CN103147972B - 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 PDFInfo
- Publication number
- CN103147972B CN103147972B CN201310087273.XA CN201310087273A CN103147972B CN 103147972 B CN103147972 B CN 103147972B CN 201310087273 A CN201310087273 A CN 201310087273A CN 103147972 B CN103147972 B CN 103147972B
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- feature
- value
- data
- 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.)
- Expired - Fee Related
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 claims abstract description 98
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000002950 deficient Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 8
- 238000005299 abrasion Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 239000003921 oil Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100477845 Caenorhabditis elegans snet-1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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。<b/>
Description
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 的能力,其中为故障特征子空间,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:
式中,,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, -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 ,表明诊断结论是具有最大可信度的命题;
规则2 ,,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 <γ, ,表明证据的不确定性必须小于,其中和视实际情况确定;
其中,
:故障诊断最终结果;
:诊断结果中某种故障的可信度;
:不确定因素;
R表示实数,,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。
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:
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=, 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,使其具有的能力,其中为故障特征子空间,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:
径向基神经网络的输出为:
式中, —隐含层到输出层的连接权值;
—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。
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 = {},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,j= 1,2,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作为不确定因素m(θ),计算公式为:
其中,,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:
式中 -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。
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。
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,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 ,表明诊断结论是具有最大可信度的命题;
规则2 ,,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 <γ, ,表明证据的不确定性必须小于,其中和视实际情况确定;
其中,
:故障诊断最终结果;
:诊断结果中某种故障的可信度;
:不确定因素;
R表示实数,,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。
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 (5)
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,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;
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,训练好的故障诊断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,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:
式中,tni,yni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, Ej-故障模式;
y(Ej)-神经网络的输出结果,即第j种故障发生的可能性,
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,并对诊断网络进行训练,使其具有Si→fi的能力,其中Si为故障特征子空间,fi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3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,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ε1和ε2;
规则3,表明证据的不确定性必须小于γ,其中ε1,ε2和γ视实际情况确定;
其中,
fa:故障诊断最终结果;
Bel(fi):诊断结果中某种故障的可信度;
m(θ):不确定因素;
R表示实数,ε1,ε2,γ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fa;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。
5.根据权利要求1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°。
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 CN103147972A (zh) | 2013-06-12 |
CN103147972B true 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) |
Families Citing this family (27)
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 |
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 |
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 |
CN105784350B (zh) * | 2016-01-27 | 2018-03-20 | 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 |
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 |
CN108716463B (zh) * | 2018-04-19 | 2020-04-28 | 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 |
CN108931294A (zh) * | 2018-05-22 | 2018-12-04 | 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 |
CN108775281B (zh) * | 2018-06-25 | 2019-07-23 | 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 |
CN109519368B (zh) * | 2018-11-28 | 2020-01-14 | 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 |
CN109779938B (zh) * | 2018-12-29 | 2021-06-22 | 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 |
CN110132603B (zh) * | 2019-05-16 | 2020-09-29 | 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 |
CN113906216B (zh) * | 2019-06-14 | 2024-05-14 | 巴斯夫欧洲公司 | 用于识别压缩机的损坏的方法 |
CN110318993B (zh) * | 2019-08-01 | 2020-09-22 | 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 |
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 |
CN113819082B (zh) * | 2020-06-18 | 2023-06-30 | 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 |
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 |
CN112748717B (zh) * | 2020-12-08 | 2022-06-14 | 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 |
CN113757093B (zh) * | 2021-10-14 | 2023-06-16 | 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 |
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 |
Citations (2)
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 |
-
2013
- 2013-03-19 CN CN201310087273.XA patent/CN103147972B/zh not_active Expired - Fee Related
Patent Citations (2)
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 (2)
Title |
---|
基于主元分析的空气压缩机故障诊断研究;许世勇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20130115(第01期);C029-82 * |
往复压缩机故障诊断专家系统的研究与应用;赵心怡;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20121215(第12期);C029-77 * |
Also Published As
Publication number | Publication date |
---|---|
CN103147972A (zh) | 2013-06-12 |
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 | |
Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
Li et al. | Self-attention ConvLSTM and its application in RUL prediction of rolling bearings | |
CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
Zhang et al. | A probabilistic fault detection approach: Application to bearing fault detection | |
CN109033930B (zh) | 基于故障机理和统计模型在线学习的设备故障诊断方法 | |
Liu et al. | Research on fault diagnosis of gas turbine rotor based on adversarial discriminative domain adaption transfer learning | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
Vera-García et al. | Improvements of a failure database for marine diesel engines using the RCM and simulations | |
CN106934126A (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
CN105758645A (zh) | 一种基于概率神经网络的发动机故障诊断系统 | |
Feng et al. | Gas turbine blade fracturing fault diagnosis based on broadband casing vibration | |
CN115014789A (zh) | 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法 | |
Pestana-Viana et al. | Application of machine learning in diesel engines fault identification | |
Li et al. | Priori-distribution-guided adaptive sparse attention for cross-domain feature mining in diesel engine fault diagnosis | |
Wang et al. | Conditional generative adversarial network based data augmentation for fault diagnosis of diesel engines applied with infrared thermography and deep convolutional neural network | |
Qi et al. | Gear faults identification based on big data analysis and CatBoost model | |
Gardonyi et al. | An enhanced evaluation method of sequential probability ratio test | |
Li et al. | Transfer Diagnosis Model of Internal Combustion Engine with Embedded Vibration Signal Impact Decomposition | |
Murphy et al. | Diagnostic fault detection for internal combustion engines via pressure curve reconstruction | |
Wang | Neural network approach to vibration feature selection and multiple fault detection for mechanical systems | |
Sahu et al. | Fault Diagnosis of Rolling Element Bearing with Operationally Developed Defects Using Various Convolutional Neural Networks | |
CN117109957B (zh) | 一种火箭支架分布式电液促动器智能检测系统 | |
Liu et al. | Rough set based intelligence diagnostic system for valves in reciprocating pumps |
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 |
Granted publication date: 20150805 |
|
CF01 | Termination of patent right due to non-payment of annual fee |