往復式壓縮機氣閥智能故障診斷系統(tǒng)研究.pdf

1、往復式壓縮機廣泛地應用在石化企業(yè)中，它的運轉狀態(tài)直接影響到企業(yè)的經濟效益，因此對往復式壓縮機進行狀態(tài)監(jiān)測和故障診斷就顯得格外重要和具有意義。
　　 論文研究的對象是往復壓縮機的氣閥，論文從往復壓縮機的結構入手，通過建立氣閥振動的力學模型，指出閥座激振力導致閥座的振動，而閥座激振力是由高壓氣體的脈動或是由閥片撞擊升程限制器、閥座時產生的，閥座的振動信號可以反應氣閥的工作狀態(tài)。對振動信號采用小波包進行分析，提取能量作為特征向量，輸入

2、支持向量機(SupportVector Machine，SVM)進行智能診斷，采用NI Compact RIO設計了氣閥振動信號數據采集系統(tǒng)，并利用LabVIEW和Matlab開發(fā)了往復壓縮機氣閥的智能故障診斷系統(tǒng)。
　　 氣閥閥片或彈簧發(fā)生故障時，振動信號中的中低頻或高頻成份會發(fā)生變化，小波包可以對不同頻段的信號進行細化，提取各頻段的故障特征，并與正常信號作比較，從而判斷氣閥的工作狀態(tài)，實現氣閥的故障診斷。小波變換將信號分解到

3、尺度域，它通過多分辨率分解，其時頻分辨率在低頻處頻率分辨率高，在高頻處卻很低。小波包技術在保持小波正交基的優(yōu)良特性的基礎上改善了小波高頻處時間分辨率高、頻率分辨率卻很低的問題，解決了信號高頻處頻率分辨率低的問題。
　　 氣閥故障信號的取得比較困難，故障信號樣本的數量往往不多，而SVM適用于小樣本決策，加之SVM算法簡單，所以廣泛的應用于信號智能故障診斷之中。氣閥的特征向量經過訓練后，SVM可以對輸入的氣閥特征向量進行分析，判斷氣

4、閥的工作狀態(tài)，避免了工程師主觀判斷的影響，實現了振動信號的智能故障診斷。
　　 小波包分析在處理非平穩(wěn)信號方面具有獨特的優(yōu)勢，而支持向量機可以對故障模式進行有效的識別，實驗證明將小波包分析和SVM有機結合能有效的提取故障的特征向量，判斷故障類型。
　　 K202重整加氫壓縮機的壓縮對象是氫氣，屬于易燃易爆氣體。由于K202工作環(huán)境危險，對其進行數據采集時，還要考慮到防爆因素。本文設計了前端調理模塊，結合安全柵與NI Co