基于“动态最优喘振曲线”的压缩机智能控制

背景介绍

　　日本某汽车制造企业是实践精益制造的典范，在生产过程管理和设备使用维护方面具有严格的执行规范和持续改进的文化机制，并且在生产流程监控和质量管理方面使用了大量的统计工具，确保在质量发生偏差时能够及时地进行纠正。这些方法在使用初期很快显示出了巨大的价值，使产品质量和生产过程中的浪费得到了极大的改善，也帮助日本汽车在20世纪70年代迅速在美国市场占据了半壁江山。

　　然而，精益制造推行到一定程度之后，这家企业开始发现提升空间越来越小，一些设备的停机和产品的质量问题无论如何进行持续改善都无法完全消除。即使严格按照操作规范，每天对设备进行点检，定期对设备进行预防性维护，依然避免不了设备故障停机的现象。在探究原因过程中发现，精益管理所解决的是可见问题和浪费，即在问题发生时及时地发现和解决，却无法去预测和管理不可见因素造成的影响。

　　该企业北美总部的设备部门主管起初抱怨压缩机轴承的经常性损坏是造成最多停机时间的故障。于是，第一个课题选择了对轴承的健康管理和故障预测。但是项目刚刚进行几个月后，部署了IMS健康管理系统的轴承又发生了损坏，在对历史数据进行分析后发现，轴承在服役过程中和损坏前均发生了数次非常剧烈的振动，对根本原因进行分析，发现振动的来源是压缩机自身的喘振现象。

　　喘振现象是指气流沿压气机轴线方向发生的低频率、高振幅的振荡现象。它会导致压缩机损坏而浪费高昂的成本，在工况运行时出现状况甚至紧急停机，不仅如此，还会影响与压缩机相连的其他设备的正常运转，干扰操作人员正常工作，使测量仪表仪器准确性降低，甚至失灵。

目标

　　基于这一背景，压缩机的最优效率下稳定运行是首要目标。空气压缩机的控制需要解决的问题是规避喘振现象，其核心是定位系统的喘振边界，为入口导流叶片设计反馈控制，在避免压缩机喘振现象发生的同时尽可能靠近最佳效率。

　　但是压缩气体的流量、体积、压力和压缩比等参数，具有很强的动态性和非线性特点，且容易受到环境和压缩机自身健康状态变化的影响，因此压缩机的喘振边界曲线是非线性和动态的。

核心技术

　　压缩机控制模型的基础是压缩机的理论设计工况曲线（如图）。如果控制模型距离性能曲线太远，虽然会避免喘振现象的发生，但是会使压缩机的能效降低，然而如果距离性能曲线太近（低流量、高压力状态），则造成极大的喘振风险。

压缩机理论设计工况曲线

　　为了改善这一问题，运用数据驱动建模的方法，为控制系统提供一个最优的控制参考曲线。在数据准备阶段，采集喘振和非喘振状态下的各类控制和状态参数，在经过参数之间的相关性分析和降维处理后，选择对喘振现象辨识度最高的多个参数作为模型输入。

　　随后，利用非对称支持向量机(ASVM)的分类算法，该算法对喘振和非喘振状态的数据主成分(PCA)建立了分类模型，运用模式识别的方法（如神经网络）找出最优喘振曲线的分界线，能够最大程度的区分喘振数据与非喘振数据，在降低误判率的同时确保了能效最优化。

　　在上线使用过程中，当这个边界由于设备自身状态发生变化而迁移时，每一次控制系统触发了喘振保护控制的参数样本都会反馈到在线的自适应建模过程中，系统能够根据新的工况曲线自动调整控制策略，避免在相同状态下再次发生喘振现象。

压缩机数据分析与建模过程

案例分享

　　该日本汽车制造企业在经历了精益制造的瓶颈之后，意识到大型制造系统及设备需更好应对动态的、变化的生产环境和客户需求，引入了IMS中心的数据驱动建模方法，为控制系统提供一个最优的控制参考曲线。将固有的静态6-sigma管理模型改进为动态预测模型，从而将简单的生产制造偏差评估转化为预测性衰退评估。

　　通过对采集的数据进行相关性分析，选择了辨识度最高的11个参数作为模型输入，运用基于主成分分析(PCA)算法找出故障特征变量，使用支持向量机(SVM)建立非线性动态喘振模型图， 能够很好的预测喘振的风险，并大大降低误判率。

　　通过以上方法，实现了在保持一定间隔范围的同时，将最理想的分离曲线移到非喘振点。在此基础上，又开发了更多可大规模应用的在线预测分析工具，通过验证的预测分析工具被集成到了压缩机的控制系统中，实现了具有在线激流监控和优化控制能力的智能压缩机设备。在对该日本汽车制造企业的压缩机控制系统完成智能化升级后，由于能耗效率提升带来的直接收益超过50万美元／年，且从2006年至今都没有发生过由于严重喘振现象引起的故障和停机。

注：此案例被收录于李杰等著写的《从大数据到智能制造》、《CPS 新一代工业智能》两本书中。