为及时、准确地捕捉设备运行的异常信息,提出基于径向基函数神经网络(Radial Basis Function Neural Network,简称RBFNN)和多信息融合技术的设备状态评估方法;利用往复压缩机不同测点特征值的趋势变化特点,研究神经网络分类技术,优选敏感特征参数,对不同测点特征值的趋势变化特点进行分类与组合,建立往复压缩机状态评估流程,实现设备运行异常状态的预警评估。
往复压缩机现有报警方式单一,多采用"单特征值报警"与"门限报警"的方式,经常导致设备盲目停车而影响生产,无法综合分析设备当前运行状态是否异常并提前预警。针对该问题,提出一种基于状态子空间的往复压缩机自动预警方法。该方法提取设备运行状态信号的特征参数,构造多维特征矩阵,利用核主元分析(kernel principal component analysis,KPCA)方法对多维特征矩阵进行降维,构建状态子空间,计算正常状态和当前状态子空间之间的差异度,并通过故障案例数据自学习得到差异度指标的报警阈值。经实际故障案例验证,该方法能大幅提前往复压缩机典型故障报警时间点,提高在线状态监测系统的故障预警能力。
