2011年第6期（总230期）
文章编号：1006-2971(2011)06-0013-04
压缩机技术 Compressocn
基于ReCorre特征优化的气阀故障诊断方法
闽凯，蒲蕾哗？，易晚明”，上官丰收"，杨力能"，张炜
· 13 ·
(1.中国石油集团石油管工程技术研究院，陕西西安710065；2.中国石油西南油气田分公司物资采购管理部，四川成都610051）
摘要：振动信号包含信息半富，反应状态直接，振动法是压缩机气阔故障诊断常用方法。振动信号的特征参数繁多，特征向量选择是否合理对故障诊断结累准确性影响很大。研究ReCorTe方法对气阅振动信号特征参数进行优化选择，再通过神经网络进行分类识别。实例表明，基于特征优化的模糊神经网络
分类识别结果正确率高，识别结果受数据来源影响小，是一种较好的气阀故障诊断方法。关键词：特征优化；神经网络；气阀；故障诊断
中图分类号：TH457
文献标志码：A
Diagnosis Method for Air Valve Failure Based on ReCorre
CharacteristicsOptimization
YAN Kai',PU Lei-ye’,YI Xiao-ming',SHANGGUAN Feng-shou', YANG Li-neng',ZHANG Wei
(1. CNPC Tubular Goods Research Institute,Xi'an 710065, China;
2. Procurement Department of Petrochina Southaest Oil&Gasfield Company,Chengdu 610051,China)
Abstract; Vibration signal contains rich information and reactive state directly, Vibration method is commonly used to diagnoze air valve failure in compressor. There are many characteristic parameters of vibration signal,so correctly selecting charicteristic vector is greatly important for the accuracy of failure diagnosis results. ReCorre method is studied to carry out the optimized selection of characteristic parameters of air valve's vibration signal. Then a neural network is applied to carry out the classification and identification. The practical example shows that the classification and identification results of fuzzy neural network based on characteristic optimization have eaai s eeaaosaeaaaeaaaaesnoaaaae nosis method for air valve failure
Key words; characteristic optimization;neural network ;air valve;failure diagnosis
0
气阀是往复压缩机中的易损件，磨损是其常见
故障模式。经过统计，往复压缩机气阀故障占所有故障的60%以上[1]。振动诊断法是气阀故障诊断的主要方法[2]。然而，振动信号的特征参数繁多，特征向量选择是否合理对故障诊断结果准确性影响很大，所以特征优化选择一直是故障诊断研究的热点[3-4]。本文采用ReCorre方法对气阀振动信号特征参数进行优化选择，再通过神经网络进行分类识别。实例表明，基于特征优化的模糊神经网络故障识别结果正确率高，识别结果受数据来源影响小，是
一种较好的气阀故障诊断方法。收稿日期：2011-0530
1特征参数优化选择
信号分析的方法很多，可以描述信号特征的参数就有很多，如果使用全部的参数作为故障识别的特征向量，那将大大增加故障识别的难度和计算的时间。不同种类的信号参数可能是从相同或者类仪的角度来度量信号的特征，它们所起作用很小，而且应用不同的特征参数来描述可能有不同的结果，甚至有可能相互矛盾、相互抵触，这也会大大降低故障识别的准确性。
本文采用ReCorre方法进行信号特征参数优化选择。基于ReCorre方法的特征优化选择分为2个阶段：第一阶段采用ReliefF去除与分类无关特征，即去除无关特征；第二阶段通过计算特征间的皮尔森(Pearson）积矩相关度来消除特征集中的允余特征，即去除允余特征[3]。