1 引言

往复压缩机是流程工业重要设备之一，应用广泛，尤其在炼油、化工行业中起着至关重要的作用[1]。由于其结构复杂，振动激励源多，导致异常检测困难，重大事故频发。一旦发生故障，轻则影响生产，重则机毁人亡，因此对往复压缩机进行实时智能异常检测，保障机组健康运行，具有重大意义[2]。

从编码长度比较可以看出，由于ICSA-ECOC编码方法是事前编码和数据感知编码的组合搜索，其编码长度普遍要高于事前编码，低于一对一编码，与经典的混淆矩阵编码和Bautista编码长度相差不大.在部分类别数较大的数据集上，ICSA-ECOC方法与Bautista方法编码长度要大于基于混淆矩阵的编码方法，从侧面反映两者方法拥有更优秀的纠错能力.

传统检测方式主要采集往复压缩机振动信号，提取数据的一个或少数几个特征，设置特征报警门限，超过门限值认为发生异常[3]。而在实际生产过程中由于受到外界或自身偶然因素的影响，即使在正常工况下，振动波形的特征值也可能超过报警门限，导致错误报警等类似状况发生。因此，如何依据特征值变化，对设备运行状态做出更加全面可靠的评估，减少异常检测不及时、漏报、误报的问题，成为当前研究的难点。

相空间广泛应用于多个领域的状态监测和故障诊断。在数学与物理学中，相空间是一个用来表示系统所有可能状态的空间，系统每个可能的状态都有对应的相空间的点[4]。文献[5]中运用神经网络模型构建相空间实现大坝安全监控。针对不同的系统，运用不同的方法将数据映射入相空间，根据相空间中点的变化，可有效判断系统当前状态。基于相空间的往复压缩机预警方法一般采用 PCA（Principal Component Analysis）和 KPCA（Kernel Principal Component Analysis）将振动波形数据高维特征映射入相空间，根据相空间中点的变化，判断往复压缩机系统当前状态[6-7]。虽然这些方法取得了一定的效果，但是也存在一定的局限性：首先，往复压缩机振动数据具有非线性特征，用线性方法构造相空间分析非线性数据，会弱化方法的性能。其次，核方法在一定程度上能缓解非线性带来的影响，但是基于核的方法高度依赖于所选的核函数。因此用这些方法构造相空间进行往复压缩机异常检测，会使准确率下降。

随着机器学习发展，LDA（Latent Dirichlet Allocation）模型在多个领域得到越来越多的应用。文献[8]用主题模型实现了软件缺陷的分类。文献[9]提出一种基于传统LDA概率主题模型的文档聚类方法，实现了普通文本语料库和数字图书语料库的有效聚类。文献[10]用主题模型挖掘三峡工程中的学术相关问题。LDA广泛应用于非线性系统高维数据建模，只需要简单的数据表示形式就可以建立性能良好的模型，利用LDA模型将数据映射入相空间，根据相空间中点的变化判断机组运行状态，更适用于往复机系统异常检测。

本研究提出一种基于多特征融合的相空间LDA模型的异常检测方法。为全面涵盖波形特征信息，首先提取了振动波形的多个特征值，并对特征值进行预处理。然后，用LDA方法计算特征分量，构造相空间。最后，用JS（JensenShannondivergence）距离计算相空间的差异度。机组运行状态发生变化后，相空间也会发生相应的改变，根据相空间变化的差异度，判定机组是否发生异常。

2 基于多特征融合的LDA模型往复压缩机异常检测方法的研究

2.1 基于LDA模型的往复压缩机异常检测方法

以某石化往复压缩机活塞杆断裂故障为例对该方法进行验证。该机组十字头传感器布置方案，如图3所示。在往复压缩机每个缸体的十字头上方安装压电加速度传感器，通过采集的振动信号，监测阀片启闭过程或零部件断裂瞬间产生的冲击。该机组现场故障图片，如图4所示。该机组为4缸卧式往复压缩机，额定转速为333r/min。取该机组104组十字头正常振动波形数据作为学习样本，其中一组数据波形，如图5所示。计算数据特征集，对特征集归一化和离散化后，得到306个特征。依据数据处理结果，特征分量数为T=8时异常检测准确率和计算效率都较高，因此将特征分量种类设定为8，用正常数据训练得到的特征分量，如表2所示。用上述特征分量对正常和故障数据相空间分布进行计算和预测，正常数据和部分故障数据计算和预测得到的结果，如表3所示。

  

图1 基于LDA模型的异常检测流程图Fig.1 Flow Chart of Anomaly Detection Based on LDA Model

具体步骤如下：

（1）特征提取及特征集预处理：提取多种特征值，对特征值进行归一化和离散化，得到离散化后的特征集。

互联网一直以来被视为第三次工业革命的产物，标志着人类文明进入到信息化数字化智能化时代，人们有意无意间享受到了互联网带来的便捷和多彩，交往方式、购物方式、生活方式、学习方式等都发生了深刻变化，互联网的身影渗透到社会的各行各业、各个方面，顺时代潮流者昌盛，逆时代潮流者终将被摒弃。随着时代发展，会计信息处理需要更实时、集中、规范、高效，预算管理、财务管理、风险控制等制度需要更完善，根据环境变化参与动态预测和分析、提供实时决策支持的地位要求更突出，互联网技术正好解决了这一难题，为会计理论体系演进升级提供了技术支撑。可见，会计教育教学也应跟上时代步伐，接受时代洗礼，适应时代发展。

（2）设定特征分量个数T：特征分量个数可依据经验进行设定，确定最优T的最简单的方法是用不同的T重复实验，当评价指标如困惑度、预料似然值、分类正确率等最优时认为此时的T是模型的最佳选择[11、13]。

图2 中的特征构成一个特征集，对特征集预处理。特征集预处理主要包括特征值归一化和离散化。依据故障早期和晚期数据特征对数据进行离散化，每个特征可离散化为3个特征。将每个特征离散化的结果进行联合，得到一个离散化后的特征集。对部分离散化后的特征进行说明，如表1所示。

钱泰吉(1791—1863)《曝书杂记》：“余昔有明初抄本，即《解题》所载本”。可见宋末新出现的这个本子在明初尚有钞本，且至少流传到清钱泰吉(1791—1863)之世。

式中：ξ—背景知识；α1，α2，…，αk都＞0；记 γ|ξ～Dir（γ|α1，α2，…，αk）。

（5）预测实时运行数据集相空间：根据第五步计算得到的特征分量参数预测实时运行数据集的相空间Q2。

（6）用JS距离计算实时运行数据集和正常数据集相空间的差异度，并设定机组的报警线，使异常检测准确率最高。

（7）当机组JS距离超过报警线时，则报警，否则继续采样，持续监测。

（4）计算相空间：用机组24h的正常运行振动数据的数据集计算特征分量及对应的相空间Q1。

2.2 特征提取及特征集预处理

以JS距离公式为标准来度量相空间之间的差异度，JS值越大则认为差异度越大。

  

图2特征值种类Fig.2 Characteristic Value Category

（3）构造数据集：选择适当组数的离散化后的特征集作为一个数据集，一般至少8组。

 

表1 特征说明Tab.1 Feature Description

  

特征编号 特征含义7～9 波形分成36段后第一段的有效值256～258 对振动波形小波分解后第一层波形峰值298～300 对振动波形进行形态分析计算波形峰值

2.3 基于LDA的相空间的构建

LDA（Latent Dirichelet Allociation）模型于 2003 年提出[11]，该模型通过对隐形语义索引进行拓展得到三层贝叶斯概率模型，包含词项、主题和文档三层结构，是文档生成模型。其基本思想是把文档看成隐含主题的混合，而每个主题则表现为与该主题相关的词项的概率分布。基于同样的思想，将该模型引入往复压缩机异常检测，可认为，往复压缩机在不同的运行状态下，特征联合概率分布在相空间上的映射是不同的。

狄利克雷分布是多项分布，可以对离散集特征分布进行评价。假设随机变量X有k个可能状态（x1，x2，…，xk），对X多重采样服从狄利克雷分布。用X表示k个离散随机元素的评价结果。则 Xi表示第 i个特征值，其中集合为 D=｛X1=x1，X2=x2，…，Xk=xk｝。设离散随机向量 γ=｛γ1，γ2，…，γk｝表示 x的概率密度分布（1≤i≤k，Σki=1γi=1）。p（γ|ξ）表示给定知识背景下 γ 的概率密度函数。设离散随机变量 α=｛α1，α2，…，αk｝表示 x 的观察值，这里称 α=｛α1，α2，…，αk｝为x的超参数。γ的先验概率密度为：

 

预制光缆工作可靠性影响到光缆回路通信的稳定性，故预制光缆设计选型时，需要求尽量减少额外插接点、熔接点及转接点等风险点，提高运行可靠性。

柠檬果醋的L值、a值和b值使用色差计进行测定。色差计使用前需要用较厚的白纸进行校准。ΔL值表示亮度；Δa值正值偏向红色，负值偏向绿色；Δb值正值偏向黄色，负值偏向蓝色。通过公式ΔE=(ΔL2+Δa2+Δb2)1/2来计算总色差。ΔE在0～0.5时，色差可以忽略，肉眼很难辨认；ΔE在0.5～1.0时，色差值很低，只有长期训练的人才能观察出；ΔE在1.0～1.5时，色差值属于中等；ΔE>1.5时，色差严重。

设定特征分量个数T，对T个特征分量计算先验概率密度后，得到当前状态在相空间中的点θ→=（p1，p2，…，pT）。

2.4 JS距离

由于数据集的相空间是数据集向相空间的简单映射，因此在数据集的相空间表示情况下，计算两个数据集的差异度可以通过计算与之对应的相空间的差异度实现，KL（Kullback-Leibler）距离可作为差异度量标准[12]，KL距离如下所示：

 

当pj=qj时，DKL（p，q）=0，但是KL距离并不是对称的，因此常常使用其对称版本：

 

当λ=1/2时，上述公式转变为JS距离：

 

式中：P和q—机组实时运行数据映射到相空间中的点和正常工况数据映射到相空间中的点；T—设定的特征分量数。

当往复压缩机组发生异常时，振动数据会发生同步变化。振动波形数据量较大，为了实现往复压缩机异常检测，需从中提取具有代表性的特征。相较于传统异常检测特征提取方法，本研究提取信号的大量特征，保留了更多的故障征兆信息。提取特征，如图2所示。

3 基于LDA模型的往复压缩机异常智能诊断方法应用

基于LDA模型的往复压缩机异常智能诊断方法联合数据多种特征值，建立正常数据相空间，并预测当前运行数据相空间，计算二者差异度，依据差异度实现往复压缩机异常检测，流程，如图1所示。

  

图3 往复压缩机十字头振动传感器测点布局图Fig.3 The Layout of Measuring Points of the Cross Vibration Sensor of Reciprocating Compressor

  

图4 活塞杆断裂故障Fig.4 Fracture Fault of Piston Rod

  

图5 正常数据波形Fig.5 Normal Data Waveform

 

表2 相空间模型特征分布计算结果Tab.2 Calculation Results of Phase Space Model Feature Distribution

  

特征分量编号 1 2 3 4 5 6 7 8特征编号7 55 25 28 31 10 28 22 31 88 37 55 40 52 34 40 58 115 76 88 72 103 42 142 91 121 109 97 112 127 124 175 169 154 145 100 130 166 202 190 199 160 220 103 148 181 208 193 229 232 244 133 163 184 211 253 250 238 262 187 223 214 241 259 280 244 283 217 253 223 277 262 301 271 304 292 262 283 298 265

 

表3 相空间分布预测结果Tab.3 Results of Phase Space Distribution

  

数据类型 数据集 相空间分布1 2 3 4 5 6 7 8正常 1-104 0.13 0.133 0.114 0.13 0.144 0.126 0.111 0.112 1 0.115 0.134 0.125 0.132 0.15 0.128 0.109 0.106 2 0.112 0.132 0.12 0.131 0.146 0.136 0.112 0.109 3 0.109 0.133 0.12 0.136 0.149 0.132 0.106 0.112 4 0.115 0.138 0.119 0.126 0.145 0.133 0.113 0.108 5 0.118 0.142 0.121 0.129 0.143 0.135 0.11 0.101 6 0.114 0.139 0.12 0.126 0.143 0.135 0.112 0.11 7 0.101 0.148 0.126 0.13 0.146 0.135 0.104 0.11 8 0.101 0.149 0.12 0.132 0.147 0.139 0.101 0.11 9 0.094 0.158 0.118 0.114 0.147 0.143 0.112 0.113 10 0.131 0.137 0.111 0.12 0.14 0.13 0.109 0.121异常

分别计算正常数据和异常数据相空间分布JS距离，运用机组正常数据自学习报警线，当报警线设定为正常数据JS距离2.7倍时，可将正常和故障数据区分，计算结果，如图6所示。

养分表观消化率：测定饲料样及粪样中干物质含量、粗蛋白含量、中性洗涤纤维含量、酸性洗涤纤维含量，计算养分表观消化率，其公式为：

  

图6 活塞杆断裂JS距离Fig.6 JS of Fracture Fault

从图5中可以看出，当振动数据采集到第107h时，JS距离超过设定阈值发生报警，比故障发生时刻提前了37h，若此时现场设备管理人员采取有效措施，可有效避免事故的发生。

  

图7 拉缸故障Fig.7 Scuffing Fault

以某石化拉缸数据进行验证，该机组现场故障图片，如图7所示。该机组为4缸卧式往复压缩机，额定转速为370r/min。最后计算得到的JS距离结果，如图8所示。

从图8中可以看出，当振动数据采集到第40h时，JS距离超过设定阈值发生报警，比故障发生时刻提前了24h，有效对机组异常进行了预测。

随着我国一带一路、西电东送、沿海核电等建设，抽水蓄能电站凭借可优化电源结构、改善电网质量、确保电网安全等特点，目前仅华南地区就已兴建或将建清远、深圳、梅州、阳江和海南琼中等多座抽水蓄能电站。抽水蓄能电站的水道系统不同于一般水工隧洞，一是水道系统长，空间布置复杂，局部相互影响；二是最大内水压力可达7 MPa～8 MPa；三是运行期内水外渗而检修期外水内渗，工作性态复杂，若发生失稳或渗透破坏，其后果是灾难性的。因此，须保证水道系统的稳定性和防渗性能[1]。

  

图8 拉缸JS距离Fig.8 JS of Scuffing Fault

4 结论

（1）对往复压缩机正常和故障振动波形提取多种特征值，构造特征集，该特征集能更加全面的反映波形特征，用于异常检测可有效避免单一特征值的片面性，有效避免误诊和漏诊的情况，提高异常检测准确率。（2）用LDA模型计算正常和异常数据集相空间分布，将二者带入JS距离计算公式，得到JS距离，当机组正常运行时，JS距离无明显变化；发生异常后，JS距离明显升高，该方法可有效实现往复压缩机异常检测。且相较于传统的异常检测方法，该方法可大幅提前往复压缩机异常预警时间点。（3）运用LDA模型构造相空间进行异常检测，只需往复压缩机正常运行数据，有效避免因数据样本少而不能进行异常检测的问题。（4）往复压缩机在设计与制造精度不够高时，更容易发生异常，因此实现往复压缩机异常检测十分必要，本方法有效实现了往复压缩机智能预警和异常检测。

游戏是幼儿格外喜欢的活动之一，在音乐烘托出的轻松的教学氛围里适当组织一些游戏，展开韵律教学也是非常有效的一种教学方法。游戏的设计要符合音乐的内容，在教师的引导之下有计划、井然有序地进行，让幼儿能够在游戏中学习，将学习与游戏有机结合，既能够达到教师想要的教学目的，又能够让幼儿一边游戏一边学习。

参考文献

［1］余良俭.往复压缩机故障诊断技术现状与发展趋势［J］.流体机械，2014，42（1）：36-39.

（Yu Liang-jian.The present situation and development trend of fault diagnosis technology of reciprocating compressor［J］.Fluid Machinery，2014，42（1）：36-39.）

［2］Shen L，Tay F E H，Qu L.Fault diagnosis using rough sets theory［J］.Computers in Industry，2000，43（1）：61-72.

［3］彭琦，马波.概率神经网络在往复压缩机多故障诊断技术研究中的应用［J］.机械设计与制造，2014（4）.

（Peng Qi，Ma Bo.Application of probabilistic neural network in fault diagnosis of reciprocating compressor［J］.Mechanical Design and Manufacturing，2014（4）.）

［4］张志强，赵怀慈，赵大威.基于SVD算法的红外热波无损检测方法研究［J］.机械设计与制造，2012（4）：53-55.

（Zhang Zhi-qiang，Zhao Huai-ci，Zhao Da-wei.Study on infrared thermal wave nondestructive testing method based on SVD algorithm［J］.Mechanical Design and Manufacturing，2012（4）：53-55.）

［5］徐洪钟，吴中如.相空间神经网络模型在大坝安全监控中的应用［J］.水利学报，2001（6）：67-71.

（Xu Hong-zhong，Wu Zhong-ru.Application of phase space neural network model in dam safety monitoring［J］.Journal of Hydraulic Engineering，2001（6）：67-71.）

［6］Yanwei H.Data reconstruction based on robust kernel principal component analysis［J］.Information and Control，2010（3）：022.

［7］Liu Y，Yuan W，Wang S G.A Method of fault diagnosis for reciprocating compressor based on phase space reconstruction（PSR）and empirical mode decomposition［J］.Applied Mechincs&Materials，2012，151（1p1）：83-86.

［8］黄小亮，郁抒思，关佶红.基于LDA主题模型的软件缺陷分派方法［J］.计算机工程，2011，37（21）：46-48.

（Huang Xiao-liang，Yu Yu-si，Guan Zhe-hong.Software defect allocation method based on LDA subject model［J］.Computer Engineering，2011，37（21）：46-48.）

［9］王李冬，魏宝刚，袁杰.基于概率主题模型的文档聚类［J］.电子学报，2012，40（11）：2346-2350.

（Wang Li-dong，Wei Bao-gang，Yuan Jie.Document clustering based on probabilistic topic model［J］.Electronic Journal，2012，40（11）：2346-2350.）

［10］Jiang H C，Qiang M S，Lin P.Finding academic concerns of the Three Gorges Project based on a topic modeling approach［J］.Ecological Indicators，2016（60）：693-701.

［11］Blei D M，Ng A Y，Jordan M I.Latent dirichlet allocation［J］.The Journal of Machine Learning Research，2003（3）：993-1022.

［12］Eissa T，Razak S A，Ngadi M D.Towards providing a new lightweight authentication and encryption scheme for MANET［J］.Wireless Networks，2011，17（4）：833-842.

［13］Griffiths T L，Steyvers M.Finding scientific topics［J］.Proceedings of the National Academy of Sciences，2004，101（suppl 1）：5228-5235.