摘要：我國現代科技發展迅速，自動化機械程度逐步完善和提高，設備各零件間的聯系更加緊密。若其中某一部件出現故障，容易造成整個機械設備癱瘓。頻繁的設備故障會帶來經濟損失，甚至是人員傷亡事故。文章通過闡述往復式壓縮機的常見故障問題和原理特點，結合案例研究故障診斷方法。

　　關鍵詞：蘭州理工大學學報,往復式壓縮機,故障診斷方法,自動化機械,人工智能系統,小波分析法技術

　　在機械設備的實際操作運行過程中，如果可以及早預報和診斷其隱含的故障問題，在壓縮機沒有分解的情況下，就可以正確判斷設備出現故障的具體位置，采用先進的動態測試技術和傳感技術以及計算機信號對故障進行處理，分析機械異常狀況的原因及解決措施，這對預防事故的發生、促進經濟效益的提高都具有重大

　　意義。

　　1 往復式壓縮機的常見故障分析

　　1.1 壓縮機的常見故障和機理

　　往復式壓縮機的常見故障主要有兩大類：機械性質和流體性質。機械性質是指機械動力性能出現故障，故障的主要原因是運動零件的結構出現裂紋、間隙有變化等，故障的主要表現是機械運動時有異常的震動、發熱和響聲;流體性質是一種機械熱力性能故障，該故障具有溫差、壓力異常、排氣量不足的主要特征，出現故障的主要原因是吸氣濾清器、活塞環、氣閥、冷卻水路等部位出現故障，對于這類現象可以用參數法進行診斷。

　　1.2 壓縮機機械功能故障分析

　　在機械運動過程中，比較典型的機械故障包括連桿螺栓、活塞環、曲軸、閥片、十字頭等斷裂，汽缸和汽缸蓋破裂，燒瓦、電機故障等。在往復式壓縮機的實際操作中，氣閥故障的診斷是十分重要的，因為連桿、活塞桿等斷裂是較常見現象，且壓縮機的運動部件很多，所以大部分故障問題還是機械性能故障。

　　1.3 壓縮機熱力性能的故障分析

　　根據多年的生產經驗分析，往復式壓縮機熱力故障的原因通常是氣閥和填料函等部件的損壞。填料函若出現故障會造成壓比失調、降低排氣量等。統計表明，往復式壓縮機故障中有60%為氣閥故障，氣閥若出現故障會增加排氣的溫度，降低排氣量，造成壓比失調等，情況嚴重的會導致整個機組報廢。在現場操作中，工作人員經常根據氣閥來診斷壓縮機的故障

　　問題。

　　2 往復式壓縮機狀態監測研究

　　往復式壓縮機屬于一種復雜的機械設備，其狀態檢測的方法有很多，一般使用在線間接診斷法，即根據二次診斷的數據信息判斷關鍵組件的變化狀態。常用的診斷方法包括振動噪音監測法、油液監測法、熱力性能參數監測法、直觀監測法、人工智能診斷法等。

　　2.1 振動噪音監測法

　　很多實驗室已經通過振動噪音監測法診斷壓縮機的故障并取得不少研究成果。根據機械表面的振動現狀分析主軸承狀態、氣閥漏氣、汽缸磨損等現象;例如在氣缸頭部裝置振動傳感器，根據分析振動信號判斷汽缸內部故障;根據油管路內的壓力波信號判斷壓縮機軸承故障;根據振動信號判斷壓縮機主軸承故障。但因為在機械操作過程中會產生很大的噪聲，噪聲會干擾信號的穩定性，影響傳感器的可靠度，所以振動噪音監測法還未全面推廣。

　　2.2 油液檢測法

　　潤滑油油液分析法主要有兩類：油液中磨損信息分析和油液物理化學性能分析。油液中磨損信息的分析主要有顆粒監測技術、鐵譜分析以及光譜分析等;油液本身物理化學性能分析主要包括潤滑油的燃點、水分以及黏度等方面的分析。油液監測的實施步驟有提取樣品、制備樣品、獲取監測數據、確定診斷結論等。

　　2.3 熱力性能參數監測法

　　根據儀表監測往復式壓縮機的冷卻水量、排氣量、水溫、油溫等數據信息，為診斷部件故障提供參考依據。熱力性能參數監測法在診斷和預測故障時缺乏準確性，所以目前主要應用于壓縮機的運行狀態和監測工藝參數。

　　2.4 直觀診斷法

　　相關操作人員通過用眼睛看、耳朵聽以及根據自身的工作經驗來診斷機械的故障。由于壓縮機機械設備逐漸自動化的發展方向，直觀監測法缺乏一定科學性，已經無法診斷往復式壓縮機故障的要求。

　　2.5 人工智能診斷法

　　神經網絡技術結合人工智能專家系統已廣泛用于診斷往復式壓縮機的故障問題。人工智能診斷法是在專業知識和大量實踐經驗的基礎上開發的一種計算機智能程序系統，它可以用于解決難度較大、較復雜的故障問題。該診斷法具有易于建造、解釋機制強、預測簡單等優勢，同時也具有推理機制過于簡單、專家知識不夠精確等不足。人工神經網絡具有自學性和組織性的特點，它具有聯想記憶功能，能從設備故障中學習，積累經驗，將人工神經網絡技術應用到故障診斷中，能彌補專家系統的不足，但人工神經網絡技術自身也存在著缺陷，例如解釋機制較弱、建立復雜系統的模型有難度、診斷不清楚等。

　　3 小波分析法的實際案例分析

　　3.1 小波分析法

　　采用小波分析法可以使提取的信息更具可靠性和穩定性，常使用時域平均分析法和濾波技術等。小波分析法可以局部優化非平穩信號，能分析時域內和指定頻帶寬的信號，相對其他分析法，具有更強的提取特征的功能，它可以通過小波伸縮形成一組基函數，并能將接收到的所有信號映射到這組函數上，從而得到各頻帶的分解序列，并根據這些頻帶序列診斷零部件的故障問題。

　　小波分析法只對低頻部分的信號進行分解，對信號的高頻部分有所保留。而小波包分解法和小波分解法相比更加精細，它對信號的高頻部分和低頻部分都可以進行分解，因此小波包分析法使用更廣泛。

　　3.2 診斷實例

　　以某單位壓縮機試驗臺作為研究對象，進行監測、分析機體表面的振動信號，通過改變閥板的厚度以達到提高制冷效率的目的的研究試驗。下文根據減少閥板厚度后的機體表面振動情況，提取故障特征，通過實際研究案例分析小波包在診斷壓縮機故障中的實用性。

　　從改變前機體前后的表面振動信號可以看出，改變閥板厚度后，機體表面的振動信號出現了一些尖峰和毛刺的現象，沒有改變之前的光滑，所以可以將其視為故障信號。

　　3.3 提取故障特征向量

　　分析機體振動信號的頻率，將信號分解成5層，在0～1500Hz內，有32(25=32)個寬帶信號，若直接統計這些信號的能量，其過大的故障特征向量會造成診斷結果不精確。本文采用小波包分解法分解振動信號。去噪音后，小波包分解振動信號的結果如圖1所示：

　　圖1 去噪后小波包分解振動信號結果

　　d(0，0)：原始信號;d(a，b)：小波包分解第a層的第b個小波系數。原始信號：d(0，0)=d(1，1)+d(2，1)+d(3，1)+d(5，3)+d(5，2)+d(5，1)+d(5，0)。由此統計7個頻帶的能量，如表1所示：

　　表1 各頻帶的能量統計

　　4 結語

　　綜上所述，筆者認為在往后的壓縮機故障診斷中，采用人工智能系統、小波分析法技術等是必然的發展趨勢。利用這種方法，可以有效提取壓縮機常見故障的特征，為其他智能故障診斷技術提供新的參考依據，小波包分解法更全地分析了信號的能量，其應用更符合實際情況。另外，將網絡和多種故障診斷技術進行聯合應用，實現技術共享，能提高診斷的準確度，這也是目前我國往復式壓縮機診斷故障的革新之處。

　　參考文獻

　　[1] 仲崇明，萬泉，蔣偉康，等.往復式壓縮機振動的有限元數值分析與實驗研究[J].振動與沖擊，2011，30(5).

　　[2] 王莉，牛群峰，胡紅生，等.基于頻譜與小波變換的工業壓縮機噪聲源分析儀設計[J].工礦自動化，2009，35(7).

　　[3] 付希濤.往復式壓縮機故障診斷研究與展望[J].技術與市場，2014，12(7).

　　[4] 趙俊龍，張志新，郭正剛，等.往復式壓縮機氣缸壓力模擬曲線提取[J].振動、測試與診斷，2009，29(1).

　　作者簡介：華根節(1979-)，男，安徽潛山人，江蘇中能硅業科技發展有限公司工程師，研究方向：化工設備管理。