吳斯琪 ，曹顏玉 ，張秀林 ，吳 迪 ，王維民 ，4，郭美那 ，李啟行

（1.北京化工大學(xué) 高端機(jī)械裝備健康監(jiān)控與自愈化北京市重點(diǎn)實(shí)驗(yàn)室，北京 100029；2.海洋石油工程股份有限公司，天津 300461；3.中海石油（中國）有限公司海南分公司，海口 570311；4.壓縮機(jī)技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，合肥 230041）

0 引言

大型往復(fù)活塞式壓縮機(jī)作為壓縮和輸送介質(zhì)的動(dòng)力源，廣泛應(yīng)用于石油、化工、制冷等領(lǐng)域［1］，也是海洋平臺(tái)的關(guān)鍵設(shè)備之一，其安全可靠穩(wěn)定長周期地運(yùn)行至關(guān)重要。壓縮機(jī)由自動(dòng)化系統(tǒng)監(jiān)測并控制成為主流趨勢，尤其在深遠(yuǎn)海平臺(tái)等人工監(jiān)控困難的場所，系統(tǒng)必須能夠自動(dòng)獲取和評(píng)估相關(guān)設(shè)備信息，以監(jiān)測壓縮機(jī)的故障行為［2］。

目前往復(fù)式壓縮機(jī)的監(jiān)測和故障診斷主要利用振動(dòng)信號(hào)進(jìn)行沖擊等特征量的提?。?-5］。示功圖是利用壓縮機(jī)氣缸內(nèi)壓力和體積信號(hào)構(gòu)造的，氣閥故障及活塞環(huán)磨損等故障將導(dǎo)致氣缸內(nèi)壓力以及熱力過程的變化。針對(duì)壓縮機(jī)的氣閥故障，相比振動(dòng)信號(hào)、聲發(fā)射信號(hào)以及其他壓力信號(hào)等，示功圖診斷是受噪聲干擾最小且診斷最準(zhǔn)確的，同樣的故障對(duì)應(yīng)相同的形狀變化且不因工況、結(jié)構(gòu)等影響，使其更適應(yīng)變工況的診斷。因此，通過示功圖便可以進(jìn)行往復(fù)式壓縮機(jī)的自動(dòng)化故障診斷，示功圖診斷識(shí)別已逐漸成為往復(fù)壓縮機(jī)所特有的一種參數(shù)化診斷方法［6-8］，示功圖將特征數(shù)據(jù)從一維轉(zhuǎn)變?yōu)槎S?；诓煌收蠒r(shí)示功圖出現(xiàn)明顯的進(jìn)排氣壓力變化、膨脹壓縮線斜率變化以及示功圖面積的變化等特征，可實(shí)現(xiàn)故障數(shù)據(jù)庫的建立，形成有一定規(guī)模的故障智能診斷。

隨著近年來的計(jì)算機(jī)技術(shù)和算法的研究與發(fā)展，各種智能框架的搭建和完善，神經(jīng)網(wǎng)絡(luò)更加廣泛地應(yīng)用在模式識(shí)別、專家系統(tǒng)、機(jī)器人和復(fù)雜系統(tǒng)控制等各個(gè)領(lǐng)域［9］。目前，國內(nèi)外針對(duì)示功圖往復(fù)式壓縮機(jī)智能診斷的研究相對(duì)基礎(chǔ)，利用示功圖進(jìn)行故障診斷的本質(zhì)其實(shí)是圖像處理與識(shí)別。基于示功圖診斷的傳統(tǒng)智能識(shí)別方法包括神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，傳統(tǒng)智能識(shí)別首先要結(jié)合示功圖特性提取合適的圖像特征，然后再調(diào)整合適的算法對(duì)提取出的特征進(jìn)行識(shí)別［10］。根據(jù)支持向量機(jī)自身的特點(diǎn)，一般用來實(shí)現(xiàn)是否為正常狀態(tài)的二分類識(shí)別，當(dāng)診斷多故障類型時(shí)，先要進(jìn)行有無故障的判斷，再兩兩對(duì)比進(jìn)行分類［2，11-13］。常用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)要針對(duì)人工提取的特征量，進(jìn)行往復(fù)式壓縮機(jī)故障的多分類識(shí)別［6，14］。近年來深度學(xué)習(xí)算法的應(yīng)用逐漸增多，其中卷積神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)智能算法，有更強(qiáng)的特征自學(xué)習(xí)能力，更好的參數(shù)可調(diào)性和較高的圖像識(shí)別準(zhǔn)確率，它的自提取特征和自學(xué)習(xí)能力解決了人工處理數(shù)據(jù)和提取特征的復(fù)雜與困難。由于示功圖的故障特性，訓(xùn)練網(wǎng)絡(luò)的故障數(shù)據(jù)庫可以由理論函數(shù)模擬、仿真計(jì)算以及試驗(yàn)獲取，擴(kuò)充了故障樣本基數(shù)，可改善樣本不平衡問題。訓(xùn)練好的模型可以結(jié)合實(shí)時(shí)信號(hào)采集實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)的多分類識(shí)別與故障預(yù)警。

本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)并利用正常與實(shí)際結(jié)合的示功圖訓(xùn)練識(shí)別的智能故障診斷方法。同時(shí)將正常示功曲線與實(shí)測示功曲線置于同一示功圖中，依靠卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行示功圖分類和往復(fù)式壓縮機(jī)故障識(shí)別。FLUENT仿真往復(fù)式壓縮故障示功圖數(shù)據(jù)集證明了所提方法在故障診斷應(yīng)用中的有效性，識(shí)別精度大于95%，最高準(zhǔn)確率可達(dá)99.14%。工業(yè)現(xiàn)場應(yīng)用也驗(yàn)證了本文所提方法能準(zhǔn)確發(fā)現(xiàn)壓縮機(jī)排氣過程中的壓力脈動(dòng)現(xiàn)象。

1 理論背景

往復(fù)式壓縮機(jī)的示功圖綜合反映了壓縮機(jī)的運(yùn)行狀況和工作性能，是有效的參數(shù)法診斷手段，可在較深層次上診斷壓縮機(jī)故障［14］。壓縮機(jī)運(yùn)行時(shí)，氣缸內(nèi)的氣體體積和壓力是在不斷變化的，通常利用示功器觀察和記錄不同活塞位置或曲軸轉(zhuǎn)角時(shí)氣缸內(nèi)部氣體壓力的變化，所得到的就是“PV”示功圖。根據(jù)氣缸結(jié)構(gòu)尺寸可以得到曲軸轉(zhuǎn)動(dòng)一個(gè)周期內(nèi)與壓力信號(hào)相對(duì)應(yīng)的氣缸容積變化。

式中 V——工作容積；

S——活塞行程；

θ——曲軸角度；

l——連桿長度；

B——?dú)飧變?nèi)徑；

Vc1——余隙容積。

不同的氣缸對(duì)應(yīng)不同的結(jié)構(gòu)尺寸，同一雙作用氣缸蓋側(cè)和曲軸側(cè)的余隙容積不同。

圖1為往復(fù)式壓縮機(jī)示功圖示意。圖中實(shí)際理論循環(huán)曲線，AB段表示進(jìn)氣線，BC段表示壓縮過程，CD段表示排氣線，DA段表示膨脹過程。對(duì)于雙作用的活塞式壓縮機(jī)，缸蓋側(cè)和曲軸側(cè)的余隙不同，相同的曲軸轉(zhuǎn)角下對(duì)應(yīng)的工作狀態(tài)不同。由于故障的存在，氣缸內(nèi)壓力改變，示功曲線較正常有明顯變化。若氣缸內(nèi)存在氣體泄漏情況，漏出氣體則壓縮過程線平緩，膨脹過程線陡峭；漏入氣體則壓縮過程線陡峭，膨脹過程線平緩。若堵塞造成進(jìn)氣阻力增大，進(jìn)氣線較正常的偏低；若堵塞造成排氣阻力增大，排氣線較正常位置高。示功圖形狀的特征組合變化有助于判別壓縮機(jī)故障，且容易實(shí)現(xiàn)智能識(shí)別診斷。

圖1 壓縮機(jī)示功圖示意Fig.1 Schematic diagram of compressor indicator

2 基于卷積神經(jīng)網(wǎng)絡(luò)的往復(fù)式壓縮機(jī)故障識(shí)別

2.1 故障診斷方法及流程

卷積神經(jīng)網(wǎng)絡(luò)其核心思路是在卷積層中利用卷積核提取特征后，送入全連接網(wǎng)絡(luò)，最后一層的全連接神經(jīng)元個(gè)數(shù)是所需分類的任務(wù)數(shù)。卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域的應(yīng)用非常廣泛，可以深層次多通道地提取圖像特征，這為后續(xù)構(gòu)建的較復(fù)雜示功圖的識(shí)別和分類提供便利。

本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)并利用正常與實(shí)際結(jié)合的示功圖智能故障識(shí)別方法，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行往復(fù)式壓縮機(jī)的故障診斷和識(shí)別，故障數(shù)據(jù)樣本庫的準(zhǔn)確建立是基本，先區(qū)分再診斷是整個(gè)故障診斷的關(guān)鍵。診斷流程示意如圖2所示。

圖2 診斷流程示意Fig.2 Schematic diagram of diagnosis process

圖2（a）中步驟1利用動(dòng)態(tài)壓力和鍵相傳感器實(shí)時(shí)采集設(shè)備信息；步驟2對(duì)壓力信號(hào)進(jìn)行簡單歸一化處理并與正常狀態(tài)曲線合并配置在同一示功圖中，添加標(biāo)簽構(gòu)成訓(xùn)練和測試樣本集送入卷積神經(jīng)網(wǎng)絡(luò)；步驟3中選取5層卷積神經(jīng)網(wǎng)絡(luò)，輸入網(wǎng)絡(luò)的是640×480像素大小的示功圖樣本，經(jīng)過多次卷積以及全連接操作之后，輸出故障分類。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置如圖2（a）及表1所示，其中卷積核大小均采用3×3，每次卷積操作后會(huì)進(jìn)行一次2×2最大池化操作，圖形像素減少一半用以降低特征圖的維度。將經(jīng)過卷積和池化的示功圖數(shù)據(jù)全部拉直，變成一維數(shù)據(jù)送入全連接網(wǎng)絡(luò)進(jìn)行最終分類。網(wǎng)絡(luò)通過對(duì)故障數(shù)據(jù)庫中訓(xùn)練集的特征自提取和學(xué)習(xí)來設(shè)定參數(shù)，再通過測試集的檢驗(yàn)不斷更新調(diào)整超參數(shù)，使得網(wǎng)絡(luò)達(dá)到高精度的輸入與輸出匹配；步驟4經(jīng)訓(xùn)練過的網(wǎng)絡(luò)模型可以用于后續(xù)新示功圖的狀態(tài)識(shí)別，輸入示功圖輸出判別故障類型，結(jié)合傳感器實(shí)時(shí)采集數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障實(shí)時(shí)狀態(tài)監(jiān)測和識(shí)別。如圖2（b）中所示，卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需故障數(shù)據(jù)庫可由函數(shù)模擬、仿真計(jì)算和試驗(yàn)測試所得，并且可以在實(shí)際運(yùn)行過程中不斷積累故障數(shù)據(jù)，定期擴(kuò)充數(shù)據(jù)庫，為壓縮機(jī)提供量身打造的智能監(jiān)測診斷系統(tǒng)。

表1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置Tab.1 Structure setting of convolutional neural network

2.2 診斷示功圖的構(gòu)建

基于示功圖的很多故障特征是需要結(jié)合正常曲線判斷，比如進(jìn)排氣壓力的升高或降低，膨脹壓縮部分斜率的增大或減小，因而正常狀態(tài)曲線與實(shí)時(shí)監(jiān)測示功圖曲線在同一圖中進(jìn)行訓(xùn)練識(shí)別有助于提高模型識(shí)別準(zhǔn)確率，引入正常狀態(tài)的對(duì)比，可提高模型識(shí)別針對(duì)不同工況的適應(yīng)程度。

為了實(shí)現(xiàn)不同壓比或氣量下變化的示功圖故障特征自動(dòng)識(shí)別，將示功圖進(jìn)行簡單的歸一化，即：

式中 P——壓力；

Pmax——該周期內(nèi)最大工作壓力；

V——容積；

Vmax——?dú)飧鬃畲笕莘e。

這樣歸一化處理后把一個(gè)周期內(nèi)壓力最大值化為1，與此同時(shí)并沒有改變示功圖的相對(duì)形狀，保留了原始圖像斜率等特征，增強(qiáng)模型泛化能力的同時(shí)保證了示功圖相對(duì)特征并未改變，保持了正常與故障狀態(tài)特征曲線位置與形狀的相對(duì)關(guān)系。通過程序處理壓力-容積數(shù)據(jù)，重新構(gòu)建歸一化以后的示功圖示例如圖3所示，橫縱坐標(biāo)均為無量綱單位。實(shí)測故障模擬曲線與正常工況模擬理論曲線，二者之間對(duì)比明顯，便于提取特征進(jìn)而診斷。

圖3 歸一化處理后示功圖示例Fig.3 Example of indicator diagram after normalization

2.3 模擬示功圖訓(xùn)練分析

通過理論故障特征模擬函數(shù)生成多種狀態(tài)示功圖。根據(jù)資料的整理和仿真分析，共模擬6種進(jìn)出口壓力狀態(tài)下10類故障，包括進(jìn)氣閥泄漏、排氣閥泄漏、活塞環(huán)泄漏、進(jìn)氣閥咬住/卡塞、排氣閥咬住/卡塞、氣缸余隙容積過大、閥片震顫、進(jìn)氣閥或進(jìn)氣管通道截面積小、排氣閥或排氣管通道截面積小以及排氣閥閥片自閥座上跳開這10種故障，再加一種正常狀態(tài)，卷積神經(jīng)網(wǎng)絡(luò)的狀態(tài)分類數(shù)為11。訓(xùn)練集包含1種工況，測試集包含有6種工況，訓(xùn)練集和測試集樣本組成見表2。

表2 模擬示功圖訓(xùn)練集和測試集樣本構(gòu)成Tab.2 Sample composition of simulated indicator diagram training set and test set

2.3.1 數(shù)據(jù)增強(qiáng)的影響

利用數(shù)據(jù)增強(qiáng)可以增加訓(xùn)練樣本的泛化能力，針對(duì)往復(fù)式壓縮機(jī)在應(yīng)用中存在的進(jìn)排氣壓力、排氣量等改變的變工況情況，采用歸一化的同時(shí)使用數(shù)據(jù)增強(qiáng)功能，即將訓(xùn)練的示功圖進(jìn)行一定量的上下偏移，增加訓(xùn)練模型的數(shù)量，可以提高網(wǎng)絡(luò)測試準(zhǔn)確率，可以根據(jù)壓比變化的大小改變偏移量，應(yīng)對(duì)實(shí)際工況。測試集的準(zhǔn)確率體現(xiàn)了網(wǎng)絡(luò)對(duì)新數(shù)據(jù)的識(shí)別能力即泛化能力，5層卷積網(wǎng)絡(luò)加數(shù)據(jù)增強(qiáng)測試準(zhǔn)確率最高可達(dá)到99.14%，未使用數(shù)據(jù)增強(qiáng)的最高準(zhǔn)確率是88.48%，證明數(shù)據(jù)增強(qiáng)提升了網(wǎng)絡(luò)的泛化能力，一定程度上彌補(bǔ)了基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)對(duì)該模型的識(shí)別缺陷。

2.3.2 卷積層數(shù)和卷積核個(gè)數(shù)的影響

在采用數(shù)據(jù)增強(qiáng)的情況下，單層的卷積核個(gè)數(shù)越多提取的特征量越多，在卷積層層數(shù)少的時(shí)候可以使用多的卷積核個(gè)數(shù)。分別對(duì)比使用不同卷積層數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，采用同樣的迭代訓(xùn)練次數(shù)對(duì)比訓(xùn)練時(shí)間，每一種情況為避免巧合均訓(xùn)練10次，取其每次訓(xùn)練結(jié)果中穩(wěn)定后最高值的平均值。不同卷積層采用的卷積核個(gè)數(shù)見表3，每次訓(xùn)練循環(huán)迭代100輪，訓(xùn)練結(jié)果如圖4所示。

表3 不同卷積層使用的卷積核個(gè)數(shù)Tab.3 Number of convolution cores used in different convolution layers

圖4 不同卷積層網(wǎng)絡(luò)訓(xùn)練結(jié)果對(duì)比Fig.4 Comparison of different convolutional network training results

從上述訓(xùn)練結(jié)果的對(duì)比中可看出，多個(gè)卷積層的深度特征提取比單層多個(gè)卷積核效果更好，在同樣設(shè)定100輪循環(huán)訓(xùn)練內(nèi)，不同卷積層數(shù)的網(wǎng)絡(luò)收斂循環(huán)輪數(shù)相近，均在訓(xùn)練30輪循環(huán)以內(nèi)收斂，但卷積核數(shù)多、層數(shù)少的網(wǎng)絡(luò)所需穩(wěn)定的時(shí)間更長，穩(wěn)定性也較差一些，5層卷積網(wǎng)絡(luò)更輕量，較為適合該示功圖模型下的訓(xùn)練。在往復(fù)式壓縮機(jī)故障識(shí)別診斷中，調(diào)用訓(xùn)練好的模型進(jìn)行結(jié)果輸出，輸入圖片到出示診斷結(jié)果僅需0.07 s。

2.3.3 卷積神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的對(duì)比

卷積神經(jīng)網(wǎng)絡(luò)選用5層卷積層，BP神經(jīng)網(wǎng)絡(luò)中將相應(yīng)的卷積層變?yōu)槿B接層，原始數(shù)據(jù)直接送入網(wǎng)絡(luò)訓(xùn)練沒有特征提取。為避免偶然進(jìn)行10次訓(xùn)練，沒有人工提取特征的BP網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率僅達(dá)到10%，調(diào)整學(xué)習(xí)率、使用不同隱藏層數(shù)等其他參數(shù)的調(diào)整均未使網(wǎng)絡(luò)準(zhǔn)確率有所提高。對(duì)比之下，針對(duì)此訓(xùn)練模型，通過調(diào)整網(wǎng)絡(luò)參數(shù)，卷積神經(jīng)網(wǎng)絡(luò)的特征自提取功能發(fā)揮了很強(qiáng)的作用。

3 氣閥流固耦合計(jì)算

選取某二級(jí)雙作用往復(fù)式壓縮機(jī)的第一級(jí)氣缸模擬正常工況和故障狀態(tài)下氣缸和氣閥內(nèi)的流場，仿真計(jì)算過程在ANSYS FLUENT 2021R1中進(jìn)行。由于氣缸兩側(cè)對(duì)稱，為減小計(jì)算量選取流體域模型的一半劃分網(wǎng)格并仿真計(jì)算。氣缸壁面附近流體網(wǎng)格進(jìn)行了加密處理，模型單元數(shù)量為699 582，此時(shí)氣缸內(nèi)壓力計(jì)算結(jié)果隨網(wǎng)格加密不再發(fā)生明顯變化?；钊挥谕庵裹c(diǎn)時(shí)的流體域網(wǎng)格模型如圖5所示。

圖5 仿真模型示意Fig.5 Schematic diagram of simulation model

往復(fù)壓縮機(jī)模型和工藝主要參數(shù)見表4，流體介質(zhì)為空氣，仿真過程中將其視為理想氣體，符合理想氣體狀態(tài)方程。FLUENT軟件中設(shè)置入口邊界面壓力為進(jìn)氣壓力0.3 MPa，出口邊界面壓力為排氣壓力0.85 MPa，在氣閥進(jìn)出口以外部分額外提取一部分流體域使得壓力邊界與氣閥和氣缸流體域隔開一定距離。氣缸、活塞、氣閥流道內(nèi)的壁面視為絕熱，湍流模型采用k-ε模型，并采用適合瞬態(tài)計(jì)算的PISO求解方法。采用鋪層動(dòng)網(wǎng)格的方式實(shí)現(xiàn)流體域隨活塞和閥片運(yùn)動(dòng)而變化，閥片和活塞的運(yùn)動(dòng)可以通過C語言編寫自定義函數(shù)實(shí)現(xiàn)，這種方法可以較為準(zhǔn)確地計(jì)算氣缸內(nèi)壓力變化情況［15-18］。

表4 模型和工藝主要參數(shù)Tab.4 Main parameters of model and process

通過改變閥片位移限制使得氣閥關(guān)閉不到位，實(shí)現(xiàn)氣閥不同程度的泄漏仿真。瞬態(tài)計(jì)算過程中每2×10-4s保存一個(gè)流場計(jì)算壓力結(jié)果，匹配相應(yīng)時(shí)刻的氣缸對(duì)應(yīng)容積，經(jīng)歸一化處理以后得到排氣閥泄漏量20%的示功圖樣本如圖6所示，進(jìn)氣閥泄漏量20%的示功圖樣本如圖7所示，橫縱坐標(biāo)均為無量綱單位。

圖6 仿真排氣閥泄漏20%示功圖Fig.6 Indicator diagram of exhaust valve leakage 20%

圖7 仿真進(jìn)氣閥泄漏20%示功圖Fig.7 Indicator diagram of inlet valve leakage 20%

卷積網(wǎng)絡(luò)訓(xùn)練識(shí)別的關(guān)鍵除了網(wǎng)絡(luò)的搭建和各個(gè)超參數(shù)的設(shè)置，最為重要的就是訓(xùn)練故障數(shù)據(jù)庫的構(gòu)造見表5。

表5 理論和仿真模擬基礎(chǔ)訓(xùn)練庫構(gòu)成Tab.5 Composition of basic training database for theory and simulation

由于實(shí)際試驗(yàn)故障數(shù)據(jù)不易獲得，本文提出了可以同時(shí)使用函數(shù)模擬和仿真計(jì)算的示功圖數(shù)據(jù)樣本擴(kuò)充基礎(chǔ)原理故障數(shù)據(jù)庫。通過仿真分別模擬不同程度的進(jìn)氣閥泄漏、排氣閥泄漏，同時(shí)按照理論，根據(jù)表4中的主要參數(shù)模擬生成一定量的不同壓比故障示功圖進(jìn)行卷積網(wǎng)絡(luò)的訓(xùn)練和測試，再將其中一部分仿真示功圖加入到訓(xùn)練集中進(jìn)行訓(xùn)練，訓(xùn)練完成的卷積網(wǎng)絡(luò)成功識(shí)別另一部分故障示功圖，且整個(gè)網(wǎng)絡(luò)測試穩(wěn)定后，準(zhǔn)確率結(jié)果平均可在95%以上，訓(xùn)練100輪后結(jié)果如圖8所示。利用FLUENT仿真故障示功圖測試基于卷積網(wǎng)絡(luò)的往復(fù)式壓縮機(jī)故障診斷程序，隨機(jī)輸入一張未經(jīng)識(shí)別過的示功圖，發(fā)現(xiàn)訓(xùn)練好的卷積網(wǎng)絡(luò)模型可以準(zhǔn)確識(shí)別判斷故障類型。

圖8 訓(xùn)練結(jié)果Fig.8 Training results

4 深海平臺(tái)往復(fù)式壓縮機(jī)故障診斷

從某海洋平臺(tái)現(xiàn)場監(jiān)測獲取氣體動(dòng)壓和鍵相脈沖信號(hào)數(shù)據(jù)，通過對(duì)鍵相信號(hào)的處理，可以得到氣缸工作循環(huán)的節(jié)點(diǎn)以及對(duì)應(yīng)于壓力的活塞位置（即曲軸轉(zhuǎn)角），結(jié)合氣缸的結(jié)構(gòu)和尺寸，得出工作容積。根據(jù)鍵相信號(hào)截取一個(gè)循環(huán)的工作壓力信號(hào)，重新采樣后，對(duì)應(yīng)工作體積繪制PV曲線。如圖9，10分別示出某海洋平臺(tái)往復(fù)式壓縮機(jī)1號(hào)低壓缸蓋側(cè)和3號(hào)高壓缸蓋側(cè)示功。以該往復(fù)式壓縮機(jī)理論工作循環(huán)示功圖為正常狀況開展實(shí)測對(duì)比識(shí)別，壓縮機(jī)工作穩(wěn)定，重復(fù)多個(gè)工作周期后示功圖沒有明顯變化。對(duì)訓(xùn)練完成的智能卷積神經(jīng)網(wǎng)絡(luò)模型輸入歸一化處理后的實(shí)測壓縮機(jī)示功圖，輸出診斷結(jié)果為閥片震顫，從示功圖中可以看出，進(jìn)排氣階段壓力波動(dòng)明顯，進(jìn)排氣閥片震顫，顯示往復(fù)式壓縮機(jī)運(yùn)行狀態(tài)異常，初步診斷為壓縮機(jī)氣閥排氣量不匹配。此次采集實(shí)際壓縮機(jī)運(yùn)行數(shù)據(jù)可為智能機(jī)器學(xué)習(xí)模型提供參考依據(jù)及多可能性的故障類型。

圖9 1號(hào)低壓缸蓋側(cè)示功Fig.9 Indicator diagram of No.1 low pressure cylinder head side

圖10 3號(hào)高壓缸蓋側(cè)示功Fig.10 Indicator diagram of No.3 high pressure cylinder head side

5 結(jié)論

（1）卷積神經(jīng)網(wǎng)絡(luò)對(duì)鑒于理論知識(shí)模擬的不同壓力狀態(tài)下示功圖曲線識(shí)別準(zhǔn)確率可達(dá)99.14%。

（2）卷積神經(jīng)網(wǎng)絡(luò)對(duì)通過模擬和仿真計(jì)算出的不同故障示功圖曲線識(shí)別準(zhǔn)確率可達(dá)95%。

（3）相比于振動(dòng)信號(hào)，利用壓縮機(jī)的示功圖數(shù)據(jù)對(duì)比顯示，故障特征明顯所受干擾小，且更加方便模擬和仿真，訓(xùn)練的樣本數(shù)量更多，有利于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和后續(xù)識(shí)別。

（4）后續(xù)可以繼續(xù)進(jìn)行仿真和故障試驗(yàn)積累數(shù)據(jù)，擴(kuò)充數(shù)據(jù)庫，以實(shí)現(xiàn)更高精度的診斷。在試驗(yàn)條件匱乏的情況下，可以采取模擬加仿真的方式進(jìn)行訓(xùn)練數(shù)據(jù)庫的準(zhǔn)備，也可以有較高的診斷準(zhǔn)確率。

上述的測試和驗(yàn)證說明了卷積網(wǎng)絡(luò)在往復(fù)式壓縮機(jī)狀態(tài)識(shí)別和故障診斷中實(shí)際應(yīng)用的可行性，配合實(shí)時(shí)數(shù)據(jù)采集可以做到往復(fù)式壓縮機(jī)的實(shí)時(shí)監(jiān)控和智能診斷，并可實(shí)現(xiàn)系統(tǒng)故障模型的迭代更新和故障數(shù)據(jù)積累，最大程度地為往復(fù)式壓縮機(jī)的智能化診斷服務(wù)。