天然气压缩机耦合故障的波动熵诊断模型

崔厚玺¹，张来斌²，段礼祥²，兰新阳¹

(1. 中国石油集团海洋工程有限公司 工程设计院，北京，100176；

2. 中国石油大学(北京) 机电工程学院，北京，102249)

摘  要：针对天然气压缩机耦合故障的定性及定量特征难以提取的问题，提出基于信息熵的故障诊断方法，提取机组振动信号构造能量谱向量，进而提取信号的波动熵特征作为识别参数建立耦合故障的波动熵诊断模型，并根据波动熵对耦合故障进行分类。研究结果表明：波动熵模型可准确诊断出压缩机的耦合故障；该模型无需提取信号局部细节特征，可解决故障特征提取及故障建模的复杂性难题，提高诊断的容错性和灵活性。

关键词：天然气压缩机；耦合故障；波动熵；故障诊断

中图分类号：TE974          文献标志码：A         文章编号：1672-7207(2010)01-0190-04

Coupling fault diagnosis for gas compressor based on fluctuation entropy model

CUI Hou-xi¹, ZHANG Lai-bin², DUAN Li-xiang², LAN Xin-yang¹

(1. Engineering Design Institute, China National Petroleum Offshore Engineering Co. Ltd., Beijing 100176, China;

2. Faculty of Mechanical and Electronic Engineering, China University of Petroleum, Beijing 102249, China)

Abstract: Based on the fact that the coupling fault of the gas compressor is serious and that it is difficult to carry its characteristics out, according to the mechanism and the characteristic of the coupling failure, the fluctuation entropy was extracted as the feature parameter to establish the diagnostic model. The results show that some other detail parameters do not need to be extracted in the proposed method, which is different from the traditional diagnosis techniques. The problem of failure modeling and feature extraction is solved, and the model can effectively diagnose the coupling failure.

Key words: gas compressor; coupling failure; fluctuation entropy; fault diagnosis

天然气的开发及安全生产对于缓解能源紧张、保证能源持续供给具有非常重要的意义。压缩机组是天然气生产的关键设备，其结构复杂，运行环境恶劣，故障率高，一旦发生故障，将会引起链式反应，造成严重甚至是灾难性的后果。因此，开展压缩机故障诊断对于天然气的安全生产与供给很有必要。目前，国内外研究者开展了压缩机故障诊断工作，如屈梁生等^[1]采用噪声压缩、信息融合、长周期统计等方法提高诊断精度；王俨凯等^[2-8]采用小波方法诊断气阀故障等，取得了较好的效果。然而，在压缩机组的众多故障类型中，除自身结构性故障(如气阀故障、部件磨损等)外，还存在耦合故障模式，如管线气流脉动、机组喘振及共振等。这些故障一般不易被监控系统识别，但其自身危害性是潜在的、缓慢的、长期的。近几年，天然气压缩机组的耦合故障日趋严重，已占故障总量的40%以上，却缺乏有效的诊断方法，相关研究也仅限于解决一些具体的现场问题，可以说，天然气压缩机耦合故障已严重制约天然气的安全生产。为此，本文作者对天然气压缩机组耦合故障机理进行分析，研究故障特征，针对耦合故障定性及定量特征提取的难题，引入信息熵机制建立故障的波动熵诊断模型。

1  天然气压缩机耦合故障机理及诊断难点

1.1  天然气压缩机耦合故障机理

天然气压缩机组中含有动力、转速、电力、流体、热工等工艺控制参数，在运行过程中，这些工艺参数之间相互影响和制约。由于目前机组控制系统的设计水平只是考虑满足设备运行的工艺流程，并没有顾及控制参数对设备的深层次故障的影响，虽然存在一组控制参数满足生产工艺的要求，但使设备处于不良运行状态。这些参数相互耦合作用后产生故障诱因并在机组中传递，可能产生耦合故障。可见，压缩机耦合故障具有多参数作用性、传递性、多发性等特点，危害较大。

1.2  天然气压缩机耦合故障诊断难点

目前，国内外开展的压缩机故障诊断大多针对自身结构性故障，很少涉及耦合故障的识别及诊断，相关研究也仅限于解决一些具体的现场问题，如机组管线振动分析及减振方法研究^[9-10]、防喘振系统的设  计^[11-12]等，这些研究仅是从机组系统改造、平衡机组进出口气体压力作为出发点，以减小管线振动，防止喘振，但对具体如何识别这些耦合故障，即对故障的定性及定量诊断没有进行研究。在识别耦合故障时，首先要区别是结构性故障还是耦合故障。而目前故障诊断方法的本质是“分类”，即首先选择识别参数并提取故障定性及定量特征建立“故障标准类别”，再根据已建故障标准类别识别待诊故障。这些“故障标准类别”多采用固定的时频域特征作为识别参数，具有针对性强、识别率高等优点，适用于诊断相同类型设备；但是，其普适性差，必须针对不同类型的设备分别提取故障定性及定量特征。而天然气压缩机自身结构性故障及耦合故障形式多，因此，若考虑所有可能形式建立自身结构性故障标准类别及耦合故障标准类别，在提取故障定性及定量特征时极其复杂，工作量大，难以实现。

2  压缩机耦合故障的波动熵模型

解决故障定性及定量特征提取难题的有效途径是引入信息熵机制进行识别。信息熵用来描述信号的总体统计特性^[13-15]，对信号总体特征具有极强的概括能力。为此，本文作者通过提取机组多个位置的信号能量组成能量谱以构造波动熵，通过考查信号能量谱整体波动特性识别耦合故障，建立波动熵诊断模型。

根据耦合故障的传递性、多发性特点，当发生耦合故障时，会有多个部件出现故障征兆而使各自信号能量增大，能量谱向量的波动及离散程度较小，波动熵较大；而当发生设备自身结构故障时，只有极个别故障部件信号的能量变大，能量谱向量的波动及离散程度较大，波动熵较小，这样，根据波动熵即可识别出压缩机组耦合故障。波动熵的构造如下。

设1台压缩机共设置M个测点，x(t)为第m个测点处振动信号，经傅里叶变换后得到幅值谱：

；k=0, 1, …, N-1  (1)

式中：k为横坐标的点序号；N为傅里叶变化点数，一般为1 024。因此，测点m处振动信号的能量S_m可由下式计算得到：

           (2)

S_m构成了该设备的信号能量谱向量。设S=    {S₁, S₂, …, S_M}为该机组正常状态下能量谱向量，为待检状态能量谱向量，定义能量波动谱向量为

          (3)

式中：为测点m处信号的能量波动度；1≤m≤M。

           (4)

越大，说明能量增幅波动越大；反之，则越小。因此，波动谱反映了能量谱向量的波动程度，若能量谱波动较剧烈，则可能由机组的结构性故障引起；反之，若波动谱波动较平稳，则可能由耦合故障引起。因此，定义波动熵以描述波动谱的波动程度，进而判断机组故障类型。

定义波动熵：

           (5)

式中：p_m为第m个能量波动度在整个波动谱中所占的比例，。

波动熵模型无需提取信号的局部细节特征，不仅解决了故障定性特征提取的难题，且具有较强的信息涵盖和容错能力，而波动熵的特征界限值较易确定，又解决了故障定量特征提取的难题。

3  实例应用

在某西部油田对多台天然气压缩机组进行跟踪测试，这里以其中1台为例说明波动熵诊断模型的应用。根据机组结构及诊断需要，共在压缩机组本身及进出口管线处布置16个测点，拾取各测点处的振动信号，经预处理、降噪后，按照式(2)计算各测点信号能量。表1所示为机组正常状态、气阀故障、喘振及管线共振4种故障下各测点多次测量的能量平均值。

表1  4种不同类型故障下机组各测点能量

Table 2  Energy of each measured signal under  four different failures     能量^*/(mm?s^-2)

按照式(4)计算机组在不同故障下各测点的能量波动度，波动曲线如图1所示。从图1可以看出：当机组出现结构性故障(即气阀故障)时，只有靠近故障源处(测点6位置)，能量波动度较大，且该值远远高于其他故障情况下的波动度；当机组出现耦合故障(即机组喘振或管线共振)时，各测点能量波动度变化范围不大，即气阀故障时波动度曲线离散度大，而波动度曲线离散度较小。

1—气阀故障；2—机组喘振；3—管线共振

图1  不同故障下各测点能量波动度

Fig.1  Energy fluctuation degree of each measured signal under different failures

根据式(5)计算得到各故障的波动熵。结果表明：当机组存在结构性故障(气阀故障)时，波动熵较小，为0.858 4；而当机组存在耦合故障(机组喘振、管线共振)时，波动熵较大，分别为1.150 1和1.172 4。由此可见，不同类型故障的波动熵差别较大，说明波动熵能从本质上反映故障的性质。因此，用表征信号整体分布特性的波动熵作为特征量识别机组的耦合故障是可行的。该模型已在某西部油田现场进行验证，准确率高达95%。

4  结论

 (1) 提出耦合故障的波动熵诊断模型。通过计算信号能量波动度生成波动谱，定义波动熵特征描述故障信号特性，根据波动熵识别故障，不需提取信号局部细节特征，提高了诊断模型的信息涵盖及容错能力，解决了故障定性及定量特征提取的难题。

(2) 该模型充分考虑了故障的产生机理及故障征兆，并基于故障的传递性和多发性特点，因此，更能从本质上反映故障性质。该模型可准确诊断压缩机耦合故障，准确率高达95%。

(3) 研究耦合故障的定量诊断方法，统计多种耦合故障类型的波动熵区间，确定其定量界限值，可为压缩机耦合故障的诊断提供实用的理论体系与定量诊断模型。

参考文献：

[1] 屈梁生, 张海军. 提高故障诊断质量的几种方法[J]. 中国机械工程, 2001, 12(10): 1168-1172.
QU Liang-sheng, ZHANG Hai-jun. Some measures to improve the quality of fault diagnosis[J]. China Mechanical Engineering, 2001, 12(10): 1168-1172.

[2] 王俨凯, 廖明夫, 赵铁. 基于小波分析的制冷压缩机气阀故障诊断方法的研究[J]. 中国机械工程, 2003, 14(12): 1046-1048.
WANG Yan-kai, LIAO Ming-fu, ZHAO Tie. Application of the wavelet transform to fault diagnosis in compressor valves[J]. China Mechanical Engineering, 2003, 14(12): 1046-1048.

[3] 余绍蓉, 尹益辉, 徐兵, 等. 基于信息熵理论的随机-模糊可靠性分析方法探讨[J]. 机械强度, 2006, 28(5): 695-698.
YU Shao-rong, YIN Yi-hui, XU Bin, et al. Analysis of the random-fuzzy reliability based on the information entropy theory[J]. Journal of Mechanical Strength, 2006, 28(5): 695-698.

[4] 刘长虹, 陈虬. 基于信息熵理论中的含模糊参数的响应面法[J]. 机械强度, 2003, 25(2): 187-189.
LIU Chang-hong, CHEN Qiu. Response surface method in fuzzy parameters under the entropy[J]. Journal of Mechanical Strength, 2003, 25(2): 187-189.

[5] 熊良才, 史铁林, 杨叔子. Choi-Williams分布参数优化及其应用[J]. 华中科技大学学报: 自然科学版, 2003, 31(1): 103-104.
XIONG Liang-cai, SHI Tie-lin, YANG Shu-zi. Parameter optimizing of Choi-Williams distribution and its application[J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2003, 31(1): 103-104.

[6] 申弢, 黄树红, 韩守木, 等. 旋转机械振动信号的信息熵特征[J]. 机械工程学报, 2001, 37(6): 94-98.
SHEN Tao, HUANG Shu-hong, HAN Shou-mu, et al. Extracting information entropy features for rotating machinery vibration signals[J]. Chinese Journal of Mechanical Engineering, 2001, 37(6): 94-98.

[7] 耿俊豹, 黄树红, 陈非, 等. 基于信息熵贴近度的旋转机械故障诊断[J]. 华中科技大学学报: 自然科学版, 2006, 34(11): 93-95.
GENG Jun-bao, HUANG Shu-hong, CHEN Fei, et al. Rotating machinery fault diagnosis based on close degree to information entropy[J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2006, 34(11): 93-95.

[8] 桂中华, 韩凤琴. 小波包特征熵神经网络在尾水管故障诊断中的应用[J]. 中国电机工程学报, 2005, 25(4): 99-102.
GUI Zhong-hua, HAN Feng-qin. Neural network based on wavelet packet-characteristic entropy for fault diagnosis of draft tube[J]. Proceedings of the Chinese Society for Electrical Engineering, 2005, 25(4): 99-102.

[9] 刘长海, 薛长泉. 4RDS往复压缩机组管系振动分析及减振措施[J]. 压缩机技术, 2005(3): 10-12.
LIU Chang-hai, XUE Chang-quan. Vibration analysis and absorbing of 4RDS reciprocating compressor unit[J]. Compressor Technology, 2005(3): 10-12.

[10] 孙春一, 邓子龙. 5 L型压缩机管路振动分析与减振措施[J]. 辽宁石油化工大学学报, 2006, 26(3): 70-72.
SUN Chun-yi, DENG Zi-long. Vibration analysis and shock absorption measurement of pipes for 5 L-type reciprocating compressor[J]. Journal of Liaoning University of Petroleum & Chemical Technology, 2006, 26(3): 70-72.

[11] 靳伍银, 刘飞跃, 剡昌锋, 等. 离心压缩机的防喘振控制[J]. 兰州理工大学学报, 2007, 33(3): 42-45.
JIN Wu-yin, LIU Fei-yue, YAN Chang-feng, et al. An anti-surge control for centrifugal compressor[J]. Journal of Lanzhou University of Technology, 2007, 33(3): 42-45.

[12] 储朝霞. 离心式压缩机防喘振控制方案及数学模型[J]. 石油化工自动化, 2007(3): 19-22.
CHU Zhao-xia. The anti-surge control schemes and mathematic models for centrifugal compressors in methanol plant[J]. Automation in Petro-Chemical Industry, 2007(3): 19-22.

[13] Shannon C E. A mathematical theory of communication[J]. Bell System Technical Journal, 1948, 27: 379-423.

[14] 尹喜云, 赵伏军. 动静组合加载作用下凿岩刀具失效的信息熵分析[J]. 中南大学学报: 自然科学版, 2007, 38(4): 739-744.
YIN Xi-yun, ZHAO Fu-jun. Failure comentropy analysis of rock-drilling cutter under dynamic-static loading[J]. Journal of Central South University: Science and Technology, 2007, 38(4): 739-744.

[15] 陈非, 黄树红, 张燕平, 等. 基于过程的旋转机械振动故障定量诊断方法[J]. 动力工程, 2008, 28(4): 543-547.
CHEN Fei, HUANG Shu-hong, ZHANG Yan-ping, et al. A quantitative diagnosis method of vibration faults of rotating machinery based on process[J]. Journal of Power Engineering, 2008, 28(4): 543-547.

收稿日期：2008-11-25；修回日期：2009-03-02

基金项目：教育部新世纪优秀人才支持计划项目(NCET.05.0110)；中国石油天然气集团公司创新基金资助项目(07E1005)

通信作者：崔厚玺(1982-)，男，河南商丘人，工程师，从事机械设计、安全评价等研究；电话：010-67885319；E-mail: chx820103@sina.com

(编辑 陈灿华)