CN110412872A - 往复压缩机故障诊断优化方法及装置 - Google Patents
往复压缩机故障诊断优化方法及装置 Download PDFInfo
- Publication number
- CN110412872A CN110412872A CN201910623216.6A CN201910623216A CN110412872A CN 110412872 A CN110412872 A CN 110412872A CN 201910623216 A CN201910623216 A CN 201910623216A CN 110412872 A CN110412872 A CN 110412872A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- reciprocating compressor
- optimized model
- parameter
- trained
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明提供了一种往复压缩机故障诊断优化方法及装置，该方法包括：确定待训练的故障诊断优化模型中参数的最优值；根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。本发明可以诊断往复压缩机故障，相比于未进行参数优化的故障诊断模型，准确率更高。
Description
技术领域
本发明涉及机械故障诊断技术领域，尤其涉及一种往复压缩机故障诊断优化方法。
背景技术
往复压缩机是石化等工业生产中的最为常用的机械设备。由于往复压缩机长期工作在易燃易爆、高温高压的环境中，且该设备结构较为复杂、内部有较多运动部件，一旦故障发生，可能会出现设备整体瘫痪，甚至停产，当故障严重时可能会使危险气体泄露，导致着火、爆炸、人员伤亡等灾难性事故的发生。因此对往复压缩机的故障诊断技术进行研究在社会效益及经济效益方面有着重大意义。
近年来，随着故障识别及诊断技术的逐步成熟，传统故障诊断方法在识别结构复杂设备故障时存在一定的不足之处，而人工智能识别技术在故障识别领域中便得到更加充分的应用。深度学习的基本思想是利用多层神经网络来模拟人脑组织对外界信号的处理，通过在网络中堆叠多层次的深层网络结构，以充分挖掘收集到的信号信息。海量的数据可以通过多种线性和非线性变换进行特征的有效学习，并用于机器的健康状态分类。
基于深度学习的自编码神经网络是数据降维及特征提取问题研究的热点，数据降维能够有效消除无关和冗余信息，提高学习数据内在特征的效率。降噪自编码神经网络(DAE)模型将一定概率分布的噪声添加到原始输入信号中，对噪声进行学习和去除，同时对信号进行重构得到没有被扰乱过的输入信号，从而使得从包含噪声的输入信号中学到的特征鲁棒性更强，对输入信号的泛化能力也有较大提高。将多个DAE进行堆叠得到堆栈降噪自编码神经网络(SDAE)模型。若每一层的DAE编码都能够较好的实现重构效果，则SDAE就可以较好的实现高维特征的降维及深度特征的提取，且提取到的特征具有较强的鲁棒性。但目前将堆栈降噪自编码神经网络模型应用在往复压缩机故障诊断上时的技术不够成熟，故障诊断准确率低。
发明内容
本发明实施例提出一种往复压缩机故障诊断优化方法，用以诊断往复压缩机故障，准确率高，该方法包括：
确定待训练的故障诊断优化模型中参数的最优值；
根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；
在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。
本发明实施例提出一种往复压缩机故障诊断优化装置，用以诊断往复压缩机故障，准确率高，该装置包括：
模型参数确定模块，用于确定待训练的故障诊断优化模型中参数的最优值；
训练模块，用于根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；
诊断模块，用于在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。
本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述往复压缩机故障诊断优化方法。
本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述往复压缩机故障诊断优化方法的计算机程序。
在本发明实施例中，确定待训练的故障诊断优化模型中参数的最优值；之后，根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。由于故障诊断优化模型中的参数在训练之前进行了优化，获得了参数的最优值，因此，根据所述最优值训练的故障诊断优化模型准确率更高，最后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得的往复压缩机的故障诊断结果的准确率也更高。
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。在附图中：
图1为本发明实施例中往复压缩机故障诊断优化方法的流程图；
图2为本发明实施例中采用遗传算法确定待训练的故障诊断优化模型中参数的最优值的详细流程图；
图3为堆栈降噪自编码神经网络模型的原理图；
图4为训练堆栈降噪自编码神经网络模型的过程；
图5为本发明实施例中往复压缩机故障诊断优化方法的详细流程图；
图6为往复压缩机现场实验平台的示意图；
图7为堆栈降噪自编码神经网络模型中参数最优解的进化曲线；
图8-图11为弹簧失效、气阀正常、气阀断裂和气阀磨损四种状态下噪声信号的时域波形图；
图12为训练数据集占总数据样本的比例与诊断正确率的关系示意图；
图13为本发明实施例中提取的特征向量的示意图；
图14为本发明实施例中堆栈降噪自编码神经网络模型的故障诊断正确率的示意图；
图15为针对未进行参数优化的堆栈降噪自编码神经网络模型提取的特征向量的示意图；
图16为采用未进行参数优化的堆栈降噪自编码神经网络模型得到的诊断正确率的示意图；
图17为本发明方法与现有技术的诊断正确率对比结果；
图18为本发明实施例中往复压缩机故障诊断优化装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
发明人发现，将堆栈降噪自编码神经网络应用到往复压缩机故障诊断上时，堆栈降噪自编码神经网络在训练过程中存在许多网络超参数，而这些网络超参数的选取对最后的实验结果有较大的影响。在以时域或者频域信号作为输入时，该网络模型的网络节点数较多，结构复杂，容易出现数据过拟合的现象，而目前的网络超参数的选取大多是通过多次试验得到的经验进行确定，没有较好的系统性指导方法，缺乏自适应性和泛化性，将其应用到往复压缩机故障诊断上时，故障诊断准确率较低，因此，本发明实施例提出一种往复压缩机故障诊断优化方法，可解决以上问题。
图1为本发明实施例中往复压缩机故障诊断优化方法的流程图，如图1所示，该方法包括：
步骤101，确定待训练的故障诊断优化模型中参数的最优值；
步骤102，根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；
步骤103，在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。
在本发明实施例中，确定待训练的故障诊断优化模型中参数的最优值；之后，根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。由于故障诊断优化模型中的参数在训练之前进行了优化，获得了参数的最优值，因此，根据所述最优值训练的故障诊断优化模型准确率更高，最后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得的往复压缩机的故障诊断结果的准确率也更高。
步骤101和步骤102为获得故障诊断优化模型的步骤，在本发明实施例中，故障诊断优化模型为机器学习模型，例如，在一个实施例中，故障诊断优化模型可以采用堆栈降噪自编码神经网络模型，该神经网络模型具有较好的特征学习能力，对应的模型参数为网络超参数，当然，可以理解的是，还可以采用其他机器学习的模型作为故障诊断优化模型，相关变化例均应落入本发明的应用范围。故障诊断优化模型确定后，后续可一直使用，只要获得到往复压缩机的振动信号后，将往复压缩机的振动信号输入至故障诊断优化模型，即可获得往复压缩机的故障诊断结果。本发明实施例进行往复压缩机故障诊断的故障诊断优化模型包括多个参数，在步骤101中，首先对故障诊断优化模型进行优化，即获得待训练的故障诊断优化模型中参数的最优值，在步骤102中，根据所述最优值训练的故障诊断优化模型准确率更高，因此，在获取到往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得的往复压缩机的故障诊断结果的准确率也更高。
具体实施时，确定待训练的故障诊断优化模型中参数的最优值的方法可以有多种，下面给出其中一个实施例。
在一实施例中，确定待训练的故障诊断优化模型中参数的最优值，包括：
获得待训练的故障诊断优化模型中参数的取值范围；
根据待训练的故障诊断优化模型中参数的取值范围，采用遗传算法确定待训练的故障诊断优化模型中参数的最优值。
在上述实施例中，故障诊断优化模型需要进行训练，作为一种机器学习模型，任何一种机器学习模型在训练时都需要很多参数，以故障诊断优化模型采用堆栈降噪自编码神经网络模型为例，参数包括网络学习率、输入数据随机置零比例、网络迭代次数和批处理大小(batchsize)，需要确定这些参数的取值范围，例如，网络学习率的取值范围可以为[0，1]，输入数据随机置零比例的取值范围可以为[0，1]，网络迭代次数的取值范围可以为[0，500]，batchsize的取值为总振动信号的样本数能够整除该batchsize的值即可。然后，根据待训练的故障诊断优化模型中参数的取值范围，采用遗传算法确定待训练的故障诊断优化模型中参数的最优值。遗传算法是一种基于生物遗传和自然选择的自适应全局寻优算法，体现了大自然“物竞天择、适者生存、优胜劣汰”的竞争机制，该算法在搜索过程中可以自动搜索参数优化空间，选择合理的优化方向从而得到函数的最优解。在解决实际问题上，遗传算法首先在搜索空间内随机生成一定数量的初始种群，对种群染色体和相关遗传参数进行初始化；其次通过适应度函数评估种群内所有个体接近最优解的程度，保留适应度高的个体，淘汰适应度低的个体；然后个体进行交叉、变异，产生具有新性状的个体，其中一部分父代的优良个体将直接遗传到下一代。对新种群的建立将重复遗传算法中计算、选择、交叉、变异的一系列操作，直到满足终止条件为止(如计算精度、迭代次数等)，从而获得该种群最优解，由于遗传算法较快的收敛能力以及较强的全局搜索能力，因此在采用遗传算法获得的得到的故障诊断优化模型中参数的最优值的准确性更高。当然，可以理解的是，还可以采用其他优化算法获得待训练的故障诊断优化模型中参数的最优值，例如，粒子群优化算法、蚁群算法，相关变化例均应落入本发明的保护范围。
在一实施例中，根据待训练的故障诊断优化模型中参数的取值范围，采用遗传算法确定待训练的故障诊断优化模型中参数的最优值，包括：
确定遗传算法的运行参数和适应度函数；
对待训练的故障诊断优化模型中参数的取值范围进行编码，产生初始种群；
根据遗传算法的运行参数对初始种群，循环执行以下步骤，直至循环次数达到设定遗传代数，输出最新的种群数：对初始种群进行选择、交叉和变异操作，获得满足适应度函数的新种群；将新种群替换初始种群；
对最新的种群进行解码，获得待训练的故障诊断优化模型中参数的最优值。
遗传算法的适应度函数可采用往复压缩机故障诊断的历史正确率来确定。
在上述两个实施例中，遗传算法的运行参数包括种群的规模、变量的维数、变量的二进制位数、最大遗传代数、代沟、交叉概率以及变异概率，变量为待训练的故障诊断优化模型中参数。往复压缩机故障诊断即对往复压缩机的状态进行正确的分类，分类正确即确定了故障的类型，往复压缩机故障诊断结果即对往复压缩机故障进行分类的结果，往复压缩机的状态类型包括：弹簧失效(SF)、气阀正常(NL)、气阀断裂(VF)和气阀磨损(VW)，可以看到，弹簧失效(SF)气阀断裂(VF)和气阀磨损(VW)为故障，对往复压缩机的4种状态进行分类后，即可确定了上述三种故障和一种正常状态。
根据上述实施例，图2为本发明实施例中采用遗传算法确定待训练的故障诊断优化模型中参数的最优值的详细流程图，如图2所示，包括：
步骤201，确定遗传算法的运行参数和适应度函数；
步骤202，对待训练的故障诊断优化模型中参数的取值范围进行编码，产生初始种群；
步骤203，计算遗传算法的适应度；
步骤204，对初始种群进行选择、交叉和变异操作；
首先，初始种群进行选择，具体包括：对初始种群中每个个体的适应度进行排序，基于个体适应度值的大小，并采用比例选择的方式对个体进行选择。适应度高的个体被选择并繁衍传播基因的概率就大，反之，适应度低的个体则更容易被淘汰，以消除进化中的不良基因。
然后，通过交叉概率对选择后的种群的个体进行交叉，通过变异概率对种群中的个体进行变异，获得新个体。通过遗传算法选择、交叉、变异这一系列的操作，获得最优个体的适应度值；
最后，将新个体插入到种群中，形成新种群。
步骤205，判断是否达到设定遗传代数，若未达到设定遗传代数，将新种群替换初始种群，转至步骤203，若达到设定遗传代数，转至步骤206；
步骤206，输出最新的种群数；
步骤207，对最新的种群进行解码，获得待训练的故障诊断优化模型中参数的最优值。
具体实施时，根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后故障诊断优化模型的方法有多种，下面给出其中一个实施例。
在一实施例中，根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型，包括：
获取往复压缩机的历史振动信号；
将往复压缩机的历史振动信号分成训练数据集和测试数据集；
提取训练数据集的特征向量；
根据待训练的故障诊断优化模型中参数的最优值，利用训练数据集的特征向量训练故障诊断优化模型，获得训练后的故障诊断优化模型。
在一实施例中，在根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型之后，还包括：
利用测试数据集对训练后的故障诊断优化模型的准确率进行验证，获得满足预设准确率的故障诊断优化模型；
在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果，包括：
在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至满足预设准确率的故障诊断优化模型，获得往复压缩机的故障诊断结果。
在上述实施例中，为了提高训练后的故障诊断优化模型的精度，在训练之后，再进行了一次验证。
在一实施例中，故障诊断优化模型采用堆栈降噪自编码神经网络模型。
具体实施时，故障诊断优化模型是一种机器学习模型，例如，上述实施例中的堆栈降噪自编码神经网络模型，图3为堆栈降噪自编码神经网络模型的原理图，如图3所示，降噪自编码神经网络(Denoising Autoencoder，DAE)是以自编码神经网络(Autoencoder，AE)为基础，将一定概率分布的噪声添加到原始输入信号中，以便AE对噪声进行学习和去除，并且对信号进行重构得到没有被扰乱过的输入信号，从而使得从包含噪声的输入信号中学到的特征鲁棒性更强，AE对于输入信号的泛化能力也有了较大的提高。将多个DAE(例如，图3中的DAE1、DAE2、DAE3)进行堆叠得到的深层神经网络模型称为堆栈降噪自编码神经网络模型。整体训练堆栈降噪自编码深层网络模型可能会引起梯度的消失，因此在训练时要采用逐层贪婪原则，单独训练每一层的DAE，保证重构误差实现最小化。在一个DAE单元训练完成后，编码部分将实现从输入向量到隐层编码上的映射，所以将编码部分进行保留并作为DAE训练的结果即可。由于DAE各层的输入和输出都能够满足归一化的要求，因此将上一个DAE单元的隐层编码向量作为下一个DAE单元的输入向量，继续进行编码以及降维。
在DAE训练过程中，输入向量一个是含噪声的信号，编码向量对于实际信号的重构能力由重构误差进行表达，由此可知降噪自编码神经网络模型能够提高模型对于输入信号的重构能力，使得该模型具有更强的泛化能力。重构是指从经过变换后的数据中恢复出原始数据，基本上所有的深度学习算法都会用到重构这一思想。重构误差是指原始数据和变换后的数据之间的误差。根据SDAE原理可定义，重构误差计算公式为：
其中，x为原始训练样本数据，z为变换后的重构信号数据。
由于堆栈降噪自编码神经网络模型训练初始化参数是以重构误差为基础进行设置。重构误差越小，说明堆栈降噪自编码神经网络模型在从原始时域信号中学到的高维特征能够最大程度地恢复原始训练样本数据信号，则该神经网络恢复原始信号的能力越强。
SDAE属于无监督网络，为了将该神经网络强大的数据分析处理能力更好的用于样本的分类，在神经网络的最后一层加上一个有监督的分类器，采用梯度下降的方法寻找最优的参数，尽可能使Softmax分类器的代价函数最小化，进而更好的完成特征向量的识别和分类，因此，故障诊断优化模型采用堆栈降噪自编码神经网络模型时故障诊断的准确率非常高。
在故障诊断优化模型为堆栈降噪自编码神经网络模型时，训练堆栈降噪自编码神经网络模型的过程可以包括以下步骤，如图4所示：
步骤401，训练第i个自编码；
步骤402，将第i个自编码的输出作为第i+1个自编码的输入；
步骤403，训练第i+1个自编码；
步骤404，判断i+1<N(N为自编码总数)是否成立，若成立，转至步骤405；，若不成立，转至步骤401；
步骤405，训练Softmax分类器，微调堆栈降噪自编码神经网络模型的参数，完成训练。
利用上面的堆栈降噪自编码神经网络模型进行训练时，首先需要获取往复压缩机的历史振动信号，然后可以对往复压缩机的历史振动信号进行预处理，再将预处理后的往复压缩机的历史振动信号分成训练数据集和测试数据集；训练数据集和测试数据集的比例设置会影响到堆栈降噪自编码神经网络模型的诊断正确率，在模型的网络节点较多的情况下，需要增加训练数据集的设置比例。
堆栈降噪自编码神经网络模型的参数也称为网络超参数，包括神经网络结构、网络学习率、输入数据随机置零比例、网络迭代次数以及批处理大小(batchsize)，待训练的故障诊断优化模型中参数的最优值即堆栈降噪自编码神经网络模型中的网络超参数的最优值，采用前述实施例得到堆栈降噪自编码神经网络模型中的网络超参数的最优值后，即可利用训练数据集的特征向量训练故障诊断优化模型，获得训练后的故障诊断优化模型，然后利用测试数据集对训练后的故障诊断优化模型的准确率进行验证，获得满足预设准确率的故障诊断优化模型。
当然，可以理解的是，故障诊断优化模型也可以采用其他机器学习算法模型，在采用其他机器学习算法模型时，待训练的故障诊断优化模型中参数为对应的机器学习算法模型中参数，相关变化例均应落入本发明的保护范围。
在一实施例中，在将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果之前，还包括：
对获取到的往复压缩机的振动信号进行预处理；
将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果，包括：
将预处理后的往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。
在上述实施例中，往复压缩机的振动信号可以采用传感器获取，数据预处理的方法有多种，根据故障诊断优化模型的要求，可以选择对应的预处理方法，例如，在往复压缩机故障诊断优化模型采用堆栈降噪自编码神经网络模型时，可以对振动信号采用归一化处理的信号预处理方式。
综合上述实施例，图5为本发明实施例中往复压缩机故障诊断优化方法的详细流程图，如图5所示，因此，在一实施例中往复压缩机故障诊断优化方法的详细流程包括：
步骤501，确定采用的故障诊断优化模型；
例如，可以采用堆栈降噪自编码神经网络模型；
步骤502，确定采用的故障诊断优化模型中的参数；
例如，堆栈降噪自编码神经网络模型的参数也称为网络超参数，包括神经网络结构、网络学习率、输入数据随机置零比例、网络迭代次数以及批处理大小(batchsize)；
步骤503，获得待训练的故障诊断优化模型中参数的取值范围；
步骤504，确定遗传算法的运行参数和适应度函数；
遗传算法的适应度函数采用往复压缩机故障诊断的历史正确率来确定；
步骤505，对待训练的故障诊断优化模型中参数的取值范围进行编码，产生初始种群；
步骤506，根据遗传算法的运行参数对初始种群，循环执行以下步骤，直至循环次数达到设定遗传代数，输出最新的种群数：对初始种群进行选择、交叉和变异操作，获得满足适应度函数的新种群；将新种群替换初始种群；
步骤507，对最新的种群进行解码，获得待训练的故障诊断优化模型中参数的最优值；
步骤508，获取往复压缩机的历史振动信号；
步骤509，将往复压缩机的历史振动信号分成训练数据集和测试数据集；
步骤510，提取训练数据集的特征向量；
步骤511，根据待训练的故障诊断优化模型中参数的最优值，利用训练数据集的特征向量训练故障诊断优化模型，确定训练后的故障诊断优化模型；
步骤512，利用测试数据集对训练后的故障诊断优化模型的准确率进行验证，获得满足预设准确率的故障诊断优化模型；
步骤513，获取往复压缩机的振动信号；
步骤514，对获得的往复压缩机的振动信号进行预处理；
步骤515，将预处理后的往复压缩机的振动信号输入至满足预设准确率的故障诊断优化模型，获得往复压缩机的故障诊断结果。
当然，可以理解的是，上述往复压缩机故障诊断优化方法的详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
下面给出一具体实施例，说明本发明提出的往复压缩机故障诊断优化方法的具体应用。
在本实施例中，对中国西北某油田作业区的一台高压气原料往复压缩机进行气阀的故障诊断，该往复压缩机型号为WH64型对称平衡式天然气往复压缩机，该压缩机有4个压缩缸，设计进气压力0.8MPa，排气压力27MPa，气体流量为116×104Nm3/d，电机额定电压为10000V，额定功率为1305kW，曲轴以993r/min的转速转动，即活塞以每分钟993次的速度做往复运动。采样频率为16000Hz，每个状态下采样长度60000个点。该设备的工作原理是气缸的体积随活塞的运动而变化。当柱塞向后移动时气缸体积增大，进气阀打开，同时排气阀关闭。反之，当柱塞向前移动时进气阀关闭，排气阀打开。由于阀门部件的频繁运动，气阀较容易发生故障。该设备采用MDES-5机械设备数据采集系统进行数据采集，该数据采集系统由加速度传感器、16位精度的数据采集装置以及装有数据采集软件的计算机等构成。加速度传感器采用压电加速度传感器，其灵敏度为110pC/g，且该传感器安装在第二个气缸的排气阀阀盖上，图6为往复压缩机现场实验平台的示意图，如图6所示，包括曲轴箱6、电动机7和4个气缸，分别为第一气缸1、第二气缸2、第三气缸3、第四气缸4，每个气缸中都有加速度计5。
往复压缩机的气阀状态包括弹簧失效(SF)、气阀正常(NL)、气阀断裂(VF)和气阀磨损(VW)四种。
首先，确定采用堆栈降噪自编码神经网络模型作为故障诊断优化模型，确定堆栈降噪自编码神经网络模型的神经网络结构，由于输入层神经元节点数由输入数据样本的长度确定，输出层神经元节点数由故障分类的类别数确定。在气阀数据实验中，选取每组样本的长度为2048，经过傅里叶(FFT)变换后数据长度变为1024，将其作为堆栈降噪自编码神经网络模型的输入数据，因此可以确定输入层神经元节点数为1024。本实施例选取了上述4种往复压缩机的气阀状态，因此可以确定输出层神经元节点数为4。为进一步对网络结构进行探究，设置多个隐含层节点数组合，中间隐层的神经元节点数组合的重构误差结果如表1所示。
表1中间隐层神经元节点数组合的重构误差
| 输入层神经元节点数 | 中间隐层神经元节点数 | 中间隐层数 | 重构误差 |
| 1024 | 500-300 | 2 | 2.09E-02 |
| 1024 | 500-250 | 2 | 1.25E-02 |
| 1024 | 500-100 | 2 | 1.34E-02 |
| 1024 | 500-300-100 | 3 | 5.91E-03 |
| 1024 | 500-250-100 | 3 | 1.54E-03 |
| 1024 | 500-250-50 | 3 | 3.17E-04 |
| 1024 | 1000-500-250-125 | 4 | 7.72E-04 |
| 1024 | 500-500-300-300 | 4 | 9.56E-04 |
| 1024 | 500-250-100-50 | 4 | 5.67E-04 |
由表1可知，在中间隐层数相同的情况下，若下一层节点数是上一层节点数一半左右的时候，重构误差相比于其他节点数的组合会小一些。例如当中间隐层数为2个时，中间隐层神经元节点数组合500-250的重构误差值要比其他两种组合的重构误差更小。一般来说，中间隐层数量越多，神经网络学习特征的能力就越强，根据表1数据可知，增加中间隐层的数量，重构误差也会下降，例如当中间隐层数为3个时，相比于中间隐层数为2个的重构误差要更小。重构误差越小，说明堆栈降噪自编码神经网络模型提取高维特征的能力越强，而中间隐层神经元节点数为500-250-50的组合与中间隐层数为4个组合的重构误差处于同一个数量级，说明当中间隐层数为3的时候，堆栈降噪自编码神经网络模型已经足够可以从复杂的原始输入数据信号中学习到有用的高维特征信息，而且中间隐层神经元节点数为500-250-50的组合在几种组合中重构误差最小，这说明增加中间隐层数不仅可能增加神经网络的训练时间，同时还可能会使网络陷入过拟合的状态，因此相比于更深层的神经网络模型，该组合可以降低训练的时间，消耗更少的计算资源。
因此根据上述对比试验，堆栈降噪自编码神经网络模型的神经网络结构选用3个中间隐层，中间隐层神经元节点数的组合选用500-250-50。
然后，确定堆栈降噪自编码神经网络模型的参数包括网络学习率、输入数据随机置零比例、网络迭代次数以及批处理大小(batchsize)。
之后，获得待训练的故障诊断优化模型中参数的取值范围，下面分别对各参数的选取的取值范围进行介绍。
网络学习率的取值范围可以为[0,1]，输入数据随机置零比例的取值范围可以为[0,1]，网络迭代次数的取值范围可以为[0,500]，batchsize的取值为总样本能够整除该batchsize的值即可。
之后确定遗传算法的运行参数和适应度函数。
遗传算法主要采用的是谢菲尔德大学的matlab遗传算法工具箱，在遗传算法的使用过程中，应当对遗传算法中的运行参数进行设置，进而实现该算法对堆栈降噪自编码神经网络模型中参数的优化，遗传算法运行参数的设置如表2所示。
表2遗传算法运行参数的设置
| 参数名称 | 参数设置 |
| 种群规模(NIND) | 80 |
| 变量维数(NVAR) | 6 |
| 变量的二进制位数(PRECI) | 20 |
| 设定遗传代数(MAXGEN) | 100 |
| 代沟(GGAP) | 0.90 |
| 交叉概率(px) | 0.7 |
| 变异概率(pm) | 0.001 |
在本实施例中，通过实验选择了该方法的深层神经网络结构为1024-500-250-50-4，即该神经网络有5层，1个输入层，3个中间隐层，1个输出隐层，来进行故障诊断，在本实施例中，遗传算法的适应度函数采用往复压缩机故障诊断的历史正确率来确定，对应的是对气阀故障类型的分类。利用遗传算法来寻找网络第一层网络学习率、第二层网络学习率、第三层网络学习率、输入层网络数据置零比例、迭代次数以及batchsize这六个参数的最优值，即采用步骤405-步骤407获得上述6个参数的最优值。图7为堆栈降噪自编码神经网络模型中参数最优解的进化曲线。
由图7可见，解的变化代表对气阀的分类的正确率，当达到网络迭代次数100次时，分类正确率已经达到最高值，优化后分类正确率为93.33％。种群均值的变化代表各个进化代中所有个体的平均适应度函数值，网络迭代次数越大，适应度函数值越趋近于平稳，说明适应度越好。遗传算法优化后堆栈降噪自编码神经网络模型中参数见表3。
表3遗传算法优化后的堆栈降噪自编码神经网络模型中参数
| 参数 | 参数大小 |
| 第一层网络学习率 | 1 |
| 第二层网络学习率 | 0.88 |
| 第三层网络学习率 | 0.96 |
| 输入层网络数据置零比例 | 0.015 |
| 网络迭代次数 | 100 |
| batchsize | 100 |
在获得待训练的故障诊断优化模型中参数的最优值之后，训练故障诊断优化模型，需要获得往复压缩机的历史振动信号，在本实施例中，在现场采集的历史振动信号作为历史基准信号，并向历史基准信号中添加信噪比为-3dB(即SNR＝-3dB)的高斯白噪声，进而得到弹簧失效、气阀正常、气阀断裂和气阀磨损四种状态下噪声信号的时域波形图，如图8-图11所示。
对图8-图11中的数据进行归一化处理，将归一化处理后的往复压缩机的历史振动信号分成训练数据集和测试数据集，本实施例设定比例系数为训练数据集占总数据样本的比值。以总数据样本数为定量，设置不同的训练数据集的比例系数，即从比例因子为0.05增加到比例因子为0.95，步长为0.05，分析哪种比例系数会使得堆栈降噪自编码神经网络模型的诊断正确率达到最高，图12为训练数据集占总数据样本的比例与诊断正确率的关系示意图，图12中，X为训练数据集占总数据样本的比例，Y为诊断正确率。由图12可知，当比例系数处于0.05-0.75之间时，诊断正确率是随着比例系数的增加逐渐增大的，当比例系数处于0.75-0.95之间时，诊断正确率是随着比例系数的增加而逐渐减小的。造成这种现象的原因是由于训练样本占的比重过大，模型在训练的过程中产生了欠拟合的现象，从而导致模型在诊断的时候产生了偏差。综上所述，当比例系数为0.75时，该堆栈降噪自编码神经网络模型的诊断正确率达到最高，网络的泛化性最强。
提取训练数据集的特征向量，提取时将堆栈降噪自编码神经网络模型从原始时域信号中学习到的深层故障特征映射到三维空间，图13为本发明实施例中提取的特征向量的示意图，可以看到堆栈降噪自编码神经网络模型中参数经遗传算法优化后，再进行特征提取，提取后的特征具有更好的鲁棒性和泛化性。
根据待训练的堆栈降噪自编码神经网络模型中参数的最优值，利用训练数据集的特征向量训练堆栈降噪自编码神经网络模型，确定训练后的堆栈降噪自编码神经网络模型；然后将测试数据集输入到训练后的堆栈降噪自编码神经网络模型中，获得满足预设准确率的堆栈降噪自编码神经网络模型。
选取往复压缩机的振动信号后，对选取的往复压缩机的振动信号进行预处理，将预处理后的往复压缩机的振动信号输入至满足预设准确率的故障诊断优化模型，即输入至上述得到的满足预设准确率的故障诊断优化模型后，即可获得往复压缩机的故障诊断结果。
为了表示堆栈降噪自编码神经网络模型对往复压缩机气阀的每一类故障的具体诊断结果的正确率，图14为本发明实施例中堆栈降噪自编码神经网络模型的故障诊断正确率的示意图。横坐标是故障分类结果，纵坐标是实际样本，对角线的单元格内为故障诊断正确率，其余单元格为故障诊断错误率。
诊断正确率定义为：
其中，N'是正确分类的样本数；N是样本总数。
由图13和图14可以看出，通过遗传算法对堆栈降噪自编码神经网络模型的参数(网络超参数)进行优化后，对气阀四种故障类型进行特征提取，特征提取效果较为理想，弹簧失效和阀片磨损特征提取效果较好，气阀正常和阀片断裂特征有少部分叠加。该堆栈降噪自编码神经网络模型的总故障诊断正确率为93.33％，相比于未进行参数优化模型的87.29％提高了6个百分点。其中，弹簧失效(SF)的故障诊断正确率为98.17％，气阀正常(NL)为89.67％，气阀断裂(VF)为93.33％，气阀磨损(VW)为92.17％，以上故障诊断正确率非常高。
建立未进行参数优化的堆栈降噪自编码神经网络模型，即根据未进行参数优化的参数，通过Matlab 2013a，提取训练数据集的特征向量，图15为针对未进行参数优化的堆栈降噪自编码神经网络模型提取的特征向量的示意图，所述特征向量映射到了三维空间中。
利用特征向量训练堆栈降噪自编码神经网络模型，确定训练后的堆栈降噪自编码神经网络模型；然后将测试数据集输入到训练后的堆栈降噪自编码神经网络模型中，获得满足预设准确率的未进行参数优化的堆栈降噪自编码神经网络模型。然后，将上述预处理后的往复压缩机的振动信号输入至满足预设准确率的未进行参数优化的故障诊断优化模型后，即可获得采用未进行参数优化的堆栈降噪自编码神经网络模型得出的往复压缩机的故障诊断结果。
图16为采用未进行参数优化的堆栈降噪自编码神经网络模型得到的诊断正确率的示意图。横坐标是故障分类结果，纵坐标是实际样本，对角线的单元格内为故障诊断正确率，其余单元格为故障诊断错误率。
根据图13和图15对比可知，在未进行参数优化时，提取出来的特征向量并不算理想，四种故障互相叠加，不容易判断气阀故障类型。通过图14和图16的对比可知，采用该未进行参数优化的堆栈降噪自编码神经网络模型的总故障诊断正确率为87.29％，其中，弹簧失效(SF)的故障诊断正确率为95.33％,气阀正常(NL)为84.50％，气阀断裂(VF)为87.50％，气阀磨损(VW)为81.83％，与进行参数优化的堆栈降噪自编码神经网络模型相比，未进行参数优化时诊断正确率相对来说较低，不能很好的对各个故障进行准确分类。同时我们在整个气阀数据的训练测试中发现，网络超参数的选取可能会产生参数局部收敛最优现象，很难达到全局最优的现象，降低了气阀的诊断正确率。因此，为了进一步提高模型诊断正确率，该往复压缩机气阀故障诊断模型还要继续进行参数的优化。
为了验证本发明实施例提出的往复压缩机故障优化方法的有效性，将本发明提出的方法与未进行参数优化的堆栈降噪自编码神经网络模型进行了对比，对每个压缩机气阀数据集进行了六组诊断试验。每组实验选取的数据集及测试数据集详细信息如表4所示，其中每组数据集的长度为2048。图17为本发明方法与现有技术(未进行参数优化的堆栈降噪自编码神经网络模型)的诊断正确率的对比结果，可以看到，本发明实施例提出的方法的故障诊断正确率更高。
表4六组实验选取训练数据集及测试数据集的数量
在本发明实施例提出的往复压缩机故障诊断优化方法中，获取往复压缩机的振动信号；确定待训练的故障诊断优化模型中参数的最优值；之后，采用了遗传算法，获取待训练的故障诊断优化模型中参数的最优值，进而训练故障诊断优化模型；将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。由于故障诊断优化模型中的参数在训练之前进行了优化，获得了参数的最优值，因此，根据所述最优值训练得到的故障诊断优化模型准确率更高，最后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得的往复压缩机的故障诊断结果的准确率也更高。
另外，采用遗传算法获得的故障诊断优化模型中参数的最优值的准确性更高，故障诊断优化模型采用堆栈降噪自编码神经网络模型时故障诊断的准确率非常高。
基于同样的发明构思，本发明实施例还提供了一种往复压缩机故障诊断优化装置，如下面的实施例所述。由于这些解决问题的原理与往复压缩机故障诊断优化方法相似，因此装置的实施可以参见方法的实施，重复之处不在赘述。
图18为本发明实施例中往复压缩机故障诊断优化装置的示意图，如图18所示，该装置包括：
模型参数确定模块1801，用于确定待训练的故障诊断优化模型中参数的最优值；
训练模块1802，用于根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；
诊断模块1803，用于在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。
在一实施例中，模型参数确定模块1801具体用于：
获得待训练的故障诊断优化模型中参数的取值范围；
根据待训练的故障诊断优化模型中参数的取值范围，采用遗传算法确定待训练的故障诊断优化模型中参数的最优值。
在一实施例中，模型参数确定模块1801具体用于：
确定遗传算法的运行参数和适应度函数；
对待训练的故障诊断优化模型中参数的取值范围进行编码，产生初始种群；
根据遗传算法的运行参数对初始种群，循环执行以下步骤，直至循环次数达到设定遗传代数，输出最新的种群数：对初始种群进行选择、交叉和变异操作，获得满足适应度函数的新种群；将新种群替换初始种群；
对最新的种群进行解码，获得待训练的故障诊断优化模型中参数的最优值。
在一实施例中，训练模块1802具体用于：
获取往复压缩机的历史振动信号；
将往复压缩机的历史振动信号分成训练数据集和测试数据集；
提取训练数据集的特征向量；
根据待训练的故障诊断优化模型中参数的最优值，利用训练数据集的特征向量训练故障诊断优化模型，获得训练后的故障诊断优化模型。
在一实施例中，训练模块1802具体用于：
利用测试数据集对训练后的故障诊断优化模型的准确率进行验证，获得满足预设准确率的故障诊断优化模型；
诊断模块1803具体用于：
在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至满足预设准确率的故障诊断优化模型，获得往复压缩机的故障诊断结果。
在一实施例中，故障诊断优化模型采用堆栈降噪自编码神经网络模型。
在一实施例中，往复压缩机故障诊断优化装置还包括预处理模块1804，用于对选取的往复压缩机的振动信号进行预处理；
诊断模块1803具体用于：
将预处理后的往复压缩机的振动信号输入至满足预设准确率的故障诊断优化模型，获得往复压缩机的故障诊断结果。
在本发明实施例提出的往复压缩机故障诊断优化装置中，获取往复压缩机的振动信号；确定待训练的故障诊断优化模型中参数的最优值；之后，根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。由于故障诊断优化模型中的参数在训练之前进行了优化，获得了参数的最优值，因此，根据所述最优值训练的故障诊断优化模型准确率更高，最后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得的往复压缩机的故障诊断结果的准确率也更高。
另外，采用遗传算法获得的故障诊断优化模型中参数的最优值的准确性更高，故障诊断优化模型采用堆栈降噪自编码神经网络模型时故障诊断的准确率非常高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种往复压缩机故障诊断优化方法，其特征在于，包括：
确定待训练的故障诊断优化模型中参数的最优值；
根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；
在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。
2.如权利要求1所述的往复压缩机故障诊断优化方法，其特征在于，确定待训练的故障诊断优化模型中参数的最优值，包括：
获得待训练的故障诊断优化模型中参数的取值范围；
根据待训练的故障诊断优化模型中参数的取值范围，采用遗传算法确定待训练的故障诊断优化模型中参数的最优值。
3.如权利要求2所述的往复压缩机故障诊断优化方法，其特征在于，根据待训练的故障诊断优化模型中参数的取值范围，采用遗传算法确定待训练的故障诊断优化模型中参数的最优值，包括：
确定遗传算法的运行参数和适应度函数；
对待训练的故障诊断优化模型中参数的取值范围进行编码，产生初始种群；
根据遗传算法的运行参数对初始种群，循环执行以下步骤，直至循环次数达到设定遗传代数，输出最新的种群数：对初始种群进行选择、交叉和变异操作，获得满足适应度函数的新种群；将新种群替换初始种群；
对最新的种群进行解码，获得待训练的故障诊断优化模型中参数的最优值。
4.如权利要求1所述的往复压缩机故障诊断优化方法，其特征在于，根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型，包括：
获取往复压缩机的历史振动信号；
将往复压缩机的历史振动信号分成训练数据集和测试数据集；
提取训练数据集的特征向量；
根据待训练的故障诊断优化模型中参数的最优值，利用训练数据集的特征向量训练故障诊断优化模型，获得训练后的故障诊断优化模型。
5.如权利要求4所述的往复压缩机故障诊断优化方法，其特征在于，在根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型之后，还包括：
利用测试数据集对训练后的故障诊断优化模型的准确率进行验证，获得满足预设准确率的故障诊断优化模型；
在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果，包括：
在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至满足预设准确率的故障诊断优化模型，获得往复压缩机的故障诊断结果。
6.如权利要求1所述的往复压缩机故障诊断优化方法，其特征在于，故障诊断优化模型采用堆栈降噪自编码神经网络模型。
7.如权利要求5所述的往复压缩机故障诊断优化方法，其特征在于，在将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果之前，还包括：
对选取的往复压缩机的振动信号进行预处理；
将往复压缩机的振动信号输入至满足预设准确率的故障诊断优化模型，获得往复压缩机的故障诊断结果，包括：
将预处理后的往复压缩机的振动信号输入至满足预设准确率的故障诊断优化模型，获得往复压缩机的故障诊断结果。
8.一种往复压缩机故障诊断优化装置，其特征在于，包括：
模型参数确定模块，用于确定待训练的故障诊断优化模型中参数的最优值；
训练模块，用于根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；
诊断模块，用于在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至7任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910623216.6A CN110412872A (zh) | 2019-07-11 | 2019-07-11 | 往复压缩机故障诊断优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910623216.6A CN110412872A (zh) | 2019-07-11 | 2019-07-11 | 往复压缩机故障诊断优化方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110412872A true CN110412872A (zh) | 2019-11-05 |
Family
ID=68360971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910623216.6A Pending CN110412872A (zh) | 2019-07-11 | 2019-07-11 | 往复压缩机故障诊断优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110412872A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505531A (zh) * | 2021-07-06 | 2021-10-15 | 北京化工大学 | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 |
| CN113516023A (zh) * | 2021-04-23 | 2021-10-19 | 广东电网有限责任公司计量中心 | 设备振动异常诊断方法和系统 |
| CN114398206A (zh) * | 2022-01-06 | 2022-04-26 | 北京德风新征程科技有限公司 | 信息存储方法、装置、电子设备和计算机可读介质 |
| CN116538092A (zh) * | 2023-07-06 | 2023-08-04 | 中国科学院理化技术研究所 | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 |
| CN117649860A (zh) * | 2024-01-30 | 2024-03-05 | 中密控股股份有限公司 | 一种往复压缩机关键部位摩擦磨损状态识别方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040044633A1 (en) * | 2002-08-29 | 2004-03-04 | Chen Thomas W. | System and method for solving an optimization problem using a neural-network-based genetic algorithm technique |
| CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
| CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
| CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
| CN107560844A (zh) * | 2017-07-25 | 2018-01-09 | 广东工业大学 | 一种风电机组齿轮箱的故障诊断方法及系统 |
| CN107560845A (zh) * | 2017-09-18 | 2018-01-09 | 华北电力大学 | 一种齿轮箱故障诊断建立方法及装置 |
| CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
| CN109598336A (zh) * | 2018-12-05 | 2019-04-09 | 国网江西省电力有限公司信息通信分公司 | 一种基于栈式降噪自编码神经网络的数据约简方法 |
| CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
| CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
-
2019
- 2019-07-11 CN CN201910623216.6A patent/CN110412872A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040044633A1 (en) * | 2002-08-29 | 2004-03-04 | Chen Thomas W. | System and method for solving an optimization problem using a neural-network-based genetic algorithm technique |
| CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
| CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
| CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
| CN107560844A (zh) * | 2017-07-25 | 2018-01-09 | 广东工业大学 | 一种风电机组齿轮箱的故障诊断方法及系统 |
| CN107560845A (zh) * | 2017-09-18 | 2018-01-09 | 华北电力大学 | 一种齿轮箱故障诊断建立方法及装置 |
| CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
| CN109598336A (zh) * | 2018-12-05 | 2019-04-09 | 国网江西省电力有限公司信息通信分公司 | 一种基于栈式降噪自编码神经网络的数据约简方法 |
| CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
| CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许倩文 等: "栈式降噪自编码网络在变压器故障诊断中的应用", 《电测与仪表》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516023A (zh) * | 2021-04-23 | 2021-10-19 | 广东电网有限责任公司计量中心 | 设备振动异常诊断方法和系统 |
| CN113505531A (zh) * | 2021-07-06 | 2021-10-15 | 北京化工大学 | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 |
| CN113505531B (zh) * | 2021-07-06 | 2023-11-21 | 北京化工大学 | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 |
| CN114398206A (zh) * | 2022-01-06 | 2022-04-26 | 北京德风新征程科技有限公司 | 信息存储方法、装置、电子设备和计算机可读介质 |
| CN116538092A (zh) * | 2023-07-06 | 2023-08-04 | 中国科学院理化技术研究所 | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 |
| CN116538092B (zh) * | 2023-07-06 | 2023-11-14 | 中国科学院理化技术研究所 | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 |
| CN117649860A (zh) * | 2024-01-30 | 2024-03-05 | 中密控股股份有限公司 | 一种往复压缩机关键部位摩擦磨损状态识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110412872A (zh) | 往复压缩机故障诊断优化方法及装置 | |
| CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
| CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
| CN109765333A (zh) | 一种基于GoogleNet模型的变压器故障诊断方法 | |
| CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
| CN107784325A (zh) | 基于数据驱动增量融合的螺旋式故障诊断模型 | |
| CN113865868A (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
| CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
| CN107877262A (zh) | 一种基于深度学习的数控机床刀具磨损监测方法 | |
| CN109558873A (zh) | 一种基于变样本栈式自编码网络的模式识别方法 | |
| CN109187022A (zh) | 一种基于随机共振与自动编码器的滚动轴承故障诊断方法 | |
| CN107240136A (zh) | 一种基于深度学习模型的静态图像压缩方法 | |
| Ma et al. | An unsupervised domain adaptation approach with enhanced transferability and discriminability for bearing fault diagnosis under few-shot samples | |
| CN106271881A (zh) | 一种基于SAEs和K‑means的刀具破损监测方法 | |
| CN114429009A (zh) | 一种基于元迁移学习的小样本有杆泵井工况诊断方法 | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN111325233B (zh) | 一种变压器故障检测方法及装置 | |
| CN104680025A (zh) | 基于遗传算法极限学习机的抽油机参数优化方法 | |
| Zou et al. | Rolling bearing transfer fault diagnosis method based on adversarial variational autoencoder network | |
| Yu et al. | Fault diagnosis method for submersible reciprocating pumping unit based on deep belief network | |
| CN111911579B (zh) | 一种油压减振活塞阀系统、计算机设备、可读存储介质 | |
| CN116229960B (zh) | 欺骗性语音鲁棒检测方法、系统、介质及设备 | |
| CN116205738A (zh) | 一种基于深度聚类的金融数据选择优化方法 | |
| CN116340817A (zh) | 液压活塞泵智能故障识别方法 | |
| Yin et al. | Imbalanced Working States Recognition of Sucker Rod Well Dynamometer Cards Based on Data Generation and Diversity Augmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |