一种基于物联网的往复压缩机敏感特征提取与故障诊断方法

摘要

本发明涉及一种基于物联网的往复压缩机敏感特征提取与故障诊断方法。针对目前往复压缩机实际预警参数与故障诊断缺乏有效关联的现状，以基于物联网技术的往复压缩机在线监测诊断系统为基础，通过典型故障机理研究找到“故障-特征”的内在对应关系，提出了一种采用故障敏感特征参数提取的往复压缩机故障诊断方法。本发明针对往复压缩机故障案例数据，提取不同故障对应敏感特征参数，组成故障敏感特征参数集；采用不同智能分类算法，基于故障敏感特征参数集构建故障自动分类器，实现机组故障自动诊断。

说明书

技术领域

本发明涉及针对往复压缩机故障诊断技术，是一种基于物联网的往复压缩机敏感特征提取与故障诊断方法。

背景技术

炼油、化工、采油、采气及输气管道企业生产属于典型的流程工业，往复压缩机是一种在流程工业生产中广泛应用的大型、关键设备。由于往复压缩机压力高、压缩介质危险、故障零部件多，每年国内发生的往复压缩机事故数十起，包括爆炸、着火、活塞杆断裂、撞缸等，直接经济损失过亿元，间接经济损失不可估量。

目前，国内往复压缩机虽已逐渐安装了在线监测系统，但现有在线监测系统的机组故障分析诊断工作更多依赖人工进行，对诊断人员的知识和经验要求很高，实际的往复压缩机故障诊断准确率一般低于30％。同时国内外对往复压缩机故障诊断的研究大都针对气阀及管道部件，尚没有研究人员对往复压缩机关键运动部件的故障诊断进行研究，往复压缩机故障理论研究方面还比较缺乏，机组典型故障机理也有待进一步研究，往复压缩机实际预警与诊断没有有效关联，致使现有故障诊断方法的指向性、准确性较差。

因此，以往复压缩机典型故障机理深入研究为依托，研究“故障-特征”的内在对应关系，探索往复压缩机智能预警与诊断新方法，并通过往复压缩机典型故障模拟实验研究验证方法的准确性和实用性，从而提高实际故障诊断的准确性、自动化和智能化水平显得尤为重要。本发明提出了一种基于故障敏感特征参数的往复压缩机故障报警与诊断技术。

目前国内外的往复压缩机故障诊断技术研究偏向于信号处理技术与机组运行状态，研究对象是往复压缩机关键部件，包括活塞、活塞杆、气阀、连杆、曲轴在内的故障机理，尚未有人系统提出往复压缩机故障及其故障敏感特征参数的对应关系，更没有利用故障敏感特征参数进行故障早期预警与诊断的研究。

国内，中南大学王宇进行了往复式压缩机故障诊断及关键部件的失效行为分析，对压缩机的核心部件-曲轴、活塞、活塞杆进行失效行为分析，通过静力分析和模态分析，分析出故障的情况和固有频率和振型；中国石油大学张来斌等对基于混沌理论的往复式压缩 机故障诊断方法进行了研究，通过计算信号的关联维数、Kolmogorov熵及最大Lyapunov指数，利用混沌理论进行往复式压缩机故障诊断。蒋旭鑫等提出了一种基于声发射和关联维数的空气压缩机故障诊断方法，采用声发射和关联维数技术进行往复式压缩机故障诊断；中国石油大学张来斌等提出了一种往复压缩机的故障检测方法及装置，提取往复压缩机振动信号以及包括气缸进气温度、排气温度、进气压力及排气压力在内的热力参数特征，输入到神经网络与DS证据理论中进行分类故障；江苏工业学院张琳等对往复压缩机在线远程状态监测与故障分析诊断系统进行了研究，通过提取热力性故障特征和动力性故障特征，辅以温度和位移信号对往复式压缩机进行故障诊断,对于热力性故障采用示功法进行分析诊断，对动力性故障采用小波算法和神经网络综合进行判断，

国外方面，已有两级往复式压缩机的数值模拟研究，M.Elhaj等通过研究气阀动态特性与气缸动态压力变化进行压缩机故障诊断，Markus Timusk等提出了一种特殊机械的基于振动的故障在线检测方法，Ahmed,M等将主元分析(PCA)用于选择振动特征和检测不同的往复式压缩机故障，还有基于抗体选择学说和免疫记忆理论的故障检测算法，以及基于非线性动力系统理论和小波变换理论进行往复压缩机气阀故障诊断研究方面的报导。

综合国内外往复压缩机故障监测诊断方面的研究成果，未见有本发明中提出的通过提取往复压缩机故障敏感特征参数进行故障诊断的研究工作。

发明内容

一种基于物联网的往复压缩机敏感特征提取与故障诊断方法，该方法对往复压缩机常见故障进行特征提取，获得故障敏感特征参数，并根据不同故障的不同敏感特征来进行故障报警与诊断，其特征在于包括以下步骤：

1、通过安装在往复压缩机上的无线振动、温度、压力、光电传感器构建基于物联网络的往复压缩机在线监测系统，在此基础上采集往复压缩机故障特征参数信号，包括：加速度振动峰值、加速度波形翘度、加速度波形歪度、活塞杆位移平均值、活塞杆位移波形峰峰值、活塞杆位移波形翘度、活塞杆位移波形歪度、速度波形有效值、速度波形翘度、速度波形歪度、润滑油压力、排气流量、润滑油温度、吸气温度绝对值、吸气温度相对值、排气温度绝对值、排气温度相对值、缸体内动态压力平均值、缸体内动态压力最低值、缸体内动态压力最高值、缸体内动态压力膨胀过程时间、缸体内动态压力吸气过程波动率、缸体内动态压力压缩过程时间、缸体内动态压力排气 过程波动率、示功图面积；以字母k代表单台压缩机单个缸故障特征参数序号，k＝1代表加速度振动峰值、k＝2代表加速度波形翘度，k＝25代表示功图面积；往复压缩机故障特征参数信号包括润滑油压力、排气流量、润滑油温度、吸气温度绝对值，排气温度绝对值，加速度振动峰值，活塞杆位移平均值，曲轴箱振动速度波形有效值；

2、对故障特征对照表涵盖的特征参数数据进行归一化处理，数据归一化方法如下：

$F(m,k)=\frac{f(m,k)-a(m,k)}{A(m,k)-a(m,k)}$

其中：

f(m,k)是第m种故障第k个故障特征的当前值；

a(m,k)是第m种故障第k个故障特征值正常值，取自正常运行时的特征数据的平均值；

A(m,k)是第m种故障第k个故障特征的报警值；

F(m,k)是归一化处理后的第m种故障第k个故障特征数据；

上述模型定义的故障特征值归一化值F(m,k)是一个取值范围在[0，1]之间的无量纲指数，综合考虑了不同故障各种故障特征参数当前值，历史正常值与报警值之间的关系，模型的边界条件为：

(1)f(m,k)-a(m,k)≤0,f(m,k)＝0；

(2)f(m,k)-A(m,k)≥0,f(m,k)＝1；

3、采用特征评价技术，包括距离评估技术(散步矩阵法、ReliefF法)、信息熵评估技术，针对往复压缩机故障案例数据，提取不同故障对应的敏感特征参数，组成不同故障的敏感特征参数集；

1)采用散布矩阵法提取往复压缩机故障特征参数敏感性系数：

(a)获得正常状态与第m种故障全部特征参数的数据，其中的第k个特征参数数据记为D_k；

(b)计算第k个特征参数的类内散布矩阵：

其中，M为数据类别数，一般取2，即正常类和故障类；P_i为第i类的先验概率，P_i＝n_i/N，n_i为第k个特征参数第i类的样本数，N为第k个特征参数所有类别总样本数；∑_i为第 k个特征参数第i类的类内协方差矩阵，其计算方法为：

${\Sigma }_i=\frac{1}{n_i}\Sigma (x_i-{\mu }_i){(x_i-{\mu }_i)}^T=E\left[(x_i-{\mu }_i){(x_i-{\mu }_i)}^T\right];$

其中，x_i为第k个特征参数第i类的样本值，是由各个特征值组成的列向量；μ_i为第k个特征参数第i类的类内平均值，其计算方法为：S_w的迹tr{S_wk}是第k个特征参数所有类别的特征方差的平均测度；

(c)计算第k个特征参数的类间散布矩阵：

其中，μ₀为第k个特征参数第i类的类内平均值，μ₀＝ΣP_iμ_i。很明显，S_bk的迹tr{S_bk}是每一类的均值和全局均值之间平均距离的一种测度；

(d)计算第k个特征参数混合类间散布矩阵：S_mk＝E[(x-μ₀)(x-μ₀)^T]＝S_wk+S_bk；S_mk的迹tr{S_mk}是特征值关于全局均值的方差和；

(e)计算第k个特征参数距离评估准则系数Jk：J_k＝tr{S_mk}/tr{S_wk}或J_k＝|S_mk|/|S_wk|＝|S_wk^-1S_mk|或

(f)针对全部特征参数，重复步骤(a)到(e)计算过程，得到所有特征参数距离评估准则系数向量J，该向量需经归一化处理得到向量MJ，MJk就是散布矩阵法计算后获得的第k个特征参数的敏感性系数；MJk计算过程如下：

MJk＝(Jk-min(J))/(max(J)-min(J))

其中：max代表取最大值；

min代表取最小值；

规定向量MJ中大于0.6的元素所对应的故障特征参数为第m种故障的敏感特征参数；

2)采用ReliefF法提取往复压缩机故障特征参数敏感性系数；

(a)完成第m种故障权值矩阵向量初始化，令W＝0；

(b)在包含正常数据与第m种故障数据的样本R中随机取1个样本r；

(c)针对所有q个特征参数D_k(k＝1,2,...,q)，完成除去r后的所有样本与样本r之间的距离计算，计算公式如下：

$\mathrm{Length}(X_i,R)=\sqrt{\underset{k=1}{\overset{q}{\Sigma }}{(\mathrm{Value}(D_k,X_i)-\mathrm{Value}(D_k,R))}^2}$

上式中，Value(D_k,R)为样本R在第k个特征D_k下的取值；Value(D_k,X_i)为样本X_i在第k个特征D_k下的取值；

找出与R最近的Z个同类样本H_i和Z个不同类样本T_i(i＝1,2,...,Z)(即Z个正常样本和Z个故障样本)；

(d)对于该样本R的所有q个特征参数D_k(k＝1,2,...,q)依次进行如下计算：

$W\left(D_k\right)=W^{\prime }\left(D_k\right)-\underset{i=1}{\overset{Z}{\Sigma }}\mathrm{diff}(D_k,R,H_i)/Z+\underset{i=1}{\overset{Z}{\Sigma }}\mathrm{diff}(D_k,R,T_i)/Z;$

其中：

W′(D_k)为第k个特征D_k下的权值矩阵向量的前一次计算值，对第一次计算，W′(D_k)＝0；

diff(D_k,R,H_i)＝|Value(D_k,R)-Value(D_k,H_i)|/(max(D_k)-min(D_k))；

diff(D_k,R,T_i)＝|Value(D_k,R)-Value(D_k,T_i)|/(max(D_k)-min(D_k))；

Value(D_k,R)为样本R在第k个特征D_k下的取值；

Value(D_k,H_i)为样本H_i在第k个特征D_k下的取值；

Value(D_k,T_i)为样本T_i在第k个特征D_k下的取值；

(e)循环步骤(b)到(d)L次；输出权值向量W，该向量需经归一化处理得到向量MW，MWk就是散布矩阵法计算后获得的第k个特征参数的敏感性系数；MWk计算过程如下：

MWk＝(Wk-min(W)/(max(W)-min(W))

其中：max(W)为W的最大值；

min(W)为W的最小值；

规定向量MW中大于0.6的元素所对应的故障特征参数为第m种故障的敏感特征参数；

3)采用信息熵评估方法提取往复压缩机故障特征参数敏感性系数；

(a)针对包含正常数据与第m种故障数据的样本数据，特征G的t个观察值 G₁,G₂,G₃,...,G_t，将G的取值范围划分为u个不相交的区间(g_i,g_i+1](i＝1,2,...,u)，令B(g_i)为特征G在第i区间观察值的个数计数的计算函数，那么G的近似概率函数为P(g_i)＝B(g_i)/t，特征G的信息熵为$\mathrm{HH}\left(G\right)=-\underset{i}{\Sigma }P\left(g_i\right){\log }_2\left(P\left(g_i\right)\right);$

(b)仍是该特征G下的观察值，按数据类别(正常数据与故障数据)分，B(c_j)为各类别下的个数，那么C的近似概率函数为P(c_j)＝B(c_j)/t，故障类别C的信息熵为 $\mathrm{HH}\left(C\right)=-\underset{i}{\Sigma }P\left(c_i\right){\log }_2\left(P\left(c_i\right)\right);$

(c)计算条件熵HH(G|C)时，在计算HH(G)时划分的区间中，计算故障类别c_j的出现概率P(g_i|c_j)，于是可计算条件熵$\mathrm{HH}\left(G\right|C)=-\underset{j}{\Sigma }P\left(c_j\right)\underset{i}{\Sigma }P\left(g_i\right|c_j){\log }_2\left(P\left(g_i\right|c_j)\right);$

(d)计算对称不确定性$\mathrm{SU}(G,C)=2\frac{\mathrm{HH}\left(G\right)-\mathrm{HH}\left(G\right|C)}{\mathrm{HH}\left(G\right)+\mathrm{HH}\left(C\right)};$

(e)计算下一个特征，并重复(a)到(d)的计算步骤；

(f)经过基于信息熵评估方法得到一个表示各个参数敏感性系数的向量SU；该向量SU还需要经过归一化处理得到MSU，MSU_k就是信息熵法计算后获得的第k个特征参数的敏感性系数；计算过程如下：

MSU_k＝(SU_k-min(SU))/(max(SU)-min(SU)) 

其中：max(SU)为SU的最大值；

min(SU)为SU的最小值；

规定向量MSU中大于0.6的元素所对应的故障特征参数为第m种故障的敏感特征参数；

4、针对往复压缩机实际在线监测数据，根据步骤3)中提取的故障敏感特征参数，设定往复压缩机典型故障敏感报警参数，对恶性故障：活塞杆断裂、撞缸、连杆断裂、拉缸故障进行重点报警关注。

5、采用智能分类算法：人工神经网络，支持向量机，模糊推理，粗糙集等，对故障历史数据进行自学习，基于故障敏感特征参数形成标准案例分类器，实现机组故障自动诊断。

附图说明

图1：本发明流程图；

图2：本发明实施案例活塞杆断裂故障敏感特征评估结果；

图3：本发明实施案例活塞杆紧固螺母松动故障的敏感特征评估结果；

图4：本发明实施案例活塞杆断裂故障故障经过敏感特征提取后的人工神经网络诊断输出结果；

图5：本发明实施案例活塞杆紧固螺母松动故障经过敏感特征提取后的人工神经网络诊断输出结果；

图6：本发明实施案例活塞杆断裂故障故障不经过敏感特征提取后的人工神经网络诊断输出结果；

图7：本发明实施案例活塞杆紧固螺母松动故障不经过敏感特征提取后的人工神经网络诊断输出结果；

具体实施方式

如图1所示，本发明的流程主要包括三个部分：

1、往复压缩机组故障数据采集与报警参数提取

2、故障敏感特征参数提取与专家确认

3、故障自动分类

为了能够有效提高往复压缩机故障特征选择敏感性，本发明提出了一种引入报警线的特征数据归一化的前处理方法。

本方法所采用的步骤是：

(1)以实际往复压缩机故障诊断经验为基础，针对这些特征，设置相应的报警线；

(2)计算出各个故障正常运行时和故障发生时的特征数据；

(3)引入报警线对特征数据归一化处理，处理过程为：

(4)将归一化处理后的特征数据进行特征选择。

其中f(m,k)是第m种故障第k个故障特征的原始值；

a(m,k)是第m种故障第k个故障特征值正常值，取自正常运行时的特征数据的平均值；

A(m,k)是第m种故障第k个故障特征的报警值；

F(m,k)是归一化处理后的第m种故障第k个故障特征数据。

之所以归一化处理引入报警值，原理是：的分母中的A(m,k)是由一个用户设置的参数，也是根据实际往复压缩机故障诊断经验提取而得。对于采用距离评估方法进行特征选择，计算的是归一化后的数据之间的距离，所以引入报警值后的归一化特征值能够很好的反映了各个特征对于故障的敏感度。

经过数据前处理，需要进行故障敏感特征参数提取。本发明使用的故障敏感特征参数提取方法主要包括三种：

1、基于散布矩阵法的距离评估技术，

2、基于Relief法的距离评估技术，

3、信息熵评估技术。

相关方法的具体实施步骤如下。

1、基于散布矩阵法的距离评估技术

散布矩阵法是计算类内方差与类间方差之比来衡量特征与类别的可分程度，其具体计算步骤如下：

(1)获得正常状态与第m种故障全部特征参数的数据，其中的第k个特征参数数据记为D_k；

(2)计算第k个特征参数的类内散布矩阵：

其中，M为数据类别数，一般取2，即正常类和故障类；P_i为第i类的先验概率，P_i＝n_i/N，n_i为第k个特征参数第i类的样本数，N为第k个特征参数所有类别总样本数；∑_i为第k个特征参数第i类的类内协方差矩阵，其计算方法为：

${\Sigma }_i=\frac{1}{n_i}\Sigma (x_i-{\mu }_i){(x_i-{\mu }_i)}^T=E\left[(x_i-{\mu }_i){(x_i-{\mu }_i)}^T\right];$

其中，x_i为第k个特征参数第i类的样本值，是由各个特征值组成的列向量；μ_i为第k 个特征参数第i类的类内平均值，其计算方法为：S_w的迹tr{S_wk}是第k个特征参数所有类别的特征方差的平均测度。

(3)计算第k个特征参数的类间散布矩阵：

其中，μ₀为第k个特征参数第i类的类内平均值，μ₀＝∑P_iμ_i。很明显，S_bk的迹tr{S_bk}是每一类的均值和全局均值之间平均距离的一种测度。

(4)计算第k个特征参数混合类间散布矩阵：S_mk＝E[(x-μ₀)(x-μ₀)^T]＝S_wk+S_bk；S_mk的迹tr{S_mk}是特征值关于全局均值的方差和。

(5)计算第k个特征参数距离评估准则系数J_k：J_k＝tr{S_mk}/tr{S_wk}或J_k＝|S_mk|/|S_wk|＝|S_wk^-1S_mk|或$J_k=\mathrm{tr}\left\{S_{\mathrm{wk}}^{-1}{S}_{\mathrm{mk}}\right\}.$

(6)针对全部特征参数，重复步骤(2)-(5)计算过程，得到所有特征参数距离评估准则系数向量J，该向量需经归一化处理得到向量MJ，MJ_k就是散布矩阵法计算后获得的第k个特征参数的敏感性系数。MJ_k计算过程如下：

MJ_k＝(J_k-min(J))/(max(J)-min(J)) 

其中：max代表取最大值；

min代表取最小值；

规定向量MJ中大于0.6的元素所对应的故障特征参数为第m种故障的敏感特征参数。

2、基于Relief法的距离评估技术

ReliefF方法类似于KNN算法，从全部样本中随机选取s个样本，样本包括故障类数据和正常类数据。对其中每个样本，计算与该样本属于同类和不同类的Z个最邻近的距离，再根据距离均值的远近对各个特征的权重进行赋值，从而知道哪些特征与故障类别的相关性更大。其具体计算步骤为：

(1)完成第m种故障权值矩阵向量初始化，令W＝0；

(2)在包含正常数据与第m种故障数据的样本R中随机取1个样本r；

(3)针对所有q个特征参数D_k(k＝1,2,...,q)，完成除去r后的所有样本与样本r之间的 距离计算，计算公式如下：

$\mathrm{Length}(X_i,R)=\sqrt{\underset{k=1}{\overset{q}{\Sigma }}{(\mathrm{Value}(D_k,X_i)-\mathrm{Value}(D_k,R))}^2}$

上式中，Value(D_k,R)为样本R在第k个特征D_k下的取值；Value(D_k,X_i)为样本X_i在第k个特征D_k下的取值；

找出与R最近的Z个同类样本H_i和Z个不同类样本T_i(i＝1,2,...,Z)(即Z个正常样本和Z个故障样本)；

(4)对于该样本R的所有q个特征参数D_k(k＝1,2,...,q)依次进行如下计算：

$W\left(D_k\right)=W^{\prime }\left(D_k\right)-\underset{i=1}{\overset{Z}{\Sigma }}\mathrm{diff}(D_k,R,H_i)/Z+\underset{i=1}{\overset{Z}{\Sigma }}\mathrm{diff}(D_k,R,T_i)/Z;$

其中，W′(D_k)为第k个特征D_k下的权值矩阵向量的前一次计算值，对第一次计算，W′(D_k)＝0。

diff(D_k,R,H_i)＝|Value(D_k,R)-Value(D_k,H_i)|/(max(D_k)-min(D_k))；

diff(D_k,R,T_i)＝|Value(D_k,R)-Value(D_k,T_i)|/(max(D_k)-min(D_k))；

Value(D_k,R)为样本R在第k个特征D_k下的取值；

Value(D_k,H_i)为样本H_i在第k个特征D_k下的取值；

Value(D_k,T_i)为样本T_i在第k个特征D_k下的取值；

(5)循环“(2)至(4)”步骤L次；输出权值向量W，该向量需经归一化处理得到向量MW，MW_k就是散布矩阵法计算后获得的第k个特征参数的敏感性系数。MW_k计算过程如下：

MW_k＝(W_k-min(W)/(max(W)-min(W)) 

其中：max(W)为W的最大值；

min(W)为W的最小值；

规定向量MW中大于0.6的元素所对应的故障特征参数为第m种故障的敏感特征参数。

3、信息熵评估方法

信息熵评估主要利用信息熵量化特征与故障类别的不确定性程度，以判定特征包含的 分类信息含量。信息熵评估是一种无参、无线性的评估准则。其中信息增益和互信息等得到广泛地应用，信息增益用来说明故障类别的先验熵与其它特征组成的后验熵的差，二互信息则表示在给定故障类别的情况下，特征不确定性减少的程度。事实上，由贝叶斯公式可知，两者是等价的。下面介绍信息增益法计算特征与故障类别的相关系数。

特征G的信息熵为： 

$\mathrm{HH}\left(G\right)=-\underset{i}{\Sigma }P\left(g_i\right){\log }_2\left(P\left(g_i\right)\right),$

而已知另一个特征Y的情况下的条件熵为：

$\mathrm{HH}\left(G\right|Y)=-\underset{j}{\Sigma }P\left(y_j\right)\underset{i}{\Sigma }P\left(g_i\right|y_j){\log }_2\left(P\left(g_i\right|y_j)\right),$

其中P(g_i)是特征G取值为g_i的先验概率，P(G_i|y_j)是给定特征Y取值为y_j时特征G取值为g_i的后验概率。因此IG(G|Y)＝HH(G)-HH(G|Y)，IG(G|Y)为信息增益，它能反映给定Y前后的信息增量。

根据这个计算方法，如果IG(G|Y)>IG(O|Y)，则说明特征Y与特征G的相关系数比特征Y与特征O的相关系数更高。IG(G|Y)可继续单位化为：

称之为对称不确定性，取值为[0，1]。如果G与Y是完全相关时，SU(G,Y)＝1；而如果G与Y是完全独立时，SU(G,Y)＝0。

有了对称不确定性SU(G,Y)这个计算相关性的方法，只需有故障类别C代替特征Y，便可得到量化后的特征与故障类别的相关系数SU(G,C)。

一种比较简单直观计算对称不确定性SU(G,C)的方法是直方图法，其具体步骤如下：(1)针对包含正常数据与第m种故障数据的样本数据，特征G的t个观察值G₁,G₂,G₃,...,G_t，将G的取值范围划分为u个不相交的区间(g_i,g_i+1](i＝1,2,...,u)，令B(g_i)为特征G在第i区间观察值的个数计数的计算函数，那么G的近似概率函数为P(g_i)＝B(g_i)/t，特征G的信息熵为 $\mathrm{HH}\left(G\right)=-\underset{i}{\Sigma }P\left(g_i\right){\log }_2\left(P\left(g_i\right)\right);$

(2)仍是该特征G下的观察值，按数据类别(正常数据与故障数据)分，B(c_j)为各类别 下的个数，那么C的近似概率函数为P(c_j)＝B(c_j)/t，故障类别C的信息熵为

$\mathrm{HH}\left(C\right)=-\underset{i}{\Sigma }P\left(c_j\right){\log }_2\left(P\left(c_j\right)\right);$

(3)计算条件熵HH(G|C)时，在计算HH(G)时划分的区间中，计算故障类别c_j的出现概率P(g_i|c_j)，于是可计算条件熵$\mathrm{HH}\left(G\right|C)=-\underset{j}{\Sigma }P\left(c_j\right)\underset{i}{\Sigma }P\left(g_i\right|c_j){\log }_2\left(P\left(g_i\right|c_j)\right);$

(4)计算对称不确定性$\mathrm{SU}(G,C)=2\frac{\mathrm{HH}\left(G\right)-\mathrm{HH}\left(G\right|C)}{\mathrm{HH}\left(G\right)+\mathrm{HH}\left(C\right)};$

(5)计算下一个特征，并重复“(1)～(4)”的计算步骤。

(6)经过基于信息熵评估方法得到一个表示各个参数敏感性系数的向量SU；该向量SU还需要经过归一化处理得到MSU，MSU_k就是信息熵法计算后获得的第k个特征参数的敏感性系数。计算过程如下：

MSU_k＝(SU_k-min(SU))/(max(SU)-min(SU)) 

其中：max(SU)为SU的最大值；

min(SU)为SU的最小值；

规定向量MSU中大于0.6的元素所对应的故障特征参数为第m种故障的敏感特征参数。

针对往复压缩机故障建立特征参数表，如表1所示；并将这些特征参数按序编号。

表1往复压缩机故障特征参数表

故障特征参数名称>故障特征参数名称>加速度振动峰值>吸气温度绝对值>加速度波形翘度>吸气温度相对值>加速度波形歪度>排气温度绝对值>活塞杆位移平均值>排气温度相对值>活塞杆位移波形峰峰值>缸体内动态压力平均值>活塞杆位移波形翘度>缸体内动态压力最低值>活塞杆位移波形歪度>缸体内动态压力最高值>速度波形有效值>缸体内动态压力膨胀过程时间>速度波形翘度>缸体内动态压力吸气过程波动率>

 

速度波形歪度>缸体内动态压力压缩过程时间>润滑油压力>缸体内动态压力排气过程波动率>排气流量>P-V图面积>润滑油温度> >

使用上述方法，对实际故障数据进行故障敏感特征选择。本发明实施案例包括活塞杆断裂、活塞杆紧固螺母松动故障两个。在具体实施中，针对两种往复压缩机典型故障的100组故障样本和100组正常样本，应用信息熵评估法提取并综合评估敏感特征参数。

下面以信息熵评估法提取活塞杆断裂、活塞杆紧固螺母松动故障敏感特征参数为例进行说明。

1、从实验台往复压缩机在线监测系统中获取活塞杆断裂、活塞杆紧固螺母松动故障数据，提取表1中的参数数据。部分时间点数据如表2、表3所示。

表2活塞杆断裂故障部分特征正常与故障对比值

表3活塞杆松动故障部分特征正常与故障对比值

2、数据归一化处理

位移峰峰值：正常值200μm，报警值500μm；

加速度峰值：正常值60m/s²，报警值150m/s²；

速度有效值：正常值2mm/s，报警值5.5mm/s。

对表2、表3中的数据进行归一化处理，结果如下表4，表5所示：

表4活塞杆断裂故障部分特征正常与故障对比值

表5活塞杆松动故障部分特征正常与故障对比值

3、采用信息熵评估方法进行敏感特征提取

从以上表4，表5中看出对活塞杆断裂故障和活塞杆松动故障，不同特征在故障前后变化不一。因此，采用基于信息熵评估的敏感特征提取方法对全部监测特征的敏感性进行计算和排序。

经过基于信息熵评估方法得到归一化处理后的MSU如图2、图3所示。图中由于机组实际在线监测测点数量不同，实际参数个数与表1不完全一致。例如对无动态压力测点的机组，气缸内动态压力参数数据无法获得；又如对无加速度测点的机组，机组加速度参数数据无法获得。

根据上述提取结果，实验台往复压缩机活塞杆断裂故障与活塞杆紧固螺栓松动故障的敏感特征参数如下表所示：

表6故障的敏感特征参数提取结果

4、采用智能分类算法实现故障自动诊断

经过故障敏感特征参数提取，可形成不同故障的敏感特征参数集，采用智能分类算法，如人工神经网络，支持向量机，模糊推理，粗糙集等，可京自学习形成故障智能分类器。

本发明具体实施案例采用人工神经网络进行故障自动分类，实现故障自动诊断。人工神经网络是常用于统计分类的算法，采用物理可实现的系统来模拟人脑神经细胞的结构和功能。随着智能技术的发展，神经网络理论已得到了广泛地应用，其中前馈网络和反馈网络是两种典型的网络模型，从学习的观点看，前馈网络(包括BP网络、RBF网络等)是一种较强的学习系统，具有复杂的非线性处理能力。实现映射和函数逼近是前馈网络的特点，径向基网络(RBF网络)具有较强的输入。输出映射功能，并且理论证明RBF网络在前馈网络中是完成映射功能的最优网络。因此，RBF网络以其简单的结构、快速的训练过程和良好的推广能力等诸多优点已在许多领域取得了应用。本发明将训练RBF网络作为故障分类器。

将上述两类故障的敏感特征对应的特征值训练各自的人工神经网络，建立故障智能分类器；然后取实验数据测试分类器，分别取一个典型的活塞杆断裂故障测试结果和活塞杆紧固螺母松动故障测试结果，如图4、图5所示。

图4是活塞杆断裂故障人工神经网络输出值，从图中可以看出在故障发生早期我们已经能够判断出机组有活塞杆断裂故障的征兆；随着时间的推进，能够看出故障逐渐劣化。图5是活塞杆松动故障人工神经网络输出值，从图中同样可辨别出机组有松动故障的征兆。

为了说明对故障特征进过特征选择之后不仅明确了故障类型与故障特征之间的关系，而且还在诊断准确率方面也同时得到提升，本文构建了不经过敏感特征提取的人工神经网络故障诊断架构，完成分类结果对比。该架构对所有故障类型只设置一个神经网络，在对测试数据进行早期预警和诊断之前，同样利用已知故障类型的训练数据对神经网络进行训练。该架构的一个缺点是每新增一类故障就需要对已训练好的神经网络做重新的训练。

选取上述实验数据通过不经过敏感特征选择的人工神经网络故障诊断分类器进行诊 断，一个典型的活塞杆断裂故障的测试结果和一个典型的活塞杆紧固螺母松动故障的测试结果，分别如图6、图7所示。

从图6与图7中可看出，不经过敏感特征提取的分类器在故障后期才也能正确诊断出故障，其在故障发生早期的预警与诊断能力要弱于本文提出的故障预警与诊断架构。