CN113435111B - 一种往复式压缩机故障诊断方法及系统 - Google Patents
一种往复式压缩机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113435111B CN113435111B CN202110640499.2A CN202110640499A CN113435111B CN 113435111 B CN113435111 B CN 113435111B CN 202110640499 A CN202110640499 A CN 202110640499A CN 113435111 B CN113435111 B CN 113435111B
- Authority
- CN
- China
- Prior art keywords
- compressor
- diagram
- characteristic
- image
- exhaust
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种往复式压缩机故障诊断方法及系统,包括如下过程:对采集到的压缩机气缸内动态压力数据按照压缩机的每个工作过程进行分段预处理,得到每个工作过程的p‑V图;对每个工作过程的p‑V图进行特征提取,得到每个工作过程的特征;将每个工作过程的特征排列为综合特征向量;将综合特征向量输入已预训练好的神经网络进行处理,得到神经网络的输出;根据预设的神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型。本发明利用压缩机的每个工作过程的p‑V图进行图像特征提取,能够根据提取的特征实现对往复式压缩机的故障诊断,本发明能够利用算法自动实现,可以大大降低在往复式压缩机故障诊断上的人力投入。
Description
技术领域
本发明属于压缩机技术领域,具体涉及一种往复式压缩机故障诊断方法及系统。
背景技术
石油化工行业是我国的重要产业,而往复式压缩机是其工艺流程中不可或缺的核心装置,压缩机能否正常运行直接关系到企业的经济效益。有些工艺压缩机的压缩机介质为氢气、乙烯、天然气等易燃易爆的气体,且工作在高压条件下,一旦发生故障可能会造成严重的人员伤亡事故。因此,研究往复式压缩机的故障诊断技术,尽早发现故障异常,并采取相应的防治措施具有重要意义。
然而,往复式压缩机的结构复杂,易损件多,且结构之间的相对运动较多,结构件受力复杂,因此,往复式压缩机的故障具有多样性,且故障之间的关联性强和复杂度高的特点。这就给人工的诊断过程增加了难度,使得诊断过程在时间上不够及时,并且诊断结果的准确性很大程度上依赖于诊断专家的经验学识。若诊断信号成分复杂,加之诊断专家的经验不足,可能还会出现误判的情况。因此减少诊断过程中人工的参与,提高诊断精度是往复压缩机故障诊断的迫切需求。
发明内容
为了克服上述现有技术存在的问题,本发明的目的在于提出一种往复式压缩机故障诊断方法及系统,本发明能够实现往复式压缩机故障的智能诊断。
为了实现上述目的,本发明采用的解决方案是:
一种往复式压缩机故障诊断方法,包括如下过程:
对采集到的压缩机气缸内动态压力数据按照压缩机的每个工作过程进行分段预处理,得到每个工作过程的p-V图;
对每个工作过程的p-V图进行特征提取,得到每个工作过程的特征;
将每个工作过程的特征排列为综合特征向量;
将综合特征向量输入已预训练好的神经网络进行处理,得到神经网络的输出;
根据预设的神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型。
优选的,压缩机的工作过程包括膨胀过程、进气过程、压缩过程和排气过程。
优选的,对膨胀过程的p-V图进行特征提取的过程包括:
使用击中或击不中变换方法,统计膨胀过程的p-V图中不同特征像素结构元素的数目,利用不同特征像素结构元素的数目以及三角合成原理,得到代表膨胀过程线斜率的综合角度,将所述代表膨胀过程线斜率的综合角度作为膨胀过程的特征。
优选的,对压缩过程的p-V图进行特征提取的过程包括:
使用击中或击不中变换方法,统计压缩过程的p-V图中不同特征像素结构元素的数目,利用不同特征像素结构元素的数目以及三角合成原理,得到代表压缩过程线斜率的综合角度,将所述代表压缩过程线斜率的综合角度作为压缩过程的特征。
优选的,p-V图中不同特征像素结构元素包括三类,其中:
第一类特征像素结构元素包含两个相邻的像素,这两个相邻的像素的其中一条对角线共线,且共线的对角线倾斜方向为向p-V图中的p轴方向倾斜;
第二类特征像素结构元素包含两个相邻的像素,这两个相邻的像素具有一条共同的边,这两个相邻的像素为平行于p-V图中p轴方向上的两个像素;
第三类特征像素结构元素包含两个相邻的像素,这两个相邻的像素具有一条共同的边,这两个相邻的像素为平行于p-V图中V轴方向上的两个像素。
优选的,对进气过程的p-V图进行特征提取的过程包括:
将进气过程的p-V图在垂直于p-V图中V坐标轴方向进行投影,将投影后的结果在V坐标轴方向像素长度上等分为若干份,分别统计每份中像素点的数量,将每份中像素点的数量依次排列得到垂直投影特征向量,该垂直投影特征向量作为进气过程的特征。
优选的,对排气过程的p-V图进行特征提取的过程包括:
将排气过程的p-V图在垂直于p-V图中V坐标轴方向进行投影,将投影后的结果在V坐标轴方向像素长度上等分为若干份,分别统计每份中像素点的数量,将每份中像素点的数量依次排列得到垂直投影特征向量,该垂直投影特征向量作为排气过程的特征。
优选的,将每个工作过程的特征排列为综合特征向量时,将膨胀过程的特征、进气过程的特征、压缩过程的特征和排气过程的特征按顺序排列。
优选的,压缩机状态类型包括:正常、进气阀弹簧失效、进气阀裂纹、进气阀断裂、排气阀弹簧失效、排气阀裂纹、排气阀断裂和活塞环磨损。
本发明还提供了一种往复式压缩机故障诊断系统,包括:
预处理模块:用于对采集到的压缩机气缸内动态压力数据按照压缩机的每个工作过程进行分段预处理,得到每个工作过程的p-V图;
特征提取模块:用于对每个工作过程的p-V图进行特征提取,得到每个工作过程的特征;
特征处理模块:用于将每个工作过程的特征排列为综合特征向量;
计算模块:用于将综合特征向量输入已预训练好的神经网络进行处理,得到神经网络的输出;
判断模块:用于根据预设的神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型。
本发明具有如下有益效果:
若压缩机状态出现变化时,压缩机气缸的工作容积和压力会有反应,因此本发明利用压缩机的每个工作过程的p-V图进行图像特征提取,能够根据提取的特征实现对往复式压缩机的故障诊断,本发明的往复式压缩机故障诊断方法能够利用算法自动实现,可以大大降低在往复式压缩机故障诊断上的人力投入。此外,在获取p-V图时,仅利用现有检测得到的键相信号信息即可,无需额外的采集手段,进一步的又节约了成本。
附图说明
图1是本发明往复式压缩机故障诊断方法的流程示意图。
图2(a)是本发明实施例中对动态原始数据分段处理得到的膨胀过程的p-V图。
图2(b)是本发明实施例中对动态原始数据分段处理得到的压缩过程的p-V图。
图2(c)是本发明实施例中对动态原始数据分段处理得到的进气过程的p-V图。
图2(d)是本发明实施例中对动态原始数据分段处理得到的排气过程的p-V图。
图3(a)是本发明实施例中击中或击不中变换所统计的第一类特征像素结构元素结构图。
图3(b)是本发明实施例中击中或击不中变换所统计的第二类特征像素结构元素结构图。
图3(c)是本发明实施例中击中或击不中变换所统计的第三类特征像素结构元素结构图。
图4是本发明实施例中所使用的BP神经网络的结构图。
图5是本发明实施例中显示神经网络分类精度的混淆矩阵。
具体实施方式
以下将对本发明的实施进行详细描述。
参照图1、图2(a)-图2(d)以及图3(a)-图3(b),本发明往复式压缩机故障诊断方法包括以下步骤:
(1)结合由往复式压缩机监测系统采集到的键相信号,对压缩机监测系统采集到的气缸内动态压力数据按照压缩机的工作过程进行分段预处理,形成分段p-V图;
(2)利用数字图像处理技术,对分段p-V图进行数字图像特征提取;
(3)利用一个输出层为softmax层的BP神经网络对提取到的特征进行故障分类诊断;
其中,步骤(1)具体包括:
步骤1.1,以触发键相信号时的曲轴转角为每个压缩机工作循环周期的起始点,根据气缸工作容积V和曲轴转角θ的对应关系,得到气缸工作容积V:
其中,V0为余隙容积,单位为m3;Di为第i级气缸内径,单位为m;r为曲柄半径,单位为m;λ为曲柄半径连杆比,为无量纲常量;V0,Di,r,λ均为已知常数;
步骤1.2,依据往复压缩机的工作原理,将压缩机的每个工作过程划分为:膨胀过程、进气过程、压缩过程和排气过程这四个阶段,并分别作出每个阶段的p-V图。划分四个工作过程的原则为:膨胀过程的起点是键相信号被触发的时刻,终点是气缸压力第一次和进气压力相等时的时刻;进气过程的起点是膨胀过程的终点,终点是曲轴旋转180度时所对应的时刻;压缩过程的起点是进气过程的终点,终点是气缸压力第一次和排气压力相等时的时刻;排气过程的起点是压缩过程的终点,终点是下一个循环中膨胀过程的起点。根据上述分段原则,对往复式压缩机的四个分段工作过程分别作出p-V图,如图2(a)-图2(d)所示。
其中,步骤(2)具体包括:
步骤2.1,对膨胀过程图,使用击中或击不中变换方法,统计如图3(a)-图3(c)所示的三种像素结构元素的数目,参照图2(a)和图2(b)的方位,第一类特征像素结构元素包含两个相邻的像素,这两个相邻的像素的其中一条对角线共线,且共线的对角线倾斜方向为向p-V图中的p轴方向倾斜;第二类特征像素结构元素包含两个相邻的像素,这两个相邻的像素具有一条共同的边,这两个相邻的像素为平行于p-V图中p轴方向上的两个像素;第三类特征像素结构元素包含两个相邻的像素,这两个相邻的像素具有一条共同的边,这两个相邻的像素为平行于p-V图中V轴方向上的两个像素。其中第一类像素结构的数量为a,第二类像素结构的数量为b,第三类像素结构的数量为c。利用三角合成原理,得到代表膨胀过程线斜率的综合角度βe。
βe=arctan[(a+b)/(a+c)]
其中,βe为综合角度,单位为度;
步骤2.2,对压缩过程图,同样先使用击中或击不中变换方法提取如图3(a)-图3(c)所示的三种像素结构的数目,再结合三角合成原理,得到代表压缩过程线斜率特征的综合角度βc。针对膨胀过程线和压缩过程线分别提取特征角度的原因是,在p-V图中,膨胀过程线和压缩机过程线的斜率最能代表往复式压缩机的运行状态,利用击中或击不中变换提取的其综合角度能有效反映出这两条过程线的斜率大小,进而反映出压缩机的运行状态。
步骤2.3,参照图2(c),将进气过程图在垂直于V坐标轴方向进行数字图像投影,将投影后的结果在V坐标轴方向像素长度上进行等分,分别统计每份中像素点的数量,形成一个垂直投影特征向量αs。
步骤2.4,参照图2(d),将排气过程图在垂直于V坐标轴方向进行数字图像投影,将投影后的结果在V坐标轴方向像素长度上进行等分,分别统计每份中像素点的数量,形成一个垂直投影特征向量αd。针对进气过程线和排气过程线,提取其图像垂直方向投影的原因是,在p-V图中,进气过程线和排气过程线的长短和波动情况最能有效反映出往复式压缩机的运行状态。对两个过程线的图像垂直投影进行等分统计,可以有效反映出两条过程线的长短分布和波动分布情况。
其中,步骤(3)具体包括:
步骤3.1,将上述得到的:膨胀过程综合角度βe、压缩过程综合角度βc、进气过程垂直投影特征αs和排气过程垂直投影特征αd,按上述顺序进行排列,形成一个综合特征向量。
步骤3.2,将该综合特征向量作为已经训练好的神经网络的输入,网络即可得到相应输出。根据提前预设的网络输出和压缩机状态之间的映射关系(该映射关系通过采集不同压缩机状态的数据进行上述数据处理过程,得到神经网络的输出,每一种压缩机状态对应一个输入,这样通过大量的训练即可得到所述映射关系,该过程为常规过程,本发明不再赘述),即可得到相应的往复式压缩机状态。压缩机状态有8种类型,包括:正常、进气阀弹簧失效、进气阀裂纹、进气阀断裂、排气阀弹簧失效、排气阀裂纹、排气阀断裂和活塞环磨损。所述的包含一个softmax层的BP神经网络结构如图4所示,第一层为输入层,第二层为隐层,该层的激活函数为sigmoid函数,第三层为softmax层也即输出层,其特点是包含一个softmax函数,其作用是将多分类的结果以概率的形式呈现出来,多用于多分类问题。以第j个节点输出为例,softmax函数的定义为:
其中,zj为第j个节点的输出值,C为输出节点的个数,也即分类的类别个数。
本发明上述方案中,采用击中或击不中变换和图像垂直投影统计的技术方法对分段p-V图进行图像特征提取能够使故障特征更加明显,大大提升后续神经网络对特征分类的精度。同时,该算法是自动实现的,可以大大降低在往复式压缩机故障诊断上的人力投入。
实施例
如图1所示,本实施例的往复式压缩机故障诊断方法:
(1)结合键相信号信息,对压缩机监测系统采集到的气缸内动态压力数据进行分段预处理,形成分段p-V图;
(2)利用数字图像处理技术,对分段p-V图进行数字图像特征提取;
(3)利用神经网络对提取到的特征进行故障分类诊断;
其中,步骤(1)具体包括:
步骤1.1,以触发键相信号时的曲轴转角为每个压缩机工作循环周期的起始点,根据气缸工作容积V和曲轴转角θ的对应关系,得到气缸工作容积V:
其中,V0为余隙容积,单位为m3;Di为第i级气缸内径,单位为m;r为曲柄半径,单位为m;λ为曲柄半径连杆比,为无量纲常量;V0,Di,r,λ均为已知常数;
步骤1.2,依据往复压缩机的工作原理,将压缩机的每个工作过程划分为:膨胀,进气,压缩,和排气四个阶段,并分别作出分段p-V图。划分四个工作过程的原则为:膨胀过程的起点是键相信号被触发的时刻,终点是气缸压力第一次和进气压力相等时的时刻;进气过程的起点是膨胀过程的终点,终点是曲轴旋转180度时所对应的时刻;压缩过程的起点是进气过程的终点,终点是气缸压力第一次和排气压力相等时的时刻;排气过程的起点是压缩过程的终点,终点是下一个循环中膨胀过程的起点。根据上述分段原则,对往复式压缩机的四个分段工作过程分别作出p-V图。图2所示是以压缩机正常运行工况为例所作的p-V图。
其中,步骤(2)具体包括:
步骤2.1,对上述膨胀过程图,使用击中或击不中变换方法,统计如图3所示的三种像素结构元素的数目。其中第一类像素结构的数量为141,第二类像素结构的数量为553,第三类像素结构的数量为141。利用三角合成原理,得到代表膨胀过程线斜率的综合角度βe,为75.7度。三角合成原理为:
β=arctan[(a+b)/(a+c)]
其中,β为综合角度,单位为度;
步骤2.2,对上述压缩过程图,使用击中或击不中变换方法,统计如图3所示的三种像素结构元素的数目。其中第一类像素结构的数量为154,第二类像素结构的数量为363,第三类像素结构的数量为155。利用三角合成原理,得到代表压缩过程线斜率的综合角度βc,为66.9度。
步骤2.3,将上述进气过程图在垂直于V坐标轴方向进行数字图像投影,将投影后的结果按照V坐标轴方向像素长度进行6等分,分别统计每份中像素点的数量,形成一个垂直投影特征向量αs,为[0,146,100,100,100,95]。
步骤2.4,将上述排气过程图在垂直于V坐标轴方向进行数字图像投影,将投影后的结果按照V坐标轴方向像素长度进行6等分,分别统计每份中像素点的数量,形成一个垂直投影特征向量αd,为[88,100,100,105,40,0]。
其中,步骤(3)具体包括:
步骤3.1,将步骤(2)中得到的:膨胀过程综合角度βe,压缩过程综合角度βc,进气过程垂直投影特征αs和排气过程垂直投影特征αd,按照上述顺序进行排列,形成一个1*14的特征向量,为[75.7,66.9,0,146,100,100,100,95,88,100,100,105,40,0]。
步骤3.2,将该综合特征向量作为已经训练好的神经网络的输入,如图4所示,网络即可得到相应输出。根据提前预设的网络输出和压缩机状态之间的映射关系,即可得到相应的压缩机状态。本实施例中,其输出结果代表正常。
在网络的训练过程中,使用占样本集总量15%的随机测试集,测试该网络的分类精度得到的混淆矩阵如图5所示,从图5可以看出,其整体分类精度高达99.1%。该测试结果说明,本发明可以在不需要人为参与的情况下自动诊断,并且在往复式压缩机智能故障诊断方面的表现很优秀。
该具体实施方式仅仅是本发明的较佳示例,并非对本发明进行限制。在不脱离本发明原理且尚未做出创新的情况下,本领域相关技术人员通过修改、替换、改进等方式所获得的所有其他实施例,均应视为在本发明所保护的技术范围内。
Claims (5)
1.一种往复式压缩机故障诊断方法,其特征在于,包括如下过程:
对采集到的压缩机气缸内动态压力数据按照压缩机的每个工作过程进行分段预处理,得到每个工作过程的p-V图;
对每个工作过程的p-V图进行特征提取,得到每个工作过程的特征;
将每个工作过程的特征排列为综合特征向量;
将综合特征向量输入已预训练好的神经网络进行处理,得到神经网络的输出;
根据预设的神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型;
压缩机的工作过程包括膨胀过程、进气过程、压缩过程和排气过程;
对膨胀过程的p-V图进行特征提取的过程包括:
使用击中或击不中变换方法,统计膨胀过程的p-V图中不同特征像素结构元素的数目,利用不同特征像素结构元素的数目以及三角合成原理,得到代表膨胀过程线斜率的综合角度,将所述代表膨胀过程线斜率的综合角度作为膨胀过程的特征;
对压缩过程的p-V图进行特征提取的过程包括:
使用击中或击不中变换方法,统计压缩过程的p-V图中不同特征像素结构元素的数目,利用不同特征像素结构元素的数目以及三角合成原理,得到代表压缩过程线斜率的综合角度,将所述代表压缩过程线斜率的综合角度作为压缩过程的特征;
对进气过程的p-V图进行特征提取的过程包括:
将进气过程的p-V图在垂直于p-V图中V坐标轴方向进行投影,将投影后的结果在V坐标轴方向像素长度上等分为若干份,分别统计每份中像素点的数量,将每份中像素点的数量依次排列得到垂直投影特征向量,该垂直投影特征向量作为进气过程的特征;
对排气过程的p-V图进行特征提取的过程包括:
将排气过程的p-V图在垂直于p-V图中V坐标轴方向进行投影,将投影后的结果在V坐标轴方向像素长度上等分为若干份,分别统计每份中像素点的数量,将每份中像素点的数量依次排列得到垂直投影特征向量,该垂直投影特征向量作为排气过程的特征。
2.根据权利要求1所述的一种往复式压缩机故障诊断方法,其特征在于,p-V图中不同特征像素结构元素包括三类,其中:
第一类特征像素结构元素包含两个相邻的像素,这两个相邻的像素的其中一条对角线共线,且共线的对角线倾斜方向为向p-V图中的p轴方向倾斜;
第二类特征像素结构元素包含两个相邻的像素,这两个相邻的像素具有一条共同的边,这两个相邻的像素为平行于p-V图中p轴方向上的两个像素;
第三类特征像素结构元素包含两个相邻的像素,这两个相邻的像素具有一条共同的边,这两个相邻的像素为平行于p-V图中V轴方向上的两个像素。
3.根据权利要求1所述的一种往复式压缩机故障诊断方法,其特征在于,将每个工作过程的特征排列为综合特征向量时,将膨胀过程的特征、进气过程的特征、压缩过程的特征和排气过程的特征按顺序排列。
4.根据权利要求1所述的一种往复式压缩机故障诊断方法,其特征在于,压缩机状态类型包括:正常、进气阀弹簧失效、进气阀裂纹、进气阀断裂、排气阀弹簧失效、排气阀裂纹、排气阀断裂和活塞环磨损。
5.一种往复式压缩机故障诊断系统,其特征在于,包括:
预处理模块:用于对采集到的压缩机气缸内动态压力数据按照压缩机的每个工作过程进行分段预处理,得到每个工作过程的p-V图;压缩机的工作过程包括膨胀过程、进气过程、压缩过程和排气过程;
特征提取模块:用于对每个工作过程的p-V图进行特征提取,得到每个工作过程的特征;
对膨胀过程的p-V图进行特征提取的过程包括:使用击中或击不中变换方法,统计膨胀过程的p-V图中不同特征像素结构元素的数目,利用不同特征像素结构元素的数目以及三角合成原理,得到代表膨胀过程线斜率的综合角度,将所述代表膨胀过程线斜率的综合角度作为膨胀过程的特征;
对压缩过程的p-V图进行特征提取的过程包括:
使用击中或击不中变换方法,统计压缩过程的p-V图中不同特征像素结构元素的数目,利用不同特征像素结构元素的数目以及三角合成原理,得到代表压缩过程线斜率的综合角度,将所述代表压缩过程线斜率的综合角度作为压缩过程的特征;
对进气过程的p-V图进行特征提取的过程包括:
将进气过程的p-V图在垂直于p-V图中V坐标轴方向进行投影,将投影后的结果在V坐标轴方向像素长度上等分为若干份,分别统计每份中像素点的数量,将每份中像素点的数量依次排列得到垂直投影特征向量,该垂直投影特征向量作为进气过程的特征;
对排气过程的p-V图进行特征提取的过程包括:
将排气过程的p-V图在垂直于p-V图中V坐标轴方向进行投影,将投影后的结果在V坐标轴方向像素长度上等分为若干份,分别统计每份中像素点的数量,将每份中像素点的数量依次排列得到垂直投影特征向量,该垂直投影特征向量作为排气过程的特征;
特征处理模块:用于将每个工作过程的特征排列为综合特征向量;
计算模块:用于将综合特征向量输入已预训练好的神经网络进行处理,得到神经网络的输出;
判断模块:用于根据预设的神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640499.2A CN113435111B (zh) | 2021-06-08 | 2021-06-08 | 一种往复式压缩机故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640499.2A CN113435111B (zh) | 2021-06-08 | 2021-06-08 | 一种往复式压缩机故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435111A CN113435111A (zh) | 2021-09-24 |
CN113435111B true CN113435111B (zh) | 2022-10-25 |
Family
ID=77755397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110640499.2A Active CN113435111B (zh) | 2021-06-08 | 2021-06-08 | 一种往复式压缩机故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435111B (zh) |
Citations (4)
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 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
CN111259993A (zh) * | 2020-03-05 | 2020-06-09 | 沈阳工程学院 | 一种基于神经网络的故障诊断方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100106458A1 (en) * | 2008-10-28 | 2010-04-29 | Leu Ming C | Computer program and method for detecting and predicting valve failure in a reciprocating compressor |
-
2021
- 2021-06-08 CN CN202110640499.2A patent/CN113435111B/zh active Active
Patent Citations (4)
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 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
CN111259993A (zh) * | 2020-03-05 | 2020-06-09 | 沈阳工程学院 | 一种基于神经网络的故障诊断方法及装置 |
Non-Patent Citations (3)
Title |
---|
Fault Diagnosis for Reciprocating Air Compressor Valve Using P-V Indicator Diagram and SVM;Fengtao Wang等;《Third International Symposium on Information Science and Engineering》;20110711;第255-258页 * |
基于BP网络的往复压缩机气缸故障诊断技术;刘耀芳等;《粮油加工》;20100628(第06期);第143-146页 * |
基于人工智能的往复式压缩机故障诊断研究综述;刘华敏等;《流体机械》;20200930;第48卷(第9期);第65-70、82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435111A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11454567B2 (en) | Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal | |
CN110310261B (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
CN109596326B (zh) | 基于优化结构卷积神经网络的旋转机械故障诊断方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
EP0637739A2 (en) | Testing an internal combustion engine | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN111709292A (zh) | 基于递归图和深度卷积网络的压气机振动故障检测法 | |
CN113177937B (zh) | 基于改进YOLOv4-tiny的布匹缺陷检测方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN112631261A (zh) | 一种大功率拖拉机远程故障诊断系统及方法 | |
CN114239641A (zh) | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 | |
CN103969052A (zh) | 基于离群分析的柴油机故障诊断方法 | |
CN101661029A (zh) | 压铸件品质在线检测方法 | |
CN107727333A (zh) | 一种用于液压缸泄漏分析的诊断方法 | |
CN114062511A (zh) | 一种基于单传感器的航空发动机早期损伤声发射智能识别方法 | |
CN115014789B (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 | |
CN113435111B (zh) | 一种往复式压缩机故障诊断方法及系统 | |
CN117407734A (zh) | 一种气缸密封性检测方法及系统 | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN113689038A (zh) | 一种基于多传感器模糊评估的发动机气缸故障预测方法 | |
CN109389170A (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
CN113537010B (zh) | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 | |
CN112665713B (zh) | 一种基于实时振动数据的往复机械设备故障检测方法 | |
CN115424075A (zh) | 一种流水线状态监测方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |