多重分形信号特征提取及在往复压缩机故障诊断中的应用

【摘要】：往复压缩机广泛应用于石油﹑化工等工业生产中,并成为工业装置中的核心设备。目前,往复压缩机状态监测与故障诊断技术,已成为国内外故障诊断领域的研究热点问题,而特征提取又是其故障诊断技术中的难点之一。针对具有非线性﹑非平稳特性的往复压缩机振动信号,本文提出了运用多重分形的方法,对其进行局部奇异特性量化描述,并采用了新的故障识别方法进行故障分类识别,结果表明,此方法能够有效地对往复压缩机常见故障进行诊断,并为往复压缩机故障诊断研究提供了新的思路。首先,通过查阅大量文献资料,对目前往复压缩机的故障诊断技术研究现状进行了综述,提出了本文的研究构想。在对往复压缩机的基本结构、工作原理进行简要概述的基础上,着重对主要零部件的常见故障形式及其故障机理进行了深入分析。其次,针对往复压缩机振动信号的非线性特性,本文提出采用多重分形的方法对其进行故障特征提取,主要介绍了分形和多重分形理论及基本算法,在此基础上,提出多重分形去趋势波动分析(MF-DFA)理论,并对往复压缩机气阀故障振动信号进行分析,验证了MF-DFA方法在往复压缩机振动信号特征提取方面的有效性。而后,对于采用MF-DFA方法,提取出的往复压缩机故障特征向量参数而言,选用一般常见的故障识别方法,存在故障识别率低﹑模式状态相互混淆难以区分等问题,引用了一种新的故障识别方法——增量学习KNNModel算法(IKNNModel)。通过与其他故障识别方法比较,证明了此方法在往复压缩机故障分类识别方面具有明显的优越性。最后,将多重分形去趋势波动分析理论和增量学习KNNModel算法结合起来,从往复压缩机故障特征提取与识别的角度出发,详细阐明了往复压缩机振动信号数据预处理﹑故障特征提取﹑故障特征参数优选和故障特征识别等关键问题,提出了一套完整的基于MF-DFA与IKNNModel算法的往复压缩机故障诊断方法。对2D12型往复压缩机常见故障实测数据的分析表明,该方法可准确提取故障特征,且可准确识别故障类型,为往复压缩机故障诊断提供了新的研究途径。