专利名称：一种往复压缩机的故障检测方法与装置的制作方法
技术领域：
本发明涉及石油化工领域，尤其涉及大型动力机组的故障诊断，具体的讲是涉及一种往复式压缩机的故障检测方法及装置。
背景技术：
以往复式压缩机为代表的大型动力机组是石化企业的关键动力设备，由于这类机组功率大、转速高、流量大、压力高、结构复杂、监控仪表繁多，运行及检修要求高，因此在设 计、制造、安装、检修、运行等环节稍有不当，都会造成机组在运行时发生种种故障，甚至造成设备损坏、有毒有害物质泄漏、人员伤亡等重大事故。应用状态监测与故障诊断技术，可以避免不必要的非正常停机，有效地制定相应的维修策略，减少经济损失，保障生产的顺利进行。目前，国内外对大型机组的故障诊断大都集中围绕在利用振动信号监测诊断运行状况。然而，仅凭这一点，还不能全面评价和诊断大机组的实际运行综合性能。大机组的安全、平稳运行还取决于运行时工艺条件(如温度、压力、气体性质等)变化的影响和机器内部工作元件的完好程度，即所谓机组的热力状态。机组运行时的热力状态，不但直接影响其能否高效、经济运行，而且许多大机组重大运行事故的原因是与工艺条件发生变化时未能及时调整机组运行工况有关的。将机组热力状态监测与运行工况监测相结合，有助于适时主动地调整运行参数，防止相关运行事故的发生。
发明内容
本发明的目的是针对石化企业关键的往复式压缩机组，开发出一套基于振动监测和热力参数监测，融合了多参数的故障检测技术，为炼厂设备的安、稳、长、满、优运行提供技术支持。为了达到上述目的，本发明实施例公开了一种往复压缩机的故障检测方法，包括获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征；根据所述的振动信号参数特征，生成状态特征指标集；根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集；根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型；根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。
本发明还公开了一种往复压缩机的故障检测装置，包括参数特征获取单元，用于获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征；状态特征指标集生成单元，用于根据所述的振动信号参数特征，生成状态特征指标集；工况特征指标集生成单元，用于根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集；故障诊断模型生成单元，用于根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型；故障检测结果生成单元，用于根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。本发明的往复压缩机的故障检测方法及装置可产生的有益效果是本发明基于振动检测和热力检测，融合两种检测手段的监测信息，对往复式压缩机运行状态做出判定，相比于采用单一检测手段的故障诊断技术，该发明显著地提高了判断结论的准确率。本发明融合往复式压缩机运行中的多项参数，并利用特征指标优选技术对特征指标进行筛选，有效地诊断出往复压缩机部件的故 障状态。本发明的故障检测技术操作简便，成本低，准确率高，易于推广应用。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图I为本发明往复压缩机的故障检测方法的一种实施例的方法流程图；图2为本发明往复压缩机的故障检测装置的一种实施例的结构示意图；图3为图2所示实施例的参数特征获取单元的结构示意图；图4为图2所示实施例的故障检测结果生成单元的结构示意图。
具体实施例方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图I为本发明往复压缩机的故障检测方法的一个实施例的方法流程图，所述的故障检测方法包括S101，获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征。其中，利用加速度传感器，将其安装在往复压缩机组的曲轴轴承座、气缸缸套外表面、气阀阀座等关键部位,测量对应部件的加速度振动信号。利用温度传感器和压力传感器，分别测量往复压缩机组的气缸进气温度、排气温度、进气压力、排气压力。S102，根据所述的振动信号参数特征，生成状态特征指标集。提取所述振动信号参数的信息熵特征，包括奇异谱熵、自相关熵、功率谱熵、小波包能量谱熵以及局域波能量谱熵。针对振动信号UJt1，其中L为采样点数，具体提取过程如下I)奇异谱熵奇异谱熵可描述信号奇异谱信息的不确定性程度。对于振动信号{\}^利用相空间重构技术构造如式⑴所示的轨道矩阵。
权利要求
1.一种往复压缩机的故障检测方法，其特征在于，所述的故障检测方法包括 获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征； 根据所述的振动信号参数特征，生成状态特征指标集； 根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集； 根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型； 根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。
2.如权利要求I所述的故障检测方法，其特征在于，所述获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征，包括 利用加速度传感器，获取所述往复压缩机对应部件的加速度振动信号； 利用温度传感器和压力传感器，测量得到所述往复压缩机的气缸进气温度、排气温度、进气压力以及排气压力。
3.如权利要求I所述的故障检测方法，其特征在于，所述根据所述振动信号参数特征，生成状态特征指标集，包括 提取所述振动信号参数的信息熵特征，包括奇异谱熵、自相关熵、功率谱熵、小波包能量谱熵以及局域波能量谱熵。
4.如权利要求I所述的故障检测方法，其特征在于，所述根据所述的振动信号参数和热力参数，生成工况特征指标集，包括 提取所述振动信号参数的时域频域特征，并对所述的时域频域特征进行优选； 根据所述优选后的时域频域特征和所述热力参数特征，生成工况特征指标集。
5.如权利要求I所述的故障检测方法，其特征在于，所述根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果，包括 根据D-S证据融合理论，融合不同故障状态下的概率函数 m(A)~ mM^2(A) 1 I- E W1(A)W2Cey);其中， 4 =O Hi1 (Ai), i = 1，2，…，M，为利用所述状态特征RBF故障诊断模型判断出的不同故障状态下的概率函数；m2 (Ai), i = 1,2,…，M为利用所述工况特征RBF故障诊断模型判断出的不同故障状态下的概率函数。
6.一种往复压缩机的故障检测装置，其特征在于，所述的故障检测装置包括 参数特征获取单元，用于获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征； 状态特征指标集生成单元，用于根据所述的振动信号参数特征，生成状态特征指标集； 工况特征指标集生成单元，用于根据所述的振动信号参数特征和热力参数特征，生成工况特征指标集； 故障诊断模型生成单元，用于根据所述的状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型；故障检测结果生成单元，用于根据所述的状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。
7.如权利要求6所述的故障检测装置，其特征在于，所述的参数特征获取单元包括 加速度传感器，用于获取所述往复压缩机对应部件的加速度振动信号； 温度传感器，用于测量所述往复压缩机的气缸进气温度及排气温度； 压力传感器，用于测量所述往复压缩机的进气压力以及排气压力。
8.如权利要求6所述的故障检测装置，其特征在于，所述的状态特征指标集生成单元，用于提取所述振动信号参数的信息熵特征，包括奇异谱熵、自相关熵、功率谱熵、小波包能量谱熵以及局域波能量谱熵。
9.如权利要求6所述的故障检测装置，其特征在于，所述的工况特征指标集生成单元包括 时域频域特征优选单元，用于提取所述振动信号参数的时域频域特征，并对所述的时域频域特征进行优选。
10.如权利要求6所述的故障检测装置，其特征在于，所述的故障检测结果生成单元包括 状态特征故障概率生成单元，用于利用所述状态特征RBF故障诊断模型判断出的不同故障状态下的概率函数Hi1 (Ai), i = 1,2,…，M; 工况特征故障概率生成单元，用于利用所述工况特征RBF故障诊断模型判断出的不同故障状态下的概率函数m2 (Ai), i = 1,2,…，M; 融合概率生成单元，用于根据D-S证据融合理论，融合不同故障状态下的概率函数
全文摘要
本发明公开了一种往复压缩机的故障检测方法及装置，所述方法包括获取往复压缩机的振动信号参数特征以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征；根据振动信号参数特征，生成状态特征指标集；根据振动信号参数特征和热力参数特征，生成工况特征指标集；根据状态特征指标集和工况特征指标集，分别构建状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型；根据状态特征径向基核函数RBF故障诊断模型和工况特征径向基核函数RBF故障诊断模型，利用D-S证据融合理论，生成故障检测结果。本发明融合两种检测手段的监测信息，显著地提高了判断结论的准确率，且操作简便，成本低，准确率高，易于推广应用。
文档编号F04B51/00GK102797671SQ20111013802
公开日2012年11月28日 申请日期2011年5月25日 优先权日2011年5月25日
发明者张来斌, 段礼祥 申请人:中国石油大学(北京)