往复式压缩机运行状态监测方法、系统、设备及存储介质

1.本发明属于压缩机技术领域，具体涉及一种往复式压缩机运行状态监测方法、系统、设备及存储介质。


背景技术：

2.往复式压缩机是石油化工行业的核心装备，其能否正常运行直接关系到企业的经济效益和生产安全。有些工艺压缩机的压缩机介质为氢气、乙烯、天然气等易燃易爆的气体，且工作在高压条件下，一旦发生严重的故障不仅会造成巨大的经济损失，还可能会造成人员伤亡。因此，研究往复式压缩机的异常检测技术，尽早发现压缩机中的异常状况，并采取相应的防治措施具有重要意义。
3.往复式压缩机的结构复杂，易损件多，故障率一直居高不下。尽管目前有众多的故障诊断技术，但是大多数故障诊断技术都需要大量的正常样本和故障样本用来训练，而在工业现场，绝大多数并没有足够的故障样本，只能尽可能地搜集到正常样本。那么如何只利用正常样本就准确地、及时地、简便地反映压缩机的运行状况，优先检测出其中的异常情况，相比于直接判断故障类型，更具有研究价值。
4.目前，对于压缩机的异常监控主要是依赖于某些特定的单一限值，比如振动加速度的阈值等，这样的监测行为足够简便但是不够准确、不够全面，而且较为依赖人工经验。因此，亟需人们采取新的技术对现有的异常检测做出改进和突破，尽可能地提高异常检测的准确率，减少人工的依赖性，并且做到能在工业现场简便易行地实施这样的异常检测技术。


技术实现要素：

5.为了克服上述现有技术存在的问题，本发明的目的在于提出一种往复式压缩机运行状态监测方法、系统、设备及存储介质，本发明在只利用正常样本的情况下、将几个特征相结合，能够准确、全面地实现往复式压缩机的运行状态监测。
6.为了实现上述目的，本发明采用的解决方案是：
7.一种往复式压缩机运行状态监测方法，包括如下过程：
8.对采集到的压缩机振动信号进行预处理，得到压缩机每个运行周期的振动信号样本；
9.根据采集到的压缩机气缸内动态压力和键相信号，得到压缩机每个运行周期的p
‑
v图；
10.对每个振动信号样本进行特征提取，得到振动信号样本的特征；
11.对每个运行周期的p
‑
v图进行特征提取，得到p
‑
v图特征；
12.将压缩机同一运行周期的振动信号样本的特征和p
‑
v图特征合并到一起，得到压缩机该运行周期的特征向量；
13.计算每个特征向量的马氏距离，并将得到的马氏距离与预设的马氏距离阈值进行
比较，判断压缩机的运行状态。
14.优选的，对每个振动信号样本进行特征提取，得到振动信号样本的特征的过程包括：
15.采用局部均值分解的方法将每个振动信号样本进行分解；
16.对每个振动信号样本提取局部均值分解得到的前若干个pf分量的均方根、峰值因子、方差、峰度、偏度和信息熵，将每个振动信号样本的前若干个pf分量的均方根、峰值因子、方差、峰度、偏度和信息熵作为该振动信号样本的特征。
17.优选的，对每个振动信号样本提取局部均值分解得到的前3～4个pf分量的均方根、峰值因子、方差、峰度、偏度和信息熵。
18.优选的，压缩机的每个运行周期包括膨胀过程、压缩过程、进气过程和排气过程，p
‑
v图特征包括膨胀过程的特征、压缩过程的特征、进气过程的特征和排气过程的特征；
19.对每个运行周期的p
‑
v图进行特征提取，得到p
‑
v图特征的过程包括：
20.其中，对于膨胀过程：使用击中或击不中变换方法，统计p
‑
v图中膨胀过程中的不同特征像素结构元素的数目，利用不同特征像素结构元素的数目以及三角合成原理，得到代表膨胀过程线斜率的综合角度，将该综合角度作为膨胀过程线的特征，膨胀过程线的特征作为膨胀过程的特征；
21.对于压缩过程：使用击中或击不中变换方法，统计p
‑
v图压缩过程中的不同特征像素结构元素的数目，利用不同特征像素结构元素的数目以及三角合成原理，得到代表压缩过程线斜率的综合角度，将该综合角度作为压缩过程线的特征，压缩过程线的特征作为压缩过程的特征；
22.对于进气过程的特征：将p
‑
v图中进气过程线向垂直于p
‑
v图中v坐标轴方向进行投影，将投影后的结果在v坐标轴方向像素长度上等分为若干份，分别统计每份中像素点的数量，将每份中像素点的数量依次排列得到垂直投影特征向量，将该垂直投影特征向量作为进气过程的特征；
23.对于排气过程的特征：将p
‑
v图中排气过程线向垂直于p
‑
v图中v坐标轴方向进行投影，将投影后的结果在v坐标轴方向像素长度上等分为若干份，分别统计每份中像素点的数量，将每份中像素点的数量依次排列得到垂直投影特征向量，将该垂直投影特征向量作为排气过程的特征。
24.优选的，对于膨胀过程和压缩过程，p
‑
v图中不同特征像素结构元素包括第一类特征像素结构元素、第二类特征像素结构元素和第三类特征像素结构元素：
25.其中，第一类特征像素结构元素包含两个相邻的像素，这两个相邻的像素的其中一条对角线共线，且共线的对角线倾斜方向为向p
‑
v图中的p轴方向倾斜；
26.第二类特征像素结构元素包含两个相邻的像素，这两个相邻的像素具有一条共同的边，这两个相邻的像素为平行于p
‑
v图中p轴方向上的两个像素；
27.第三类特征像素结构元素包含两个相邻的像素，这两个相邻的像素具有一条共同的边，这两个相邻的像素为平行于p
‑
v图中v轴方向上的两个像素。
28.优选的，预设的马氏距离阈值得确定过程包括：
29.获取压缩机在正常工况下的多个周期的振动信号样本和p
‑
v图；
30.对每个振动信号样本进行特征提取，得到振动信号样本的特征；
31.对每个运行周期的p
‑
v图进行特征提取，得到p
‑
v图特征；
32.将压缩机同一运行周期的振动信号样本的特征和p
‑
v图特征合并到一起，得到压缩机该运行周期的特征向量；
33.计算每个特征向量的马氏距离，得到所述若干周期对应的马氏距离，将其中马氏距离的最大值作为预设的马氏距离阈值。
34.优选的，将得到的马氏距离与预设的马氏距离阈值进行比较，判断压缩机的运行状态的过程包括：
35.当所有特征向量的马氏距离中，存在大于预设的马氏距离阈值的情形时，判断压缩机的运行状态为异常状态；
36.当所有特征向量的马氏距离均不大于预设的马氏距离阈值时，判断压缩机的运行状态为正常状态。
37.本发明还提供了一种往复式压缩机运行状态监测系统，包括：
38.振动信号样本获取模块：用于对采集到的压缩机振动信号进行预处理，得到压缩机每个运行周期的振动信号样本；
39.p
‑
v图获取模块：用于根据采集到的压缩机气缸内动态压力和键相信号，得到压缩机每个运行周期的p
‑
v图；
40.第一特征提取模块：用于对每个振动信号样本进行特征提取，得到振动信号样本的特征；
41.第二特征提取模块：用于对每个运行周期的p
‑
v图进行特征提取，得到p
‑
v图特征；
42.特征融合模块：用于压缩机同一运行周期的振动信号样本的特征和p
‑
v图特征合并到一起，得到压缩机该运行周期的特征向量；
43.运行状态判断模块：用于计算每个特征向量的马氏距离，并将得到的马氏距离与预设的马氏距离阈值进行比较，判断压缩机的运行状态。
44.本发明还提供了一种电子设备，包括：
45.一个或多个处理器；
46.存储装置，其上存储有一个或多个程序；
47.当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明如上所述的往复式压缩机运行状态监测方法。
48.本发明还提供了一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明如上所述的往复式压缩机运行状态监测方法。
49.本发明具有如下有益效果：
50.依靠单一的p
‑
v图或者振动信号来进行对往复式压缩机进行运行状态监测具有一定的局限性，仅靠其中一种手段并不能全面反映压缩机的运行状况，而本发明往复式压缩机运行状态监测方法将p
‑
v图特征和振动信号的振动信号样本特征融合到一起，能够多方面、多角度较为全面地衡量压缩机地运行状况；本发明的往复式压缩机运行状态监测方法仅依靠一些正常样本就能实现异常检测，避免了工业应用过程中缺少异常样本用以训练的问题，实现了半监督式的异常检测；本发明的往复式压缩机运行状态监测技术简便易行，计算成本低，能够快速计算出压缩机的运行状况，能够满足工业现场的应用需求。
附图说明
51.图1是本发明往复式压缩机运行状态监测方法的原理框架示意图。
52.图2是本发明往复式压缩机运行状态监测方法的具体实施流程图。
53.图3(a)是本发明击中或击不中变换所统计的第一类特征像素结构元素结构图。
54.图3(b)是本发明击中或击不中变换所统计的第二类特征像素结构元素结构图。
55.图3(c)是本发明击中或击不中变换所统计的第三类特征像素结构元素结构图。
56.图4是本发明振动信号经局部均值分解后的各分量示意图。
57.图5(a)是本发明往复式压缩机p
‑
v图的示意图。
58.图5(b1)是本发明往复式压缩机p
‑
v图分段处理后进气过程的示意图；图5(b2)是本发明往复式压缩机p
‑
v图分段处理后排气过程的示意图；图5(b3)是本发明往复式压缩机p
‑
v图分段处理后压缩过程的示意图；图5(b4)是本发明往复式压缩机p
‑
v图分段处理后膨胀过程的示意图。
59.图6是本发明实施例中运行状态监测方法的计算结果示意图。
具体实施方式
60.以下将对本发明的实施进行详细描述。
61.参照图1、图2、图3(a)
‑
图3(c)本发明往复式压缩机运行状态监测方法包括以下步骤：
62.(1)对采集到的原始压缩机振动信号进行预处理，得到压缩机每个运行周期的振动信号样本；结合采集到的压缩机气缸内动态压力和键相信号，得到压缩机每个运行周期的p
‑
v图；；
63.(2)对每个运行周期的振动信号样本和每个运行周期的p
‑
v图分别进行特征提取，并将提取的同一周期的特征合并到一起，共同构成该运行周期多信息融合的特征向量；
64.(3)计算多信息融合的特征向量的马氏距离并与已有的马氏距离阈值比较，判断压缩机的运行状况；
65.其中，步骤(1)具体包括：
66.步骤1.1，采集到往复式压缩机排气阀的振动信号，以键相信号的触发作为往复式压缩机每个运行周期的起点，每两个键相信号期间的长度即视为一个运行周期，以此划分原始振动信号为一个个的振动信号样本。
67.步骤1.2，同样，以键相信号的触发作为往复式压缩机每个运行周期的起点，根据气缸工作容积v和曲轴转角θ的对应关系，得到气缸工作容积v的表达式，再结合气缸内的动态压力p绘制压缩机每个运行周期的p
‑
v图。
68.其中，步骤(2)具体包括：
69.步骤2.1，采用局部均值分解的方法将振动信号样本x(t)分解为n个pf分量c
i
(t)和一个余量u
n
(t)之和，即i表示pf分量的序号，取值为1～n，t表示时间。对振动信号样本x(t)进行局部均值分解的步骤包括：
70.1)确定原始振动信号样本x(t)所有的极值点n
i
，计算相邻两个极值点的平均值m
i
:
71.2)计算局部幅值a
i
：
72.3)用直线分别连接m
i
和a
i
，然后通过滑动平均法平滑处理，得到局部均值函数m
11
(t)、包络估计函数a
11
(t)；
73.4)从x(t)中分离出m
11
(t)得到h
11
(t)，再除以a
11
(t)得到s
11
(t)：h
11
(t)＝x(t)
‑
m
11
(t)、计算s
11
(t)的包络估计函数a
12
(t)，如果a
12
(t)≠1，将s
11
(t)当作x(t)重复循环步骤1)至步骤4)直至a
1(n+1)
(t)＝1，则s
1n
(t)为纯调频信号，包络信号为：
74.5)将包络信号a1(t)和s
1n
(t)相乘得到第一个pf分量：c1(t)＝a1(t)s
1n
(t)；
75.6)将第一个pf分量从x(t)中分离出来，得到u1(t)，再将u1(t)作为原始信号重复步骤1)～步骤5)，直至u
n
(t)成为一个单调函数：u1(t)＝x(t)
‑
c1(t)；
76.7)最终，原始信号x(t)分解为n个pf分量和一个余量u
n
(t)的和：(t)的和：
77.步骤2.2，对前k个(k一般取3～4)pf分量均提取均方根、峰值因子、方差、峰度、偏度和信息熵作为振动信号样本的特征值，构成第i个pf分量的特征向量f
i
＝[rms
i
,cf
i
,sv
i
,k
i
,s
i
,e
i
]，即每个特征向量f
i
含6个元素。前k个相对重要(本领域技术人员可根据需要选取，k一般取3～4)的pf分量提取的特征值计算式为：
[0078]
1)均方根：
[0079]
2)峰值因子：
[0080]
3)方差：
[0081]
4)峰度：
[0082]
5)偏度：
[0083]
6)信息熵：
[0084]
其中，x
peak
指x(t)中的峰值，指x(t)中的均值，p(x
i
)代表随机事件x
i
的概率，
[0085]
步骤2.3，采用击中或击不中变换方法提取p
‑
v图中膨胀过程和压缩过程的特征，采用图像垂直投影统计提取p
‑
v图中进气过程和排气过程的特征，具体如下：
[0086]
1)对于膨胀过程和压缩过程：使用击中或击不中变换方法，统计p
‑
v图膨胀过程和压缩过程中的不同特征像素结构元素的数目。如图3(a)所示，第一类特征像素结构元素包含两个相邻的像素，这两个相邻的像素的其中一条对角线共线，且共线的对角线倾斜方向为向p
‑
v图中的p轴方向倾斜，共a个第一类特征像素结构；如图3(b)所示，第二类特征像素
结构元素包含两个相邻的像素，这两个相邻的像素具有一条共同的边，这两个相邻的像素为平行于p
‑
v图中p轴方向上的两个像素，共b个第二类特征像素结构；如图3(c)所示，第三类特征像素结构元素包含两个相邻的像素，这两个相邻的像素具有一条共同的边，这两个相邻的像素为平行于p
‑
v图中v轴方向上的两个像素，共c个第三类特征像素结构。然后利用三角合成原理，得到代表膨胀过程线和压缩过程线斜率的综合角度α
e
、α
c
分别作为膨胀过程线和压缩过程线的特征，即每个特征向量含1个元素。
[0087][0088]
2)对于进气过程和排气过程：将p
‑
v图中进气过程线和排气过程线分别向垂直于p
‑
v图中v坐标轴方向进行投影，将投影后的结果在v坐标轴方向像素长度上等分为m份，分别统计每份中像素点的数量，将每份中像素点的数量依次排列得到进气过程和排气过程的特征向量β
s
和β
d
，即每个特征向量含m个元素。
[0089]
步骤2.4，以上已经得到振动信号和p
‑
v图的全部特征，将特征向量f1、f2、f3、α
e
、α
c
、β
s
、β
d
按顺序排列构成一个多信息融合的特征向量。考虑到单从p
‑
v图或者振动信号来判断压缩机的运行状况不够准确和全面，有些故障能从p
‑
v图里反映出来，而不能从振动信号中反映出来，同样，有些故障能从振动信号里反映出来，而不能从p
‑
v图中反映出来，因此，形成多信息融合的特征向量能够更全面、更准确、更可靠的提供判断依据。
[0090]
其中，步骤(3)具体包括：
[0091]
步骤3.1，选取大量关于振动信号和p
‑
v图的正常样本，提取其多信息融合的特征向量x
i
(i＝1
…
n)，记x
i
的均值为向量μ，并作为正常样本的样本中心。计算特征向量x
i
到μ的马氏距离：其中，s为特征向量x
i
的协方差矩阵，将其中马氏距离的最大值作为阈值。
[0092]
步骤3.2，对于之后新采集到的振动信号和p
‑
v图，提取其多信息融合的特征向量，直接计算其到正常样本中心μ的马氏距离，并与步骤3.1所述的阈值比较，若超出阈值则视为压缩机异常，反之则视为正常。
[0093]
马氏距离(mahalanobis distance)是度量学习中一种常用的距离指标，同欧氏距离、曼哈顿距离、汉明距离等一样被用作评定数据之间的相似度指标，可以看作是欧氏距离的一种修正，修正了欧式距离中各个维度尺度不一致且相关的问题。马氏距离不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关；由标准化数据和中心化数据(即原始数据与均值之差)计算出的二点之间的马氏距离相同。马氏距离还可以排除变量之间的相关性的干扰。综上，尽管本发明中的多信息融合的特征向量中各维度的量纲不同，且具有一定的相关性，但马氏距离可以很好地用来度量多信息融合的特征向量，能够有效区分正常数据和异常数据，达到异常监测的目的。
[0094]
实施例
[0095]
参照图1、图2、图3(a)
‑
图3(c)、图4、图5(a)、图5(b1)
‑
图5(b4)、图6，本实施例的往复式压缩机运行状态监测方法：
[0096]
(1)对采集到的振动信号、气缸内动态压力信号、键相信号预处理，得到压缩机每个运行周期的振动信号样本和p
‑
v图；
[0097]
(2)对振动信号样本和p
‑
v图分别进行特征提取，将提取出的同一周期的两个特征并合成为多信息融合的特征向量；
[0098]
(3)计算多信息融合的特征向量的马氏距离并与预设的马氏距离阈值比较，判断压缩机的运行状况；
[0099]
其中，步骤(1)具体包括：
[0100]
步骤1.1，以键相信号的触发作为往复式压缩机每个运行周期的起点，每两个键相信号期间的长度即视为一个运行周期，以此划分原始振动信号为一个个振动信号样本。
[0101]
步骤1.2，同样，以键相信号的触发作为往复式压缩机每个运行周期的起点，根据气缸工作容积v和曲轴转角θ的对应关系，得到气缸工作容积v的表达式，再结合气缸内的动态压力p绘制压缩机每个运行周期的p
‑
v图。
[0102]
其中，步骤(2)具体包括：
[0103]
步骤2.1，采用局部均值分解的方法将某一振动信号样本x(t)分解为n个pf分量c
i
(t)和一个余量u
n
(t)之和，即如图4所示。
[0104]
步骤2.2，对前三个pf分量分别提取均方根、峰值因子、方差、峰度、偏度和信息熵作为振动信号的特征值，构成前三个pf分量的特征向量：
[0105]
f1＝[5.83，0.67，34.00，17.45，
‑
0.18，2.06]、f2＝[1.54，0.84，2.37，12.00，
‑
0.30，2.52]、f3＝[1.30，0.86，1.68，6.81，
‑
0.07，2.98]
[0106]
步骤2.3，采用击中或击不中变换方法提取p
‑
v图中膨胀过程和压缩过程的特征，采用图像垂直投影统计提取p
‑
v图中进气过程和排气过程的特征：
[0107]
1)对于膨胀过程和压缩过程：使用击中或击不中变换方法，统计p
‑
v图膨胀过程和压缩过程中的不同特征像素结构元素的数目。其中膨胀过程的第一类像素结构的数量为144，第二类像素结构的数量为563，第三类像素结构的数量为145；压缩过程的第一类像素结构的数量为151，第二类像素结构的数量为373，第三类像素结构的数量为145。利用三角合成原理，得到代表膨胀过程线斜率的综合角度α
e
为67.7度，代表压缩过程线斜率的综合角度α
c
为60.5度。
[0108]
2)对于进气过程和排气过程：将p
‑
v图中进气过程线和排气过程线分别向垂直于p
‑
v图中v坐标轴方向进行投影，将投影后的结果在v坐标轴方向像素长度上等分为6份，分别统计每份中像素点的数量，形成一个进气过程和排气过程特征向量β
s
和β
d
分别为[0,136,100,100,95,95]、[76,100,100,100,45,0]。
[0109]
步骤2.4，以上已经得到振动信号和p
‑
v图的全部特征，将特征向量f1、f2、f3、α
e
、α
c
、β
s
、β
d
按顺序排列构成一个多信息融合的特征向量:[5.83，0.67，34.00，17.45，
‑
0.18，2.06，1.54，0.84，2.37，12.00，
‑
0.30，2.52，1.30，0.86，1.68，6.81，
‑
0.07，2.98，67.7，60.5，0，136，100，100，95，95，76，100，100，100，45，0]。
[0110]
其中，步骤(3)具体包括：
[0111]
步骤3.1，选取大量关于振动信号和p
‑
v图的正常样本，提取其多信息融合的特征向量x
i
(i＝1
…
n)，记x
i
的均值为向量μ，并作为正常样本的样本中心。计算特征向量x
i
到μ的马氏距离：其中，s为特征向量x
i
的协方差矩阵，得到各多信息融合的特征向量的马氏距离，其中最大为760100，并将这个最大值作为阈值。
[0112]
步骤3.2，对于之后新采集到的振动信号和p
‑
v图，提取其多信息融合的特征向量，直接计算其到正常样本中心μ的马氏距离，并与步骤3.1所述的阈值比较，若超出阈值则视为压缩机异常，反之则视为正常。
[0113]
在本实施例中，采用了96个正常样本构建阈值，采用了264个测试样本进行测试和验证，经计算，如图6所示，本发明提出的往复式压缩机运行状态监测方法的准确率高达100％，能够完美的将正常样本和异常样本分隔开，而且能够检测出所有的异常样本，不存在误判的情况，足够满足工业现场的应用需求。而且，经计算和比较发现，若只采用p
‑
v图的特征向量进行运行状态监测，准确率仅为82.2％；若只采用振动信号的特征向量进行运行状态监测，准确率仅为98.1％。可见，本发明提出的多信息融合的特征向量及运行状态监测方法的效果十分优越，能够更全面、更可靠、更准确地检测出单靠p
‑
v图或振动信号所检测不出的异常状态。
[0114]
该具体实施方式仅仅是本发明的较佳示例，并非对本发明进行限制。在不脱离本发明原理且尚未做出创新的情况下，本领域相关技术人员通过修改、替换、改进等方式所获得的所有其他实施例，均应视为在本发明所保护的技术范围内。