【摘要】按照机械故障诊断的技术路线，结合往复压缩机故障特点，分别就诊断信号选择、故障文档的建立、状态识别技术的应用等过程中一些具体问题展开了较深入的研究，提出采用阀腔脉动压力作为诊断信号，通过计算机仿真建立故障文档，将模糊诊断与人工神经网络结合等新观点，这些观点将有利于推进往复压缩机诊断技术的发展。
诊断技术的发展已有30多年历史，随着信号分析与处理技术、计算机技术的飞速发展，它已逐渐地形成了自己的理论体系，人们对于如何实施有效诊断形成了共识，通用的诊断技术路线为：通过信号检测与特征信息提取，获得反映机组运行状态的特征信息，然后按照一定的状态识别方法将之与故障档案库中的标准样本模式相比较，得出对机组运行状态的识别结果，最后给出诊断决策，干预机组的运行状态，防患于未然。从该技术路线可知，整个诊断过程主要包括三方面内容，即诊断信号的选择，故障文档的建立以及状态识别技术。本文正是从这三个方面来论述往复压缩机故障诊断技术的。
1 诊断信号选择与特征信息提取技术
在旋转机械故障诊断系统中，通常选用振动信号作为诊断信号，通过对振动信号的有效处理来达到识别故障的目的。就往复机械而言，由于其结构的复杂性、振源的多样性及故障类型的多样化，完全依靠振动信号进行诊断并不一定可行，正确的方法应是根据故障类型的特点选择相应诊断信号。
往复压缩机常发生的故障有：气阀故障，活塞环故障，填料函故障，冷却水路故障，吸气滤清器故障，连杆大小头与轴承之间过度磨损，十字头销与衬套过度磨损，连杆螺栓及十字头螺栓松动，活塞杆下沉及裂纹等。据统计，往复压缩机有60％以上故障发生在气阀上，而活塞杆断裂事故占重大事故的25％左右，因此，能够及时发现气阀故障及诊断出活塞杆的裂纹存在对于压缩机的安全运行无疑是十分重要的。
根据压缩机故障特征可将机械故障分成两类，一类是带有流体性质的，属于机器热力性能故障，其主要表征是排气量不足，压力、温差异常，产生的原因主要是气阀，活塞环，填料函，冷却水路，吸气滤清器等部位发生故障，可采用参数法进行诊断；另一类是带有机械性质的，属于机器动力性能故障，主要表征是机器工作时异常的响声、振动和过热，产生的原因主要是运动部件配合间隙的变化，结构的裂纹等，它可采用振动法来进行诊断。事实上，只要机器有故障存在，它就会引起其热力性能和动力性能变化，但反映的力度并不相同。
运用参数法诊断机器热力性能故障时，可选用的参数很多，如电力参数，热力性能参数，气缸压力信号等，它们都具有各自的特点和适用范围。目前采用较多的有两类，一类是以各级间压力，温度及冷却水流量，润滑油温为代表的热力性能参数，它主要用于对压缩机运行状态进行监测，并可粗略判断故障发生的部位，在采用分级诊断策略对多级压缩机进行诊断时，这些参数还可作为第一级诊断信号2]；另一类就是气缸压力信号，气缸压力的变化可直接反映热力故障的原因，是较理想的诊断信号，但在实际工作中，直接检测气缸压力并不容易实现，这不仅是由于缸壁开孔会损坏气缸结构，而且生产现场开取压孔及对取压孔的密封都需要较高的技术，正是这些因素限制了气缸压力信号在故障诊断中的广泛应用。
解决该问题的途径有两个，一是寻求无损气缸缸壁的气缸压力检测方法，并要求该方法便于现场操作；二是寻求气缸压力的替代信号，它要求该信号既能敏感的反映故障原因，又可方便检测。文献3]通过对气缸盖螺栓的振动信号分析来析出气缸压力变化规律就是解决该问题的一种探索，笔者也通过对气缸布置的仔细研究，提出了一种通过在气阀螺栓上开孔测取气缸压力的方法，它既无损于气缸缸壁，同时可直接测取气缸压力，现场操作简单，具有很强的实用性，其具体措施可见文献2]。通过研究，笔者同时认为，可采用阀腔脉动压力替代气缸压力，来作为压缩机热力性能故障的主要诊断信号，它不仅具有气缸压力信号的优点，同时方便测取。 采用气缸压力信号时，可通过示功图像比较来识别故障原因。在进行示功图比较时，可选用压缩过程指数n，膨胀过程指数m，吸、排气阀开启时曲轴转角j1、j3关闭时转角j2、j4，最低吸气压力Ps，最高排气压力Pd，示功图面积W，排气量Q等参数作为特征参数；采用阀腔脉动压力信号时，可首先建立脉动压力信号的时序模型，通过对模型的分析来判别机器状态，通过对脉动信号的频谱分析来析出故障原因。在笔者研究中，曾通过对阀腔脉动压力建立三阶AR模型来诊断气阀故障，通过AIC指标判别气阀状态，频谱图判别故障原因，获得较好诊断效果2]。
运用振动法诊断机器动力性能故障时，由于往复压缩机振动十分复杂，随机信号，周期信号，冲击信号等混杂在一起，从振动的原始数据中直接给出的信息十分有限，如何提取有关特征信息就是该法的关键问题。近年来在Fourier分析的基础上发展起来的小波分析技术就是解决该问题的有力工具，但小波变换在工程中的应用尚属于探索阶段，目前常用的处理方法是：时域征兆的提取，频域征兆的获取。
频谱征兆在故障诊断中应用最广泛，反映在振动功率谱中，则是某些特定的谱峰及能量的变化。例如采用功率谱来诊断活塞-气缸的间隙变化，在不同间隙状态下，相同的侧推力将引起活塞撞击气缸套的速度发生变化，从而撞击能量也相应变化，同时由于间隙改变，活塞在缸内的横向运动也发生变化，使得撞击位置等随之变化，这些变化将使气缸表面的振动特征发生变化，随间隙量增加，功率谱峰值增加，振动的总能量增加。如果能将大量典型的振动信号频谱值以一定的表格形式存放在计算机中，构成诊断用的频谱数据库，那么通过频峰的寻找对比，由其高度变化和各种故障原因可能出现的频率分布概率，便可得出相应的诊断结论。但要得到数据库的对应关系，则有赖于进行大量的模拟实验和经验积累。这往往需要付出很大的代价，有时甚至是不可能作到的。因此实际使用中常采集正常状态下的一组时域信号，通过付氏变换成频域信号，给出正常运行状态的功率谱的极限指标，一旦超过此极限时，则将机器状态判定为异常运行状态。
往复压缩机因其结构的复杂性，运动形式的多样性，给振动法的故障识别与诊断带来了很大困难，具体而言，主要困难有如下几方面：
1）众多的频率范围与广阔的激励源的识别；
2）运动部件多而且形状复杂，这些部件藏在机身里，在工作状态下难以接近，如何测试；
3）压缩机不同部件中，激励力的传递途径及其对表面振动的响应是不同的，应该如何识别；
4）当压缩机运动部件出现不同程度的机械故障时，相应的激励力是如何变化的，能否从表面振动信号中检测出来；
5）早期故障振动信号的提取和阈值的设立等。如何解决这些问题，有待于进一步研究。
2 故障文档的建立方法
一般来说，故障文档的建立包括经验案例知识的汇编，实验测试知识的积累和计算机模拟计算三种基本途径。由于经验案例知识的内容比较丰富，涉及的故障现象较全面，因而在以往的故障诊断研究中，大多采用经验案例知识的汇编来实现故障文档的建立；实验测试知识的积累情况则恰恰相反，由于测试大多在小型模拟试验台上进行，且由于测试的故障现象受到局限，因而这种途径在工程应用中不能单独使用；对于计算机仿真计算，过去人们重视不够，分析原因来自两方面：一是难以建立数学模型及数学模型求解困难，二是计算机的普及程度不高。随着人们对机器机理的深入了解和微机性能的提高，这方面工作将会有较大的发展。
对于往复压缩机而言，不仅由于其品种多，结构复杂，而且由于其机电一体化程度较低，原始故障数据保存较少，因而完全通过实践积累不仅需要的时间长、经费多，而且在实际工作中可能难以实现。直接，经济的途径就是将实验和计算机仿真结合起来，即建立压缩机数学模型，并通过实验验证模型的正确性，然后改变模型中某些参数来模拟机器故障，以求迅速建立故障文档。随着压缩机工作过程数学模型研究的深入，这方面的工作不但能够实现，而且具有较高的准确性，可信性。如笔者建立阀腔脉动压力的故障文档时，就是采用这种途径，其具体步骤如下2]：1）建立压缩机级的数学模型；2）建立阀腔脉动压力计算模型；3）通过“压力激发”将气缸压力与阀腔脉动压力的计算联系起来；4）实验验证数学模型及计算程序的正确性；5）改变有关参数，模拟故障状态，建立相应的故障文档。建立机器故障状态下标准模式时，应充分考虑其波动性。这是因为，首先机器无故障状态和故障状态的界限并不是清晰的，无故障状态本身就包含有一定的状态变化范围；其次对于每一类故障，严重程度不同，其特征参数必然随之变化；此外，参数测量时控制上的偏差、环境条件的变化等，也会使特征参数发生波动。为了提高故障诊断准确性，可用一种考虑特征参数波动性质即以参数域（参数波动范围）来构造标准模式，有关这方面探索可见文献4］。
3 状态识别技术
在智能技术引入诊断领域之前，状态识别实际上是由领域专家来完成的，随着人工智能的发展及在诊断领域的应用，状态识别技术已逐步步入人工智能诊断时代。
目前，用于压缩机状态识别的方法可分两大类：一类是完全基于检测数据的诊断方法，如对比诊断法，函数诊断法，振动诊断法等，它们是通过对故障检测信号的处理而较早地发现故障，以至预报故障；另一类则是基于专家经验及知识处理的专家系统，它模仿人类专家在进行故障诊断时，首先观察机器的症状，然后依所观察到的症状，利用自己所具有的知识来推断故障原因。根据知识处理途径的不同，它又可分为两类：一是基于符号推理，如经典专家系统，另一类是基于数值计算，如人工神经网络等。虽然专家系统出现历史并不长，但它独特的优点却是状态识别技术发展的方向。 专家系统的核心是知识。大量事实表明5]，知识获取是建造专家系统的“瓶颈”问题。一个诊断系统在其运行过程中所获取的诊断信息（知识）越丰富，其诊断结果可靠性越高。因而，专家系统的性能水平主要取决于它所拥有的知识数量和质量。对于经典专家系统而言，虽然它具有持久性，一致性和周密性等优点，但交互式系统使得其诊断速度较慢，不能满足迅速诊断故障的要求。近年来，人工神经网络以其全新的信息表达方式，高度平行分布处理，联想，自学习及自组织等能力和极强的非线形映射能力使它渗透到科学技术的各个领域。它为人工智能的专家系统研究开辟了一条新的途径，它改进了经典专家系统中知识获取，知识表达和平行处理等问题。神经网络的诊断能力主要取决于文档知识的完善与正确性，学习样本的组织方法以及网络模型的学习训练程度三个方面。如何得到所必需的学习样本是网络诊断的前提，在笔者采用BP网络诊断三级工艺流程用的压缩机故障中，故障文档及学习样本是通过计算机仿真计算建立的，经检验，可达到较好诊断效果2]。在工厂现场故障诊断中，人们常用“看”、“听”、“摸”等手段借助人类的感官来判别机器运转状态，专家系统的目的就是让计算机模拟人的这种行为。然而人的感觉和机器检测的参数有很大的区别，人类感觉和经验都带有着很大的模糊性，并且在推理时不是绝对的二值逻辑，但机器仪表检测的参数都是比较精确的，所以为了使机器的推理过程类似人的思维活动，正确有效地进行故障诊断，应将模糊数学知识引入到状态识别过程中，即采用模糊诊断法。其诊断思想如下：首先根据现有的领域知识建立各种故障的标准模式，设这些标准模式构成故障空间E，取症候群空间X为论域，显然E是X的子集，同时将这些标准模式看成E上的模糊集，于是故障诊断问题就转化为确定X上的元素Xi以多大程度隶属于E上的哪个模糊集的问题。如何将模糊诊断思想与人工神经网络结合起来是笔者努力的方向。
4 结论
往复压缩机常用故障可分为两类，对于热力性能类故障可选用气缸压力或阀腔脉动压力作为主要诊断信号；对于动力性能类故障可采用振动信号来诊断，为解决从复杂振动信号中提取故障特征的困难，可开展小波分析技术在往复压缩机中的应用研究。随着对压缩机工作机理的深入研究及其数学模型的进一步完善，采用计算机仿真将成为建立故障文档的经济、实用途径。专家系统将是状态识别技术的发展方向，但如何将模糊诊断思想与人工神经网络相结合，并应用于往复压缩机故障诊断中，则有待于人们进一步研究。
12/6/2004
|
