往复压缩机气阀故障时气阀定位方法研究

兴成宏，赵贺嘉，王忠明，徐丰甜，张进杰

（1.北京化工大学诊断与自愈研究中心，北京100029；2.中国石油大庆炼化公司，黑龙江大庆163714；3.大庆油田有限责任公司第九采油厂，黑龙江大庆163714）

往复压缩机气阀故障时气阀定位方法研究

兴成宏1，赵贺嘉2，王忠明3，徐丰甜1，张进杰1

（1.北京化工大学诊断与自愈研究中心，北京100029；2.中国石油大庆炼化公司，黑龙江大庆163714；3.大庆油田有限责任公司第九采油厂，黑龙江大庆163714）

利用Karhunen-Loeve（KL）变换与径向基函数建立气阀故障异常检测模型，以往复压缩机气阀温度在线监测为基础，通过对往复压缩机不同气阀进行分组，提出了一种故障气阀的搜索策略，建立了能够在气阀故障时进行故障气阀定位的气阀故障诊断模型，提高了往复压缩机气阀监测与故障诊断的自动化程度。

往复压缩机；气阀故障；气阀定位；KL变换；径向基函数

1　引言

气阀是往复压缩机关键部件，若气阀发生故障会导致往复压缩机的排气压力、温度和排气量等参数无法满足工艺要求。因此，需要研究气阀故障诊断方法，进行气阀故障预警和诊断。

国内已有很多往复压缩机故障诊断方法研究人员对气阀故障做了很多研究工作：张思阳等人采用EMD方法对故障信号进行分解、重构，以及样本熵分析，提取出了气阀故障的故障信息［1］；黄卫东等人提出了基于示功图分析的气阀故障诊断方法，并通过对比正常工作时和故障发生时的示功图，实现了往复压缩机气阀故障诊断［2］；徐丰甜等人针对气阀故障发生时同气缸上同类气阀正常工作时温度走势一致，故障气阀与正常气阀温度走势不一致，采用主成分分析（PCA）从气阀温度数据中提取气阀故障特征参数，实现了气阀故障的异常检测［3］。

本文在前人研究成果的基础上，对气阀故障中故障气阀准确定位方法进行研究，建立了能够在气阀故障时进行故障气阀定位的气阀故障诊断模型，提高了往复压缩机气阀故障诊断的自动化程度。

2　基于KL变换的气阀故障异常检测方法

当往复压缩机的某气缸上的气阀正常工作时，同类气阀的气阀温度波动一致；若其中某气阀发生故障时，该故障气阀温度与其他正常气阀波动不一致［3］。

如图1是一个二维的气阀正常工作时的温度数据样本分布图，经过正交化线性变换之后，得到一个代表第一大方差的第一坐标a0和一个代表第二大方差的第二坐标a1。从气阀温度数据分布的角度看，当气阀正常工作时，气阀温度数据分布的第一坐标基本保持不变；当气阀故障发生时，第一坐标会发生偏转。因此可以用第一坐标作为诊断气阀故障的特征参数，称为“气阀特征”，该特征参数可以通过Karhunen-Loeve（KL）［4］变换提取出：

图1　一个二维的样本分布图

令x是一个气阀温度样本列向量，每一维代表一个气阀温度，通过正交变换矩阵A，得到新坐标下气阀温度样本向量的值

为了使得正交变换之后的新坐标正好代表第一大方差的第一坐标和代表第二大方差的第二坐标等做成的新坐标，我们要求新坐标下气阀温度样本的协方差矩阵∑y是对角阵，即

根据相关矩阵对角化特征，得出正交变换矩阵A的横向量正是协方差矩阵∑x的特征向量，∑y的对角线上的值正好是∑x的特征值，而特征值最大值对应的特征向量便是指第一大方差的第一坐标，称该特征向量就是“气阀特征”。该变换也就是Karhunen-Loeve（KL）变换。

为了建立气阀故障异常检测模型，当输入值为“气阀特征”X⊆R"，输出值为气阀工作的正常程度Y=｛y|y∈［0，1］｝，可以考虑公式（3）作为气阀故障异常检测模型函数，简称为模型函数

c∈Rn为该模型函数的中心点；||x-c||为样本数据距c∈Rn的欧式距离。

考虑“气阀特征”是列向量，该模型函数可以采用Gaussian分布函数［4］

其中μ——经气阀正常工作时的N组“气阀特征”的均值

∑——该N组“气阀特征”的协方差矩阵

在该模型中，“气阀特征”距离均值μ越近，表示气阀正常工作；当特征参数连续出现偏离均值μ的情况（模型函数值低于某个阈值），则可以判断气阀发生异常。

3　故障气阀定位方法

往复压缩机往往都是双作用气缸，每个气缸的气阀呈对称布置，每侧气阀数多大于2个。在利用气阀阀盖温度进行气阀故障监测的条件下，为实现故障气阀的定位，需进一步观察气阀故障时气阀温度数据的特征。

（1）气阀发生故障时同一气缸上的两侧同类气阀的温度数据保持独立。如图2是某气缸（含4个吸气阀和4个排气阀）排气阀泄漏故障时，同一气缸上排气阀的温度曲线。

（2）气阀发生故障时，故障气阀温度与其他正常气阀温度变化不一致。如果不看故障气阀，正常气阀温度之间仍然保持一致性。因此可以利用这个特点从多个气阀中进行故障气阀定位。

（3）气阀传感器发生故障时，常常是因为气阀温度传感器从气阀阀盖上滑落导致，温度数据上表现为该气阀传感器代表的气阀温度异常下降。当传感器重新复位后，气阀温度又异常上升至原温度水平。因此可以看出，故障气阀温度都与其他正常气阀温度变化不一致，而正常气阀之间温度变化一致。

图2　某气缸排气阀故障时排气阀温度曲线

本文将对气阀进行分组，对故障气阀进行搜索定位，具体方法如下：

（1）将每个气缸每侧同类气阀归为一组。当同类气阀数为一个时，将同一气缸上两侧同类气阀归为一组。这样每组的气阀个数为2、3或4个。

（2）当每组的气阀个数为3或4个时，若模型函数输出值低于报警线，将报警的温度数据标记并进行故障气阀定位。当气阀个数为4个时，对于1#气阀，只取2#、3#和4#气阀标记过的温度数据重新计算得出模型函数输出值；对于2#、3#和4#气阀同理。4次计算后，确定模型函数值的平均值最大者对应的气阀为故障气阀。

（3）当每组的气阀个数为2个时，若模型函数值低于报警线，只进行气阀故障报警，而不继续搜索故障气阀。因为在2个气阀情况下，无法仅通过温度趋势判定故障气阀。如图3当2#吸气阀发生故障时，气阀温度异常上升，但是在这之前，其气阀温度已经和1#吸气阀温度变化不一致，这时很难判断哪一个气阀是故障气阀。

图3　2个气阀时气阀故障温度曲线

因此，往复压缩机气阀故障自动化诊断方法流程见图4。

图4　往复压缩机气阀故障自动化诊断方法流程

4　气阀故障自动化诊断实验验证

通过2个气阀故障实例验证往复压缩机气阀故障定位方法的有效性。

4.1气阀故障案例1

案例1中的气阀故障是某气缸某一侧排气阀（同侧共4个排气阀）发生泄漏故障。如图5是该气缸排气阀泄漏故障时的4个排气阀温度曲线，其中故障气阀温度先逐渐上升，最后异常上升，其他排气阀并未受多少影响，只是小幅度上升。

图6是模型函数值曲线。该模型函数曲线反映了4#排气阀温度与其他气阀温度的关系：当气阀之间温度变化不一致时，代表气阀工作正常程度的模型函数值也相应变小。

为了确定故障气阀，进行故障气阀搜索定位，对图5的气阀温度数据进行重新计算：对于1#排气阀，计算2#、3#和4#排气阀温度数据的“气阀特征”，并得到模型函数值；以此类推。如图7是4条模型函数值曲线。从图中可以看出4#排气阀对应的模型函数值相对气阀气阀最大，可以判断4#排气阀为故障气阀。

4.2气阀故障案例2

案例2中的故障是往复压缩机运行时，某气缸某一侧排气阀（同侧共4个排气阀）传感器从气阀阀盖上掉落，该故障不属于机械零件损伤，但也需要及时修复，以免因缺失气阀温度数据导致遗漏气阀故障。如图8是该故障气阀温度曲线。

如图9是模型函数值曲线。该模型函数曲线中70～90 h和200～220 h的这2段正好反映了3#排气阀传感器异常情况。

为了确定故障气阀，进行故障气阀搜索定位，对图8的气阀温度数据进行重新计算：对于1#排气阀，计算2#、3#和4#排气阀温度数据的“气阀特征”，并得到模型函数值；以此类推。如图10是4条模型函数值曲线。从图中70～90 h和200～220 h的这2段可以看出3#排气阀对应的模型函数值相对气阀最大，可以判断3#排气阀为故障气阀。

图5　气阀故障案例1排气阀温度曲线

图6　气阀故障案例1模型函数值曲线

图7　气阀故障案例1中4条模型函数值曲线

图8　气阀故障案例2气阀温度曲线

图9　气阀故障案例2模型函数值曲线

图10　气阀故障案例2中4条模型函数值曲线

5　结语

本文在采用KL变换提取诊断气阀故障的特征参考文献：

参数“气阀特征”和Gaussian分布函数构建的气阀故障诊断模型的基础上，利用故障气阀温度与正常气阀温度变化不一致，而正常气阀温度之间仍然变化一致的特点，对故障气阀的搜索定位方法的研究，建立能够在气阀故障时进行故障气阀定位的气阀故障诊断模型，通过实际故障案例的验证说明该模型可以进行故障气阀定位。

［1］张思阳，徐敏强，王日新，高晶波.EMD与样本熵在往复压缩机气阀故障诊断中的应用［J］.哈尔滨工程大学学报，2004，35（6）：696-700

［2］黄卫东，侯振宇，基于示功图的往复压缩机故障诊断技术［J］.压缩机技术，2014，（4）：61-64.

［3］徐丰甜，李建，孔祥宇，等.基于PCA的往复压缩机气阀故障异常监测方法［J］.流体机械，2014，42（10）：52-59.

［4］李旭朋，戴凌汉，李庆.往复式压缩机故障诊断的小波分析方法［J］.设备管理与维修，2008，10：46-47.

［5］马晋，江志农，高金吉.基于混沌分形理论的特征提取技术在气阀故障诊断中应用［J］.振动与冲击，2012，31（19）：26-30.

［6］Sergios Theodridis，Konstantions Koutroumbas.模式识别［M］.北京：电子工业出版社，2012.

Research on Valve Locating Method for Reciprocating Compressor Valve Fault

XING Cheng-hong1，ZHAO He-jia2，WANG Zhong-ming3，XU Feng-tian1，ZHANG Jin-jie1
（1.Diagnosis and Self-Recovery Engineering Research Center，Beijing University of Chemical Technology，Beijing 100029，China；2.Petro China Daqing Petrochemical Company，Daqing 163714，China；3.No.9 Oil Production Plant，Daqing Oilfield Company Limited，Daqing 163714，China）

Karhunen-Loeve（KL）transform and radial basis function is used to establish the valve fault abnormality detection model. Based on the online monitoring of valve temperature，this paper proposed a failure valve search strategy by grouping different valves of reciprocating compressor.In addition，the model of valve fault diagnosis which can locate the failure valve was established，and the automation of reciprocating compressor valve monitoring and fault diagnosis has been improved.

reciprocating compressor；valve fault；valve locating；Karhunen-Loeve transform；radial basis function

TH457

A

1006-2971（2015）05-0020-05

兴成宏（1972-），男，博士，研究方向为机械设备故障诊断及专家系统研究。

2015-05-04

国家重点基础研究发展计划（“973”计划）项目（2012CB026000）；国家自然科学基金重点项目（51135001）