在线测量往复机械传动链间隙量的方法及装置与流程

本申请涉及油气关键设备智能诊断领域，尤其是涉及一种在线测量往复机械传动链间隙量的方法及装置。

背景技术：

往复式压缩机是油气行业中普遍使用、不可或缺的大型关键设备之一，是油气产品生产平稳、可靠运行的基础。然而，往复式压缩机在长期运行使用中，其传动链的间隙受恶劣工况条件和复杂环境因素的影响而逐渐增加，且间隙过大会使往复机械在运行的过程中产生明显的噪音和振动，从而影响整个系统的稳定性和可靠性，降低生产精度，缩短使用寿命。因而，实时有效地监测往复机械传动链间隙状态，对于提高往复式压缩机运行的可靠性和安全性具有重要意义，并为进一步的预后维修决策提供支持。

目前广泛应用于监测往复机械传动链间隙量的测量技术，根据传感参数与往复机械部件状态之间的相关性，可分为直接传感和间接传感技术。直接传感(如油液分析，显微观察等)，作为一种离线测量技术，它能够以较高的准确度表征往复机械传动链间隙的状态，然而，由于监测过程中接触不便以及成本过高的原因，该方法常常作为实验分析技术，故很难在实际应用中得到推广。为了克服直接传感技术的缺陷，间接传感(如压力、振动、声发射等测量技术)由于可实现对传动链状态的实时在线测量、以及成本较低的优点而普遍应用于往复机械的状态监测。但该方法所测量的传感参数(如振动、压力等信号)仅仅是设备状态的间接表征，此外，由于受到外界环境噪声、传感器自身特点等的干扰，其采集的数据信噪比较低。

总而言之，直接传感和间接传感技术是目前用于监测往复机械传动链间隙最为普遍的两种测量技术，但两者既有优点，又有缺点。直接传感可作为监测往复机械传动链间隙的直接指标，但它通常需要离线测量，从而中断了设备的正常运行。另一方面，间接传感可连续测量往复机械传动机构运动过程中的辅助参数，但所得到的传感信息是其机械部件状态的间接指标，并不能直接表征在线间接测量信号与往复机械传动链间隙量间之间的关系，因此，这种方案往往难以准确预测出往复机械传动链间隙量。因而，如何融合直接传感与间接传感的优势，从而得到一种智能传感技术成为目前研究的一个热点。其次，如何更好地表征在线间接测量信号与往复机械传动链间隙量间的非线性关系，也是当下传感技术急需解决的另一个问题。

技术实现要素：

本申请实施例的目的在于提供一种在线测量往复机械传动链间隙量的方法及装置，以克服现有技术无法有效表征间接测量信号与传动链间隙量间复杂关系的缺陷，可实时估计往复机械传动链间隙的状态，以提高往复式压缩机状态监测的可靠性与鲁棒性，并为进一步的维修决策提供支持。

为达到上述目的，一方面，本申请实施例提供了一种在线测量往复机械传动链间隙量的方法，包括：采集反映往复机械传动链状态的多传感间接测量信号；对所述多传感间接测量信号进行预处理，以去除其中的背景噪声；针对预处理后的多传感间接测量信号，分别从时域、频域和时频域提取多域特征参数；对所述多域特征参数依次进行信度评价、特征筛选和信息融合，以获取融合特征参数；将获取的融合特征参数及离线间隙观测量输入至虚拟传感模型，建立表征所述多传感间接测量信号与传动链间隙量间的非线性关系；根据实时采集的多传感间接测量信号获取新的融合特征参数，并将所述新的融合特征参数代入所述虚拟传感模型，实时估计传动链间隙量。

本申请实施例的在线测量往复机械传动链间隙量的方法，在所述根据实时采集的多传感间接测量信号获取新的融合特征参数之后，还包括：根据在线优化方法和实时采集的多传感间接测量信号在线优化所述虚拟传感模型；将实时估计的传动链间隙量与实际传动链间隙量进行比较，并计算在线测量的误差，以确定往复机械传动链间隙的当前状态。

本申请实施例的在线测量往复机械传动链间隙量的方法，所述多传感间接测量信号包括但不限于振动加速度信号、压力信号和声发射信号。

本申请实施例的在线测量往复机械传动链间隙量的方法，所述预处理的实现方法包括但不限于盲源分离和包络解调。

本申请实施例的在线测量往复机械传动链间隙量的方法，所述多域特征参数包括但不限于以下特征参数：时域特征参数，其包括峰峰值、有效值、方根幅值、峭度值、峰值因子和裕度值；频域特征参数，其包括在对预处理后的多传感间接测量信号进行傅里叶变换，并在此基础上提取的0～0.5采样频率功率谱上的均值、最大值、均方值、方差值、偏斜度值和度值；时频域特征参数：其包括在对预处理后的多传感间接测量信号进行5层小波包分解，并在此基础上提取的前1-10个节点的小波能量和小波能量比。

本申请实施例的在线测量往复机械传动链间隙量的方法，所述对所述多域特征参数依次进行信度评价、特征筛选和信息融合，包括：计算多域特征参数中每个特征参数的相关度指标，所述相关度指标作为衡量该特征参数表征传动链间隙状态信度大小的一个指标；计算多域特征参数中每个特征参数的趋势性指标，所述趋势性指标作为衡量该特征参数表征传动链间隙状态信度大小的另一个指标；将每个特征参数的相关度指标和趋势性指标进行相乘，获得每个特征参数的一个新指标，以作为衡量该特征参数表征传动链间隙状态信度大小的综合评价指标；根据每个特征参数的综合评价指标的大小，从所述多域特征参数的n个特征参数中筛选出m个特征参数作为敏感特征参数；对所述敏感特征参数进行信息融合，实现所述信息融合的方法包括但不限于核主元分析方法。

本申请实施例的在线测量往复机械传动链间隙量的方法，所述相关度指标通过以下公式计算得到：其中，x＝(x1,x2,...,xp)为特征参数向量，p为特征参数向量x的长度，y＝(y1,y2,...,yp)为离线间隙观测量，cor(x,y)为相关度，xi为特征参数向量中第i个特征参数的参数值，为相应特征参数的均值，yi为第i个离线间隙观测量，为各个离线间隙观测量的均值。

本申请实施例的在线测量往复机械传动链间隙量的方法，所述趋势性指标通过以下公式计算得到：其中，tre(x,t)为趋势性指标，x＝(x1,x2,...,xp)为特征参数向量，p为特征参数向量x的长度，t＝(t1,t2,...,tp)为时间向量，xi为ti时刻对应的特征参数的参数值。

本申请实施例的在线测量往复机械传动链间隙量的方法，所述虚拟传感模型包括但不限于elm模型。

另一方面，本申请实施例还提供了一种在线测量往复机械传动链间隙量的装置，包括：数据采集模块，用于采集反映往复机械传动链状态的多传感间接测量信号；信号预处理模块，用于对所述多传感间接测量信号进行预处理，以去除其中的背景噪声；多域特征提取模块，用于针对预处理后的多传感间接测量信号，分别从时域、频域和时频域提取多域特征参数；多源信息融合模块，用于对所述多域特征参数依次进行信度评价、特征筛选和信息融合，以获取融合特征参数；模型构建模块，用于将获取的融合特征参数及离线间隙观测量输入至虚拟传感模型，建立表征所述多传感间接测量信号与传动链间隙量间的非线性关系；根据实时采集的多传感间接测量信号获取新的融合特征参数，并将所述新的融合特征参数代入所述虚拟传感模型，实时估计传动链间隙量。

本申请实施例的在线测量往复机械传动链间隙量的装置，该装置还包括：模型在线优化模块，用于根据在线优化方法和实时采集的多传感间接测量信号在线优化所述虚拟传感模型；将实时估计的传动链间隙量与实际传动链间隙量进行比较，并计算在线测量的误差，以确定往复机械传动链间隙的当前状态。

本申请实施例的在线测量往复机械传动链间隙量的装置，所述多传感间接测量信号包括但不限于振动加速度信号、压力信号和声发射信号。

本申请实施例的在线测量往复机械传动链间隙量的装置，所述预处理的实现方法包括但不限于盲源分离和包络解调。

本申请实施例的在线测量往复机械传动链间隙量的装置，所述多域特征参数包括但不限于以下特征参数：时域特征参数，其包括峰峰值、有效值、方根幅值、峭度值、峰值因子和裕度值；频域特征参数，其包括在对预处理后的多传感间接测量信号进行傅里叶变换，并在此基础上提取的0～0.5采样频率功率谱上的均值、最大值、均方值、方差值、偏斜度值和度值；时频域特征参数：其包括在对预处理后的多传感间接测量信号进行5层小波包分解，而后提取的前1-10个节点的小波能量和小波能量比。

本申请实施例的在线测量往复机械传动链间隙量的装置，所述对所述多域特征参数依次进行信度评价、特征筛选和信息融合，包括：

计算多域特征参数中每个特征参数的相关度指标，所述相关度指标作为衡量该特征参数表征传动链间隙状态信度大小的一个指标；计算多域特征参数中每个特征参数的趋势性指标，所述趋势性指标作为衡量该特征参数表征传动链间隙状态信度大小的另一个指标；将每个特征参数的相关度指标和趋势性指标进行相乘，获得每个特征参数的一个新指标，以作为衡量该特征参数表征传动链间隙状态信度大小的综合评价指标；根据每个特征参数的综合评价指标的大小，从所述多域特征参数的n个特征参数中筛选出m个特征参数作为敏感特征参数；对所述敏感特征参数进行信息融合，实现所述信息融合的方法包括但不限于核主元分析方法。

本申请实施例的在线测量往复机械传动链间隙量的装置，所述相关度指标通过以下公式计算得到：其中，x＝(x1,x2,...,xp)为特征参数向量，p为特征参数向量x的长度，y＝(y1,y2,...,yp)为离线间隙观测量，cor(x,y)为相关度，xi为特征参数向量中第i个特征参数的参数值，为相应特征参数的均值，yi为第i个离线间隙观测量，为各个离线间隙观测量的均值。

本申请实施例的在线测量往复机械传动链间隙量的装置，所述趋势性指标通过以下公式计算得到：其中，tre(x,t)为趋势性指标，x＝(x1,x2,...,xp)为特征参数向量，p为特征参数向量x的长度，t＝(t1,t2,...,tp)为时间向量，xi为ti时刻对应的特征参数的参数值。

本申请实施例的在线测量往复机械传动链间隙量的装置，所述虚拟传感模型包括但不限于elm模型。

由此可见，与现有技术相比较，本申请实施例通过融合低成本的在线间接测量信号与高精度的离线间隙测量来实时估计往复机械传动链的间隙量，其具有如下有益效果：

第一，本申请实施例可对获取的多传感间接测量信号进行以降噪与信号增强为目的的信号预处理，其中，信号预处理的方法包括但不限于盲源分离和包络解调方法。该方法可在保留传动链间隙内在特性变化的同时，消除背景噪声的影响，提高多传感间接测量信号的信噪比。

第二，本申请实施例在提取往复机械传动链间隙特征参数时，可根据预处理后的多传感间接测量信号，从时域、频域和时频域中获取到多域特征参数，从而克服了现有技术采用单一传感器下单一域特征参数无法全面表征往复机械传动链间隙变化规律的缺点。

第三，本申请实施例可实现多域特征参数的信度评价、特征筛选和信息融合，这样，不仅可以避免人为选择特征的盲目性，还可以去除多传感间接测量信号中的冗余信息，并提高虚拟传感模型的在线测量效率。

第四，本申请实施例在表征多传感间接测量信号与往复机械传动链间隙量间的非线性关系时，可利用虚拟传感模型自身强大的非线性表示与泛化能力，充分挖掘传动链间隙的变化规律，相比传统的传感技术，可以更好地学习传动链间隙的发展过程。

第五，本申请实施例可在线优化方法自适应调整虚拟传感模型的参数，从而改善了往复机械传动链间隙在恶劣工况和复杂环境因素影响下呈现动态变化的缺陷，从而提高了往复机械传动链间隙在线测量的可靠性与鲁棒性。

第六，本申请实施例可实时估计往复机械传动链间隙的状态与测量误差，使得如此，相关工程人员可在尚能控制的范围内及早预知设备可能存在的危险状态，并可进一步分析潜在诱发原因，以便于及时给出合理建议及维修方案，从而避免安全事故的发生并减少停机测量所造成的经济损失。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，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。在附图中：

图1为本申请一实施例的在线测量往复机械传动链间隙量的方法的流程图；

图2为本申请一实施例的elm模型的网络结构示意图；

图3为本申请一实施例的在线测量往复机械传动链间隙量的装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

参考图1所示，本申请实施例的在线测量往复机械传动链间隙量的方法可以包括以下步骤：

s101、采集反映往复机械传动链状态的多传感间接测量信号。

本申请实施例中，所述多传感间接测量信号可以包括但不限于振动加速度信号、压力信号和声发射信号等，即所述多传感间接测量信号可通过振动加速度传感器、压力传感器、声发射传感器等采集得到，从而克服了单一传感器无法充分表征传动链间隙状态的缺陷。

s102、对所述多传感间接测量信号进行预处理，以去除其中的背景噪声。

本申请实施例中，可通过盲源分离、包络解调等方法对采集的多传感间接测量信号进一步处理，从而去除传感观测中的背景噪声，提高信噪比。

s103、针对预处理后的多传感间接测量信号，分别从时域、频域和时频域提取多域特征参数。

本申请实施例中，所述多域特征参数包括但不限于以下特征参数：

时域特征参数，其包括峰峰值、有效值、方根幅值、峭度值、峰值因子和裕度值；

频域特征参数，其包括在对预处理后的多传感间接测量信号进行傅里叶变换，并在此基础上提取的0～0.5采样频率功率谱上的均值、最大值、均方值、方差值、偏斜度值和度值；

时频域特征参数：其包括在对预处理后的多传感间接测量信号进行5层小波包分解，并在此基础上提取的前1-10个节点的小波能量和小波能量比。

本申请实施例针对预处理后的多传感间接测量信号，分别从时域、频域和时频域提取多域特征参数，从而克服了单一传感器下单一域特征参数无法全面表征往复机械传动链间隙变化规律的缺点。

s104、对所述多域特征参数依次进行信度评价、特征筛选和信息融合，以获取融合特征参数。具体包括如下步骤：

s1041、计算多域特征参数中每个特征参数的相关度指标，所述相关度指标作为衡量该特征参数表征传动链间隙状态信度大小的一个指标。其中，所述相关度指标可通过以下公式计算得到：

其中，x＝(x1,x2,...,xp)为特征参数向量，p为特征参数向量x的长度，y＝(y1,y2,...,yp)为离线间隙观测量，cor(x,y)为相关度，xi为特征参数向量中第i个特征参数的参数值，为相应特征参数的均值，yi为第i个离线间隙观测量，为各个离线间隙观测量的均值。

s1042、计算多域特征参数中每个特征参数的趋势性指标，所述趋势性指标作为衡量该特征参数表征传动链间隙状态信度大小的另一个指标。其中，所述趋势性指标可通过以下公式计算得到：

其中，tre(x,t)为趋势性指标，x＝(x1,x2,...,xp)为特征参数向量，p为特征参数向量x的长度，t＝(t1,t2,...,tp)为时间向量，xi为ti时刻对应的特征参数的参数值。

s1043、考虑到相关度和趋势性两种指标的重要性，将每个特征参数的相关度指标和趋势性指标进行相乘，可获得每个特征参数的一个新指标，以作为衡量该特征参数表征传动链间隙状态信度大小的综合评价指标。且上述综合评价指标的指标值越大，则对应特征参数表征传动链间隙的信度越大。

s1044、根据每个特征参数的综合评价指标的大小，从所述多域特征参数的n个特征参数中筛选出m个特征参数作为表征传动链间隙的敏感特征参数。例如，以0.5为阈值，从n个特征参数中筛选出m个信度大于0.5的特征参数，作为敏感特征参数。

s1045、对所述敏感特征参数进行信息融合，所述信息融合的方法包括但不限于核主元分析(kernelprincipalcomponentanalysis，简称kpca)方法。该方法具体可以包括：

将筛选后的m个特征参数进行重组，得到表征往复机械传动链间隙的多源特征矩阵其中：xj＝(x1j,x2j,…,xpj)^t是对应第j个敏感特征参数，p是特征参数xj的长度。具体融合过程如下：

(1)、对特征矩阵进行标准化处理，即：

式中，是第j个敏感特征参数xj的均值；sj为xj的标准方差。

(2)、通过核函数将m维多源特征矩阵映射到高维特征空间，并求出映射特征矩阵k，其中

(3)、对k进行中心化，得到新矩阵并计算的m个特征值λ1≥λ2≥…≥λm，以及对应的特征向量u＝(u1,u2,…,um)；

(4)、计算信息融合后前l个主元特征的累计贡献率，使其在去除冗余信息的同时，至少保留原始特征信息的95％：

(5)、计算前l个主元特征：

z＝u^tx

式中，u＝(u1,u2,…,um)；z＝(z1,z2,…,zl)。

此外，还可以利用上述的信度计算方法计算融合特征参数的信度，并同信度融合前的n个特征参数的进行比较，进而可以验证信度融合方法的科学性。

本申请实施例中，通过对多域特征参数进行信息融合，不仅可以避免人为选择特征的盲目性，而且可以去除传感观测中的冗余信息，从而有利于提高虚拟传感模型在线测量的效率。

s105、将获取的融合特征参数及离线间隙观测量输入至虚拟传感模型，建立表征所述多传感间接测量信号与传动链间隙量间的非线性关系。

本申请实施例中，根据获取的融合特征参数和离线间隙观测量，通过虚拟传感模型来建立多传感间接测量信号与往复机械传动链间隙量间的表征关系，从而实现传动链间隙量的在线测量。考虑到极限学习机(extremelearningmachine，简称elm)预测方法强大的非线性表示与泛化能力，下面以该方法为例详细描述虚拟传感模型的构建过程，如图2所示，为elm模型的网络结构示意图。其包括输入层、输出层以及位于二者之间的隐含层。该方法包括以下步骤：

1)、随机设置elm模型的隐含层学习参数wi和bi；

将获取的融合特征矩阵z(即融合特征参数构成的矩阵)和离线间隙观测量y重组，可得新矩阵(zi,yi)∈r^l×r，其中zi＝[zi1,zi2,…,zil]^t是融合特征矩阵z的第i行采样数据，yi是第i个离线间隙观测量。为了实现上述目的，elm模型被用来表征多传感间接测量信号与传动链间隙量间的非线性关系，其具体描述如下：

其中，是隐含层节点的数量，wi＝[wi1,wi2,…,wil]^t表示网络输入到隐含层的连接权值，wi表示输入至第i个隐含层节点的连接权值，bi表示第i个隐含层节点的阈值；zi为融合特征矩阵z的第i行采样数据，βi表示第i个隐含层节点到输出层的连接权值；wi·zj表示wi和zj的内积；g(x)为sigmoid函数，且

2)、计算隐含层输出矩阵h；

上式(5-1)可进一步简化为：

hβ＝y(5-2)

其中，y＝[y1,y2,…,yp]。h被称为elm模型的隐含层输出矩阵，第i列是对应输入的第i个隐含层节点输出。

为了建立多传感间接测量信号与传动链间隙间的表征关系，elm模型需进一步寻找最优的使得式(5-3)成立。

即，确保损失函数(目标函数)e(wi,bi,β)最小，损失函数的表达式如下：

3)、计算输出权值

考虑到实际应用中矩阵h^th奇异的特点，本申请实施例中可以运用奇异值分解方法来求解隐含层输出矩阵h的广义逆，其具体方法如下：

其中，h^t为h的转置矩阵，h⁺为h的广义逆，(h^th)^-1为h^th的逆矩阵。

在得到输出权值后，将代入上式(5-1)中的βi，即可得到elm模型。

s106、根据实时采集的多传感间接测量信号获取新的融合特征参数，并将所述新的融合特征参数代入所述虚拟传感模型，实时估计传动链间隙量。

本申请实施例中，可实时将最新采集的多传感间接测量信号按上述的方法进行处理，获取新的融合特征矩阵，接着把上述训练得到的输出权值和新的融合特征矩阵带入虚拟传感模型(即elm模型)中，从而实现实时估计往复机械传动链间隙量。

可选的，本申请实施例中，在之后实时估计传动链间隙量还可以包括：

s107、根据在线优化方法和实时采集的多传感间接测量信号在线优化所述虚拟传感模型；将实时估计的传动链间隙量与实际传动链间隙量进行比较，并计算在线测量的误差，以确定往复机械传动链间隙的当前状态。

本申请实施例通过在线优化方法如最大期望算法等，利用最新采集的多传感间接测量信号自适应更新elm模型中隐含层节点从而改善了elm模型在传动链间隙动态变化条件下在线测量的可靠性与鲁棒性。

此外，还可以将elm模型所估计的传动链间隙量与实际间隙量进行比较，并计算在线测量的误差，以确定往复机械传动链间隙的当前状态，如此，相关工程人员可在尚能控制的范围内及早预知设备可能存在的危险状态，并可进一步分析潜在诱发原因，以便于及时给出合理建议及维修方案，从而避免安全事故的发生并减少停机测量所造成的经济损失。

参考图3所示，本申请实施例的在线测量往复机械传动链间隙量的装置可以包括：

数据采集模块31，用于采集反映往复机械传动链状态的多传感间接测量信号；

信号预处理模块32，用于对所述多传感间接测量信号进行预处理，以去除其中的背景噪声；

多域特征提取模块33，用于针对预处理后的多传感间接测量信号，分别从时域、频域和时频域提取多域特征参数；

多源信息融合模块34，用于对所述多域特征参数依次进行信度评价、特征筛选和信息融合，以获取融合特征参数；

模型构建模块35，用于将获取的融合特征参数及离线间隙观测量输入至虚拟传感模型，建立表征所述多传感间接测量信号与传动链间隙量间的非线性关系；根据实时采集的多传感间接测量信号获取新的融合特征参数，并将所述新的融合特征参数代入所述虚拟传感模型，实时估计传动链间隙量。

此外，本申请实施例的在线测量往复机械传动链间隙量的装置还可以包括：

模型在线优化模块36，用于根据在线优化方法和实时采集的间接测量信号在线优化所述虚拟传感模型；将实时估计的传动链间隙量与实际传动链间隙量进行比较，并计算在线测量的误差，以确定往复机械传动链间隙的当前状态。

本申请实施例的装置与上述本申请实施例的方法对应，因此，有关于本申请实施例的装置细节，请参见上述本申请实施例的方法，在此不再赘述。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。