天然气压缩机组状态监测探析

柳洁，李飞，张少龙，冒文辉，吴红钦

（中国石油长庆油田分公司第三采气厂，陕西 西安 710021）

天然气压缩机组故障（隐患）一般分为三类：一种是流体，它本质上属于天然气压缩机组热性能故障；另一种是电气性质的，属于天然气压缩机组电气参数故障；还有一种是机械性质，属于机械功能故障。故障原因不同，反射的天然气压缩机组状态信号也不同。为确定故障状态而收集的状态信号和所使用的分析方法也有所不同。天然气压缩机组状态监测技术研究的重点是如何选择建立方法和手段间接评估天然气压缩机组状态。单个传感器仅获得研究对象的部分和单方面的信息，信息量相当有限度，每个信息源可能会受到其自身质量和性能噪声的影响，并且所收集的信息通常不完整，且信息量较大。天然气压缩机组的在线监测存在多种不确定性因素，有时甚至是错误的。因此，有必要集成和智能地处理来自不同来源的大量信息。天然气压缩机组系统是一个整体系统，每个组件都具有复杂的物理结构，通常包括机械、液压和电气部分，各个组件之间的故障关系非常复杂。因此，这种类型的系统的故障诊断过程不能仅依靠单层信息，而应该集成和融合所有层和类型的信息。天然气压缩机组多传感器信息融合应用系统可以充分利用多传感器的各种信息对天然气压缩机组故障进行综合诊断，从而将单一故障诊断技术的准确性和可靠性提升数倍甚至达到质变的目标。多传感器设备信息融合理论的研究为大型和复杂在线天然气压缩机组系统的实时监控，信号预测甚至警报方案的制定提供了基础，两者是密不可分的整体。

天然气压缩机组多传感器信息融合系统基础原理是建立适合天然气压缩机组在线监测和故障诊断的数据融合系统，重点是对决策级融合方法进行了深入研究，并采用DSET 融合诊断模型来实现多准则融合技术，着重分析了基于D-S 证据理论的天然气压缩机组信息融合案例。

1 多传感器数据融合的原理和层次结构

1.1 基本原则

多传感器数据融合，20 世纪70年代主要用于军事领域。在1980年后期，随着对传统数据和信号处理系统的需求不断增加，以及计算机技术的发展，信息融合已被广泛研究并应用于各行各业。其中，多源信息是信息融合的处理对象，协同优化和综合处理是信息融合的核心。简而言之，数据融合是指在一定条件下自动分析，优化和综合来自多个传感器或多个来源的观测信息，以完成所需的决策和估计任务的信息处理过程，从而获得正确的决策权。对观察对象的更准确和可靠的描述。数据融合是一门综合性理论，涉及数学及决策理论、神经网络NLP、信号处理、通信技术、自动控制理论、人工智能AI、不确定性理论、计算机IT 科学等学科理论及方法。

1.2 层次结构

根据融合信息的层次结构，数据融合技术具有三种基本融合类型，即数据层融合、数据特征层融合和决策数据层融合。

1.2.1 数据层融合情况

在不对各种传感器的原始测量数据进行预处理之前，对数据的数量和质量进行分析并在时间和空间上进行组合。这种数据层融合的主要优势在于，它可以保持尽可能多的现场数据，并提供其他融合级别无法提供的细微信息。主要缺点是：要处理的传感器数据量太大，处理成本高，处理时间长，实时性差。对于这种数据级别的信息融合，检测传感器必须具有相同的类型，即观察到的信息相同。数据层融合中使用的主要方法是：贝叶斯公式和卡尔曼滤波器。但是，这些方法的缺点主要是已知数据的先验概率和准确的系统数据模型。

1.2.2 数据特征层结合情况

与属于中间级别的数据层融合相比，数据特征层融合是在更抽象的数据级别上执行的。首先，从传感器的原始信息中提取代表性特征向量，然后对特征向量进行综合分析和处理，以形成统一的特征向量。并识别出融合特征向量。特征级融合的优势在于，它可以提高某些重要特征的准确性，还可以生成新的组合特征，从而具有更大的灵活性。特征层融合中，使用的主要方法有模糊理论、神经网络、小波分析等。

1.2.3 数据决策层整合情况

在每个数据源通道识别出目标后，将多个数据源的识别结果融合在一起以做出最终决定。数据决策级融合直接针对特定的决策目标，融合结果直接影响决策水平。决策级融合的主要优点是具有很高的灵活性。当一个或多个传感器发生错误时，通过适当的融合，系统仍然可以获得正确的结果，因此容错能力很强。研究表明，特征级融合应该用于多个相似的传感器。应该使用不同类型（或独立）的传感器。

2 天然气压缩机组信息融合的系统结构

基于不同天然气压缩机组参数的状态监测方法，研究了天然气压缩机组信息融合方法。从故障信息的不同影响角度出发，从单个热力学参数、电参数或动力学参数的状态监视得出的故障诊断方法是一种诊断标准，因此这三个诊断标准共同构成了一组独立的标准。这里所谓的独立准则是指基于互不相同的故障信息的不同形式构造的诊断准则，并且每个准则所使用的故障信息未被其他准则所使用。

Dempster 教授在1967年首先提出了证据理论，由他的学生Shafer 于1976年进一步发展起来的一种不精确推理理论。他提出证据理论是基于对某个假设的各种证据的组合来估计该假设的真实性。它是经典概率论的扩展。1970年中期，Dempster 的学生G.Shafer 大大扩展和完善了该模型，并在此基础上形成了处理不确定信息的理论，称为D·S 证据理论（Dempster-Shafer 理论），简称DSET。D-S 证据理论比传统的概率论理论能更好地把握问题的未知性和不确定性，因此已广泛应用于多传感器数据融合中。

3 基于D-S 证据理论的天然气压缩机组信息融合诊断分析

阀门振动、排气温度和排气压力这三种类型的传感器用于同时监视螺杆天然气压缩机组气门的两种可能的故障：驱动机构故障（由故障A 表示）和阀盘损坏（由故障B 表示）。标识框为（故障A，故障B），屏幕集元素为（故障A）、（故障B）、（故障A，故障B），其中元素（故障A，故障B）不可区分。不论是故障A 还是故障B，请用不确定的代替。经过统计分析，对三个传感器进行监测后判断A 和B 故障的可靠性如表1 所示。基本可靠性分配值和融合结果。

表1

根据DSET 组合规则，获得三组故障可靠性值的组合故障可靠性值，

比较表1 和表2，可以看出，两个传感器1＆2、2＆3或1＆3 融合后，故障A 的可信度提高了，而故障B 的可信度降低了，多数据融合后的不确定性大于原来的单个传感器，并且提高了故障诊断的准确性。三个传感器融合后，诊断不确定性降低，融合后的基本可信度分布比以前更好分离，诊断能力大大提高。将这三个标准完全融合后，得到诊断结论，其信任度为0.9236，即故障A，即驱动机构发生故障，远大于其他方式的信任度，不确定性非常大，小在0.0039。从该诊断结果可以看出，采用多准则DSET 融合综合诊断消除了模棱两可的诊断状态，突出了实际的故障模式，可靠性分布值高，非故障模式的可靠性值也高。削弱和不确定性性别也被大大削弱，从而得出更可靠的诊断结论。

表2

4 结语

基于多传感器大数据融合的天然气压缩机组状态监测的理论和实践，充分说明多传感器大数据融合的天然气压缩机组状态监测，是天然气压缩机组故障预判未来趋势的利器，各天然气压缩机组制造商和使用者的必然选择。