交通 大学的r m d s 系统、哈尔滨工业大学及浙江大学的z h z - 1 0 系统、清华大学的b b 一1 系 统、华中理工大学的i - i z 1 系统、郑州工业大学的m m d 9 0 0 0 系统等。 1 2 - 3 机械设备故障诊断技术的基本内容 机械设备故障诊断就是通过鉴别机器状态是否正常，从中提取出特征信号，从而发 现和确定故障的部位和性质，对故障趋势做出预报并提出相应的对策。其目的在于提高 机器的可靠性，延长使用寿命，降低设备的维护成本。机械设备故障诊断技术的基本内 容包括状态监测、分析诊断和故障预测三个方面。其具体实施过程可以归纳为以下四个 方面： ( 1 ) 信号采集 设备在运行过程中必然会有力、热、振动及能量等各种量的变化，由此会产生各种 不同信息。根据不同的诊断需要，选择能表征设备工作状态的不同信号，如振动、压力、 温度等是十分必要的。这些信号一般是用不同的传感器测取的。 ( 2 ) 信号处理 它是将采集到的信号进行分类处理、加工，获得能表征机器特征的过程，也称特征 提取过程，如将振动信号从时域变换到频域，并进行频谱分析，即是这个过程。信号处 理( 或诊断数据处理) 的主要内容是统计分析、相关分析、频谱分析、小波分析和模态分 析等，其理论基础是数理统计与随机过程。 ( 3 ) 状态识别 将经过信号处理后获得的设备特征参数与规定的允许参数或判别参数进行比较、对 比，以确定设备所处的状态、是否存在故障及故障的类型和性质等。为此应正确制定相 应的判别准则和诊断策略。 ( 4 ) 诊断决策 根据对设备状态的判断，决定应采取的对策和措旅，同时应根据当前信号预测设备 状态可能的发展趋势，进行趋势分析。 大庆。油学院硕h 旰究生学位论文 i 乜就是说，机械设备故障诊断技术的研究内容主要反映在以下几方面：故障机理的 研究；故障信息处理技术的研究：人工智能技术腑研究：故障诊断装置的丌发与研究。 24 机械设备故障诊断技术的基本方法 目前，设备的故障诊断技术已经发展成为一门建立在故障机理、传感器技术、信号 分析技术、计算机技术及人工智能技术之上的多学科综合性技术，其中，故障诊断方法 的研究是核心问题。总的来说，机械设备故障诊断的实现有以下三种方式： ( 1 ) 基于物理模型的故障诊断 它是以物理量为手段束实现故障检测与分离的，常用的方法有硬件冗余方法和模式 识别方法。硬件冗余方法不仅可以诊断仪表的故障，还可以检测控制系统的故障。这种 方法的缺陷是要增加更多的仪器设备，使系统更加复杂化。模式识别方法的基本思想是 通过对系统的工作流程经过仿真和分析，加上人们的经验，建立各种故障模式，根据测 量信息，确定系统属于哪一种模式，从而能检测和分离故障。 ( 2 ) 基于数学模型的故障诊断 这种方法就是根据系统参数的估计值与其正常值之间的偏离数值，判断出系统的故 障状况。具体又有参数估计诊断法和状态估计法两种方法： 参数估计诊断法 它是根据参数变化的统计特性来检测故障的发生情况。故障通常是由参数的显著变 化来描述的，建立模型后，利用已有的参数估计法，基于故障检测信息，根据参数的估 计值与正常值之间的偏差情况来判定系统的故障情况。 状态估计法 它是根据系统状态方程和观测方程之间的残差序列均值的变化来判断系统的故障 状态。被控对象的状态直接反映系统运行状态，通过估计可得出系统的状态，并结合适 当的模型进行故障诊断。 ( 3 ) 基于智能方法的故障诊断 当前的控制系统变得越来越复杂，很多情况下要想获得系统的精确数学模型是非常 困难的。同时，由于系统故障是多种多样的，其故障和征兆之间不存在简单的一一对应 关系，故障诊断往往是一种探索过程。而基于人工智能的故障诊断方法不依赖于系统的 数学模型，而是根据人们的经验和故障信息，设计出智能程序，以此来解决复杂系统的 故障诊断问题。 1 3 往复压缩机故障诊断技术的研究现状及主要问题 1 3 ，1 往复压缩机故障诊断技术的研究现状 往复压缩机具有结构复杂、激励源众多的特点，对其实施故障诊断较为困难。由于 往复压缩机在国民生产和生活中的重要价值，人们对其进行了一定的研究，并取得了一 些研究成果。但是仍没有可用于生产实践的诊断技术。这与往复压缩机在生产中应用广 泛的状况是极不相符的。因此，有必要加强这方面的研究工作。 早期往复压缩机的故障诊断主要是依靠人工触、摸、听、看等手段对设备进行诊断， 通过一定经验的积累，人们可以对一些设备故障做出判断。但这种手段由于其局限性和 不完备性，现在已经不能满足生产对往复压缩机可靠性的要求。信息技术和计算机技术 的迅速发展以及各种先进数学算法的出现，为压缩机故障诊断技术的发展提供了有利的 第1 市绪论 条件。人工智能、计算机网络技术和传感技术等已经成为压缩机敌障诊断系统不可缺少 的部分。 目前在国外，研究机械设备故障诊断基础理论和应用技术的机构已经遍及美国、同 本、欧洲。著名的国际测量学会( i m e k o ) 技术诊断委员会发起召丌的国际会议每隔一年 或二年举行一次，这对促进故障诊断技术的发展起到了积极作用。近些年来，故障诊断 技术的研究方法和手段日新月异，其应用己经遍及各个领域5 3 。在往复式压缩机故障诊 断的基础理论研究上，目前也己取得了一定的成果。已自文献介绍了通过对往复式压缩 机填科密封气腔内气体压力波动的监测，来诊断填料密封故障。还有文献论述了通过温 度、压力信号来反映气阀、活塞环等故障。基于模糊渗断技术、智能化诊断技术的专家 系统、神经网络、支持向量机将是未来往复式压缩机故障诊断的发展方向。在实践中所 取得的进展如下，美国学者曾经利用气缸内测得的压力信号图像判断气阀故障以及活塞 环的磨损，捷克学者曾对千余种不同类型的压缩机建立了常规性能参数数据库，来确定 基本参数用以判断压缩机的工作状态。在往复压缩机故障诊断装置的研究中，由于往 复机械结构上固有的复杂性，目前国外研究学者的基本思路是将在线的监测系统加以扩 震，增添相应的往复机械的监测系统，对其某些关键部位，如十字头滑道、活塞杆、进 出口气阀、机体等加以监测，以及时判断机器运行状态。实用产品已经面世的有，丹麦 的b x 公司推出的3 5 4 0 型机器监测系统，美国本特利公司研制的3 3 0 0 监测系统。值得 一提的是，德国申克公司推出的v p 4 1 ( v i b r o p o r t 4 1 ) 智能化机器分析测量仪以及德国 d b 公司推出的s y st e m 2 多功能维修工作站是对压缩机振动信号进行分析与诊断仪器 中的佼佼者。其中，数据采集器的发展也令人瞩目，如英国d i 公司推出的双通道数据 采集器p l 3 0 2 等”1 。这一切都生动地体现出了人们对往复式压缩机故障诊断所付予的巨 大关注和所投入积极努力。总而言之，目前对往复式压缩机故障诊断技术的研究正在积 极地进行着，并处于活跃的发展阶段。 我国在故障诊断技术方面的研究发展也很快。一般说来，经历了两个阶段：第一阶 段主要是吸收国外先进技术，并对一些故障机理和诊断方法展开了研究；第二阶段是全 方位展开了机械设备的故障诊断研究，引入了人工智能等批先进技术，大大推动了诊 断系统的研制和实施，取得了丰硕的研究和实践成果。我国的设备维修体制，已经从早 期的事后维修和实施多年的计划按时维修开始进入现代的预知性的视情维修，这样就大 大提高了综合效益，创造了一笔无形的利润。现代工业设备的运行周期，与其说取决于 运行时间，毋宁说取决于它的运行状态。设备的状态监测与故障诊断是设备现代化管理 的技术基础和关键所在”。现在，国内学术交流频繁，研究步伐加快，缩小了与世界先 进水平的差距，同时也形成了独具我国特色的故障诊断理论。我国的高等院校和科研机 构也在设备的诊断技术研究和工程应用中形成了一定的规模，并取得了一批科研成果。 l3 2 往复压缩机故障诊断技术面临的主要问题 由于往复压缩机结构复杂，零部件多、运动的形式也各不相同，发生的故障也就多 种多样。因此，对往复压缩机各部分的监测，相对来说是比较困难的，很难找到一个有 效的监测指标，这就决定了对往复压缩机的诊断手段必须是综合性的。目前往复压缩机 故障诊断技术面临的主要问题有： ( 1 ) 复杂故障机理的研究 对故障机理的了解是准确诊断故障的前提。比如在故障状态下泄漏、声音及其之间 的定量关系等，因两对故障机理的研究应该不遗余力，否则这将成为阻碍往复压缩机故 障诊断技术发展的瓶颈之一。 ( 2 ) 检测手段的问题 大庆石油学院硕士研究生学位论立 往复机械故障诊断技术中的许多数学方法甚至专家系统中的一些推理算法都达到 了很高的水平。而与此同副征兆的获耿就成了其最主要的难点之一，其i = | _ i 最大的问题是 检测手段不能满足诊断的需要。因为往复压缩机的结构、运动状态均很复杂，又存在着 振动源多、传递路径复杂等诸多特点，其故障传递既有“纵向性”，又有“横向性”，这 特性就是多故障能否准确诊断这一问题的由来。因而在实际测试中对传感器的选择， 安装及其性能都有很高的要求。为使传感器能够如实地反映机械设备的状况，而又不能 受外界环境因素的干扰，必须使用高品质的传感器，这样的传感器在价格上就肯定会很 昂贵，在实践中的可行性值得探讨。因而在往复压缩机故障诊断中检测手段也就成为了 一个必须着力解决的重要问题。 ( 3 ) 人工智能的应用 专家系统作为人工智能在往复机械故障诊断中的主要应用已经获得了一定的成功， 但是仍然有一些问题不容忽视，需要解决，如知识的表达和获耿、自学习、智能辨识、 信息融合等。尽管如此，它在不久的将来必会成为往复机械故障诊断的主流技术之一， 因此有必要投入人力、物力来进行这方面的研究。 ( 4 ) 诊断技术推广应用面f l 缶的问题 我国往复压缩机故障诊断技术在现有基础上，进一步推广应用面临的主要问题是研 究开发机制和观念问题、诊断技术与生产管理的结合问题。机制和观念的问题主要表现 在：重复性研究过多，造成人力、物力的浪费：技术研究转化为应用产品的少；系统研 究连贯性差，因而系统升级困难；对往复机械设备进行故障诊断不仅是机器设备的使用 问题，因为对测试结果的分析必然牵涉到分析人员，这就要求分析人员必须对机械设备 本身的结构有十分清晰的了解，对机械设备运行时的动力学特性也应有深刻的掌握。除 此之外，还应通晓机械设备发生故障的机理。只有对机械设备了解掌握比较全面的工程 技术人员，才能在监测的基础上，做出比较正确的诊断结论。在往复机械的诊断工作中， 仪器设备是重要的，但熟练的人员依然是能否顺利实现监测目的的关键。 就本课题而言，我们所研究的是压缩机气缸压力信号分析与检测技术。往复压缩机 故障诊断技术的研究结果表明，对往复压缩机气缸进行故障诊断的最有效的方法是直接 对气缸内压力进行分析。因此对往复压缩机气缸压力信号的分析处理、往复压缩机气缸 故障机理的研究和故障识别方法的研究既是本文的重点也是难点。 1 4 人工神经网络与支持向量机 故障诊断就是对诊断对象的故障模式进行分类和识别的过程。人工神经网络和支持 向量机是模式识别领域应用最普遍的两种方法。人工神经网络具有处理复杂多模式及进 行联想、推测和记忆的功能：支持向量机的学习机容易控制，不会产生局部最小值，能 获得全局最优解。人工神经网络和支持向量机的应用为机械故障诊断技术开辟了新途 径1 1 4 1 人工神经网络 人工神经网络( 蜥f i c i a ln e u r a ln e t w o r k ，简称a n n ) 是- - f 发展十分迅速的交叉学 科，它涉及到生物、计算机、数学、电子、物理、心理学、认知科学等多门学科。它是 研究有关自适应非编程信息系统的f i t 程学科，实际上也是一种新型信息处理技术。 其原理是在现代神经科学研究成果的基础上，采用巨量并行、分节存储和模拟处理方式， 力图反映人脑加工处理信息的某些基本特征。神经网络模型是在现代神经科学研究成果 第l 章绪论 的基础上提出的，它是由大量非线性神经元广泛互连所构成的一种网络系统”l 。 人工神经网络是目前人工智能领域最活跃的一个研究分支，是随着人们对生物智 能，尤其是人类智能的不断研究而发展起来的。神经网络的研究始于4 0 年代，迄今为 止已有6 0 年的历史。1 9 4 3 年，美国心理学家w a r r e ns m c c u l l o c h 和数学家w a l t h h p i t t s 首先从信息处理的观点出发，合作提出了形式神经元的数学模型( m e 模型) ，对人工神 经细胞的动作原理进行了研究，成为人工神经网络研究的开端。1 9 4 9 年，心理学家 d o h e b b 提出神经元之间突触联系强度可变的假设，提出了h e b b 学习准则”1 ，为神 经网络的学习算法奠定了基础。 5 0 年代初，l a s h l e y 首先研究了神经网络的记忆定位问题。接着，c a i a n l l o 提出神 经网络的记忆模型，s t e i n b u s h 研究了神经网络的联想存储器特性。并提出了一种学习矩 阵的神经网络模型。现代串行计算机的奠基人v o n n e u m a n n 在2 0 世纪5 0 年代就己注意 到计算机与人脑结构的差异，对类似于神经网络的分布系统做了许多研究。1 9 5 7 年美国 康奈尔大学心理学家n o s e n b l a t t 提出并设计了一个著名的“感知器”神经网络模型，它 由闽值神经元组成，试图模拟动物和人脑的感知和学习能力。这个模型虽然比较简单， 但具有神经网络的一些基本性质，例如可学习性、并行处理、分布式存储等。能识别英 文印刷体字母。 6 0 年代中期，人工智能的创始人m i n s k y 和p a p e r t 等人对以感知器为代表的简单神 经网络进行了深入、系统的理论研究，并于1 9 6 9 年发表了很有影响的“p e r c e p t i o n ”一 书。他们指出了感知器的局限性，即只能求解一阶谓词问题，对于较为复杂的高阶谓词 的求解却无能为力；他们提出，如果适当地引入中间层，会大大地提高网络的能力，从 而能够完成高阶谓词的求解任务。然而在当时的技术条件下，对这种多层网络尚缺乏有 效的学习算法。因此，人们对神经网络的研究热情大大下降，神经网络研究转入了低潮。 进入八十年代，h o p f i e l d 、r u m e l h a r t 、f e l d m a n 、b a l l a r d 、a n d e r s o n 和i l i l t e n 等人所 做的工作又掀起了神经网络研究的热潮。这一时期大量而深入的开拓性研究工作，大大 发展了神经网络模型、学习算法，加强了对神经网络系统特性的进一步认识，从而使神 经网络理论的研究与实现引起了美国、日本、西欧等科学家、研究机构和企业界的普遍 关注。不同学科的科学工作者开始联合起来从事神经网络理论、应用开发和实现的研究， 国际学术交流日趋频繁。 目前，人工神经网络理论的应用已经渗透到各个领域，并在智能控制、神经网络计 算机的研制、优化计算、计算机视觉与图象处理、模式识别、连续语音识别、数据压缩、 知识处理等方面显示出了其极大的应用价值，取得了令人鼓舞的进展。在机械故障诊断 领域，人工神经网络的应用还处于发展阶段。作为一种新的模式识别技术或一种识别处 理方法，人工神经网络在机械故障诊断技术中具有极大的应用潜力。 神经网络在机械故障诊断中的应用只是最近几年的事，1 9 8 8 年，u n g e r 和p o w e l l 描述了故障诊断的神经网络“。同年，h o s k i n 和h i m m e b a n 论述了神经网络在化工过程 故障诊断中的应用情况。人工神经网络具有很大的优越性，它不需要规则的显式表达， 知识是通过网络的连接权和阈值来存贮，训练学习过程是改变网络连接权的过程。日本 h o s e i 大学和美国t e x a s 大学利用人工神经网络对化工机械进行了故障诊断，通过训练， 这一神经网络诊断系统对单个故障的识别能力已达到9 0 以上，对多故障的判别准确率 也达到7 0 以上“”。文献 1 2 】利用了五层神经网络对飞机发动机的声发射信号进行压缩， 提取原始信号特征，并利用这些特征监测飞机的运行状态变化。文献 1 3 深入讨论了神 经网络在大型回转机组故障诊断中趋势预报方面的应用。总之，根据神经网络的现有基 础，在机械故障诊断中进行应用是现实的，随着理论的发展和完善，将会对故障诊断技 术的发展起到更大的作用。 6 _ 人庆杠油学院硕j 研究生学位论文 l4 2 支持向量机 1 9 9 2 年至1 9 9 5 年，在统计学习理论的基础上发展出了一种新型的学习机器支 持向量机( s u p p o r tv e c t o rm a c h i n e ，简称s v m ) ，成为继神经网络研究之后新的研究热点， 为人工智能诊断注入了新的活力。 v l a d i m i rn y a p n i k 等人早存2 0 世纪6 0 年代就开始研究小样本情况下的机器学习 问题”1 “3 ，当时这方面的研究尚不十分完善，且数学上比较艰涩，难以理解和接受，直 到9 0 年代以前还没能够提出将其理论付诸实践的方法。加之当时正处在其它学习方法 飞速发展的时期，因此这方面的研究一直没有得到足够的重视。直到9 0 年代中期，小 样本情况下的机器学习理论研究逐渐成熟起来，形成了较完善的理论体系统计学习 理论( s t a t i c a ll e a r n i n gt h e o r y ) 。而同时，神经网络等新兴机器学习方法的研究遇到了困 难。在这种情况下，试图从更本质上研究机器学习问题的统计学习理论逐步得到重视。 统计学习理论从理论上较系统地研究了经验风险最小化原则成立的条件、有限样本 下经验风险与期望风险的关系及如何利用这些理论找到新的学习原则和方法等问题。支 持向量机就是在统计学习理论基础上发展而来的一种新的学习算法，在解决小样本、非 线性和高维的机器学习问题中表现出了许多特有的优势。 在解决高维问题中，神经网络等传统方法往往需要将原始的模式矢量空间降维。但 支持向量机是采用核函数技术将原始的模式矢量映射到更高维的特征空间，并使用大间 隔因子来控制学习机器的训练过程，使其只选择具有最大分类间隔的分类超平面，又称 为最优超平面( 在不可分情况下，又引入松弛因子来控制经验风险) ，从而使其在满足分 类要求的情况下，又具有最高的推广能力。事实上，高维特征空间中的超平面对应着原 始模式空间中的菲线性分类瑟。寻找最优超平面的问题可以利用l a g r a n g e 优化方法转化 为二次型优化问题，从理论上说，得到的是全局最优解，而且采用的核函数技术只是改 变了内积运算，并没有使算法复杂性随着维数的增加而增加，因此计算的复杂程度只取 决于样本数目，尤其是样本中对学习训练有贡献的支持向量数。这些特点使支持向量机 成功地解决了高维问题、非线性和局部极值问题。 支持向量机的结构非常简单，从表面上看，它类似于三层前馈神经网络。但实际上 它与神经网络有着根本性的不同。简要地说，支持向量机的隐层是随着所要解决的问题 和规模丽自动调节的，从而使得学习机器的复杂度总是与实际闷题相致，因而可以自 适应地解决各种不同的问题。 s v m 在模式识别、函数拟合和密度估计问题上已初步表现出很多优于己有方法的 性能，一些学者认为，s v m f 在成为继神经网络研究之后新的研究热点。 虽然s v m 方法在理论上具有很突出的优势，但与其理论研究相比，应用研究上相 对比较落后，比较突出的应用研究是贝尔实验室对美国邮政服务系统中的手写数字识别 问题，这是一个可识别性较差的数据库，人工识别平均错误率是25 ，用决策树方法 识别错误率是1 6 2 ，两层神经网络中错误率最小的是5 9 ，专门针对该问题的五层神 经网络错误率是51 ( 其中利用了大量的先验知识) 而用三种s v m 方法( 采用不同的核函 数) 得到的错误率分别为4 0 、41 、4 2 ，且直接采用了1 6x1 6 的字符点阵作为 s v m 的输入，并没有进行专门的特征提取。除此之外，m i t 用s v m 进行的人脸检测实 验也取得了较好的效果“4 “3 。文献 1 7 】中，利用s v m 解决基于声音信号的发动机故障 诊断问题，取得了满意的结果。 第1 章绪论 1 5 本文研究意义及主要内容 在我国的石油化工、航空和航天等生产部门中，往复压缩机作为常用的动力及能源 设备应用非常广泛，特别是在当前西部大丌发的“西气东输”工程中具有极其重要的现 实意义。所以往复压缩机的故障不能被及时地诊断和识别，极有可能引起重大设备事故， 甚至导致整个生产过程瘫痪，严重影响生产效率。由于往复压缩机结构复杂、激励源众 多等特点，频频发生故障，因此，提高监测和检修效率，减少故障的发生率，对提高其 工作可靠性和生产的经济性具有重要的现实意义。传统的诊断理论和方法对往复机械具 有较大的局限性，目前尚无一套成熟的诊断系统可用于生产实践，所以急需研制开发一 套有效的故障诊断系统，以便准确、迅速地诊断压缩机故障。往复压缩机故障诊断技术 的研究结果表明，对往复压缩机气缸活塞系统进行故障诊断的最有效的方法是直接对气 缸内压力进行分析。本文将针对往复压缩机气缸内压力信号检测与分析技术进行研究。 内容具体如下： ( 1 ) 在查阅机械故障诊断技术的基本内容及国内外研究现状的基础上，介绍神经 网络与支持向量机的发展概况以及在故障诊断中的应用情况。 ( 2 ) 在介绍2 d 1 2 型往复压缩机的工作原理及基本结构的基础上，分析往复压缩机 气阀及漏气的故障机理，为故障诊断提供了重要的依据。 ( 3 ) 采用分段重构的归一化方法对往复压缩机的气缸压力信号进行处理，与传统 的处理方法相比，。可提高故障诊断准确率。 ( 4 ) 对人工神经网络与支持向量机的基本原理进行阐述，并对二者的优缺点进行 系统地分析比较，结合本课题的具体情况，研究开发适合于往复压缩机气缸故障的诊断 技术。 ( 5 ) 根据故障诊断系统的功能要求，利用m a t l a b 语言及其强大的工具箱开发压 缩机气缸故障诊断系统软件。 人庆n 油学院硕士研究生学位论文 2 1 引言 第2 章故障识别方法 在设备故障珍断技术发展的初期阶段，通常采用以传感器技术和自动测试技术为基 础的常规诊断技术1 。随着人工智能技术的不断发展，尤其是人工神经网络和支持向量 机在故障诊断领域的应用，使故障诊断技术进入了一个新的发展阶段，即智能诊断阶段。 人工神经网络和支持向量机分别是二十世纪八十年代和九十年代兴起的两种机器 学习方法。人工神经网络是模拟人脑组织结构和人类认知过程的信息处理系统，它具有 高度的并行性、电好的容错性和联想记忆功能以及十分强大的自适应自学习功能。支持 向量机是建立在统计学习理论基础上的一种机器学习算法，学习机容易控制，不会产生 局部最小值，能获得全局最优解。目前人工神经网络和支持向量机在模式识别中应用的 很广泛，尤其是在机械故障诊断中更有上佳表现，它们的应用为故障诊断技术开辟了一 条新途径1 2 。2 神经网络 人脑是宇宙中已知最复杂、最完善和最有效的信息处理系统，是生物进化的最高产 物，是人类智能、思维和情绪等高级精神活动的基础，也是人类认识较少的领域之一。 长期以来，人们不断地通过神经学、生物学、心理学、认知学、数学、电子学和计算机 科学等一系列学科，对人类大脑，特别是中枢神经系统进行分析和研究，揭示大脑工作 的原理，认识人类意识的本质，并通过对人脑结构及其信息处理方式的研究，设计出具 有类似人脑某些功能的智能系统。人工神经网络正是模仿人类大脑神经系统功能和结构 而建立的一种智能化系统。 神经网络是人工神经网络( a r t i f i c i a l n e u r a l n e t w o r k 缩写为a n n ) 的简称，它是将生 物学上的真实人脑神经网络的结构和功能以及若干基本特性经抽象、简化和模拟而构成 的一种分布式信息处理结构。从系统观点来看，神经网络是由大量神经元通过极其丰富 和完善的联接而构成的自适应非线性动态系统。 2 2 1 神经网络的特点 神经网络虽然反映了人脑结构和功能的许多特性，但其构成并不追求对生物信息处 理系统的逼真描述，而是在宏观功能的层次上对其进行模拟，以期达到某种高效的处理 能力。神经网络吸取了生物神经网络的许多优点，因而有其固有的一些特点“： ( 1 ) 分布式的信息存储方式 神经网络是以各个处理器本身的状态和它们之间的连接形式存储信息的，一个信息 不是存储在个地方，而是按内容分布在整个网络上。网络上某一处不是只存储一个外 部信息，而是存储了多个信息的部分内容。整个网络对多个信息加工后才存储到网络各 处，因此，它是一种分布式存储方式。 ( 2 ) 大规模并行处理 神经网络在结构上是并行的，而且网络的各个单元可以同时进行类似的处理过程， 9 第2 章故障识别方法 根据接收的信息作独立的运算，然后将结果输出。因此，网络中的信息处理是在大量单 元中并行而又有层次地进行的，运算速度高。 ( 3 ) 自学习和自适应性 神经网络是一种变结构系统，神经元之间的连接多种多样，各神经元之问的连接强 度具有一定的可塑性，可以通过训练和学习来获得网络的权值与结构，网络对环境具有 很强的自适应性，对外界事物具有很强的自学习能力。 ( 4 ) 较强的容错性 神经网络分布式的信息存储方式，使其具有较强的容错性和联想记忆功能。这样， 如果某信息的一部分被丢失或损坏，网络仍能恢复出原来完整的信息，系统仍能运行。 2