基于大数据分析的离心压缩机旋转失速早期预警方法

技术领域

本发明涉及基于大数据分析的离心压缩机旋转失速早期预警方法，属于重大装备智能诊断技术领域。

背景技术

离心压缩机因其具有结构简单、流量大、运转平稳，体积小、维修便利、气体不会受到污染等优点被广泛的应用在石化、冶金、航空和电力等领域。按照压缩气体以提高气体压力的不同方式来划分，压缩机通常被分为两类：容积式压缩机和透平式压缩机。一般而言容积式压缩机应用于中小流量的场合，大流量的工况更适合使用透平式压缩机。透平式压缩机又可以划分为以下四种：离心式压缩机，轴流式压缩机，斜流式压缩机以及复合式压缩机。然而，近年来随着工业水平的不断提高，实际生产对离心压缩机性能参数要求越来越高，压缩机朝着高压比、高转速、大流量和细长化的方向发展，伴随而来的是一系列影响压缩机稳定性的问题。

根据现场统计分析，绝大多数事故都是由流体脉动或者非定常流体激励造成的叶片疲劳破坏引起的。对于大型离心式压缩机当其进气流量减小到一定程度时，其内部流场会出现强烈的不稳定压力脉动现象，往往会引起转子部件较大的振动，从而导致疲劳失效的发生。这种压力脉动现象称之为条件非定常，亦即流动失稳问题，包括旋转失速和喘振等现象。旋转失速是一种会显著降低压缩机性能的不稳定流动现象，随着测试技术的不断发展，出现了许多检测压缩机旋转失速特征的方法，然而，随着压缩机种类的不同，失速特征也呈现出多样性。面对当前压缩机旋转失速特征识别存在的问题，研究压缩机失速频谱特性，对建立旋转失速早期故障预警机制，探索智能化诊断方法，对提升重大装备安全运行能力具有重大意义。

发明内容

本发明提供了一种工业离心压缩机不同转速下旋转失速早期预警方法，本发明要解决的技术问题是：在工程应用中，海量离心压缩机数据的信号处理方法，用少量有效特征信息代替原始压力脉动数据及旋转失速临界流量状态的智能诊断方法。

本发明的技术方案：

基于大数据分析的离心压缩机旋转失速早期预警方法，通过采集离心压缩机实时运行参数信息并进行信号预处理，采用堆栈稀疏降噪自编码神经网络(SSDAE)，同时通过添加不同强度的高斯白噪声，提取信号深层特征信息，并在神经网络的最末层添加Softmax分类器，对不同转速下的流量进行识别，确定发生旋转失速的临界流量值；具体步骤如下：

步骤1：海量工程数据处理：

通过压力脉动传感器，采集离心压缩机不同流速下的压力脉动信号。将采集到的压力脉动信号划分成等时间间隔的信号段，一个信号段作为一个样本，从而完整描述离心压缩机发生旋转失速的临界速度。

步骤2：搭建深度堆栈稀疏降噪自编码神经网络：

稀疏自动编码器神经网络(SAE)作为一种学习原始数据的特征表示方法，由输入层、隐含层和输出层三层组成。输入层神经元是采集的离心压缩机压力脉动信号，输出层神经元是神经网络重构的离心压缩机信号，中间隐含层神经元数量少于输入层和输出层神经元数量。在网络训练期间，每个训练样本经过网络都会在输出层产生一个新的信号，网络学习的目的是使输出层重构的离心压缩机信号和输入的原始离心压缩机信号差值最小。在自编码器神经网络中，一般选用均方误差函数来表示输出信号与输入信号间的差值。均方误差函数表示为：

其中，x为输入信号，z为神经网络输出信号，m为样本个数。

为了防止过拟合问题，在SAE网络的基础上对输入层的输入数据添加噪声，行成稀疏降噪自编码神经网络(SDAE)，使神经网络的特征学习能力进一步增强。对于原始输入数据，以一定的概率将输入层节点的值设置为0，即可得到含有噪声的信号。为了得到更高级的特征表达，SDAE以深层网络结构的形式逐层堆叠，形成由上下连接的两个或两个以上的SDAE组成的模型结构，即形成堆叠降噪自动编码器神经网络(SSDAE)，更加完整的提取信号的特征。

为了满足稀疏性限制，将SSDAE神经网络平均激活度取为接近零的值。稀疏限制有多种形式，隐含层神经元的惩罚因子通常选用KL稀疏惩罚项，惩罚项为：

其中，β是稀疏惩罚，s是第二层神经元，

其中，λ是权重调节因子，W是神经网络权重参数，s是当前神经网络层数。

因此，离心压缩机压力脉动信号的堆栈稀疏降噪自编码神经网络(SSDAE)的损失函数写为：

L＝E+J

步骤3：神经网络的训练：

堆栈稀疏降噪自编码神经网络的参数更新采用拟牛顿法(L-BFGS)。拟牛顿算法比较适合在大规模的数值计算中，具备牛顿法收敛速度快的特点，但不需要牛顿法那样存储Hesse矩阵，因此节省了大量的空间以及计算资源，通过L-BFGS反向传播算法，使得神经网络的参数不断迭代更新，深度学习并提取离心压缩机压力脉动信号的特征，保证离心压缩机发生旋转失速的临界流量识别的准确性。

步骤4：用训练好的神经网络进行离心压缩机旋转失速临界流量状态识别：

将步骤1采集得到的含有多种不同流量工况的离心压缩机压力脉动信号作为输入样本，输入到步骤2获得的堆栈稀疏降噪自编码神经网络中，通过添加不同强度的高斯白噪声信号，进一步提高神经网络对信号的特征学习能力。初始化神经网络参数，通过拟牛顿法反向迭代寻优，确定每一层网络的最佳参数。堆栈稀疏降噪自编码神经网络以输入样本和输出样本的差值最小为目标函数。最后在神经网络的最后一层添加softmax分类层，智能识别离心压缩机不同流量下的压力脉动信号。根据分类结果，对离心压缩机不同流量下的压力脉动信号进行智能识别，判断发生旋转失速的临界流量值，提高离心压缩机利用率和作用效率，降低停机时间，实现企业的最大利用化。

本发明的有益效果是：本发明采集离心压缩机不同流量工况下的压力脉动信号，通过对压力脉动信号处理，将一维时域信号制成二维信号样本，涵盖多种流量工况。再构建双隐层堆栈稀疏降噪自编码神经网络，添加不同强度的高斯白噪声信号，进一步提高神经网络的特征学习能力，实现离心压缩机的智能运维。其中，数据采集部分建立离心压缩机不同流量工况的海量数据库，为离心压缩机大数据智能分析提供数据基础；流量状态智能诊断部分通过神经网络对信号的特征学习能力，智能识别离心压缩机的旋转失速临界流量状态，从而建立预测性运维与事后运维相补充的运维机制，提高企业生产生产效率，节约经济成本。

附图说明

图1为本发明方法的流程示意图。

图2本发明的堆栈稀疏降噪自编码神经网络的工作流程图。

图3是本发明实施例中离心压缩机旋转失速临界速度识别准确率示意图。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

本发明方法的流程如图1所示，本实施例进行大量的离心压缩机不同流量下实验，包括以下步骤：

步骤1：样本数据获取和预处理：

利用压力脉动传感器采集不同流量下的离心压缩机压力脉动信号；将海量离心压缩机信号经过归一化预处理后进行分割，得到多个等长度的时间序列样本数据；根据分割得到的多个样本数据与对应的不同流量组合成为训练集和测试集。本次实验在某模型级离心式压缩机试验台上进行。该离心式压缩机由入口管道、导叶调节装置、叶轮、扩压器以及回流器等组成，叶轮为半开式叶轮，扩压器为全高叶片扩压器，进口导叶调节装置为均布对称翼型导叶，采集离心压缩机11种流速下的压力脉动信号，每种流速制成200个样本，每个样本含2048个样本点，共形成2200×2048的样本。

表1 工况参数

步骤2：搭建堆栈稀疏降噪自动编码器模型；

如图2所示，所述堆栈稀疏降噪自编码神经网络由信号输入层，特征学习层，状态分类层三部分组成；

输入层是将采集到的海量压力脉动信号制成2200×2048的二维样本输入到神经网络中。网络的输入层神经元数量设定为2048，与输入的每个样本的样本点数保持一致。自编码网络采用双隐含层，按照神经元递减的方式，设定隐含层神经元的数量，初始化神经网络的参数，设置高斯白噪声的强度。

步骤3：模型训练；

整个模型的训练过程分为无监督预训练和有监督微调两个阶段；

在无监督预训练阶段，利用拟牛顿法，以输入信号与输出信号的差值为目标值，以均方误差作为损失函数对步骤2搭建的堆栈稀疏降噪自编码进行无监督训练，同时添加不同强度高斯白噪声信号，增强网络的特征学习能力。在无监督预训练阶段结束以后，根据样本的标签对神经网络进行有监督微调。在模型的整个训练过程中，以输出信号和输入信号的差值为模型识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型。

步骤4：进行不同转速下离心压缩机旋转失速临界流量状态智能识别；

在步骤2所构建是神经网络的最后一层添加Softmax分类器，Softmax分类器是逻辑回归分类器(LR)面对多分类任务的一般化变形，Softmax计算简单，结果容易理解，在机器学习和卷积神经网络中应用很广。样本经最后一层分类层，对不同流量下的离心压缩机压力脉动信号进行智能识别，识别准确率如图3所示，确定离心压缩机发生旋转失速的临界流量值，实现离心压缩机旋转失速早期预警。