基于智能识别技术的离心式压缩机轴心轨迹分析与故障诊断系统构建研究.docxVIP

基于智能识别技术的离心式压缩机轴心轨迹分析与故障诊断系统构建研究

一、引言

1.1研究背景与意义

在现代工业领域中，离心式压缩机作为一种至关重要的设备，被广泛应用于石油化工、天然气输送、能源、冶金等众多行业，堪称工业的“动力心脏”。在石油化工行业，它为原油蒸馏、催化裂化、加氢精制等工艺提供压缩空气、氢气、氮气等关键工艺气体，是乙烯、丙烯、合成氨等化工产品生产过程中原料气压缩、循环气体增压以及尾气回收的核心设备；在天然气输送中，长距离天然气管道输送依赖其增压，确保天然气能够高效、稳定地抵达千家万户；在能源行业的燃气轮机发电中，离心式压缩机是为燃烧室提供高压空气的核心部件，直接关系到燃气轮机能否高效运行。

然而，由于离心式压缩机通常在高转速、高压力、大流量以及复杂工况条件下运行，长时间运转后，其内部的转子、轴承、密封等关键部件极易受到磨损、疲劳、腐蚀等多种因素的影响，从而引发各种故障。一旦离心式压缩机出现故障，不仅会导致自身停机维修，还可能使整个生产流程被迫中断。这不仅会造成巨大的经济损失，如生产停滞带来的产值损失、设备维修费用、原材料浪费等，还可能引发安全事故，对人员生命安全和环境造成严重威胁。例如，在某些化工生产场景中，压缩机故障可能导致易燃易爆气体泄漏，引发爆炸或火灾；在天然气输送领域，故障可能导致管道压力失衡，影响供气稳定性，甚至引发管道破裂等严重事故。

轴心轨迹是反映离心式压缩机转子运行状态的重要特征。正常运行时，转子的轴心轨迹呈现出相对规则和稳定的形态。而当压缩机出现诸如转子不平衡、转子不对中、轴承磨损、油膜振荡等故障时，转子的运动状态会发生改变，其轴心轨迹也会相应地出现异常变化，如形状扭曲、大小波动、出现不规则的抖动等。通过对轴心轨迹的准确识别和深入分析，就能够及时、有效地发现压缩机运行过程中的潜在故障隐患，并进一步判断故障的类型、程度和发展趋势。

对离心式压缩机轴心轨迹进行自动识别及其故障诊断系统的研究具有深远意义。从工业生产效率角度来看，该研究能够实现对压缩机故障的早期预警和快速诊断，使维修人员在故障发生初期就能采取有效的措施进行修复，避免故障的进一步恶化，从而显著减少设备停机时间，提高生产的连续性和稳定性，保障整个生产流程的高效运行。在设备维护方面，借助该故障诊断系统，可依据设备的实际运行状况制定更为科学合理的维护计划，由传统的定期维护转变为基于设备状态的精准维护。这不仅能够有效降低维护成本，避免不必要的过度维护，还能提高设备的可靠性和使用寿命，延长设备的无故障运行周期，为企业节省大量的设备更新和维护资金。

1.2国内外研究现状

轴心轨迹作为旋转机械故障诊断领域的重要研究对象，国内外学者围绕离心式压缩机轴心轨迹识别和故障诊断展开了大量研究。

在国外，早期的研究主要集中在轴心轨迹的获取和简单分析上。随着传感器技术的发展，高精度的位移传感器被广泛应用于轴心轨迹的测量，能够更准确地捕捉轴心的运动信息。在故障诊断方面，一些经典的信号处理方法，如傅里叶变换、小波变换等，被用于对轴心轨迹信号的特征提取和分析。傅里叶变换将时域信号转换为频域信号，通过分析不同频率成分的幅值和相位，来识别故障特征频率，判断是否存在转子不平衡（一倍频振动明显）等故障；小波变换则具有多分辨率分析的特点，能在不同尺度下对信号进行分析，更有效地提取非平稳信号中的故障特征，对于处理如轴承磨损等引起的突变信号具有优势。

近年来，机器学习和深度学习技术在离心式压缩机故障诊断领域得到了广泛应用。通过大量的样本数据训练，支持向量机（SVM）、人工神经网络（ANN）等机器学习算法能够自动学习不同故障类型下轴心轨迹的特征模式，实现故障的分类和识别。SVM通过寻找一个最优分类超平面，将不同类别的样本数据分开，在小样本、非线性分类问题上表现出色；ANN则模拟人脑神经元的结构和功能，通过多层神经元的连接和权重调整，对复杂的故障特征进行学习和分类。深度学习算法，如卷积神经网络（CNN）和循环神经网络（RNN）及其变体长短期记忆网络（LSTM）等，凭借其强大的特征自动提取能力和对复杂数据的处理能力，在轴心轨迹识别和故障诊断中取得了较好的效果。CNN通过卷积层、池化层等结构，自动提取图像（可将轴心轨迹数据转化为图像形式）中的局部特征，对于识别轴心轨迹的形状、轮廓等特征非常有效；RNN及其变体LSTM则特别适合处理时间序列数据，能够捕捉轴心轨迹随时间变化的动态特征，对于分析故障的发展趋势具有重要意义。

国内在离心式压缩机轴心轨迹识别和故障诊断方面的研究起步相对较晚，但发展迅速。在信号处理和特征提取方面，国内学者在传统方法的基础上进行了改进和创新。提出了基于经验模态分解（EMD）的方法，将复杂的轴心轨迹信号分解为多个固有模态函数（IMF），再对每个IM