CN103603794A - 一种储气库注采压缩机组自适应故障诊断方法及设备 - Google Patents

Abstract

本发明提供一种储气库注采压缩机组自适应故障诊断的方法及设备，所述方法包括：采集压缩机的振动信号以及振动信号对应的时域特征指标；利用小波包分解能量特征提取方法提取振动信号的能量特征值；根据能量特征值以及振动信号对应的时域特征指标组成待诊断特征向量；对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练；将待诊断特征向量带入训练后的初步分类自组织竞争网络模型，得到初步模式；根据初步模式获取对应的训练后的精确分类概率神经网络模型；根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型。有效的提高储气库注采压缩机组变工况条件下的故障诊断精度。

Description

一种储气库注采压缩机组自适应故障诊断方法及设备

技术领域

本发明关于天然气储存设备技术领域，特别是关于储气库安全工程技术领域技术，具体的讲是一种储气库注采压缩机组自适应故障诊断的方法及设备。

背景技术

随着储气库建设和投入使用数量的不断增加，越来越多的专家学者开始关注储气库的安全运行，研究储气库注采压缩机组故障诊断方法，并开发出一些压缩机组状态监测与故障诊断软硬件系统。由于储气库在注采气过程中储气库内压力是不断变化的，另外根据需要的注采气量的不同，储气库来气压力和流量也是变化的，这导致储气库注采压缩机的进出口压力和工作流量也是在不断变化的。而现有的储气库压缩机组故障诊断方法模型基本上都是根据单一工况建立的，对特定工况下的压缩机组故障识别精度较高，但对于其他工况下的压缩机组故障识别精度则比较低。

此外，为了提高诊断方法的故障识别精度，往往需要大量的样本数据对建立的诊断模型进行训练，但大量的样本数据必定会导致训练时间的增加，降低了诊断方法的快速性。

因此，为了提高故障诊断方法不同工况下的故障识别精度，缩短诊断模型训练的时间，智能储气库注采压缩机组故障诊断方法是本领域亟待解决的难题，且需满足：

（1）诊断方法能够适应不同工况条件，对不同工况下的储气库注采压缩机组故障都能得到较高的识别精度；

（2）对大样本数据具有较快的训练速度，防止因样本数据的增加导致诊断模型训练时间的明显增加。

发明内容

为了克服现有技术存在的上述问题，本发明提供了一种储气库注采压缩机组自适应故障诊断的方法及设备，通过将自组织竞争网络和概率神经网络合理组合，建立一个多网络组合式压缩机故障诊断方法，有效的提高储气库注采压缩机组变工况条件下的故障诊断精度，以及缩短诊断模型的训练时间。

本发明的目的之一是，提供一种储气库注采压缩机组自适应故障诊断的方法，包括：采集压缩机的振动信号以及所述振动信号对应的时域特征指标；利用小波包分解能量特征提取方法提取所述振动信号的能量特征值；根据所述的能量特征值以及所述振动信号对应的时域特征指标组成待诊断特征向量；对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练；将所述的待诊断特征向量带入训练后的初步分类自组织竞争网络模型，得到初步模式；根据所述的初步模式获取对应的训练后的精确分类概率神经网络模型；根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型。

本发明的目的之一是，提供了一种储气库注采压缩机组自适应故障诊断的设备，包括：振动信号采集装置，用于采集压缩机的振动信号以及所述振动信号对应的时域特征指标；能量特征值提取装置，用于利用小波包分解能量特征提取方法提取所述振动信号的能量特征值；待诊断特征向量确定装置，用于根据所述的能量特征值以及所述振动信号对应的时域特征指标组成待诊断特征向量；模型训练装置，用于对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练；初步模式确定装置，用于将所述的待诊断特征向量带入训练后的初步分类自组织竞争网络模型，得到初步模式；模型获取装置，用于根据所述的初步模式获取对应的训练后的精确分类概率神经网络模型；精确识别装置，用于根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型。

本发明的有益效果在于，提供了一种储气库注采压缩机组自适应故障诊断的方法及设备，与现有技术相比，（1）相对于单一诊断方法，通过将多个诊断网络组合后，故障识别精度明显提高，解决了单一方法诊断精度低的问题；（2）组合后的网络具有了自组织竞争网络方法的自适应诊断能力和概率神经网络方法的快速诊断能力的优点，实现了诊断方法对于储气库注采变工况下的压缩机组故障的准确快速识别，解决了对储气库注采变工况下压缩机组故障快速精确识别的难题。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种储气库注采压缩机组自适应故障诊断的方法的流程图；

图2为图1中的步骤S102的具体流程图；

图3为图1中的步骤S104的具体流程图；

图4为图3中的步骤S302的具体流程图；

图5为图1中的步骤S107的具体流程图；

图6为图5中的步骤S507的具体流程图；

图7为本发明实施例提供的一种储气库注采压缩机组自适应故障诊断的设备的结构框图；

图8为本发明提供的一种储气库注采压缩机组自适应故障诊断的设备中能量特征值提取装置200的结构框图；

图9为本发明提供的一种储气库注采压缩机组自适应故障诊断的设备中模型训练装置400的结构框图；

图10为本发明提供的一种储气库注采压缩机组自适应故障诊断的设备中能量特征值提取模块402的结构框图；

图11为本发明提供的一种储气库注采压缩机组自适应故障诊断的设备中精确识别装置700的结构框图；

图12为本发明提供的一种储气库注采压缩机组自适应故障诊断的设备中故障类型确定模块707的结构框图；

图13为测试数据样本经过织竞争网络模型分类的结果示意图；

图14为测试数据经过本发明的方法诊断模型后的分类结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的在于弥补目前国内对储气库注采压缩机组变工况条件下故障诊断方法的不足，提出一种快速、合理、有效的适用于变工况条件下的储气库注采压缩机组自适应故障诊断方法，通过将自组织竞争网络和概率神经网络合理的组合，建立一个多网络组合式压缩机故障诊断方法，有效的提高储气库注采压缩机组变工况条件下的故障诊断精度，以及缩短诊断模型的训练时间。

为了提高故障诊断方法不同工况下的故障识别精度，缩短诊断模型训练的时间，智能储气库注采压缩机组故障诊断方法需满足：

（1）诊断方法能够适应不同工况条件，对不同工况下的储气库注采压缩机组故障都能得到较高的识别精度；

（2）对大样本数据具有较快的训练速度，防止因样本数据的增加导致诊断模型训练时间的明显增加。

基于此，本发明提出的一种储气库注采压缩机组自适应故障诊断的方法，图1为该方法的具体流程图，由图1可知，所述的方法包括：

S101：采集压缩机的振动信号以及所述振动信号对应的时域特征指标，时域特征指标诸如择峰峰值X_pp、绝对均值X_abs、有效值X_rms、脉冲指标I、峭度指标K_v。

S102：利用小波包分解能量特征提取方法提取所述振动信号的能量特征值。图2为步骤S102的具体流程图，由图2可知，该步骤具体包括：

S201：对所述的振动信号进行n层小波包分解，得到2ⁿ个等间隔频带的信号，所述的n为正整数；

S202：依次确定每个频带上的信号的能量；

S203：根据所述信号的频带大小组成一个能量向量；

S204：对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

由图1可知，所述的方法还包括：

S103：根据所述的能量特征值以及所述振动信号对应的时域特征指标组成待诊断特征向量；

S104：对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练，图3为步骤S104的具体流程图，本发明在分析了现有的自组织竞争网络和概率神经网络算法在故障诊断方面的优缺点的基础上，关注两种诊断方法的内在关联性、组合后网络的基本原理和参数选择规律，以便达到最好的故障识别精度和诊断速度。模型的建立包括：基于自组织竞争网络方法的初步分类模型的建立；在初步聚类的基础上，基于改进后的概率神经网络方法的对应精确分类模型的建立。建立完模型之后需要对该两类模型进行训练，由图3可知，该步骤具体包括：

S301：获取数据库中存储的压缩机的已知故障振动信号以及时域特征指标；

S302：利用小波包分解能量特征提取方法提取所述已知故障振动信号的能量特征值，图4为步骤S302的具体流程图，由图4可知，该步骤具体包括：

S401：对所述的已知故障振动信号进行n层小波包分解，得到2ⁿ个等间隔频带的信号，所述的n为正整数；

S402：依次确定每个频带上的信号的能量；

S403：根据所述信号的频带大小组成一个能量向量；

S404：对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

由图3可知，步骤S104还包括：

S303：根据所述的能量特征值以及所述的时域特征指标组成训练样本；

S304：根据所述的训练样本训练所述的初步分类自组织竞争网络模型，得到训练后的初步分类自组织竞争网络模型；

S305：根据训练后的初步分类自组织竞争网络模型得到m个模式，所述的m为已知故障类型数，其为正整数；

S306：把所述训练样本按照所述m个模式进行分组，得到m个样本；

S307：根据所述的m个样本训练所述m个样本对应的m个精确分类概率神经网络模型进行训练，得到训练后的m个精确分类概率神经网络模型进行训练，所述的样本与所述的精确分类概率神经网络模型进行训练一一对应。

由图1可知，所述的方法还包括：

S105：将所述的待诊断特征向量带入训练后的初步分类自组织竞争网络模型，得到初步模式，此处的初步模式为m个模式中的一个。

S106：根据所述的初步模式获取对应的训练后的精确分类概率神经网络模型。m个模式对应m个样本，样本与精确分类概率神经网络模型进行训练一一对应，因此可根据初步模式获取到对应的唯一的训练后的精确分类概率神经网络模型。

S107：根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型。图5为步骤S107的具体流程图，由图5可知，该步骤具体包括：

S501：根据巴尔森Parzen方法得到概率密度函数估计式，如下所示：

$f_A\left(X\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{P/2}{\mathrm{\δ}}^P}\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\exp [-\frac{{(X-X_{\mathrm{ai}})}^T(X-X_{\mathrm{ai}})}{{2\mathrm{\δ}}^2}]$

其中，P为所述待诊断特征向量的维数，X为P维待诊断特征向量，f_A(X)为P维待诊断特征向量X属于故障模式A的概率密度估计值，m为已知故障类型数，X_ai为P维故障模式A的第i模式向量，i为模式号，δ为平滑参数。

S502：获取所述训练后的精确分类概率神经网络模型对应的多个故障模式以及多个故障模式对应的训练样本数。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，对应的训练样本数分别为N_A、N_B。

S503：根据所述的概率密度函数估计式分别计算所述待诊断特征向量在每个故障模式下的概率密度函数估计值。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，则待诊断特征向量在故障模式A下的概率密度函数估计值为f_A，在故障模式B下的概率密度函数估计值为f_B。

S504：获取所述精确分类概率神经网络模型对应的训练样本总数，诸如用N表示；S505：根据所述的训练样本总数、训练样本数确定多个故障模式对应的先验概率。设h_A、h_B分别为故障模式的A、B的先验概率，则h_A=N_A/N、h_B=N_B/N。

S506：获取所述的精确分类概率神经网络模型对应的多个故障模式的代价因子。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，则l_A为将本属于故障模式A的故障特征样本X错误地划分到故障模式B的代价因子，l_B为将本属于故障模式B的故障特征样本X错误地划分到故障模式A的代价因子。

S507：根据所述待诊断特征向量在每个故障模式下的概率密度函数估计值、先验概率以及代价因子确定所述振动信号的故障类型。图6为步骤S507的具体流程图，由图6可知，该步骤具体包括：

S601：依次将先验概率、代价因子以及所述的概率密度函数估计值相乘，得到所述待诊断特征向量在每个故障模式下的乘积。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，则待诊断特征向量在故障模式A下的乘积为h_Al_Af_A(X)，待诊断特征向量在故障模式B下的乘积为h_Bl_Bf_B(X)。

S602：从所述待诊断特征向量在每个故障模式下的乘积中获取最大的乘积。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，则乘积分别为h_Al_Af_A(X)、h_Bl_Bf_B(X)。若h_Al_Af_A(X)>h_Bl_Bf_B(X)，则h_Al_Af_A(X)为最大的乘积。

S603：所述最大的乘积对应的故障模式即为所述振动信号的故障类型。

若h_Al_Af_A(X)>h_Bl_Bf_B(X)，则h_Al_Af_A(X)为最大的乘积。故障模式A即为振动信号的故障类型。反之，若h_Al_Af_A(X)<h_Bl_Bf_B(X),则故障模式B即为振动信号的故障类型。

如上所述即为本发明提供的一种储气库注采压缩机组自适应故障诊断的方法，通过振动信号特征向量的提取，以及基于自组织竞争网络的初步分类模型和基于改进概率神经网络的精确分类模型的建立，将自组织竞争网络和概率神经网络合理的组合在一起，建立一个适用于储气库压缩机注采压缩机组自适应故障诊断新方法，实现压缩机故障的真确、快速识别，保障储气库的安全运行。

本发明还提供了一种储气库注采压缩机组自适应故障诊断的设备，图7为本该设备的结构框图，由图7可知，所述的设备包括：

振动信号采集装置100，用于采集压缩机的振动信号以及所述振动信号对应的时域特征指标，时域特征指标诸如择峰峰值X_pp、绝对均值X_abs、有效值X_rms、脉冲指标I、峭度指标K_v。

能量特征值提取装置200，用于利用小波包分解能量特征提取方法提取所述振动信号的能量特征值，图8为能量特征值提取装置200的结构框图，由图8可知，能量特征值提取装置200具体包括：

小波包分解模块201，用于对所述的振动信号进行n层小波包分解，得到2ⁿ个等间隔频带的信号，所述的n为正整数；

能量确定模块202，用于依次确定每个频带上的信号的能量；

能量向量组成模块203，用于根据所述信号的频带大小组成一个能量向量；

归一化处理模块204，用于对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

由图7可知，所述的设备还包括：

待诊断特征向量确定装置300，用于根据所述的能量特征值以及所述振动信号对应的时域特征指标组成待诊断特征向量；

模型训练装置400，用于对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练，图9为模型训练装置400的结构框图，本发明在分析了现有的自组织竞争网络和概率神经网络算法在故障诊断方面的优缺点的基础上，关注两种诊断方法的内在关联性、组合后网络的基本原理和参数选择规律，以便达到最好的故障识别精度和诊断速度。模型的建立包括：基于自组织竞争网络方法的初步分类模型的建立；在初步聚类的基础上，基于改进后的概率神经网络方法的对应精确分类模型的建立。建立完模型之后需要对该两类模型进行训练，由图9可知，模型训练装置400具体包括：

已知故障振动信号获取模块401，用于获取数据库中存储的压缩机的已知故障振动信号以及时域特征指标；

能量特征值提取模块402，用于利用小波包分解能量特征提取方法提取所述已知故障振动信号的能量特征值，图10为能量特征值提取模块402的具体结构框图，由图10可知，能量特征值提取模块402具体包括：

波包分解单元4021，用于对所述的已知故障振动信号进行n层小波包分解，得到2ⁿ个等间隔频带的信号，所述的n为正整数；

能量确定单元4022，用于依次确定每个频带上的信号的能量；

能量向量组成单元4023，用于根据所述信号的频带大小组成一个能量向量；

归一化处理单元4024，用于对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

由图9可知，模型训练装置400还包括：

训练样本确定模块403，用于根据所述的能量特征值以及所述的时域特征指标组成训练样本；

初步模型训练模块404，用于根据所述的训练样本训练所述的初步分类自组织竞争网络模型，得到训练后的初步分类自组织竞争网络模型；

模式确定模块405，用于根据训练后的初步分类自组织竞争网络模型得到m个模式，所述的m为已知故障类型数，其为正整数；

分组模块406，用于把所述训练样本按照所述m个模式进行分组，得到m个样本；

精确模型训练模块407，用于根据所述的m个样本训练所述m个样本对应的m个精确分类概率神经网络模型进行训练，得到训练后的m个精确分类概率神经网络模型进行训练，所述的样本与所述的精确分类概率神经网络模型进行训练一一对应。

由图7可知，所述的设备还包括：

初步模式确定装置500，用于将所述的待诊断特征向量带入训练后的初步分类自组织竞争网络模型，得到初步模式，此处的初步模式为m个模式中的一个。

模型获取装置600，用于根据所述的初步模式获取对应的训练后的精确分类概率神经网络模型。m个模式对应m个样本，样本与精确分类概率神经网络模型进行训练一一对应，因此可根据初步模式获取到对应的唯一的训练后的精确分类概率神经网络模型。

精确识别装置700，用于根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型。图11为精确识别装置700的结构框图，由图11可知，精确识别装置700具体包括：

概率密度函数估计式确定模块701，用于根据巴尔森方法得到概率密度函数估计式，如下所示：

$f_A\left(X\right)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{P/2}{\mathrm{\&delta;}}^P}\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\exp [-\frac{{(X-X_{\mathrm{ai}})}^T(X-X_{\mathrm{ai}})}{{2\mathrm{\&delta;}}^2}]$

其中，P为所述待诊断特征向量的维数，X为P维待诊断特征向量，f_A(X)为P维待诊断特征向量X属于故障模式A的概率密度估计值，m为已知故障类型数，X_ai为P维故障模式A的第i模式向量，i为模式号，δ为平滑参数。

故障模式获取模块702，用于获取所述训练后的精确分类概率神经网络模型对应的多个故障模式以及多个故障模式对应的训练样本数。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，对应的训练样本数分别为N_A、N_B。

概率密度函数估计值确定模块703，用于根据所述的概率密度函数估计式分别计算所述待诊断特征向量在每个故障模式下的概率密度函数估计值。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，则待诊断特征向量在故障模式A下的概率密度函数估计值为f_A，在故障模式B下的概率密度函数估计值为f_B。

训练样本数获取模块704，用于获取所述精确分类概率神经网络模型对应的训练样本总数，诸如用N表示；先验概率确定模块705，用于根据所述的训练样本总数、训练样本数确定多个故障模式对应的先验概率。设h_A、h_B分别为故障模式的A、B的先验概率，则h_A=N_A/N、h_B=N_B/N。

代价因子获取模块706，用于获取所述的精确分类概率神经网络模型对应的多个故障模式的代价因子。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，则l_A为将本属于故障模式A的故障特征样本X错误地划分到故障模式B的代价因子，l_B为将本属于故障模式B的故障特征样本X错误地划分到故障模式A的代价因子。

故障类型确定模块707，用于根据所述待诊断特征向量在每个故障模式下的概率密度函数估计值、先验概率以及代价因子确定所述振动信号的故障类型。图12为故障类型确定模块707的结构框图，由图12可知，故障类型确定模块707具体包括：

乘积确定单元7071，用于依次将先验概率、代价因子以及所述的概率密度函数估计值相乘，得到所述待诊断特征向量在每个故障模式下的乘积。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，则待诊断特征向量在故障模式A下的乘积为h_Al_Af_A(X)，待诊断特征向量在故障模式B下的乘积为h_Bl_Bf_B(X)。

最大乘积确定单元7072，用于从所述待诊断特征向量在每个故障模式下的乘积中获取最大的乘积。在具体的实施方式中，假设精确分类概率神经网络模型对应2个故障模式A、B，则乘积分别为h_Al_Af_A(X)、h_Bl_Bf_B(X)。若h_Al_Af_A(X)>h_Bl_Bf_B(X)，则h_Al_Af_A(X)为最大的乘积。

故障类型确定单元7073，用于所述最大的乘积对应的故障模式即为所述振动信号的故障类型。若h_Al_Af_A(X)>h_Bl_Bf_B(X)，则h_Al_Af_A(X)为最大的乘积。故障模式A即为振动信号的故障类型。反之，若h_Al_Af_A(X)<h_Bl_Bf_B(X),则故障模式B即为振动信号的故障类型。

如上所述即为本发明提供的一种储气库注采压缩机组自适应故障诊断的设备，本发明可实现对储气库注采压缩机组故障进行自适应识别分类，可有效提高对储气库注采变工况条件下的压缩机组故障的识别精度，避免了单一方法的局限性，实现了故障精确快速识别的根本目标。

下面结合具体的实施例，详细介绍本发明的技术方案。华北某储气库注采气站注采压缩机组为PROPAK JGU-6压缩机组，由于其组成结构复杂、工况调节频繁，为了提高储气库注采设备的本质安全水平，避免发生非正常停机、天然气泄漏等事故，需对注采压缩机组各部件故障进行建模，精确快速识别其运行状态，为维修和生产计划的制定提供理论支持。

根据本发明具体实施方式中所述建模方法与详细实例，在具体实施中首先利用数据库中存储的压缩机的已知故障振动信号、历史数据或实验数据对建立的模型进行训练，然后输入采集的压缩机的振动信号，根据已训练好的模型诊断出相应的故障类型。

由于此储气库运行时间较短，且振动监测部件较少，很难得到大量具有故障的历史数据，而建立的诊断模型需要故障历史数据进行训练，否则训练的模型无法进行故障识别。针对此问题，本实施例中利用实验转子实验台进行故障模拟实验，利用实验得到的数据进行模型训练，然后用现场数据进行验证。

实验中使用电火花加工技术在轴承上加工单点故障的轴承，故障直径为0.007英寸，模拟轴承点蚀故障，并设定不同转速，采集各轴承震动数据，采样频率为12000Hz，共采集六组数据，分别为：载荷1Hp，转速1797rpm，内圈单点故障；载荷1Hp，转速1797rpm，滚动体单点故障；载荷2Hp，转速1750rpm，内圈单点故障；载荷2Hp，转速1750rpm，滚动体单点故障；载荷3Hp，转速1730rpm，内圈单点故障；载荷3Hp，转速1730rpm，滚动体单点故障。

对轴承数据进行降噪处理，然后对降噪后的信号进行特征提取：一从传统的时域中选择峰峰值X_pp、绝对均值X_abs、有效值X_rms、脉冲指标I、峭度指标K_v作为轴承故障诊断的基本特征指标；二对信号进行3层小波包分解，小波基选为DB1小波，分解完成后分为八个频带，由于采样频率为12000Hz，所以八个频带范围分别为：0～750Hz，750～1500Hz，1500～2250Hz，2250～3000Hz，3000～3750Hz，3750～4500Hz，4500～5250Hz，5250～6000Hz。之后求其各频带的能量比E30、E31、E32、E33、E34、E35、E36、E37并与之前的择峰峰值X_pp、绝对均值X_abs、有效值X_rms、脉冲指标I、峭度指标K_v共同组成信号的13个特征向量。依次求6种信号的各30组数据，分别取每种信号的前20组数据组成120*13的训练数据样本（如表1所示），取去每种信号的后10组数据组成60*13的测试数据样本（如表2所示），由于不考虑工况，因此所有轴承内圈故障输出都标为1，轴承滚动体故障都标为2。用建立好的训练样本和测试样本对诊断模型进行训练。

表1训练数据样本

表2测试数据样本

在该实施例中，数据故障类型包括两类，所以进行自组织竞争网络模型训练时分类类别n为2，因此精确分类概率神经网络PSO-PNN模型个数为2，此诊断模型为1*2的组合式网络。训练结束后，用测试数据验证已训练好的诊断模型的分类能力，经过自组织竞争网络模型分类后标号为1-15、17-23、25-30、44、57数据被分为类型1,标号为16、24、31-43、45-56、58-60的数据被分为类型2，识别精度为93.33%（测试数据经过自组织竞争网络模型分类结果见附图13所示）。然后将识别为类型1的测试数据分为一组，类型为2的测试数据分为一组，分类用对应的训练好的PSO-PNN模型进行故障识别，最后统计总的分类结果，所有数据均被准确识别出来，识别精度为100%（测试数据经过本发明方法模型后的分类结果如图14所示）。由测试数据的中间识别精度和最终识别精度可以得出，本发明相对于单一诊断方法具有较高的识别精度，且能适应变工条件下的故障诊断。

采用现场采集的压缩机组电动机输出端轴承径向振动数据验证训练好的诊断模型的识别能力。对压缩机的振动信号进行降噪处理，然后求其特征值，得到其特征向量如表所示。

表3压缩机组电动机输出端轴承径向振动数据特征向量

经训练好的诊断模型识别为轴承内圈点蚀，根据现场后来停机检修发现，此轴承确实存在内圈点蚀故障，只是还能维持运行，这与此方法诊断结果相符，可以看出基于组合式神经网络储气库注采压缩机自适应故障诊断方法的发明对储气库压缩机组故障具有较高的识别精度，诊断结果可信。根据本发明对储气库注采压缩机组的电动机轴承进行故障诊断，证明此方法对压缩机组故障诊断的快速准确性。

综上所述，本发明提供了一种储气库注采压缩机组自适应故障诊断的方法及设备，与现有技术相比，本发明的有益效果是：（1）相对于单一诊断方法，通过将多个诊断网络组合后，故障识别精度明显提高，解决了单一方法诊断精度低的问题。（2）组合后的网络具有了自组织竞争网络方法的自适应诊断能力和概率神经网络方法的快速诊断能力的优点，实现了诊断方法对于储气库注采变工况下的压缩机组故障的准确快速识别，解决了对储气库注采变工况下压缩机组故障快速精确识别的难题。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一般计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。

本领域技术人员还可以了解到本发明实施例列出的各种功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.一种储气库注采压缩机组自适应故障诊断的方法，其特征是，所述的方法具体包括：

采集压缩机的振动信号以及所述振动信号对应的时域特征指标；

利用小波包分解能量特征提取方法提取所述振动信号的能量特征值；

根据所述的能量特征值以及所述振动信号对应的时域特征指标组成待诊断特征向量；

对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练；

将所述的待诊断特征向量带入训练后的初步分类自组织竞争网络模型，得到初步模式；

根据所述的初步模式获取对应的训练后的精确分类概率神经网络模型；

根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型。

2.根据权利要求1所述的方法，其特征是，所述的利用小波包分解能量特征提取方法提取所述振动信号的能量特征值具体包括：

对所述的振动信号进行n层小波包分解，得到2n个等间隔频带的信号，所述的n为正整数；

依次确定每个频带上的信号的能量；

根据所述信号的频带大小组成一个能量向量；

对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

3.根据权利要求2所述的方法，其特征是，所述的对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练具体包括：

获取数据库中存储的压缩机的已知故障振动信号以及时域特征指标；

利用小波包分解能量特征提取方法提取所述已知故障振动信号的能量特征值；

根据所述的能量特征值以及所述的时域特征指标组成训练样本；

根据所述的训练样本训练所述的初步分类自组织竞争网络模型，得到训练后的初步分类自组织竞争网络模型；

根据训练后的初步分类自组织竞争网络模型得到m个模式，所述的m为已知故障类型数，其为正整数；

把所述训练样本按照所述m个模式进行分组，得到m个样本；

根据所述的m个样本训练所述m个样本对应的m个精确分类概率神经网络模型进行训练，得到训练后的m个精确分类概率神经网络模型进行训练，所述的样本与所述的精确分类概率神经网络模型进行训练一一对应。

4.根据权利要求3所述的方法，其特征是，所述的利用小波包分解能量特征提取方法提取所述已知故障振动信号的能量特征值具体包括：

对所述的已知故障振动信号进行n层小波包分解，得到2ⁿ个等间隔频带的信号，所述的n为正整数；

依次确定每个频带上的信号的能量；

根据所述信号的频带大小组成一个能量向量；

对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

5.根据权利要求4所述的方法，其特征是，根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型具体包括：

根据巴尔森方法得到概率密度函数估计式；

获取所述训练后的精确分类概率神经网络模型对应的多个故障模式以及多个故障模式对应的训练样本数；

根据所述的概率密度函数估计式分别计算所述待诊断特征向量在每个故障模式下的概率密度函数估计值；

获取所述精确分类概率神经网络模型对应的训练样本总数；

根据所述的训练样本总数、训练样本数确定多个故障模式对应的先验概率；

获取所述的精确分类概率神经网络模型对应的多个故障模式的代价因子；

根据所述待诊断特征向量在每个故障模式下的概率密度函数估计值、先验概率以及代价因子确定所述振动信号的故障类型。

6.根据权利要求5所述的方法，其特征是，所述的概率密度函数估计式为：

$f_A\left(X\right)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{P/2}{\mathrm{\&delta;}}^P}\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\exp [-\frac{{(X-X_{\mathrm{ai}})}^T(X-X_{\mathrm{ai}})}{{2\mathrm{\&delta;}}^2}]$

其中，P为所述待诊断特征向量的维数，X为P维待诊断特征向量，f_A(X)为P维待诊断特征向量X属于故障模式A的概率密度估计值，m为已知故障类型数，X_ai为P维故障模式A的第i模式向量，i为模式号，δ为平滑参数。

7.根据权利要求5所述的方法，其特征是，根据所述待诊断特征向量在每个故障模式下的概率密度函数估计值、先验概率以及代价因子确定所述振动信号的故障类型具体包括：

依次将先验概率、代价因子以及所述的概率密度函数估计值相乘，得到所述待诊断特征向量在每个故障模式下的乘积；

从所述待诊断特征向量在每个故障模式下的乘积中获取最大的乘积；

所述最大的乘积对应的故障模式即为所述振动信号的故障类型。

8.一种储气库注采压缩机组自适应故障诊断的设备，其特征是，所述的设备具体包括：

振动信号采集装置，用于采集压缩机的振动信号以及所述振动信号对应的时域特征指标；

能量特征值提取装置，用于利用小波包分解能量特征提取方法提取所述振动信号的能量特征值；

待诊断特征向量确定装置，用于根据所述的能量特征值以及所述振动信号对应的时域特征指标组成待诊断特征向量；

模型训练装置，用于对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练；

初步模式确定装置，用于将所述的待诊断特征向量带入训练后的初步分类自组织竞争网络模型，得到初步模式；

模型获取装置，用于根据所述的初步模式获取对应的训练后的精确分类概率神经网络模型；

精确识别装置，用于根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型。

9.根据权利要求8所述的设备，其特征是，所述的能量特征值提取装置具体包括：

小波包分解模块，用于对所述的振动信号进行n层小波包分解，得到2ⁿ个等间隔频带的信号，所述的n为正整数；

能量确定模块，用于依次确定每个频带上的信号的能量；

能量向量组成模块，用于根据所述信号的频带大小组成一个能量向量；

归一化处理模块，用于对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

10.根据权利要求9所述的设备，其特征是，所述的模型训练装置具体包括：

已知故障振动信号获取模块，用于获取数据库中存储的压缩机的已知故障振动信号以及时域特征指标；

能量特征值提取模块，用于利用小波包分解能量特征提取方法提取所述已知故障振动信号的能量特征值；

训练样本确定模块，用于根据所述的能量特征值以及所述的时域特征指标组成训练样本；

初步模型训练模块，用于根据所述的训练样本训练所述的初步分类自组织竞争网络模型，得到训练后的初步分类自组织竞争网络模型；

模式确定模块，用于根据训练后的初步分类自组织竞争网络模型得到m个模式，所述的m为已知故障类型数，其为正整数；

分组模块，用于把所述训练样本按照所述m个模式进行分组，得到m个样本；

精确模型训练模块，用于根据所述的m个样本训练所述m个样本对应的m个精确分类概率神经网络模型进行训练，得到训练后的m个精确分类概率神经网络模型进行训练，所述的样本与所述的精确分类概率神经网络模型进行训练一一对应。

11.根据权利要求10所述的设备，其特征是，所述的能量特征值提取模块具体包括：

波包分解单元，用于对所述的已知故障振动信号进行n层小波包分解，得到2ⁿ个等间隔频带的信号，所述的n为正整数；

能量确定单元，用于依次确定每个频带上的信号的能量；

能量向量组成单元，用于根据所述信号的频带大小组成一个能量向量；

归一化处理单元，用于对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

12.根据权利要求11所述的设备，其特征是，所述的精确识别装置具体包括：

概率密度函数估计式确定模块，用于根据巴尔森方法得到概率密度函数估计式；

故障模式获取模块，用于获取所述训练后的精确分类概率神经网络模型对应的多个故障模式以及多个故障模式对应的训练样本数；

概率密度函数估计值确定模块，用于根据所述的概率密度函数估计式分别计算所述待诊断特征向量在每个故障模式下的概率密度函数估计值；

训练样本数获取模块，用于获取所述精确分类概率神经网络模型对应的训练样本总数；

先验概率确定模块，用于根据所述的训练样本总数、训练样本数确定多个故障模式对应的先验概率；

代价因子获取模块，用于获取所述的精确分类概率神经网络模型对应的多个故障模式的代价因子；

故障类型确定模块，用于根据所述待诊断特征向量在每个故障模式下的概率密度函数估计值、先验概率以及代价因子确定所述振动信号的故障类型。

13.根据权利要求12所述的设备，其特征是，所述的概率密度函数估计式为：

$f_A\left(X\right)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{P/2}{\mathrm{\&delta;}}^P}\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\exp [-\frac{{(X-X_{\mathrm{ai}})}^T(X-X_{\mathrm{ai}})}{{2\mathrm{\&delta;}}^2}]$

其中，P为所述待诊断特征向量的维数，X为P维待诊断特征向量，f_A(X)为P维待诊断特征向量X属于故障模式A的概率密度估计值，m为已知故障类型数，X_ai为P维故障模式A的第i模式向量，i为模式号，δ为平滑参数。

14.根据权利要求12所述的设备，其特征是，所述的故障类型确定模块具体包括：

乘积确定单元，用于依次将先验概率、代价因子以及所述的概率密度函数估计值相乘，得到所述待诊断特征向量在每个故障模式下的乘积；

最大乘积确定单元，用于从所述待诊断特征向量在每个故障模式下的乘积中获取最大的乘积；

故障类型确定单元，用于所述最大的乘积对应的故障模式即为所述振动信号的故障类型。

Images