技术领域
[0001] 本
发明涉及设备的故障诊断技术领域，具体的说是涉及到一种基于神经网络算法的往复式压缩机的故障诊断系统及方法。
背景技术
[0002] 往复式压缩机作为油气田运输的核心设备，其
稳定性、可靠性和安全性有着非常重要的意义。因为压缩机结构比较复杂，零部件较多，装配复杂，有时候会出现使用同一套图纸生产的往复式压缩机在现场运行出现不同运行特性的情况，因此很难对压缩机构建准确的整体数学仿真模型，所以当故障征兆出现时，如何通过故障诊断减少因压缩机故障造成的直接或间接损失，一直是压缩机行业的一个重要课题。
[0003] 目前主流的检测方法有振动检测、热
力参数检测、
应力应变检测等等，然而以上检测只针对压缩机特定的故障进行检测判断，而无法对压缩机整体的、系统的状态进行比较和判断。目前也有一些
发动机设备的故障诊断系统采用在线实时监测发动机的动力学及振动特性参数进行故障诊断，但由于没有进行热动力学模型的修正，且采用的是在时频域
信号中监测故障特征谱的方法，较容易出现误报的情况，最终造成技术人员大多只能借助经验对引起故障的原因进行处理，耗时耗力也比较容易出错。
发明内容
[0004] 本发明所要解决的技术问题在于针对上述
现有技术存在的不足，提供一种基于神经网络算法的往复式压缩机故障诊断系统及方法，可准确
定位故障部位并给出排除方法。
[0005] 本发明是通过以下技术方案来实现：
[0006] 一种基于神经网络算法的往复式压缩机故障诊断系统，包括现场通讯模
块、
数据采集模块、基于神经网络的仿真模块、基于标准故障特征的
专家系统模块、故障诊断主机及上位机；
[0007] 所述数据采集模块用于获取压缩机各个零部件的特性参数并发送至基于神经网络的仿真模块；
[0008] 所述现场通讯模块用于从PLC
监控系统获取压缩机的实时运行参数并发送至基于神经网络的仿真模块；
[0009] 所述基于神经网络的仿真模块根据压缩机设计数据和压缩机正常工作期间数据采集模块采集的各个零部件的特性参数及现场通讯模块获取的实时运行参数，建立压缩机的数学仿真模型并保存至专家系统模块；通过改变数学仿真模型中有关故障部位参数，模拟压缩机不同部位各种故障来获得故障数据特征并保存至专家系统模块；
[0010] 所述专家系统模块包括综合
数据库和专家
知识库，综合数据库包含压缩机的数学仿真模型和故障数据特征；专家知识库包含故障的判断准则及针对各种故障的处理方法；
[0011] 所述故障诊断主机用于用户读取故障诊断过程、结果及排除措施；
[0012] 所述上位机用于开发者读取、添加和
修改基于神经网络的仿真模块和专家系统模块。
[0013] 优选的，所述数据采集模块包括
温度传感器、
压力传感器、应变片传感器、振动传感器和电
涡流传感器。
[0014] 优选的，所述专家系统模块还包括推理机，推理机用于运用控制策略寻找适用的故障的判断准则。
[0015] 优选的，综合数据库和专家知识库能被读取、添加及修改。
[0016] 优选的，现场通信模块支持Modbus协议、TCP/IP协议和CAN总线通信协议。
[0017] 一种基于神经网络算法的往复式压缩机故障诊断方法，包括如下步骤：
[0018] S1、通过数据采集模块获取压缩机各个零部件的特性参数，并发送给基于神经网络的仿真模块；
[0019] S2、通过现场通讯模块获取压缩机PLC监控系统的实时运行参数，并发送给基于神经网络的仿真模块；
[0020] S3、基于神经网络的仿真模块进行模拟仿真：压缩机装配及试车阶段，神经网络的仿真模块采用压缩机设计数据、数据采集模块采集的压缩机各个零部件的特性参数和压缩机实时运行参数，经过滤波去除噪声后，建立压缩机的理想
热力学方程、理想动力学方程和理想振动力学方程，得到压缩机的理想数学模型；压缩机加载运行阶段，向理想数学模型中输入现场通讯模块采集的实时运行参数，结合BP神经网络方法和结构动力学修改，建立压缩机的仿真热力学模型、仿真动力学模型及仿真振动力学模型，得到压缩机的仿真数学模型，并将建立的仿真数学模型保存至专家系统模块；通过神经网络算法
迭代改变仿真数学模型中不同的有关故障部位参数，模拟压缩机不同部位各种故障来获得故障数据特征并保存至专家系统模块；
[0021] S4、故障诊断：当出现故障征兆时，现场通讯模块获取的压缩机的实时运行参数作为待匹配的故障数据特征，待匹配的故障数据特征与专家系统模块中保存的故障数据特征根据专家知识库中的故障判断准则进行判断是否匹配；如果匹配成功，实现故障诊断，并给出对应专家意见；如果匹配不成功，通过神经网络算法迭代修改压缩机仿真数学模型的有关故障部位参数，直到模拟出的故障数据特征与待匹配的故障数据特征匹配成功，再调出专家知识库中此故障的排除方法，完成故障诊断，并将模拟出的故障数据特征存入专家系统模块。
[0022] 优选的，步骤S1具体为：在机组进行加工装配时，通过数据采集模块对
气缸、中体、
机身、缸头
支撑、中体支撑、缓冲罐和洗涤罐进行测试，读取固有
频率、模态振型和阻尼比参数，机组在试车阶段，读取压缩机
加速度、位移、力和力矩，机组在现场安装调试成功后，通过数据采集模块对压缩机进行空载、加载、不同进气压力下及不同
排量下的运转测试，并记录各部件的运行参数。
[0023] 优选的，步骤S3中，仿真数学模型的建立方法具体为：
[0024] 建立理想热力学方程为：P＝f(n,q,T,T1,k,B,r1,r2,p1,p2,z,Q,t)，建立完成后将各级的热力学方程联立组成方程组计算，计算完成后输出动态压力值P供动力学计算及振动力学计算使用，令f(P)为机组理想热力学数学模型，则输出f(P)供神经网络使用；
[0025] 建立理想动力学方程为：W＝f(n,m,t,l,p1,p2,r2,c,P,z1)，建立完成后输出
扭矩值W供振动力学计算使用，令f(W)为理想动力学数学模型，则输出f(W)供神经网络使用；
[0026] f(P)和f(W)结合BP神经网络方法，输入现场通讯模块获取的实时运行参数，迭代优化拟合参数z和z1，建立压缩机仿真热力学模型及仿真动力学模型；
[0027] 建立理想振动力学方程：V＝f(M,C,K,P,W,t)，令f(V)为理想振动力学数学模型，结合
有限元分析及现场通讯模块获取的实时运行参数进行结构动力学修改，令f(V)’为SDM修改后的仿真振动力学模型，则输出f(V)’供神经网络和专家系统使用；
[0028] 其中，n为压缩机转速，Q为排气量，q为
余隙容积，t为时间，T为进气温度，T1为排气温度，k为气体绝热指数，B为气缸单位时间与外界热交换值，r1为某级
气缸直径值，r2为
曲轴回转半径，p1为进气压力，p2为排气压力，Q为气体排量，z为热力学拟合参数，P为气缸内的瞬态压力，m为往复惯性
质量力，l为压缩机列数，c为滑动摩擦阻尼，z1为动力学拟合参数，W为
电机输出瞬态扭矩值，M为压缩机各个零部件的质量矩阵，C为压缩机各个零部件的阻尼矩阵，K为压缩机各个零部件的
刚度矩阵。
[0029] 进一步的，在建立仿真振动力学模型时，先对压缩机模型进行离散分解成各子结构，然后通过有限元仿真得出各子结构的主模态及约束模态，乘以变换矩阵，得到模态空间的缩聚刚度矩阵和缩聚质量矩阵，通过与实测压缩机各子结构的模态数据对比，进行基于有限元分析和实验模态的结构动力学修改，然后组合得到整机的模态空间的质量矩阵、刚度矩阵及阻尼矩阵，引入广义力进行机组耦合分析，提取压缩机相应部位的加速度、位移、力和力矩。
[0030] 优选的，步骤S3中，滤波采用卡尔曼滤波。
[0031] 与现有技术相比，本发明具有以下有益的技术效果：
[0032] 1、本发明采用神经网络算法结合现场安装调试时实测数据对压缩机模型的热、动力学数学模型进行拟合优化，大幅度提高数学模型对压缩机的模拟
精度。在故障诊断过程中，为准确判断故障原因和部位提供了参照标准。
[0033] 2、本发明采用基于有限元结构模型和实测数据的动力学修改(SDM)的方式提高压缩机振动模拟的准确性，结合准确的热、动力学模型基于神经网络的仿真模块可直接模拟各类故障发生时压缩机的振动特性，对比需要从机组振动特性的时、频域中提取相应的故障特征谱等方式来定位判断故障的模式大大提高了成功率和准确度。
[0034] 3、本发明可以在每一套机组的生产、装配及调试(或正常运转)的过程中进行
跟踪检测，提取其实测参数完善数学模型(f(P)’、f(W)’、f(V)’)，因此该数学模型仅针对于检测过的机组，完善后的压缩机数学模型不再具有普适性的同时也提高了其仿真精度(即使是同一型号和批次的压缩机数学模型也会有细微的差别，以便更好的模拟压缩机组运转)。
[0035] 4、本发明可以通过实时在线监测的方式进行故障诊断，也可以只在机组上预留传感器安装孔，待故障征兆发生时(此时一般由压缩机的PLC监控系统或人工巡检发现)再安装相应的检测设备进行现场故障诊断。相对于其他必须要实时在线监测的故障诊断系统来说，大大降低了故障诊断的成本。
附图说明
[0037] 图2热力学模型和动力学模型拟合过程示意图。
[0038] 图3基于神经网络的参数拟合状态示意图。
具体实施方式
[0039] 下面结合具体的
实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
[0040] 本发明提供了一种基于神经网络算法的往复式压缩机故障诊断系统，包括现场通讯模块、数据采集模块、基于神经网络的仿真模块、基于标准故障特征的专家系统模块、故障诊断上位机及主机；
[0041] 现场通讯模块用于从PLC监控系统获取压缩机的实时运行参数；现场通信模块支持Modbus协议、TCP/IP协议、CAN总线多种通信协议。
[0042] 所述数据采集模块用于获取压缩机各个零部件的特性参数；所述数据采集模块包括温度、压力、应力、振动及电涡流传感器(各个传感器安装在压缩机各个部件的预留传感器安装孔内)，以及数据采集卡及数据采集
软件，用于获取压缩机的热力学、动力学、振动力学方程所需要的各个运行参数及对应部件的属性参数(如n,q,T,T1,k,B,r1,r2,p1,p2,m,v,t,l,p2,r2,c)。在机组进行加工装配时，通过数据采集模块对气缸、中体、机身、缸头支撑、中体支撑、缓冲罐、洗涤罐这些部件进行测试，读取固有频率、模态振型和阻尼比参数，机组在试车阶段，读取压缩机加速度、位移、力和力矩，机组在现场安装调试成功后，通过数据采集模块对压缩机进行空载、加载、不同进气压力下及不同排量下的运转测试，并记录各部件的运行参数。
[0043] 所述通讯模块和数据采集模块获取的数据均发送至基于神经网络的仿真模块。
[0044] 基于神经网络的仿真模块是采用压缩机设计数据和压缩机正常工作期间数据采集模块采集的各个零部件的特性参数及现场通讯模块获取的实时运行参数，经过滤波后，对其建立仿真热力学、动力学、振动力学方程。滤波方式可以采用卡尔曼滤波。
[0045] 热力学方程为：P＝f(n,q,T,T1,k,B,r1,r2,p1,p2,z,Q,t)
[0046] 其中，n为压缩机转速，Q为排气量，q为余隙容积，t为时间，T为进气温度，T1为排气温度，k为气体绝热指数，B为气缸单位时间与外界热交换值，r1为气缸半径，r2为曲轴回转半径，p1为进气压力，p2为排气压力，Q为气体排量，P为气缸内的瞬态压力，z为热力学拟合参数(根据不同的工况，选取不同的z值使方程结果P接近现场压力传感器采集得到的气缸内瞬态压力值P)，建立完成后将各级的热力学方程联立组成方程组计算，计算完成后输出气体动态压力P激励参数供振动力学计算使用，输出理想热力学模型f(P)供神经网络使用。热力学拟合过程是指输入基于压缩机组上安装的温度、压力、应力、振动及电涡流传感器测得的时实工况参数和设计参数，通过调整神经网络的权值和隐含层数拟合出压缩机组不同工况下的排温、排量及排压。
[0047] 动力学方程为：W＝f(n,m,t,l,p1,p2,r2,c,z1,P)
[0048] 其中，W为运动部件的瞬态力，n为压缩机转速，m为往复惯性质量力，t为时间，l为压缩机列数，c为滑动摩擦阻尼，，z1为动力学拟合参数(根据不同的工况，选取不同的z1值使方程结果接近现场应力传感器采集得到的W)，计算完成后输出W供振动力学计算使用，输出理想动力学模型f(W)供神经网络使用。动力学拟合过程是指输入所测试的功率、转速、输入扭矩参数及设计参数，通过调整神经网络的权值和隐含层数拟合出压缩机组不同工况下轴系受力变化。
[0049] 对理想热力学模型f(P)和理想动力学数学模型f(W)，结合BP神经网络方法，输入现场通讯模块获取的实时运行参数，迭代优化拟合参数z,z1，令f(P)’为f(P)的修正形式，f(W)’为f(W)的修正形式，建立了能准确反应压缩机热、动力学特性且满足工程精度需求的仿真数学模型(f(P)’、f(W)’)。
[0050] 振动力学方程：V＝f(M,C,K,P,W,t)
[0051] 其中，V为机组振动值，M为质量矩阵，C为阻尼矩阵，K为刚度矩阵。
[0052] 在振动力学计算的过程中，先对压缩机模型进行离散分解成各子结构，如气缸、中体、
机体等子结构，然后通过有限元仿真得出各子结构的主模态及约束模态，乘以变换矩阵，得到模态空间的缩聚刚度矩阵、缩聚质量矩阵，通过与实测压缩机各子结构的模态数据对比，进行基于有限元分析和实验模态的结构动力学修改，然后组合得到整机的模态空间的质量、刚度及阻尼矩阵，引入广义力进行机组耦合分析，即可提取压缩机相应部位的振动加速度、位移、力、力矩。
[0053] 具体为：
[0054] 通过有限元仿真得到各子结构的模态坐标下的质量矩阵Mss、刚度矩阵Kmm，其
中子结构对接边界点的
自由度定位为主自由度xm，非边界点的自由度定义为从自由度xs，X为子结构自由度，则子结构的运动可用如下方程标示：
[0055]
[0056] 其中Mms，Msm及Kms，Ksm分别为主从自由度的耦合矩阵，fm为对接力，f0m为对接力幅值，令D＝K-ω2M为动力矩阵，fm＝f0meiωt时，有响应位移x＝Xeiωt，则解上式中第一式有则子结构自由度可标示为 令 则Td为变换矩阵，则得到第i个子结构主坐标下的缩聚质量矩阵 和缩聚刚度矩阵 为[0057] 然后通过测试每个子结构的模态响应得到各子结构主坐标下的固有频率、主振型、阻尼比参数，对比计算得到基于试验模态的缩聚质量矩阵 缩聚刚度矩阵 及阻尼比，即对子结构进行结构动力学修改(SDM)。
[0058] 通过子结构模态组合得到整个压缩机的模态空间的质量、刚度及阻尼矩阵，引入广义力进行机组耦合分析，即可提取压缩机相应部位的加速度、位移、力、力矩，输出仿真振动力学模型f(V)’供神经网络及专家系统使用。见图3，XX子结构代表如中体支撑、进排气缓冲罐、底座等其他部件的子结构模型。
[0059] 专家系统模块，包括综合数据库、专家知识库及推理机三部分。其中，综合数据库包含仿真模块拟合的往复式压缩机的正常工作期间的仿真热力学模型、仿真动力学模型、仿真振动力学模型以及上述故障特征数据。专家知识库包含了故障的判断准则以及针对各种故障的处理方法。推理机则负责运用控制策略找到可应用的故障的判断准则。此专家系统模块能被读取、添加及修改。综合数据库和专家知识库能被读取，添加及修改。
[0060] 调整两个数学模型的拟合参数z,z1，结合BP神经网络的方法(见图2)，建立准确的压缩机仿真数学模型，将该模型保存至专家系统，供故障诊断对照。然后，改变不同的仿真数学模型参数，模拟压缩机不同部位各种故障相对应的故障数据特征(如降低一级排气压力p1，降低一级气缸容积效率，模拟一级排气
阀漏气故障；在
活塞运动到
上止点时，在往复
惯性力m上增加一瞬态冲击力模拟活塞敲缸故障；减小
联轴器的K值模拟联轴器
螺栓松动故障；增大机体第二列处C值模拟曲轴第二列主
轴承润滑故障等)，并将其保存至基于专家系统的故障库模块中，此故障库模块能被读取、添加及修改。
[0061] 故障诊断主机是用于面向用户，通过此界面可以读取并显示故障诊断过程、结果及排除措施等；所述上位机是用于面向开发者，通过此界面可读取、添加和修改仿真模块和专家系统模块。
[0062] 如图1所示，本发明还提供了一种基于神经网络算法的往复式压缩机故障诊断方法，包括如下步骤：
[0063] S1、通过数据采集模块获取压缩机各个零部件的特性参数，并发送给基于神经网络的仿真模块；
[0064] 具体为：在机组进行加工装配时，通过数据采集模块对气缸、中体、机身、缸头支撑、中体支撑、缓冲罐、洗涤罐等部件进行测试，读取固有频率、模态振型等不可变属性参数(用于结合如长宽高、
密度、
弹性模量等设计参数一起计算M、C、K及z2等参数)；机组在试车阶段，读取压缩机加速度、位移、力和力矩；机组在现场安装调试成功后，对压缩机进行空载、加载、不同进气压力下及不同排量下的运转测试，通过PLC
控制器和数据采集模块检测压缩机热、力学及振动特性等参数(如n,v(t),q,T,k,B,r1,r2,p1,p2,m,v,t,l,p2,r2,c)；将所有参数发送至基于神经网络的仿真模块。
[0065] S2、通过所述现场通讯模块获取压缩机PLC监控系统的实时运行参数，并发送给基于神经网络的仿真模块；
[0066] S3、模拟仿真：基于神经网络的仿真模块进行模拟仿真：压缩机装配及试车阶段，神经网络的仿真模块采用压缩机设计数据、数据采集模块采集的压缩机各个零部件的特性参数和压缩机实时运行参数，经过滤波去除噪声后，建立压缩机的理想热力学方程、理想动力学方程和理想振动力学方程，得到压缩机的理想数学模型；压缩机加载运行阶段，向理想数学模型中输入现场通讯模块采集的实时运行参数，结合BP神经网络方法和结构动力学修改，建立压缩机的仿真热力学模型、仿真动力学模型及仿真振动力学模型，得到压缩机的仿真数学模型，并将建立的仿真数学模型保存至专家系统模块；通过神经网络算法迭代改变仿真数学模型中不同的有关故障部位参数，模拟压缩机不同部位各种故障来获得故障数据特征并保存至专家系统模块
[0067] 具体为：基于神经网络的仿真模块对压缩机热、力学进行计算时结合神经网络算法及现场测试数据对现有的热力学和动力学经验计算方法f(P)、f(W)及参数z，z1进行了修正，建立能准确反应压缩机热、动力学特性的数学模型(f(P)’、f(W)’)；对压缩机振动特性进行计算时，先将压缩机拆分成若干子结构，建立压缩机子结构有限元模型，结合实测得到子结构的固有频率、模态振型及阻尼比等参数，对子结构模型进行基于实验测试的结构动力学修正(SDM)，通过子结构模态组合得到整个压缩机的模态空间的质量、刚度及阻尼矩阵，引入广义力进行机组耦合，建立能准确反应压缩机振动特性的数学模型f(V)’。
[0068] S4、故障诊断过程，当出现故障征兆时，现场通讯模块获取的压缩机的实时运行参数作为待匹配的故障数据特征，待匹配的故障数据特征与专家系统模块中保存的故障数据特征根据专家知识库中的故障判断准则进行判断是否匹配；如果匹配成功，实现故障诊断，并给出对应专家意见；如果匹配不成功，通过神经网络算法迭代修改压缩机仿真数学模型(f(P)’、f(W)’、f(V)’)的有关故障部位参数，直到模拟出的故障数据特征与待匹配的故障数据特征匹配成功，再调出专家知识库中此故障的排除方法，完成故障诊断，并将模拟出的故障数据特征存入专家系统模块，以备下次发生同类故障时选用。
[0069] 具体为：当压缩机在某一工况运行时，突然发生了故障征兆，如压缩机PLC控制柜上显示某缸排气温度异常升高，机组功率降低，现场检测缸头振动加大。但引起此种异常故障的可能性有很多，很难直接判断引起故障原因和故障部位。此时可以将本系统的传感器装在压缩机预留的部位，系统检测压缩机的气缸压力、温度、脉动，
活塞杆的
水平跳动，曲轴的扭转振动，机体、气缸、支撑的振动等数据；结合此工况下的压缩机正常的数学模型(f(P)’、f(W)’、f(V)’)，对比可判断故障部位或故障原因(比如排气阀部位发生故障)，然后调出专家系统进行对比查找故障原因，完成故障诊断。如果没有此故障特征(如故障库中并没存入气阀故障)则可通过神经网络算法迭代修改正常压缩机仿真数学模型的有关故障部位参数(如在热力学模型(f(P)’)中修改余隙容积，在振动力学模型(f(V)’)中修改排气阀的刚度和质量参数(K，M))，直到准确模拟出现场压缩机发生的故障数据特征；再调出专家知识库中此故障的排除方法(如更换排气阀
弹簧及阀片)，完成故障诊断，并将其故障数据特征存入故障专家知识库，以备下次发生同类故障时，系统可以快速判断，完成故障库积累。
