基于支持向量机的往复压缩机示功图识别研究.pdf

2012年第40卷第5期
流体机械
2
文章编号:1005-0329(2012)05-0021-005
基于支持向量机的往复压缩机示功图识别研究
江志农',张进杰,敖静晖
1.北京化工大学化工安全教育部工程研究中心,北京100029;
2.中国石油化工股份有限公司新乡输油处,河南新乡453600)
摘要:提出了一种基于支持向量机的往复压缩机示功图识别方法。根据不同故障在示功图上反映的不同特征,进行
故障特征提取。针对实际故障发生情况,构造了基于决策树的多分类支持向量机故障识别模型。使用不同核函数对计
算机模拟与往复压缩机试验台实测的故障示功图进行识别,结果表明,该方法能有效应用于往复压绵机示功图故障识
别
关键字:支持向量机;故障识别;往复压缩机示功图;决策树;核函数
中图分类号:TH457;TP277
文献标识码:A
doi:10.3969/j.isn.1005-0329.2012.05.005
Research on Reciprocating Compressor Indicator Diagram Fault Recognition
Based on Support Vector Machine
JIANG Zhi-nong, ZHANG Jin-jie AO Jing-hui
1. Chemical Safety Engineering Research Center of the Ministry of Education, Beijing University of Chemical Technology
Beijing 10002 hina 2. hina e roleum&hemal orporation, Xx ang i Transpo ation Deparment, Xinxiang45300, China
Abstract A new method of indicator diagrams recognition of repeating compressor based on support vector machine was
proposed. According to the diferent features in the indicator dia rams of di erent faults, the fault features was extracted. A fault
recognition model was constructed based on multi classifiation support vector machine and icision tree with the actua situa
tion. This method was used to recognise the fault indicator diagrams of computer simulation and reciprocating compressor experi
ments by dierent keel funtions. T e results reflect that this method can be effectively applied in reciprocating compressor ind
cator diagrams fault recognition
Key words: support vector machine; faul recognition; reciprocating compressor indicator diagram; decision tree; kernel function
1前言
活塞环泄漏等故障。通过人工手段对示功图进行
故障分类具有速度慢、效率低等缺点,因此,需要
往复压缩机是一种在石油、化工、新能源等行引人智能诊断算法。
业中大量、广泛使用的重要通用机械。由于机械
目前,国内、外对往复压缩机示功图进行故障
结构和故障机理复杂,对其进行故障诊断较困难。识别的研究较少。刘卫华等提出灰色关联度法对
目前,往复压缩机主要故障诊断手段是通过振动往复压缩机示功图进行故障诊断];王金东等利
信号进行故障特征提取,对泄漏等振动信号特征用神经网络识别往复压缩机指示图]。但传统
不明显的故障,诊断难度大)。往复压缩机示算法在解决小样本、非线性及高维模式识别中具
功图对气阀、活塞部件故障诊断具有重要作用,示有一定的缺陷;同时神经网络算法结构难以确定、
功图能反映往复压缩机每个工作循环气缸内压力过学习和局部极小点等问题也影响了其实际应
变化情况,可识别气阀泄漏、气阀卡塞、气阀震颤、用。
收稿日期:2011-09-02修稿日期:2012-02
基金项目:国家自然科学基金重点项目(51135001);国家重点基础研究发展计划(“973"”计划)项目(2012CBO2600