CN103147972A - 一种基于多传感器信息融合的往复式压缩机故障诊断方法 - Google Patents

一种基于多传感器信息融合的往复式压缩机故障诊断方法 Download PDF

Info

Publication number
CN103147972A
CN103147972A CN201310087273XA CN201310087273A CN103147972A CN 103147972 A CN103147972 A CN 103147972A CN 201310087273X A CN201310087273X A CN 201310087273XA CN 201310087273 A CN201310087273 A CN 201310087273A CN 103147972 A CN103147972 A CN 103147972A
Authority
CN
China
Prior art keywords
fault
diagnosis
fusion
data
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310087273XA
Other languages
English (en)
Other versions
CN103147972B (zh
Inventor
江志农
靳梦宇
张明
张进杰
胡敬芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN201310087273.XA priority Critical patent/CN103147972B/zh
Publication of CN103147972A publication Critical patent/CN103147972A/zh
Application granted granted Critical
Publication of CN103147972B publication Critical patent/CN103147972B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

本发明公开了一种基于多传感器信息融合的往复式压缩机故障诊断方法，其特征在于包括如下步骤：1）采集数据；2）构造故障特征子空间及故障空间；3）得到故障诊断网络；4)获得特征级融合诊断结果；5）进行D-S证据理论决策级融合诊断，给出决策级诊断结果。该方法具有应用方便，诊断准确率高，能适用于石油化工企业往复压缩机生产现场的优点。

Description

一种基于多传感器信息融合的往复式压缩机故障诊断方法
技术领域
本发明属于设备故障诊断领域，涉及针对往复压缩机的故障分析诊断方法，具体是一种基于多传感器信息融合的往复压缩机故障监测诊断方法。 
背景技术
往复压缩机是流程工业企业关键机组，尤其在炼油、化工、输气管道行业中起着至关重要的作用。由于结构复杂，振动激励源多，故障关联性强，机组故障诊断准确率低，重大安全事故频发，如何提高往复式压缩机故障诊断的准确性始终是困扰企业设备管理人员的难点，同时也是科研人员研究的热点。目前，越来越多的往复压缩机安装了在线监测系统，但如何有效利用在线监测系统提升往复压缩机故障诊断率仍未有所突破，究其原因是目前没有一套成熟的往复式压缩机故障诊断方法。
往复式压缩机故障很多，主要可以分为热力性故障和动力性故障两大类。热力性故障一般表现为排气量不足、压力或温度波动异常，动力性故障主要表现为机组振动异常，噪声，过热等。往复式压缩机故障原因主要有吸、排气阀损坏，活塞环、支撑环磨损断裂，活塞杆、填料函磨损，连杆、十字头磨损，曲轴断裂，活塞杆断裂等。
往复式压缩机传统的故障诊断方法包括振动分析法，油液分析法，压力分析法。振动分析法，由于往复式压缩机的振动激励源多，运动部件多，各个部件之间的振动能量可以相互传递，仅仅依靠振动分析很难准确定位故障部位及故障原因。油液分析法只能诊断润滑油润滑部位的磨损故障，对其他的故障效果不明显。而压力分析法只能初步判断工艺量是否稳定，对于具体的故障很难得出准确的诊断结果。
 近年来，随着信号处理技术及人工智能技术的发展，越来越多的学者研究多传感器信息融合技术在故障诊断领域的应用。目前，已有学者将多传感器信息融合技术应用到电机，发动机及齿轮箱的故障诊断中并取得了一定的效果。但是，对于大型复杂机组，如大型离心压缩机，往复式压缩机，燃气轮机等，多传感器信息融合技术仍然没有得到很好的应用。本方法就是针对石油化工生产现场的大型多缸往复式压缩机故障诊断的技术难点和重点进行研究的，研发了一种能显著提高往复式压缩机故障诊断准确性的故障诊断方法。 
发明内容
本发明的目的就是克服现有的技术缺点，提供一套新的、实用的、能准确地诊断出往复式压缩机常见故障的方法。该方法具有应用方便，诊断准确率高，能适用于石油化工企业往复压缩机生产现场的优点。
本发明公开了一种基于多传感器信息融合的往复式压缩机故障诊断方法，包括如下步骤：
1）采集数据，通过往复压缩机实验台和往复式压缩机故障诊断与在线状态监测系统采集相应的故障数据；
2）构造故障特征子空间及故障空间，对采集到的数据进行处理，提取对应的一些特征参数，利用提取的特征参数分类组合成多个故障特征子空间，根据上述一些特征参数，选取多个往复式压缩机常见故障及正常状态，构成往复式压缩机故障空间；
3）得到故障诊断网络，使用故障特征子空间对已经选好的径向基神经网络进行训练，并保存训练后的故障诊断网络；
4)、获得特征级融合诊断结果，训练好的故障诊网络自动地对输入的故障数据进行初步特征级融合诊断，给出特征级融合诊断结果；
5）进行D-S证据理论决策级融合诊断，将特征级融合诊断结果作为证据体，由特征级融合诊断结果确定各个证据体的基本可信度分配，然后，制定应用D-S证据理论进行决策级融合所需要的决策规则，利用构造好的D-S证据理论对所述特征级融合诊断结果进行决策级融合，给出决策级诊断结果。
其中，传感器采集的信号数据主要包括活塞杆沉降量数据、缸体振动数据、曲轴箱振动数据和气阀温度数据。
所述步骤3）进一步包括：
31）根据各故障特征子空间的定义和相应的故障空间，独立构造相应子网络的学习样本；
32）选取径向基神经网络作为诊断网络，并对网络进行训练，使其具有                                                
Figure 652342DEST_PATH_IMAGE001
的能力，其中
Figure 225144DEST_PATH_IMAGE002
为故障特征子空间，
Figure 441493DEST_PATH_IMAGE003
为往复式压缩机故障；
33)对训练好的网络进行测试、诊断，为以后的融合决策诊断做准备。
所述步骤5）中，根据特征级融合诊断结果构造基本可信度分配函数，将径向基神经网络的训练误差作为不确定因素m(θ)，计算公式为：
Figure 843315DEST_PATH_IMAGE005
式中，
Figure 642644DEST_PATH_IMAGE006
，分别对应着第i个神经元的期望输出值以及实际值；
将径向基神经网络节点的输出作为各焦点元素的基本概率分配值，有如下公式：
式中， 
Figure 821187DEST_PATH_IMAGE009
-故障模式；
-神经网络的输出结果，即第j种故障发生的可能性。
步骤5）中采用的决策规则包括：
规则1 
Figure 880727DEST_PATH_IMAGE011
，表明诊断结论是具有最大可信度的命题；
规则2 
Figure 592724DEST_PATH_IMAGE012
,
Figure 197012DEST_PATH_IMAGE013
，表明诊断结论的可信度必须比其他所有命题的可信度和诊断不确定性大
Figure 587411DEST_PATH_IMAGE014
；
规则3 
Figure 960755DEST_PATH_IMAGE015
<γ,
Figure 529139DEST_PATH_IMAGE016
 ，表明证据的不确定性必须小于
Figure 59871DEST_PATH_IMAGE017
，其中
Figure 4694DEST_PATH_IMAGE018
和视实际情况确定； 
其中，
Figure 175092DEST_PATH_IMAGE019
：故障诊断最终结果； 
Figure 924611DEST_PATH_IMAGE020
：诊断结果中某种故障的可信度；
Figure 407545DEST_PATH_IMAGE015
：不确定因素；
R表示实数，
Figure 880114DEST_PATH_IMAGE018
，
Figure 541034DEST_PATH_IMAGE017
为大于零的小数。
在满足上述3个规则的前提下，才能确诊故障
Figure 528582DEST_PATH_IMAGE019
；若无法确定，则必须重新确定识别框架或选择更多的证据体进行融合计算。
步骤2）中构造的故障特征子空间包括：
S1：一段时间内，活塞杆沉降趋势变化差值、缸体振动趋势变化差值、曲轴箱振动趋势变化差值和气阀温度趋势变化差值；
S2：缸体振动加速度波形的峰值、峰峰值、绝对平均值、均方根值、方根幅值、波形指标、脉冲指标、峰值指标和裕度指标；
S3：缸体振动加速度波形特征相位的峰值及峰峰值。
进一步，步骤2）中构造的故障特征子空间S3的特征相位包括：气阀开启与关闭的冲击相位：30°—50°, 110°-130°, 290°—310°, 210°—230°；撞缸、液击的特征相位：0°—10°，170°—190°；磨损类特征相位：0°—360°。
附图说明
图1：本发明故障诊断框图；
图2：本发明故障诊断流程图；
图3：基于D-S证据理论决策级融合诊断流程图； 
图4：缸体振动波形图。
具体实施方式
下面将结合附图对本发明的故障诊断方法作进一步介绍。
如图1、2所示，本发明的流程主要包括：
1、采集数据
通过往复压缩机实验台和往复式压缩机故障诊断与在线状态监测系统采集相应的故障数据。其中传感器采集的信号数据主要包括活塞杆沉降量数据、缸体振动数据、曲轴箱振动数据和气阀温度数据。
2、构造故障特征子空间及故障空间
首先对采集到的数据进行一定的处理，提取对应的一些特征参数，再利用这些特征参数分类组合成三个故障特征子空间，分别为S1，S2，S3。
趋势数据故障特征子空间S1：
趋势数据是在采集的实时数据的基础上进行一定的处理得到的数据，一般是一个周期数据的平均值，包括活塞杆沉降趋势值，缸体振动趋势值，曲轴箱振动趋势值，气阀温度趋势值。
S1：一段时间内，活塞杆沉降趋势变化差值，缸体振动趋势变化差值，曲轴箱振动趋势变化差值，气阀温度趋势变化差值。
缸体振动波形故障特征子空间S2，S3：
缸体振动传感器安装在十字头处用来测取十字头振动冲击信号，监测机组整体振动情况，一周期内波形如图4所示。一般气阀损坏类故障和拉缸故障在缸体振动信号上体现较明显。缸体振动波形特征参数主要包括：峰值，峰峰值，特征相位的峰值，波形指标，峰值指标，脉冲指标，这些特征参数共构成两个故障特征子空间S2，S3。
S2：缸体振动加速度波形的峰值，峰峰值，绝对平均值，均方根值，方根幅值，波形指标，脉冲指标，峰值指标，裕度指标。
S3：缸体振动加速度波形特征相位的峰值及峰峰值。这里特征相位取为气阀开启与关闭的冲击相位：30°—50°, 110°-130°, 290°—310°, 210°—230°；撞缸、液击的特征相位：0°—10°，170°—190°；磨损类特征相位：0°—360°。
这里以一组实验数据为例进行说明。实验台机组为电机驱动的4缸卧式往复压缩机组，压缩机介质为氢气。在2012年1月至8月期间，在本实验台上，模拟了拉缸、活塞环磨损、气阀泄露三种故障，并分别保存了对应的三组故障数据和一组正常数据。提取四组数据的特征参数，并组成3个特征子空间，如表1-3所示：
Figure 752890DEST_PATH_IMAGE021
Figure 394480DEST_PATH_IMAGE022
Figure 741148DEST_PATH_IMAGE023
 创建完故障特征子空间后，根据这些故障特征参数，选取三个往复式压缩机常见故障：拉缸、活塞环磨损、气阀泄露，外加往复式压缩机正常状态，构成往复式压缩机故障空间Fi=
Figure 153674DEST_PATH_IMAGE024
，
Figure 729143DEST_PATH_IMAGE003
 为往复式压缩机故障。
3、得到故障诊断网络
使用通过多组故障数据构造的故障特征子空间对已经选好的径向基神经网络（RBF）进行训练，并保存训练后的故障诊断子网络Snet1，Snet2,Snet3。
具体步骤包括：
31）根据各故障特征子空间的定义和相应的故障空间，独立构造相应子网络的学习样本；
32）选取径向基神经网络作为诊断网络，并对网络进行训练，使其具有
Figure 973043DEST_PATH_IMAGE001
的能力，其中
Figure 428295DEST_PATH_IMAGE002
为故障特征子空间，
Figure 639702DEST_PATH_IMAGE003
为往复式压缩机故障。
这里使用的诊断网络为径向基神经网络，常用的径向基函数是高斯函数，径向基神经网络的激活函数可表示为：
Figure 268130DEST_PATH_IMAGE025
径向基神经网络的输出为：
Figure 117268DEST_PATH_IMAGE026
式中，   
Figure 743422DEST_PATH_IMAGE027
—隐含层到输出层的连接权值；
         
Figure 192858DEST_PATH_IMAGE028
—与输入样本对应的网络的第j个输出结点的实际输出。
33)对训练好的网络进行测试、诊断，为以后的融合决策诊断做准备。
4、获得特征级融合诊断结果
训练好的故障诊断网络可以自动地对输入的故障数据进行初步特征级融合诊断，给出特征级诊断结果RS1、RS2、RS3，如表4-6。特征级诊断结果将作为D-S证据理论决策级融合诊断的证据体。
Figure 615422DEST_PATH_IMAGE031
虽然利用训练得到的诊断网络，可以得到一定的诊断结果，但是通过诊断结果数据可以看出这个诊断结果误差与模糊性都很大，所以需要做进一步的D-S证据理论决策级融合诊断。
5、D-S证据理论决策级融合诊断
将径向基神经网络的特征级融合诊断结果作为证据体E = {}，
Figure 273116DEST_PATH_IMAGE032
分别表示径向基神经网络诊断得出的可能发生的n种故障，由特征级融合诊断结果确定各个证据体的基本可信度分配
Figure 595382DEST_PATH_IMAGE033
,j= 1,2,
Figure 563338DEST_PATH_IMAGE034
n。
本申请使用RBF神经网络对往复压缩机的诊断结果构造mass函数，即基本可信度分配函数，将RBF神经网络的训练误差
Figure 721787DEST_PATH_IMAGE004
作为不确定因素m(θ),计算公式为：
Figure 980861DEST_PATH_IMAGE035
其中，
Figure 173945DEST_PATH_IMAGE006
，
Figure 312802DEST_PATH_IMAGE007
分别对应着第i个神经元的期望输出值以及实际值。
将RBF神经网络节点的输出作为各焦点元素的基本概率分配值，有如下公式：
Figure 210744DEST_PATH_IMAGE036
式中    
Figure 522777DEST_PATH_IMAGE009
-故障模式；
Figure 508051DEST_PATH_IMAGE010
-神经网络的输出结果，即第j种故障发生的可能性。
各个特征子空间故障基本可信度分配如表7—9所示，表中每行表示输入的一组故障数据，每列表示对应故障发生的可信度，m(θ)代表诊断结论的不确定性。
Figure 630859DEST_PATH_IMAGE037
Figure 763900DEST_PATH_IMAGE038
Figure 817306DEST_PATH_IMAGE039
最后，制定应用D-S证据理论进行决策级融合所需要的决策规则，利用D-S合成规则计算所有证据体联合作用下的识别框架中各命题的信度空间
Figure 968671DEST_PATH_IMAGE040
，并根据决策规则得出最终的诊断结论，提高了往复式压缩机故障诊断的准确性。
决策级诊断结果如表10所示，表中每行分别表示输入的一组故障数据对应的诊断结果，每列表示对应故障发生的可信度，m(θ)代表诊断结论的不确定性。
决策规则为：
规则1 
Figure 511648DEST_PATH_IMAGE011
，表明诊断结论是具有最大可信度的命题；
规则2 
Figure 804089DEST_PATH_IMAGE012
,
Figure 474236DEST_PATH_IMAGE013
，表明诊断结论的可信度必须比其他所有命题的可信度和证据不确定性大；
规则3 
Figure 882400DEST_PATH_IMAGE015
<γ,
Figure 242231DEST_PATH_IMAGE016
 ，表明证据的不确定性必须小于，其中和
Figure 149641DEST_PATH_IMAGE017
视实际情况确定； 
其中，
Figure 478991DEST_PATH_IMAGE019
：故障诊断最终结果； 
Figure 412312DEST_PATH_IMAGE020
：诊断结果中某种故障的可信度；
Figure 392775DEST_PATH_IMAGE015
：不确定因素；
R表示实数，
Figure 714035DEST_PATH_IMAGE018
，为大于零的小数。
在满足上述3个规则的前提下，才能确诊故障。若无法确定，则必须重新确定识别框架或选择更多的证据体进行融合计算。
Figure 604128DEST_PATH_IMAGE042
径向基神经网络的诊断结果和经D-S证据理论融合后的结果，可以发现经信息融合后，故障诊断准确率显著提高了。

Claims (7)

1.一种基于多传感器信息融合的往复式压缩机故障诊断方法，其特征在于包括如下步骤：
1）采集数据，通过往复压缩机实验台和往复式压缩机故障诊断与在线状态监测系统采集相应的故障数据；
2）构造故障特征子空间及故障空间，对采集到的数据进行处理，提取对应的一些特征参数，利用提取的特征参数分类组合成多个故障特征子空间，根据上述一些特征参数，选取多个往复式压缩机常见故障及正常状态，构成往复式压缩机故障空间；
3）得到故障诊断网络，使用故障特征子空间对已经选好的径向基神经网络进行训练，并保存训练后的故障诊断网络；
4) 获得特征级融合诊断结果，训练好的故障诊网络自动地对输入的故障数据进行初步特征级融合诊断，给出特征级融合诊断结果；
5）进行D-S证据理论决策级融合诊断，将特征级融合诊断结果作为证据体，由特征级融合诊断结果确定各个证据体的基本可信度分配，然后，制定应用D-S证据理论进行决策级融合所需要的决策规则，利用构造好的D-S证据理论对所述特征级融合诊断结果进行决策级融合，给出决策级诊断结果。
2.根据权利要求1所述的方法，其特征在于：传感器采集的信号数据主要包括活塞杆沉降量数据、缸体振动数据、曲轴箱振动数据和气阀温度数据。
3.根据权利要求1或2所述的方法，其特征在于：所述步骤3）进一步包括：
31）根据各故障特征子空间的定义和相应的故障空间，独立构造相应诊断网络的学习样本；
32）选取径向基神经网络作为诊断网络，并对诊断网络进行训练，使其具有                                                
Figure 764443DEST_PATH_IMAGE001
的能力，其中
Figure 407914DEST_PATH_IMAGE002
为故障特征子空间，
Figure 182229DEST_PATH_IMAGE003
为往复式压缩机故障；
33)对训练好的网络进行测试、诊断，为以后的融合决策诊断做准备。
4.根据权利要求2或3所述的方法，其特征在于：所述步骤5）中，根据特征级融合诊断结果构造基本可信度分配函数，将径向基神经网络的训练误差
Figure 848833DEST_PATH_IMAGE004
作为不确定因素m(θ)，计算公式为：
Figure 927648DEST_PATH_IMAGE005
式中，
Figure 363308DEST_PATH_IMAGE006
，
Figure 72638DEST_PATH_IMAGE007
分别对应着第i个神经元的期望输出值以及实际值；
将径向基神经网络节点的输出作为各焦点元素的基本概率分配值，有如下公式：
Figure 23277DEST_PATH_IMAGE008
      
         
式中， 
Figure 632168DEST_PATH_IMAGE010
-故障模式；
Figure 574716DEST_PATH_IMAGE011
-神经网络的输出结果，即第j种故障发生的可能性。
5.根据权利要求1-4任一项所述的方法，其特征在于：步骤5）中采用的决策规则包括：
规则1 ，表明诊断结论是具有最大可信度的命题；
规则2 
Figure 308634DEST_PATH_IMAGE013
,
Figure 781203DEST_PATH_IMAGE014
，表明诊断结论的可信度必须比其他所有命题的可信度和诊断不确定性大；
规则3 
Figure 196714DEST_PATH_IMAGE016
<γ,
Figure 358706DEST_PATH_IMAGE017
 ，表明证据的不确定性必须小于
Figure 420202DEST_PATH_IMAGE018
，其中
Figure 642236DEST_PATH_IMAGE019
和
Figure 490981DEST_PATH_IMAGE018
视实际情况确定； 
其中，
：故障诊断最终结果； 
Figure 638246DEST_PATH_IMAGE021
：诊断结果中某种故障的可信度；
：不确定因素；
R表示实数，
Figure 665425DEST_PATH_IMAGE019
，
Figure 169219DEST_PATH_IMAGE018
为大于零的小数；
在满足上述3个规则的前提下，才能确诊故障
Figure 921754DEST_PATH_IMAGE020
；若无法确定，则必须重新确定识别框架或选择更多的证据体进行融合计算。
6.根据权利要求1-5任一项所述的方法，其特征在于：步骤2）中构造的故障特征子空间包括：
S1：一段时间内，活塞杆沉降趋势变化差值、缸体振动趋势变化差值、曲轴箱振动趋势变化差值和气阀温度趋势变化差值；
S2：缸体振动加速度波形的峰值、峰峰值、绝对平均值、均方根值、方根幅值、波形指标、脉冲指标、峰值指标和裕度指标；
S3：缸体振动加速度波形特征相位的峰值及峰峰值。
7.根据权利要求6所述的方法，其特征在于：步骤2）中构造的故障特征子空间S3的特征相位包括：气阀开启与关闭的冲击相位：30°—50°, 110°-130°, 290°—310°, 210°—230°；撞缸、液击的特征相位：0°—10°，170°—190°；磨损类特征相位：0°—360°。
CN201310087273.XA 2013-03-19 2013-03-19 一种基于多传感器信息融合的往复式压缩机故障诊断方法 Expired - Fee Related CN103147972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310087273.XA CN103147972B (zh) 2013-03-19 2013-03-19 一种基于多传感器信息融合的往复式压缩机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310087273.XA CN103147972B (zh) 2013-03-19 2013-03-19 一种基于多传感器信息融合的往复式压缩机故障诊断方法

Publications (2)

Publication Number Publication Date
CN103147972A true CN103147972A (zh) 2013-06-12
CN103147972B CN103147972B (zh) 2015-08-05

Family

ID=48546232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310087273.XA Expired - Fee Related CN103147972B (zh) 2013-03-19 2013-03-19 一种基于多传感器信息融合的往复式压缩机故障诊断方法

Country Status (1)

Country Link
CN (1) CN103147972B (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412220A (zh) * 2013-08-13 2013-11-27 无锡科技职业学院 一种基于数据融合的船舶电站故障诊断方法
CN103544539A (zh) * 2013-10-12 2014-01-29 国家电网公司 一种基于人工神经网络和d-s证据理论的用户变化量预测方法
CN103557884A (zh) * 2013-09-27 2014-02-05 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
CN103603794A (zh) * 2013-11-19 2014-02-26 中国石油天然气集团公司 一种储气库注采压缩机组自适应故障诊断方法及设备
CN105784350A (zh) * 2016-01-27 2016-07-20 北京博华信智科技股份有限公司 一种基于活塞杆振动动态能量指数的故障报警方法
CN106949056A (zh) * 2017-05-02 2017-07-14 辽宁工程技术大学 一种压风机运行状态感知及故障预测系统及方法
CN107092934A (zh) * 2017-04-25 2017-08-25 淮阴师范学院 一种基于三级数据融合的大型结构损伤识别方法
CN107948299A (zh) * 2017-12-05 2018-04-20 四川理工学院 一种大数据处理技术在盐化工生产中的应用方法及系统
CN108716463A (zh) * 2018-04-19 2018-10-30 合肥通用机械研究院有限公司 一种往复压缩机环状气阀的故障诊断方法
CN108775281A (zh) * 2018-06-25 2018-11-09 西安交通大学 一种往复式压缩机的f-v图监测方法及装置
CN109519368A (zh) * 2018-11-28 2019-03-26 南智（重庆）能源技术有限公司 储气库往复式压缩机的智能运维与健康管理系统
US10288058B2 (en) 2014-09-25 2019-05-14 General Electric Company Method and system for an instrumented piston assembly
CN109779938A (zh) * 2018-12-29 2019-05-21 北京博华信智科技股份有限公司 一种离心压缩机组智能联锁保护方法
CN109990891A (zh) * 2018-05-22 2019-07-09 北京化工大学 一种基于多测点信息融合的柴油机振动冲击来源识别方法
CN110132603A (zh) * 2019-05-16 2019-08-16 杭州电子科技大学 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法
CN110132565A (zh) * 2019-05-28 2019-08-16 河海大学 一种基于小波包和神经网络结合的oltc故障诊断方法
CN110196365A (zh) * 2019-05-31 2019-09-03 中山职业技术学院 一种车辆电驱动系统故障诊断方法
CN110318993A (zh) * 2019-08-01 2019-10-11 江西资生科技有限公司 一种往复式压缩机连杆滑道远程故障诊断系统及装置
CN111637045A (zh) * 2020-05-09 2020-09-08 哈尔滨工程大学 一种海洋平台空气压缩机故障诊断方法
CN111927756A (zh) * 2020-09-09 2020-11-13 重庆建设车用空调器有限责任公司 一种汽车流体泵动态参量时域测试分析方法
CN111980900A (zh) * 2020-07-15 2020-11-24 湘潭中环水务有限公司 一种基于多源数据融合分析的水泵故障诊断方法
CN112748717A (zh) * 2020-12-08 2021-05-04 华北电力大学（保定） 一种基于证据融合的执行器故障诊断方法
CN113757093A (zh) * 2021-10-14 2021-12-07 中国海洋石油集团有限公司 一种闪蒸汽压缩机组故障诊断方法
CN113819082A (zh) * 2020-06-18 2021-12-21 中国石油化工股份有限公司 离心式压缩机润滑油液在线监测诊断方法及系统
CN113906216A (zh) * 2019-06-14 2022-01-07 巴斯夫欧洲公司 用于识别压缩机的损坏的方法
CN114876781A (zh) * 2022-05-13 2022-08-09 液空厚普氢能源装备有限公司 一种加氢站氢气压缩机性能检测方法及系统
CN114962244A (zh) * 2022-05-31 2022-08-30 三一石油智能装备有限公司 往复泵故障诊断方法、装置、设备、存储介质及往复泵

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003343449A (ja) * 2002-05-28 2003-12-03 Tokico Ltd 往復動型圧縮機
CN102797671A (zh) * 2011-05-25 2012-11-28 中国石油大学(北京) 一种往复压缩机的故障检测方法与装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003343449A (ja) * 2002-05-28 2003-12-03 Tokico Ltd 往復動型圧縮機
CN102797671A (zh) * 2011-05-25 2012-11-28 中国石油大学(北京) 一种往复压缩机的故障检测方法与装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
许世勇: "基于主元分析的空气压缩机故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
许世勇: "基于主元分析的空气压缩机故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, 15 January 2013 (2013-01-15), pages 029 - 82 *
赵心怡: "往复压缩机故障诊断专家系统的研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412220B (zh) * 2013-08-13 2016-03-02 无锡科技职业学院 一种基于数据融合的船舶电站故障诊断方法
CN103412220A (zh) * 2013-08-13 2013-11-27 无锡科技职业学院 一种基于数据融合的船舶电站故障诊断方法
CN103557884A (zh) * 2013-09-27 2014-02-05 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
CN103557884B (zh) * 2013-09-27 2016-06-29 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
CN103544539A (zh) * 2013-10-12 2014-01-29 国家电网公司 一种基于人工神经网络和d-s证据理论的用户变化量预测方法
CN103603794A (zh) * 2013-11-19 2014-02-26 中国石油天然气集团公司 一种储气库注采压缩机组自适应故障诊断方法及设备
CN103603794B (zh) * 2013-11-19 2016-03-02 中国石油天然气集团公司 一种储气库注采压缩机组自适应故障诊断方法及设备
US10288058B2 (en) 2014-09-25 2019-05-14 General Electric Company Method and system for an instrumented piston assembly
CN105784350A (zh) * 2016-01-27 2016-07-20 北京博华信智科技股份有限公司 一种基于活塞杆振动动态能量指数的故障报警方法
CN107092934A (zh) * 2017-04-25 2017-08-25 淮阴师范学院 一种基于三级数据融合的大型结构损伤识别方法
CN106949056A (zh) * 2017-05-02 2017-07-14 辽宁工程技术大学 一种压风机运行状态感知及故障预测系统及方法
CN106949056B (zh) * 2017-05-02 2019-10-25 辽宁工程技术大学 一种压风机运行状态感知及故障预测系统及方法
CN107948299A (zh) * 2017-12-05 2018-04-20 四川理工学院 一种大数据处理技术在盐化工生产中的应用方法及系统
CN108716463A (zh) * 2018-04-19 2018-10-30 合肥通用机械研究院有限公司 一种往复压缩机环状气阀的故障诊断方法
CN109990891A (zh) * 2018-05-22 2019-07-09 北京化工大学 一种基于多测点信息融合的柴油机振动冲击来源识别方法
CN108775281A (zh) * 2018-06-25 2018-11-09 西安交通大学 一种往复式压缩机的f-v图监测方法及装置
CN109519368A (zh) * 2018-11-28 2019-03-26 南智（重庆）能源技术有限公司 储气库往复式压缩机的智能运维与健康管理系统
CN109779938A (zh) * 2018-12-29 2019-05-21 北京博华信智科技股份有限公司 一种离心压缩机组智能联锁保护方法
CN110132603A (zh) * 2019-05-16 2019-08-16 杭州电子科技大学 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法
CN110132565A (zh) * 2019-05-28 2019-08-16 河海大学 一种基于小波包和神经网络结合的oltc故障诊断方法
CN110196365A (zh) * 2019-05-31 2019-09-03 中山职业技术学院 一种车辆电驱动系统故障诊断方法
CN113906216A (zh) * 2019-06-14 2022-01-07 巴斯夫欧洲公司 用于识别压缩机的损坏的方法
CN110318993A (zh) * 2019-08-01 2019-10-11 江西资生科技有限公司 一种往复式压缩机连杆滑道远程故障诊断系统及装置
CN111637045A (zh) * 2020-05-09 2020-09-08 哈尔滨工程大学 一种海洋平台空气压缩机故障诊断方法
CN111637045B (zh) * 2020-05-09 2021-09-10 哈尔滨工程大学 一种海洋平台空气压缩机故障诊断方法
CN113819082A (zh) * 2020-06-18 2021-12-21 中国石油化工股份有限公司 离心式压缩机润滑油液在线监测诊断方法及系统
CN111980900B (zh) * 2020-07-15 2022-04-15 湘潭中环水务有限公司 一种基于多源数据融合分析的水泵故障诊断方法
CN111980900A (zh) * 2020-07-15 2020-11-24 湘潭中环水务有限公司 一种基于多源数据融合分析的水泵故障诊断方法
CN111927756B (zh) * 2020-09-09 2022-02-01 重庆建设车用空调器有限责任公司 一种汽车流体泵动态参量时域测试分析方法
CN111927756A (zh) * 2020-09-09 2020-11-13 重庆建设车用空调器有限责任公司 一种汽车流体泵动态参量时域测试分析方法
CN112748717A (zh) * 2020-12-08 2021-05-04 华北电力大学（保定） 一种基于证据融合的执行器故障诊断方法
CN113757093A (zh) * 2021-10-14 2021-12-07 中国海洋石油集团有限公司 一种闪蒸汽压缩机组故障诊断方法
CN114876781A (zh) * 2022-05-13 2022-08-09 液空厚普氢能源装备有限公司 一种加氢站氢气压缩机性能检测方法及系统
CN114962244A (zh) * 2022-05-31 2022-08-30 三一石油智能装备有限公司 往复泵故障诊断方法、装置、设备、存储介质及往复泵
CN114962244B (zh) * 2022-05-31 2024-03-22 三一石油智能装备有限公司 往复泵故障诊断方法、装置、设备、存储介质及往复泵

Also Published As

Publication number Publication date
CN103147972B (zh) 2015-08-05

Similar Documents

Publication Publication Date Title
CN103147972B (zh) 一种基于多传感器信息融合的往复式压缩机故障诊断方法
CN105809255B (zh) 一种基于物联网的火电厂旋转机械健康管理方法及系统
CN104712542B (zh) 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法
CN105736140B (zh) 一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法
CN103471841B (zh) 一种旋转机械振动故障诊断方法
CN109997025A (zh) 引擎健康诊断装置和方法
CN102797671A (zh) 一种往复压缩机的故障检测方法与装置
CN102913432B (zh) 一种基于无量纲指数的往复压缩机故障监测诊断方法
Zhe et al. Pitting damage levels estimation for planetary gear sets based on model simulation and grey relational analysis
CN105466693B (zh) 基于灰色模型的柴油机燃油系统故障预诊断方法
CN105651504A (zh) 基于自适应小波能量的旋转机械故障特征提取方法
CN1718995A (zh) 一种用于钻井泵状态检测与故障诊断的系统
CN102033984A (zh) 一种基于区间型证据融合的旋转机械设备故障诊断方法
CN104408322B (zh) 综合多源故障概率似然信度的旋转机械设备故障诊断方法
CN103616187A (zh) 一种基于多维度信息融合的故障诊断方法
Cheng et al. Quantitative damage detection for planetary gear sets based on physical models
Delvecchio et al. On the use of cyclostationary indicators in IC engine quality control by cold tests
Yunusa-Kaltungo et al. Use of composite higher order spectra for faults diagnosis of rotating machines with different foundation flexibilities
Cao et al. Deterioration state diagnosis and wear evolution evaluation of planetary gearbox using vibration and wear debris analysis
CN109990891A (zh) 一种基于多测点信息融合的柴油机振动冲击来源识别方法
Kamran et al. Diagnostics of reciprocating machines using vibration analysis and ultrasound techniques
Miljković Brief review of vibration based machine condition monitoring
Haba et al. An Investigation into Vibration Response for Condition Monitoring of Reciprocating Compressor based on Modulation Signal Spectrum Analysis.
Oddan Multivariate statistical condition monitoring
Mustafa et al. Experimental research on machinery fault simulator (MFS): A review

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150805