论文总字数：28351字

摘 要

往复式压缩机是石化行业的关键设备，对其故障进行快速定位并分析故障原因，是预防重大人员、财产损失以及提高企业效益的先决条件。本文针对往复式压缩机结构复杂、激励源多，导致特征提取困难的问题，对其状态识别方法进行研究。主要工作包括：

针对传统时频分析方法，如短时傅里叶变换、小波变换，具有时频分辨率不高，能量发散等问题，给出一种基于同步压缩变换的方法。在短时傅里叶变换之后，将时频谱根据瞬时频率在频率方向进行同步压缩，使能量聚集度显著提升。在仿真信号及实际工程信号中运用本算法，并与短时傅里叶变换进行对比，结果表明该方法能极大地提高时频分辨率，在处理强非平稳信号及噪声信号方面效果极佳。

针对往复式压缩机故障机理研究不足的问题，提出一种结合同步压缩变换与往复式压缩机振动信号特点的特征提取方法。将同步压缩变换得到的时频谱，按照全平面和频带熵两种思想，应用样本熵、rényi熵、Wiener熵算法提取熵特征；然后，通过类内间距、类间间距指标，对所选取特征进行评估分析，排除掉包含无关信息的特征；最后，将所选取的特征在三维空间中显示，验证了其可分性。

针对实际工程中样本数量较少导致模式识别结果不准确的问题，选择支持向量机进行故障的识别和定位。对于两关键参数，惩罚因子C以及核函数宽度γ，利用交叉验证算法进行最优化设计，以达到最高分类准确率。将以上特征输入支持向量机，平均准确率在99%左右，结果表明此套方法状态识别性能良好。

关键词：往复式压缩机，同步压缩变换，状态识别，特征提取，支持向量机

Abstract

Reciprocating compressor is the key equipment of petrochemical industry. To prevent the lost in personnel or property, locating the fault and analyzing the cause of is necessary. In the thesis, a thorough state recognition method of reciprocating compressor is proposed, aiming at the problem of difficult feature extraction process caused by the sophisticated structure and various excitation sources.

Traditional time-frequency analysis methods, like short time fourier transform and wavelet transform, have the shortcoming in blurry TF representation. In order to solve this problem, the synchrosqueezing transform is chose to generate the concentrated TF representation. The SST method is applied in numerical and real-world signals, and by comparing with other TF analysis methods, the effectiveness of SST is validated.

Considering the characteristics of vibration signal of reciprocating compressor and the advantage of SST, extracting the feature is based on TF plate and also the entropy feature calculated by the algorithm of sample entropy, rényi entropy and wiener entropy. To reduce the redundant information in the selected features, a series of assessment criteria have been introduced, including intra-class and inter-class distance. Finally, by plotting the features points in three-dimensional space, the performance of the features in classifying is verified.

Support vector machine has excellent performance in solving small sample size problem and the high classification accuracy. SVM is adopted as the last step to identify the fault type. For the two key parameters, penalty factor C and kernel width γ, the cross validation algorithm is introduced to achieve the optimal classification performance. Finally, the results indicate that this method can effectively diagnose the fault of reciprocating compressor.

KEY WORDS: reciprocating compressor, synchrosqueezing transform, state recognition, feature extraction, support vector machine

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1课题背景和意义 1

1.2往复式压缩机常见故障 2

1.3同步压缩变换方法研究现状 3

1.4往复式压缩机特征提取方法研究现状 4

1.5往复式压缩机状态识别方法研究现状 4

1.6主要研究内容 5

第二章 往复式压缩机振动信号处理方法 7

2.1往复式压缩机结构及振动机理 7

2.1.1基本结构 7

2.1.2振动机理分析 8

2.2短时傅里叶变换方法 9

2.3同步压缩变换方法 10

2.3.1理论分析 10

2.3.2算法步骤 12

2.3.3仿真信号分析 12

2.3.4实验和验证 15

2.4本章小结 17

第三章 往复式压缩机故障特征提取方法 18

3.1时频域特征提取方法 18

3.1.1样本熵 19

3.1.2 rényi熵 20

3.1.3 Wiener熵 21

3.2基于同步压缩变换的往复式压缩机振动特征提取方法 22

3.2特征选择 23

3.4数据分析 25

3.5本章小结 27

第四章 基于支持向量机的往复式压缩机状态识别方法 28

4.1支持向量机 28

4.1.1原理分析 29

4.1.2参数优化 29

4.3基于同步压缩变换的往复式压缩机状态识别方法 29

4.3实验分析 30

4.4工程数据分析 32

第五章 结论与展望 34

5.1本文研究结论 34

5.2未来展望 35

参考文献 36

致 谢 38

第一章 绪论

1.1课题背景和意义

在持续不断的工业生产中，机器设备不可避免地成为了消耗品，对于其运行故障的诊断技术也应运而生。然而由于机器设备结构、系统还处在雏形阶段，人主要是通过感官、经验和简单仪表，进行机器停机后的事后维修，这也足以应对几乎所有的情况。随着第二、第三次工业革命的开展，社会生产规模不断扩大，机器设备结构、系统的复杂度日益增长，并且，社会对机械自动化生产的需求，投入的资金比例也越来越大，但是，机器作为消耗品这一事实依然未变。个别零件的磨损、老化和失效，在设备零件与零件间更加紧密的关联程度下，变得越来越不容小觑。系统故障乃至停机，会造成一系列恶劣影响，包括经济上的损失和人员的伤亡。20世纪60年代之后，基于传感器和计算机的发展，现代故障诊断技术逐步诞生，为系统的维护检修和提升其可靠性，提供了专业的依据和参考。当时，每一个诊断阶段，都离不开专家和专业人员的参与，严重缺乏效率和智能化，无法大规模普及。回到21世纪，大量关于人工智能的研究开始涌现，多学科开始与其相结合，向智能化、专业化和广泛化方向发展。在故障诊断领域，专家系统、机器学习、神经网络、模糊诊断和模式识别等理论已经得到广泛应用，并已取得良好的成果^[1]。本文正是基于这样一时代背景之下，结合最新的信号处理和模式识别技术，进行往复式压缩机的状态识别方法研究。

往复式压缩机是石油化工行业的关键设备，对于一个石化企业来说，做好对压缩机的健康监测与诊断十分重要。但由于其工况较一般机器更为恶劣，如长期工作在高温高压、腐蚀性强的环境中，压缩机在运行中的故障率非常高。一旦因故障造成停车事故，会造成企业的重大经济损失，以后的维修工作也会花费许多。并且，压缩机所用介质大多为易燃易爆的气体，一旦发生故障，压缩介质极易泄漏，引发火灾等重大事故。

剩余内容已隐藏，请支付后下载全文，论文总字数：28351字