往复式压缩机故障预警与诊断

【摘要】：往复式压缩机是石化等行业中的核心运行设备,对其进行故障预警与诊断研究,不仅可以保证设备稳定运行,而且对于保护企业设备和人员安全也有着重要意义。本文以中海油某海上天然气开采平台往复式压缩机为研究对象,对各种特征提取以及时间序列预测方法进行研究总结,分别提出基于误差连续受限玻尔兹曼机(Error-Continuous Restricted Boltzmann Machines,E-CRBM)的时间序列预测方法和基于时空特征融合深度信念网络(Spatio-Temporal Features Fusion based on Deep Belief Network,STF-DBN)的故障诊断方法,并将它们应用到往复式压缩机的故障预警与诊断中。本文的具体研究内容如下:针对传统时间序列预测模型预测结果滞后问题,提出基于连续受限玻尔兹曼机(Continuous Restricted Boltzmann Machines,CRBM)和神经网络(Neural Network,NN)相结合的时间序列预测模型。该模型利用CRBM最大限度提取时间序列特征,降低样本维度,并通过NN网络进行时间特征转换,利用CRBM反向重构数据完成预测。实验结果表明,该方法可以有效抑制预测滞后现象。为了进一步提高上述预测模型的精度,在CRBM的基础上提出E-CRBM方法。E-CRBM对NN网络得到的特征误差序列进行分析,在CRBM的隐含层加入噪声,噪声概率分布由误差序列概率分布拟合得到。与CRBM相比,E-CRBM能够增强预测模型的鲁棒性,提高整体预测精度。因此,将其作为压缩机运行参数趋势预测方法。在完成参数预测后,针对往复式压缩机特征提取困难和故障样本少的问题,本文提出一种基于时空特征融合深度信念网络(STF-DBN)的故障诊断方法。该方法将往复式压缩机多种类型传感器采集的信息进行融合,从时间和空间两个维度提取特征,并对特征进行权重分配,从而提升诊断模型对故障的敏感性。利用海上平台往复式压缩机实际运行数据进行检验,结果表明该方法可有效检测出气阀和电机等故障并可以提前3小时预警。