CN113819082A - 离心式压缩机润滑油液在线监测诊断方法及系统 - Google Patents

离心式压缩机润滑油液在线监测诊断方法及系统 Download PDF

Info

Publication number
CN113819082A
CN113819082A CN202010561417.0A CN202010561417A CN113819082A CN 113819082 A CN113819082 A CN 113819082A CN 202010561417 A CN202010561417 A CN 202010561417A CN 113819082 A CN113819082 A CN 113819082A
Authority
CN
China
Prior art keywords
parameters
network model
centrifugal compressor
state
parameter
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
CN202010561417.0A
Other languages
English (en)
Other versions
CN113819082B (zh
Inventor
邱枫
屈定荣
李明骏
许述剑
许可
潘隆
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.)
China Petroleum and Chemical Corp
Sinopec Safety Engineering Research Institute Co Ltd
Original Assignee
China Petroleum and Chemical Corp
Sinopec Qingdao Safety Engineering Institute
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 China Petroleum and Chemical Corp, Sinopec Qingdao Safety Engineering Institute filed Critical China Petroleum and Chemical Corp
Priority to CN202010561417.0A priority Critical patent/CN113819082B/zh
Publication of CN113819082A publication Critical patent/CN113819082A/zh
Application granted granted Critical
Publication of CN113819082B publication Critical patent/CN113819082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

本发明实施例提供一种离心式压缩机润滑油液在线监测诊断方法及系统，属于故障诊断技术领域，解决了现有技术中离线监测的检测效率低、检测结果存在偏差，以及在振动监测系统中无法及时发现润滑油液中的微小磨损量的问题。所述方法包括：实时获取运行中的所述离心式压缩机的振动参数与润滑油液中的油液参数；将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态。本发明实施例适用于离心式压缩机的运行状态确定过程。

Description

离心式压缩机润滑油液在线监测诊断方法及系统
技术领域
本发明涉及故障诊断技术领域，具体地涉及一种离心式压缩机润滑油液在线监测诊断方法及系统。
背景技术
离心式压缩机作为石化类装置的核心机组，它的一次事故停机可能导致损失超过千万元，提高离心式压缩机运行的可靠性，已成为制造商、工程公司和企业用户的重要课题。
目前对于离心式压缩机润滑系统的油液监测方法为离线定期采样分析方法。其中，对于离线定期采样分析方法包括润滑油液的理化性能分析、基于光谱技术和铁谱技术的磨损颗粒分析。离心式压缩机通常拥有振动在线监测系统，对设备的振动情况进行监测，但往往振动较大时即发生突然停车，影响生产，因为振动监测无法通过磨损初期的早期状态发现设备的磨损情况。
本申请发明人在实现本发明的过程中，发现现有技术的上述方案具有如下缺陷：对于离线定期采样分析方法，受检测周期影响，不能实时反映设备状态；检测效率低，只能逐个或逐点采样检测；人为采样容易出现个体差异；采样点的油液与润滑过程的油液状态存在偏差；采样品受放置环境影响，带来分析结果的不确定性。而对于振动监测系统，无法及时发现设备微小磨损，影响设备正常运行，引发安全事故。
发明内容
本发明实施例的目的是提供一种离心式压缩机润滑油液在线监测诊断方法及系统，解决了现有技术中离线监测的检测效率低、检测结果存在偏差，以及在振动监测系统中无法及时发现润滑油液中的微小磨损量的问题，本发明实施例将实时获取的振动监测数据与润滑油液数据相结合，进行多信息综合实时准确诊断设备运行状态，实现设备故障的预报预警，保障设备安全运行。
为了实现上述目的，本发明实施例提供一种离心式压缩机润滑油液在线监测诊断方法，所述方法包括：实时获取运行中的所述离心式压缩机的振动参数与润滑油液中的油液参数；将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态。
进一步地，所述振动参数包括振动幅值和振动频率特征值，所述油液参数包括水分参数、粘度参数和污染颗粒参数，所述运行状态包括待维修状态、高动态状态、波动状态和平稳状态，且上述状态对应于所述离心式压缩机的振动幅度逐渐递减。
进一步地，所述将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态包括：分别将所述振动参数与所述油液参数代入所述预设神经网络模型中对应的第一子网络模型和第二子网络模型，得到每个子网络模型输出的每个运行状态的概率值；将所述振动参数对应的相关系数取均值后与所述第一子网络模型输出的每个运行状态的概率值相乘，得到所述第一子网络模型对应的每个运行状态的相关概率值；将所述油液参数对应的相关系数取均值后与所述第二子网络模型输出的每个运行状态的概率值相乘，得到所述第二子网络模型对应的每个运行状态的相关概率值；提取所述第一子网络模型、第二子网络模型对应的每个运行状态的相关概率值的最大值，得到每个运行状态对应的最大相关概率值；将所述最大相关概率值中的最大值对应的运行状态，作为所述离心式压缩机的当前运行状态。
进一步地，在所述得到所述离心式压缩机的当前运行状态之后，所述方法还包括：当所述当前运行状态为待维修状态时，停止所述离心式压缩机的运行；当所述当前运行状态为高动态状态或波动状态时，根据所述最大相关概率值中的最大值对应的子网络模型，提示高动态状态或波动状态的类型，其中，当所述最大相关概率值中的最大值对应的子网络模型为第一子网络模型时，提示为振动高动态或振动波动；当所述最大相关概率值中的最大值对应的子网络模型为第二子网络模型时，提示为润滑高动态或润滑波动。
进一步地，所述预设神经网络模型通过下述方式建立：获取所述振动参数、油液参数以及其对应的运行状态的训练集和测试集；利用所述振动参数以及对应的运行状态的训练集训练初始第一子网络模型，直到所述振动参数以及对应的运行状态的测试集对训练后的初始第一子网络模型进行测试的测试误差小于预设误差，得到所述第一子网络模型；利用所述油液参数以及对应的运行状态的训练集训练初始第二子网络模型，直到所述油液参数以及对应的运行状态的测试集对训练后的初始第二子网络模型进行测试的测试误差小于预设误差，得到所述第二子网络模型；根据所述第一子网络模型、第二子网络模型以及所述振动参数、油液参数对应的相关系数，得到所述预设神经网络模型。
进一步地，在所述得到每个运行状态对应的最大相关概率值之后，所述方法还包括：实时获取运行中的所述离心式压缩机的生产工艺参数，所述生产工艺参数包括功率损耗值、压力损耗值、温度损耗值、转速值以及油液流量值；将所述生产工艺参数代入预设工艺神经网络模型，得到每个运行状态的概率值；将所述生产工艺参数对应的相关系数取均值后与每个运行状态的概率值相乘，得到所述预设工艺神经网络模型对应的每个运行状态的相关概率值；提取每个运行状态对应的最大相关概率值与所述预设工艺神经网络模型对应的每个运行状态的相关概率值中的最大值，并将该最大值对应的运行状态作为所述离心式压缩机的当前运行状态。
进一步地，在所述得到所述离心式压缩机的当前运行状态之后，所述方法还包括：当所述当前运行状态为高动态状态或波动状态，且该最大值对应的网络模型为所述预设工艺神经网络模型时，提示为工艺高动态或工艺波动。
进一步地，所述振动参数、生产工艺参数、油液参数对应的相关系数通过下述方式获得：获取所述振动参数、生产工艺参数、油液参数以及其对应的运行状态的数据集，所述数据集中包括多组数据，每组数据包括振动参数、生产工艺参数、油液参数以及其对应的运行状态；根据
Figure BDA0002546223470000041
得到第x种运行状态与第y种参数之间的相关系数rxy，其中，xi为第i组数据中的运行状态的参量，
Figure BDA0002546223470000042
为n组数据中的运行状态的参量的均值，yi为第i组数据中第y种参数的数值，
Figure BDA0002546223470000043
为n组数据中的第y种参数的均值，n为所述数据集中的数据组数，所述运行状态中的待维修状态、高动态状态、波动状态和平稳状态对应的参量分别为4、3、2、1，y＝1，2，3，…，10，所述y种参数包括振动幅值、振动频率特征值、功率损耗值、压力损耗值、温度损耗值、转速值、油液流量值、水分参数、粘度参数和污染颗粒参数。
进一步地，所述方法还包括：当所述离心式压缩机的新润滑油液投入使用时，获取油液中的初始水分参数、初始粘度参数、初始污染颗粒参数，以及润滑油液失效时的失效水分参数、失效粘度参数、失效污染颗粒参数；获取运行中的所述离心式压缩机的润滑油液中的当前水分参数、当前粘度参数、当前污染颗粒参数以及所述润滑油液的当前使用时间；根据
Figure BDA0002546223470000044
Figure BDA0002546223470000045
确定所述离心式压缩机的润滑油液的剩余寿命N，其中，w0为所述初始水分参数，v0为所述初始粘度参数，u0为所述初始污染颗粒参数，ws为所述失效水分参数，vs为所述失效粘度参数，us为所述失效污染颗粒参数，w为所述当前水分参数，v为所述当前粘度参数，u为所述当前污染颗粒参数，t为所述润滑油液的当前使用时间。
进一步地，在所述确定所述离心式压缩机的润滑油液的剩余寿命之后，所述方法还包括：判断所述剩余寿命是否小于或等于更换阈值；当所述剩余寿命小于或等于所述更换阈值时，提示更换所述离心式压缩机中的润滑油液。
进一步地，所述污染颗粒参数通过下述方式获得：获取多种元素的磨损量；根据
Figure BDA0002546223470000051
得到所述污染颗粒参数u，其中，ui为第i种元素的磨损量，gi为第i种元素的权重值，且
Figure BDA0002546223470000052
其中，ci为第i种元素在所述离心式压缩机被使用前，所述离心式压缩机中不同元素的质量含量，m为元素的个数。
相应地，本发明实施例还提供一种离心式压缩机润滑油液在线监测诊断系统，所述系统包括：数据采集装置，其被配置为实时获取运行中的所述离心式压缩机的振动参数与润滑油液中的油液参数；控制器，其被配置为执行如下操作：将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态。
进一步地，所述数据采集装置包括：振动监测装置，其被配置为实时获取运行中的所述离心式压缩机的振动参数，所述振动参数包括振动幅值和振动频率特征值；油路循环模块，其被配置为提取运行中的所述离心式压缩机中的润滑油液，并将提取出来的润滑油液送至传感器；所述传感器，其被配置为实时获取提取出来的润滑油液中的油液参数，所述油液参数包括水分参数、粘度参数和污染颗粒参数。
进一步地，所述运行状态包括待维修状态、高动态状态、波动状态和平稳状态，且上述状态对应于所述离心式压缩机的振动幅度逐渐递减，所述控制器将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态包括：分别将所述振动参数与所述油液参数代入所述预设神经网络模型中对应的第一子网络模型和第二子网络模型，得到每个子网络模型输出的每个运行状态的概率值；将所述振动参数对应的相关系数取均值后与所述第一子网络模型输出的每个运行状态的概率值相乘，得到所述第一子网络模型对应的每个运行状态的相关概率值；将所述油液参数对应的相关系数取均值后与所述第二子网络模型输出的每个运行状态的概率值相乘，得到所述第二子网络模型对应的每个运行状态的相关概率值；提取所述第一子网络模型、第二子网络模型对应的每个运行状态的相关概率值的最大值，得到每个运行状态对应的最大相关概率值；将所述最大相关概率值中的最大值对应的运行状态，作为所述离心式压缩机的当前运行状态。
进一步地，在所述得到所述离心式压缩机的当前运行状态之后，所述控制器还用于执行如下操作：当所述当前运行状态为待维修状态时，停止所述离心式压缩机的运行；当所述当前运行状态为高动态状态或波动状态时，根据所述最大相关概率值中的最大值对应的子网络模型，提示高动态状态或波动状态的类型，其中，当所述最大相关概率值中的最大值对应的子网络模型为第一子网络模型时，提示为振动高动态或振动波动；当所述最大相关概率值中的最大值对应的子网络模型为第二子网络模型时，提示为润滑高动态或润滑波动。
进一步地，所述预设神经网络模型通过下述方式建立：获取所述振动参数、油液参数以及其对应的运行状态的训练集和测试集；利用所述振动参数以及对应的运行状态的训练集训练初始第一子网络模型，直到所述振动参数以及对应的运行状态的测试集对训练后的初始第一子网络模型进行测试的测试误差小于预设误差，得到所述第一子网络模型；利用所述油液参数以及对应的运行状态的训练集训练初始第二子网络模型，直到所述油液参数以及对应的运行状态的测试集对训练后的初始第二子网络模型进行测试的测试误差小于预设误差，得到所述第二子网络模型；根据所述第一子网络模型、第二子网络模型以及所述振动参数、生油液参数对应的相关系数，得到所述预设神经网络模型。
进一步地，所述数据采集装置还包括：生产工艺监测装置，其被配置为实时获取运行中的所述离心式压缩机的生产工艺参数，所述生产工艺参数包括功率损耗值、压力损耗值、温度损耗值、转速值以及油液流量值；在所述得到每个运行状态对应的最大相关概率值之后，所述控制器还用于执行如下操作：实时获取运行中的所述离心式压缩机的生产工艺参数；将所述生产工艺参数代入预设工艺神经网络模型，得到每个运行状态的概率值；将所述生产工艺参数对应的相关系数取均值后与每个运行状态的概率值相乘，得到所述预设工艺神经网络模型对应的每个运行状态的相关概率值；提取每个运行状态对应的最大相关概率值与所述预设工艺神经网络模型对应的每个运行状态的相关概率值中的最大值，并将该最大值对应的运行状态作为所述离心式压缩机的当前运行状态。
进一步地，在所述得到所述离心式压缩机的当前运行状态之后，所述控制器还用于执行如下操作：当所述当前运行状态为高动态状态或波动状态，且该最大值对应的网络模型为所述预设工艺神经网络模型时，提示为工艺高动态或工艺波动。
进一步地，所述振动参数、生产工艺参数、油液参数对应的相关系数通过下述方式获得：获取所述振动参数、生产工艺参数、油液参数以及其对应的运行状态的数据集，所述数据集中包括多组数据，每组数据包括振动参数、生产工艺参数、油液参数以及其对应的运行状态；根据
Figure BDA0002546223470000071
得到第x种运行状态与第y种参数之间的相关系数rxy，其中，xi为第i组数据中的运行状态的参量，
Figure BDA0002546223470000072
为n组数据中的运行状态的参量的均值，yi为第i组数据中第y种参数的数值，
Figure BDA0002546223470000073
为n组数据中的第y种参数的均值，n为所述数据集中的数据组数，所述运行状态中的待维修状态、高动态状态、波动状态和平稳状态对应的参量分别为4、3、2、1，y＝1，2，3，…，10，所述y种参数包括振动幅值、振动频率特征值、功率损耗值、压力损耗值、温度损耗值、转速值、油液流量值、水分参数、粘度参数和污染颗粒参数。
进一步地，所述控制器还用于执行如下操作：当所述离心式压缩机的新润滑油液投入使用时，获取油液中的初始水分参数、初始粘度参数、初始污染颗粒参数，以及润滑油液失效时的失效水分参数、失效粘度参数、失效污染颗粒参数；获取运行中的所述离心式压缩机的润滑油液中的当前水分参数、当前粘度参数、当前污染颗粒参数以及所述润滑油液的当前使用时间；根据
Figure BDA0002546223470000081
确定所述离心式压缩机的润滑油液的剩余寿命N，其中，w0为所述初始水分参数，v0为所述初始粘度参数，u0为所述初始污染颗粒参数，ws为所述失效水分参数，vs为所述失效粘度参数，us为所述失效污染颗粒参数，w为所述当前水分参数，v为所述当前粘度参数，u为所述当前污染颗粒参数，t为所述润滑油液的当前使用时间。
进一步地，在所述确定所述离心式压缩机的润滑油液的剩余寿命之后，所述控制器还用于执行如下操作：判断所述剩余寿命是否小于或等于更换阈值；当所述剩余寿命小于或等于所述更换阈值时，提示更换所述离心式压缩机中的润滑油液。
进一步地，所述污染颗粒参数通过下述方式获得：获取多种元素的磨损量；根据
Figure BDA0002546223470000082
得到所述污染颗粒参数u，其中，ui为第i种元素的磨损量，gi为第i种元素的权重值，且
Figure BDA0002546223470000083
其中，ci为第i种元素在所述离心式压缩机被使用前，所述离心式压缩机中不同元素的质量含量，m为元素的个数。
通过上述技术方案，将实时获取的振动监测数据与润滑油液数据相结合，进行多信息综合实时准确诊断离心式压缩机的运行状态，实现设备故障的预报预警，保障设备安全运行。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明实施例一提供的一种离心式压缩机润滑油液在线监测诊断方法的流程示意图；
图2是本发明实施例一提供的预设神经网络模型的示意图；
图3是本发明实施例二提供的预设神经网络模型与预设工艺神经网络模型相结合的示例图；
图4是本发明实施例五提供的一种离心式压缩机润滑油液在线监测诊断系统的结构示意图；
图5是本发明实施例五提供的另一种离心式压缩机润滑油液在线监测诊断系统的结构示意图；
图6是本发明实施例五提供的油路循环模块、传感器以及油池之间的连接示意图；
图7是本发明实施例五提供的又一种离心式压缩机润滑油液在线监测诊断系统的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
实施例一
图1是本发明实施例一提供的一种离心式压缩机润滑油液在线监测诊断方法的流程示意图。如图1所示，所述方法包括如下步骤：
步骤101，实时获取运行中的所述离心式压缩机的振动参数与润滑油液中的油液参数；
步骤102，将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态。
其中，所述振动参数包括振动幅值和振动频率特征值，所述油液参数包括水分参数、粘度参数和污染颗粒参数，所述运行状态包括待维修状态、高动态状态、波动状态和平稳状态，且上述状态对应于所述离心式压缩机的振动幅度逐渐递减。也就是说，上述运行状态的界定，是根据离心式压缩机的振动程度来进行划分的，从平稳状态、波动状态、高动态状态到待维修状态，对应的振动幅度越来越大。
在实时获取上述参数之后，将上述参数代入所述预设神经网络模型中，从而得到所述离心式压缩机的当前运行状态。
具体地，将所述振动参数代入所述预设神经网络模型中的第一子网络模型，将所述油液参数代入所述预设神经网络模型中的第二子网络模型中。然后，上述两个子网络模型分别输出四种运行状态对应的概率值。另外，针对每种参数与运行状态之间的相关性，预设有每种参数与每种运行状态之间的相关系数，也就是说，对应于所述振动参数中的振动幅值和振动频率特征值，存在对应的两个相关系数；对应于所述油液参数中的水分参数、粘度参数和污染颗粒参数，存在对应的三个相关系数。那么在得到每个子网络模型输出的每个运行状态的概率值之后，对于第一子网络模型输出的每个运行状态的概率值，将对应于所述振动参数的两个相关系数取均值之后，将均值与所述第一子网络模型输出的每个运行状态的概率值相乘，得到所述第一子网络模型对应的每个运行状态的相关概率值。对于第二子网络模型输出的每个运行状态的概率值，将对应于所述油液参数对应的三个相关系数取均值后与所述第二子网络模型输出的每个运行状态的概率值相乘，得到所述第二子网络模型对应的每个运行状态的相关概率值。
之后，由于两个子网络模型均有对应的每个运行状态的相关概率值，那么每个运行状态存在两个相关概率值，提取出每个运行状态中相关概率值最大的值，为每个运行状态对应的最大相关概率值，以上述四种运行状态为例，即待维修状态、高动态状态、波动状态和平稳状态均有对应的最大相关概率值，然后将这四种运行状态对应的最大相关概率值中的最大值对应的运行状态，作为所述离心式压缩机的当前运行状态。例如，当平稳状态对应的最大相关概率值最大时，则确定所述离心式压缩机的当前运行状态为平稳状态。
当步骤102中，确定所述当前运行状态为待维修状态时，则直接停止所述离心式压缩机的运行。
当所述当前运行状态为高动态状态或波动状态时，则可根据所述最大相关概率中的最大值对应的子网络模型，提示所述高动态状态或波动状态的类型，即可确定引起高动态状态或波动状态的原因。其中，当所述最大相关概率值中的最大值对应的子网络模型为第一子网络模型时，提示为振动高动态或振动波动，即是由振动引起的高动态状态或波动状态；当所述最大相关概率值中的最大值对应的子网络模型为第二子网络模型时，提示为润滑高动态或润滑波动，即是由润滑引起的高动态状态或波动状态。
另外，本发明实施例中的预设神经网络模型是通过下述方式建立得到的：
首先，获取所述振动参数、油液参数以及其对应的运行状态的训练集和测试集。即获取的数据集中的每组数据包括振动幅值、振动频率特征值、水分参数、粘度参数和污染颗粒参数，以及其对应的运行状态。
对于第一子网络模型，利用所述振动参数以及对应的运行状态的训练集训练初始第一子网络模型，即利用振动幅值、振动频率特征值以及其对应的运行状态的训练集训练初始第一子网络模型，直到所述振动参数以及对应的运行状态的测试集对训练后的初始第一子网络模型进行测试的测试误差小于预设误差，得到所述第一子网络模型。对于第二子网络模型，利用所述油液参数以及对应的运行状态的训练集训练初始第二子网络模型，即利用水分参数、粘度参数、污染颗粒参数以及其对应的运行状态的训练集训练初始第二子网络模型，直到所述油液参数以及对应的运行状态的测试集对训练后的初始第二子网络模型进行测试的测试误差小于预设误差，得到所述第二子网络模型。
然后，根据所述第一子网络模型、第二子网络模型以及所述振动参数、油液参数对应的相关系数，得到所述预设神经网络模型。如图2所示，为建立所述预设神经网络模型的示意图。在本发明实施例中引入了相关系数。其中，相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间相关关系的一种统计方法。在确定所述离心式压缩机的运行状态之前，首先运用相关分析方法对影响运行状态的主要因素进行分析，确定因素对运行状态的相对重要度。
为了确定相关变量之间的关系，首先获取所述振动参数、油液参数以及其对应的运行状态的数据集，所述数据集中包括多组数据，每组数据包括振动参数、油液参数以及其对应的运行状态。其中，所述振动参数包括振动幅值和振动频率特征值，所述油液参数包括水分参数、粘度参数和污染颗粒参数，所述运行状态包括待维修状态、高动态状态、波动状态和平稳状态。因此，影响运行状态的因素有5个参数，对于运行状态中的待维修状态、高动态状态、波动状态和平稳状态，分别对应赋值参量为4、3、2、1。
然后，根据下述公式(1)，得到运行状态与参数之间的相关系数：
Figure BDA0002546223470000131
其中，rxy为第x种运行状态与第y种参数之间的相关系数，其中，xi为第i组数据中的运行状态的参量，
Figure BDA0002546223470000132
为n组数据中的运行状态的参量的均值，yi为第i组数据中第y种参数的数值，
Figure BDA0002546223470000133
为n组数据中的第y种参数的均值，n为所述数据集中的数据组数，y＝1，2，3，4，5。
其中，当上述5种参数中的某一个参数取某一值时，运行状态对应为一概率分布，如果该参数的所有取值对应的运行状态的概率分布都相同，则说明该参数与运行状态是没有相关关系的。反之，如果该参数的取值不同，运行状态的分布也不同，则说明两者是存在相关关系的。
本发明实施例中，利用每个子网络模型中参数对应的相关系数的均值，确定每个子网络模型输出的相关概率值，从而考虑了每个参数对运行状态的影响程度，进而确定所述离心式压缩机的当前运行状态。本发明实施例实现了厂区内的所有离心式压缩机的运行状态的监测，避免离线多点人为采样检测结果的不确定性，以及分析时效低的问题，实时数据监测分析，提早发现设备的故障信息，及时预警，避免非计划停工和事故发生，保障设备安全运行。
实施例二
为了提高所述离心式压缩机运行状态确定的准确性，在本发明实施例二中融合了生产工艺参数确定运行状态。其中，所述生产工艺参数包括功率损耗值、压力损耗值、温度损耗值、转速值以及油液流量值。在本发明实施例一中，通过所述预设神经网络模型得到每个运行状态对应的最大相关概率值之后，可融合生产工艺参数对应的预设工艺神经网络模型，进一步确定所述离心式压缩机的运行状态。
其中，首先实时运行中的所述离心式压缩机的生产工艺参数，然后将所述生产工艺参数代入预设工艺神经网络模型，得到每个运行状态的概率值，将所述生产工艺参数对应的相关系数取均值后与每个运行状态的概率值相乘，得到所述预设工艺神经网络模型对应的每个运行状态的相关概率值，之后提取每个运行状态对应的最大相关概率值与所述预设工艺神经网络模型对应的每个运行状态的相关概率值中的最大值，并将该最大值对应的运行状态作为所述离心式压缩机的当前运行状态。如图3所示，为预设神经网络模型与预设工艺神经网络模型相结合的示例。
其中，所述预设工艺神经网络模型通过下述方式建立：
利用所述生产工艺参数以及对应的运行状态的训练集训练初始预设工艺神经网络模型，即利用功率损耗值、压力损耗值、温度损耗值、转速值、油液流量值以及其对应的运行状态的训练集训练初始预设工艺神经网络模型，直到所述生产工艺参数以及对应的运行状态的测试集对训练后的初始预设工艺神经网络模型进行测试的测试误差小于预设误差，得到所述预设工艺神经网络模型。另外，所述预设工艺神经网络模型中使用的所述生产工艺参数对应的相关系数也可利用公式(1)获得。
同样的，当确定所述离心式压缩机的当前运行状态之后，当所述当前运行状态为高动态状态或波动状态，且该最大值对应的网络模型为所述预设工艺神经网络模型时，提示为工艺高动态或工艺波动，即是由生产工艺引起的高动态状态或波动状态。
通过本发明实施例，将振动监测数据、润滑油液数据以及生成工艺数据相结合，提高了诊断的准确性，监测的可靠性。
实施例三
在本发明实施例三中的一种实施方式中，还可以综合多参数，确定所述离心式压缩机的润滑油液的剩余寿命。
首先，当所述离心式压缩机的新润滑油液投入使用时，获取油液中的初始水分参数、初始粘度参数、初始污染颗粒参数，以及润滑油液失效时的失效水分参数、失效粘度参数、失效污染颗粒参数，还有获取运行中的所述离心式压缩机的润滑油液中的当前水分参数、当前粘度参数、当前污染颗粒参数以及所述润滑油液的当前使用时间。
然后，根据下述公式(2)，确定所述离心式压缩机的润滑油液的剩余寿命：
Figure BDA0002546223470000151
其中，N为所述离心式压缩机的润滑油液的剩余寿命，w0为所述初始水分参数，v0为所述初始粘度参数，u0为所述初始污染颗粒参数，ws为所述失效水分参数，vs为所述失效粘度参数，us为所述失效污染颗粒参数，w为所述当前水分参数，v为所述当前粘度参数，u为所述当前污染颗粒参数，t为所述润滑油液的当前使用时间。
在确定所述离心式压缩机的润滑油液的剩余寿命之后，判断所述剩余寿命是否小于或等于更换阈值，当所述剩余寿命小于或等于所述更换阈值时，提示更换所述往复式压缩机中的润滑油液，若所述剩余寿命大于所述更换阈值，则可继续使用所述润滑油液。例如，所述更换阈值为1年时，当所述剩余寿命小于或等于1年时，则提示更换所述润滑油液。
实施例四
在上述实施例一至实施例三中的污染颗粒参数可为指定元素的磨损量，即由检测一种元素的传感器获得，也可为综合多种元素的磨损量得到的参数，即可通过检测多种元素的传感器获得。其中，当所述污染颗粒参数为综合多种元素的磨损量时，可通过下述方式确定：
首先，获取多种元素的磨损量。
然后，根据下述公式(3)得到污染颗粒参数：
Figure BDA0002546223470000161
其中，u为所述污染颗粒参数，ui为第i种元素的磨损量，gi为第i种元素的权重值，且
Figure BDA0002546223470000162
其中，ci为第i种元素在所述离心式压缩机被使用前，所述离心式压缩机中不同元素的质量含量，m为元素的个数。
由于所述离心式压缩机中不同零部件所含的元素不同，因此，在受到磨损后，润滑油液中元素的含量也就有所不同，从离心式压缩机中所含的元素的质量含量，来确定每种元素的权重，对于污染颗粒参数的确定更加准确。
实施例五
图4是本发明实施例五提供的一种离心式压缩机润滑油液在线监测诊断系统的结构示意图。如图4所示，所述系统40包括：数据采集装置41，其被配置为实时获取运行中的所述离心式压缩机的振动参数、生产工艺参数以及润滑油液中的油液参数；控制器42，其被配置为执行如下操作：将所述振动参数、生产工艺参数以及油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态。
可选的，数据采集装置获取数据之后，可通过当前通用的网络，将数据上传至云平台，实现远程查看数据，例如，4G、5G等通信手段。
进一步地，所述控制器可设置在本地，也可设置在云平台，进行数据处理和状态的确定。
其中，如图5所示，所述数据采集装置41包括：振动监测装置51，其被配置为实时获取运行中的所述离心式压缩机的振动参数，所述振动参数包括振动幅值和振动频率特征值；油路循环模块52，其被配置为提取运行中的所述离心式压缩机中的润滑油液，并将提取出来的润滑油液送至传感器；所述传感器53，其被配置为实时获取提取出来的润滑油液中的油液参数，所述油液参数包括水分参数、粘度参数和污染颗粒参数。
其中，所述油路循环模块52可包括取油口、取油管道、进油口、内部油路管道、出油口、回油管道、回油口、控制阀和流量泵。另外，取油口和回油口可连接在高位油箱与油池之间的管道上或均连接到油池内，或者一者连接到管道上，另一者连接到油池上，在本发明实施例中可不做限定，只要完成油液的循环流动，实现对油液的实时采集即可。其中，控制阀和流量泵则控制取油口所提取的油液的流量，内部油路管道将提取的油液送至传感器。如图6所示，是以油路循环模块与油池之间连接的示例图。
具体实施方式为，将现场ZG1/2堵头拧开后配上球阀(ZG1/2)和一个转接头(φ8卡套)，通过φ8不锈钢油管连接到取油口，φ8不锈钢管需要用管卡固定。另外，在回油口所指位置上打一个孔然后焊接一个1/2英寸的管座，并配上球阀(ZG1/2)和转接头(φ8卡套)，通过φ8的不锈钢油管连接到回油口，φ8不锈钢管需要用管卡固定。上述油路循环模块的设置方式仅作为示例说明，并不用于限定本发明实施例的润滑油液的提取方式，只要能实时获取运行中的离心式压缩机的润滑油液即可。
另外，为了保证所述传感器的准确性，可定期对所述传感器的检测进行标定，例如，在断开所述油路循环模块与所述油池之间的连接之后，将所述取油口与所述回油口连接到校准油池中，向所述油路循环模块注入标准润滑油液，然后由所述传感器进行检测，并将检测值与标准值进行比较，若比较得到的差值超过允许的误差范围，则对所述传感器芯片进行更换，若没有超过，则表明所述传感器芯片还可继续使用。
进一步地，所述运行状态包括待维修状态、高动态状态、波动状态和平稳状态，且上述状态对应于所述离心式压缩机的振动幅度逐渐递减，所述控制器将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态包括：分别将所述振动参数与所述油液参数代入所述预设神经网络模型中对应的第一子网络模型和第二子网络模型，得到每个子网络模型输出的每个运行状态的概率值；将所述振动参数对应的相关系数取均值后与所述第一子网络模型输出的每个运行状态的概率值相乘，得到所述第一子网络模型对应的每个运行状态的相关概率值；将所述油液参数对应的相关系数取均值后与所述第二子网络模型输出的每个运行状态的概率值相乘，得到所述第二子网络模型对应的每个运行状态的相关概率值；提取所述第一子网络模型、第二子网络模型对应的每个运行状态的相关概率值的最大值，得到每个运行状态对应的最大相关概率值；将所述最大相关概率值中的最大值对应的运行状态，作为所述离心式压缩机的当前运行状态。
进一步地，在所述得到所述离心式压缩机的当前运行状态之后，所述控制器还用于执行如下操作：当所述当前运行状态为待维修状态时，停止所述离心式压缩机的运行；当所述当前运行状态为高动态状态或波动状态时，根据所述最大相关概率值中的最大值对应的子网络模型，提示高动态状态或波动状态的类型，其中，当所述最大相关概率值中的最大值对应的子网络模型为第一子网络模型时，提示为振动高动态或振动波动；当所述最大相关概率值中的最大值对应的子网络模型为第二子网络模型时，提示为润滑高动态或润滑波动。
进一步地，所述预设神经网络模型通过下述方式建立：获取所述振动参数、油液参数以及其对应的运行状态的训练集和测试集；利用所述振动参数以及对应的运行状态的训练集训练初始第一子网络模型，直到所述振动参数以及对应的运行状态的测试集对训练后的初始第一子网络模型进行测试的测试误差小于预设误差，得到所述第一子网络模型；利用所述油液参数以及对应的运行状态的训练集训练初始第二子网络模型，直到所述油液参数以及对应的运行状态的测试集对训练后的初始第二子网络模型进行测试的测试误差小于预设误差，得到所述第二子网络模型；根据所述第一子网络模型、第二子网络模型以及所述振动参数、生油液参数对应的相关系数，得到所述预设神经网络模型。
进一步地，如图7所示，所述数据采集装置还包括：生产工艺监测装置54，其被配置为实时获取运行中的所述离心式压缩机的生产工艺参数，所述生产工艺参数包括功率损耗值、压力损耗值、温度损耗值、转速值以及油液流量值；在所述得到每个运行状态对应的最大相关概率值之后，所述控制器还用于执行如下操作：实时获取运行中的所述离心式压缩机的生产工艺参数；将所述生产工艺参数代入预设工艺神经网络模型，得到每个运行状态的概率值；将所述生产工艺参数对应的相关系数取均值后与每个运行状态的概率值相乘，得到所述预设工艺神经网络模型对应的每个运行状态的相关概率值；提取每个运行状态对应的最大相关概率值与所述预设工艺神经网络模型对应的每个运行状态的相关概率值中的最大值，并将该最大值对应的运行状态作为所述离心式压缩机的当前运行状态。
进一步地，在所述得到所述离心式压缩机的当前运行状态之后，所述控制器还用于执行如下操作：当所述当前运行状态为高动态状态或波动状态，且该最大值对应的网络模型为所述预设工艺神经网络模型时，提示为工艺高动态或工艺波动。
进一步地，所述振动参数、生产工艺参数、油液参数对应的相关系数通过下述方式获得：获取所述振动参数、生产工艺参数、油液参数以及其对应的运行状态的数据集，所述数据集中包括多组数据，每组数据包括振动参数、生产工艺参数、油液参数以及其对应的运行状态；根据
Figure BDA0002546223470000191
得到第x种运行状态与第y种参数之间的相关系数rxy，其中，xi为第i组数据中的运行状态的参量，
Figure BDA0002546223470000201
为n组数据中的运行状态的参量的均值，yi为第i组数据中第y种参数的数值，
Figure BDA0002546223470000202
为n组数据中的第y种参数的均值，n为所述数据集中的数据组数，所述运行状态中的待维修状态、高动态状态、波动状态和平稳状态对应的参量分别为4、3、2、1，y＝1，2，3，…，10，所述y种参数包括振动幅值、振动频率特征值、功率损耗值、压力损耗值、温度损耗值、转速值、油液流量值、水分参数、粘度参数和污染颗粒参数。
进一步地，所述控制器还用于执行如下操作：当所述离心式压缩机的新润滑油液投入使用时，获取油液中的初始水分参数、初始粘度参数、初始污染颗粒参数，以及润滑油液失效时的失效水分参数、失效粘度参数、失效污染颗粒参数；获取运行中的所述离心式压缩机的润滑油液中的当前水分参数、当前粘度参数、当前污染颗粒参数以及所述润滑油液的当前使用时间；根据
Figure BDA0002546223470000203
确定所述离心式压缩机的润滑油液的剩余寿命N，其中，w0为所述初始水分参数，v0为所述初始粘度参数，u0为所述初始污染颗粒参数，ws为所述失效水分参数，vs为所述失效粘度参数，us为所述失效污染颗粒参数，w为所述当前水分参数，v为所述当前粘度参数，u为所述当前污染颗粒参数，t为所述润滑油液的当前使用时间。
另外，需要说明的是，上述初始水分参数、初始粘度参数、初始污染颗粒参数，是在向油池注入标准油液之后，通过流量泵和控制阀取定量标准油液进行油路的冲洗之后，采集得到的标准油液的参数信息。
进一步地，在所述确定所述离心式压缩机的润滑油液的剩余寿命之后，所述控制器还用于执行如下操作：判断所述剩余寿命是否小于或等于更换阈值；当所述剩余寿命小于或等于所述更换阈值时，提示更换所述离心式压缩机中的润滑油液。
进一步地，所述污染颗粒参数通过下述方式获得：获取多种元素的磨损量；根据
Figure BDA0002546223470000211
得到所述污染颗粒参数u，其中，ui为第i种元素的磨损量，gi为第i种元素的权重值，且
Figure BDA0002546223470000212
其中，ci为第i种元素在所述离心式压缩机被使用前，所述离心式压缩机中不同元素的质量含量，m为元素的个数。
需要说明的是，本系统的操作过程，与实施例一至实施例四的方法步骤相一致，故相关实施细节及效果可参考实施例一至实施例四，在此则不再赘述。
实施例六
本发明实施例六提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行如上述实施例一至实施例四所述的离心式压缩机润滑油液在线监测诊断方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (23)

1.一种离心式压缩机润滑油液在线监测诊断方法，其特征在于，所述方法包括：
实时获取运行中的所述离心式压缩机的振动参数与润滑油液中的油液参数；
将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态。
2.根据权利要求1所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，所述振动参数包括振动幅值和振动频率特征值，所述油液参数包括水分参数、粘度参数和污染颗粒参数，所述运行状态包括待维修状态、高动态状态、波动状态和平稳状态，且上述状态对应于所述离心式压缩机的振动幅度逐渐递减。
3.根据权利要求2所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，所述将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态包括：
分别将所述振动参数与所述油液参数代入所述预设神经网络模型中对应的第一子网络模型和第二子网络模型，得到每个子网络模型输出的每个运行状态的概率值；
将所述振动参数对应的相关系数取均值后与所述第一子网络模型输出的每个运行状态的概率值相乘，得到所述第一子网络模型对应的每个运行状态的相关概率值；将所述油液参数对应的相关系数取均值后与所述第二子网络模型输出的每个运行状态的概率值相乘，得到所述第二子网络模型对应的每个运行状态的相关概率值；
提取所述第一子网络模型、第二子网络模型对应的每个运行状态的相关概率值的最大值，得到每个运行状态对应的最大相关概率值；
将所述最大相关概率值中的最大值对应的运行状态，作为所述离心式压缩机的当前运行状态。
4.根据权利要求3所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，在所述得到所述离心式压缩机的当前运行状态之后，所述方法还包括：
当所述当前运行状态为待维修状态时，停止所述离心式压缩机的运行；
当所述当前运行状态为高动态状态或波动状态时，根据所述最大相关概率值中的最大值对应的子网络模型，提示高动态状态或波动状态的类型，
其中，当所述最大相关概率值中的最大值对应的子网络模型为第一子网络模型时，提示为振动高动态或振动波动；当所述最大相关概率值中的最大值对应的子网络模型为第二子网络模型时，提示为润滑高动态或润滑波动。
5.根据权利要求3所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，所述预设神经网络模型通过下述方式建立：
获取所述振动参数、油液参数以及其对应的运行状态的训练集和测试集；
利用所述振动参数以及对应的运行状态的训练集训练初始第一子网络模型，直到所述振动参数以及对应的运行状态的测试集对训练后的初始第一子网络模型进行测试的测试误差小于预设误差，得到所述第一子网络模型；利用所述油液参数以及对应的运行状态的训练集训练初始第二子网络模型，直到所述油液参数以及对应的运行状态的测试集对训练后的初始第二子网络模型进行测试的测试误差小于预设误差，得到所述第二子网络模型；
根据所述第一子网络模型、第二子网络模型以及所述振动参数、油液参数对应的相关系数，得到所述预设神经网络模型。
6.根据权利要求3所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，在所述得到每个运行状态对应的最大相关概率值之后，所述方法还包括：
实时获取运行中的所述离心式压缩机的生产工艺参数，所述生产工艺参数包括功率损耗值、压力损耗值、温度损耗值、转速值以及油液流量值；
将所述生产工艺参数代入预设工艺神经网络模型，得到每个运行状态的概率值；
将所述生产工艺参数对应的相关系数取均值后与每个运行状态的概率值相乘，得到所述预设工艺神经网络模型对应的每个运行状态的相关概率值；
提取每个运行状态对应的最大相关概率值与所述预设工艺神经网络模型对应的每个运行状态的相关概率值中的最大值，并将该最大值对应的运行状态作为所述离心式压缩机的当前运行状态。
7.根据权利要求6所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，在所述得到所述离心式压缩机的当前运行状态之后，所述方法还包括：
当所述当前运行状态为高动态状态或波动状态，且该最大值对应的网络模型为所述预设工艺神经网络模型时，提示为工艺高动态或工艺波动。
8.根据权利要求6所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，所述振动参数、生产工艺参数、油液参数对应的相关系数通过下述方式获得：
获取所述振动参数、生产工艺参数、油液参数以及其对应的运行状态的数据集，所述数据集中包括多组数据，每组数据包括振动参数、生产工艺参数、油液参数以及其对应的运行状态；
根据
Figure FDA0002546223460000041
得到第x种运行状态与第y种参数之间的相关系数rxy，其中，xi为第i组数据中的运行状态的参量，
Figure FDA0002546223460000042
为n组数据中的运行状态的参量的均值，yi为第i组数据中第y种参数的数值，
Figure FDA0002546223460000043
为n组数据中的第y种参数的均值，n为所述数据集中的数据组数，所述运行状态中的待维修状态、高动态状态、波动状态和平稳状态对应的参量分别为4、3、2、1，y＝1，2，3，…，10，所述y种参数包括振动幅值、振动频率特征值、功率损耗值、压力损耗值、温度损耗值、转速值、油液流量值、水分参数、粘度参数和污染颗粒参数。
9.根据权利要求2所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，所述方法还包括：
当所述离心式压缩机的新润滑油液投入使用时，获取油液中的初始水分参数、初始粘度参数、初始污染颗粒参数，以及润滑油液失效时的失效水分参数、失效粘度参数、失效污染颗粒参数；
获取运行中的所述离心式压缩机的润滑油液中的当前水分参数、当前粘度参数、当前污染颗粒参数以及所述润滑油液的当前使用时间；
根据
Figure FDA0002546223460000044
确定所述离心式压缩机的润滑油液的剩余寿命N，其中，w0为所述初始水分参数，v0为所述初始粘度参数，u0为所述初始污染颗粒参数，ws为所述失效水分参数，vs为所述失效粘度参数，us为所述失效污染颗粒参数，w为所述当前水分参数，v为所述当前粘度参数，u为所述当前污染颗粒参数，t为所述润滑油液的当前使用时间。
10.根据权利要求9所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，在所述确定所述离心式压缩机的润滑油液的剩余寿命之后，所述方法还包括：
判断所述剩余寿命是否小于或等于更换阈值；
当所述剩余寿命小于或等于所述更换阈值时，提示更换所述离心式压缩机中的润滑油液。
11.根据权利要求9所述的离心式压缩机润滑油液在线监测诊断方法，其特征在于，所述污染颗粒参数通过下述方式获得：
获取多种元素的磨损量；
根据
Figure FDA0002546223460000051
得到所述污染颗粒参数u，其中，ui为第i种元素的磨损量，gi为第i种元素的权重值，且
Figure FDA0002546223460000052
其中，ci为第i种元素在所述离心式压缩机被使用前，所述离心式压缩机中不同元素的质量含量，m为元素的个数。
12.一种离心式压缩机润滑油液在线监测诊断系统，其特征在于，所述系统包括：
数据采集装置，其被配置为实时获取运行中的所述离心式压缩机的振动参数与润滑油液中的油液参数；
控制器，其被配置为执行如下操作：
将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态。
13.根据权利要求12所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，所述数据采集装置包括：
振动监测装置，其被配置为实时获取运行中的所述离心式压缩机的振动参数，所述振动参数包括振动幅值和振动频率特征值；
油路循环模块，其被配置为提取运行中的所述离心式压缩机中的润滑油液，并将提取出来的润滑油液送至传感器；
所述传感器，其被配置为实时获取提取出来的润滑油液中的油液参数，所述油液参数包括水分参数、粘度参数和污染颗粒参数。
14.根据权利要求13所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，所述运行状态包括待维修状态、高动态状态、波动状态和平稳状态，且上述状态对应于所述离心式压缩机的振动幅度逐渐递减，所述控制器将所述振动参数与所述油液参数代入预设神经网络模型，得到所述离心式压缩机的当前运行状态包括：
分别将所述振动参数与所述油液参数代入所述预设神经网络模型中对应的第一子网络模型和第二子网络模型，得到每个子网络模型输出的每个运行状态的概率值；
将所述振动参数对应的相关系数取均值后与所述第一子网络模型输出的每个运行状态的概率值相乘，得到所述第一子网络模型对应的每个运行状态的相关概率值；将所述油液参数对应的相关系数取均值后与所述第二子网络模型输出的每个运行状态的概率值相乘，得到所述第二子网络模型对应的每个运行状态的相关概率值；
提取所述第一子网络模型、第二子网络模型对应的每个运行状态的相关概率值的最大值，得到每个运行状态对应的最大相关概率值；
将所述最大相关概率值中的最大值对应的运行状态，作为所述离心式压缩机的当前运行状态。
15.根据权利要求14所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，在所述得到所述离心式压缩机的当前运行状态之后，所述控制器还用于执行如下操作：
当所述当前运行状态为待维修状态时，停止所述离心式压缩机的运行；
当所述当前运行状态为高动态状态或波动状态时，根据所述最大相关概率值中的最大值对应的子网络模型，提示高动态状态或波动状态的类型，
其中，当所述最大相关概率值中的最大值对应的子网络模型为第一子网络模型时，提示为振动高动态或振动波动；当所述最大相关概率值中的最大值对应的子网络模型为第二子网络模型时，提示为润滑高动态或润滑波动。
16.根据权利要求14所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，所述预设神经网络模型通过下述方式建立：
获取所述振动参数、油液参数以及其对应的运行状态的训练集和测试集；
利用所述振动参数以及对应的运行状态的训练集训练初始第一子网络模型，直到所述振动参数以及对应的运行状态的测试集对训练后的初始第一子网络模型进行测试的测试误差小于预设误差，得到所述第一子网络模型；利用所述油液参数以及对应的运行状态的训练集训练初始第二子网络模型，直到所述油液参数以及对应的运行状态的测试集对训练后的初始第二子网络模型进行测试的测试误差小于预设误差，得到所述第二子网络模型；
根据所述第一子网络模型、第二子网络模型以及所述振动参数、生油液参数对应的相关系数，得到所述预设神经网络模型。
17.根据权利要求14所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，所述数据采集装置还包括：
生产工艺监测装置，其被配置为实时获取运行中的所述离心式压缩机的生产工艺参数，所述生产工艺参数包括功率损耗值、压力损耗值、温度损耗值、转速值以及油液流量值；
在所述得到每个运行状态对应的最大相关概率值之后，所述控制器还用于执行如下操作：
实时获取运行中的所述离心式压缩机的生产工艺参数；
将所述生产工艺参数代入预设工艺神经网络模型，得到每个运行状态的概率值；
将所述生产工艺参数对应的相关系数取均值后与每个运行状态的概率值相乘，得到所述预设工艺神经网络模型对应的每个运行状态的相关概率值；
提取每个运行状态对应的最大相关概率值与所述预设工艺神经网络模型对应的每个运行状态的相关概率值中的最大值，并将该最大值对应的运行状态作为所述离心式压缩机的当前运行状态。
18.根据权利要求17所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，在所述得到所述离心式压缩机的当前运行状态之后，所述控制器还用于执行如下操作：
当所述当前运行状态为高动态状态或波动状态，且该最大值对应的网络模型为所述预设工艺神经网络模型时，提示为工艺高动态或工艺波动。
19.根据权利要求17所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，所述振动参数、生产工艺参数、油液参数对应的相关系数通过下述方式获得：
获取所述振动参数、生产工艺参数、油液参数以及其对应的运行状态的数据集，所述数据集中包括多组数据，每组数据包括振动参数、生产工艺参数、油液参数以及其对应的运行状态；
根据
Figure FDA0002546223460000091
得到第x种运行状态与第y种参数之间的相关系数rxy，其中，xi为第i组数据中的运行状态的参量，
Figure FDA0002546223460000092
为n组数据中的运行状态的参量的均值，yi为第i组数据中第y种参数的数值，
Figure FDA0002546223460000093
为n组数据中的第y种参数的均值，n为所述数据集中的数据组数，所述运行状态中的待维修状态、高动态状态、波动状态和平稳状态对应的参量分别为4、3、2、1，y＝1，2，3，…，10，所述y种参数包括振动幅值、振动频率特征值、功率损耗值、压力损耗值、温度损耗值、转速值、油液流量值、水分参数、粘度参数和污染颗粒参数。
20.根据权利要求13所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，所述控制器还用于执行如下操作：
当所述离心式压缩机的新润滑油液投入使用时，获取油液中的初始水分参数、初始粘度参数、初始污染颗粒参数，以及润滑油液失效时的失效水分参数、失效粘度参数、失效污染颗粒参数；
获取运行中的所述离心式压缩机的润滑油液中的当前水分参数、当前粘度参数、当前污染颗粒参数以及所述润滑油液的当前使用时间；
根据
Figure FDA0002546223460000094
确定所述离心式压缩机的润滑油液的剩余寿命N，其中，w0为所述初始水分参数，v0为所述初始粘度参数，u0为所述初始污染颗粒参数，ws为所述失效水分参数，vs为所述失效粘度参数，us为所述失效污染颗粒参数，w为所述当前水分参数，v为所述当前粘度参数，u为所述当前污染颗粒参数，t为所述润滑油液的当前使用时间。
21.根据权利要求20所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，在所述确定所述离心式压缩机的润滑油液的剩余寿命之后，所述控制器还用于执行如下操作：
判断所述剩余寿命是否小于或等于更换阈值；
当所述剩余寿命小于或等于所述更换阈值时，提示更换所述离心式压缩机中的润滑油液。
22.根据权利要求20所述的离心式压缩机润滑油液在线监测诊断系统，其特征在于，所述污染颗粒参数通过下述方式获得：
获取多种元素的磨损量；
根据
Figure FDA0002546223460000101
得到所述污染颗粒参数u，其中，ui为第i种元素的磨损量，gi为第i种元素的权重值，且
Figure FDA0002546223460000102
其中，ci为第i种元素在所述离心式压缩机被使用前，所述离心式压缩机中不同元素的质量含量，m为元素的个数。
23.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述权利要求1-11任一项所述的离心式压缩机润滑油液在线监测诊断方法。
CN202010561417.0A 2020-06-18 2020-06-18 离心式压缩机润滑油液在线监测诊断方法及系统 Active CN113819082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010561417.0A CN113819082B (zh) 2020-06-18 2020-06-18 离心式压缩机润滑油液在线监测诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010561417.0A CN113819082B (zh) 2020-06-18 2020-06-18 离心式压缩机润滑油液在线监测诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113819082A true CN113819082A (zh) 2021-12-21
CN113819082B CN113819082B (zh) 2023-06-30

Family

ID=78924546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010561417.0A Active CN113819082B (zh) 2020-06-18 2020-06-18 离心式压缩机润滑油液在线监测诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113819082B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
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
JP2010190901A (ja) * 2010-03-17 2010-09-02 Chugoku Electric Power Co Inc:The 転がり軸受の余寿命診断方法
CN103147972A (zh) * 2013-03-19 2013-06-12 北京化工大学 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
CN103364189A (zh) * 2013-07-15 2013-10-23 中国水利电力物资华南公司 一种风电机组齿轮箱在线故障诊断系统
CN103842659A (zh) * 2011-09-29 2014-06-04 诺沃皮尼奥内有限公司 用于确定压缩机的结垢水平的系统和方法
CN108335021A (zh) * 2018-01-19 2018-07-27 华中科技大学 一种风力机状态可靠度评估的方法及维修决策优化
CN110907066A (zh) * 2019-11-30 2020-03-24 华能如东八仙角海上风力发电有限责任公司 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
JP2010190901A (ja) * 2010-03-17 2010-09-02 Chugoku Electric Power Co Inc:The 転がり軸受の余寿命診断方法
CN103842659A (zh) * 2011-09-29 2014-06-04 诺沃皮尼奥内有限公司 用于确定压缩机的结垢水平的系统和方法
CN103147972A (zh) * 2013-03-19 2013-06-12 北京化工大学 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
CN103364189A (zh) * 2013-07-15 2013-10-23 中国水利电力物资华南公司 一种风电机组齿轮箱在线故障诊断系统
CN108335021A (zh) * 2018-01-19 2018-07-27 华中科技大学 一种风力机状态可靠度评估的方法及维修决策优化
CN110907066A (zh) * 2019-11-30 2020-03-24 华能如东八仙角海上风力发电有限责任公司 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
魏巍宏: ""基于振动监测和油液分析的齿轮箱多参数故障诊断方法优化研究"" *

Also Published As

Publication number Publication date
CN113819082B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN109524139B (zh) 一种基于设备工况变化的实时设备性能监测方法
US7275018B2 (en) Method of condition monitoring
US8744651B2 (en) Method of determining a maneuver performed by an aircraft
CN110926809B (zh) 一种基于大数据分析的风电机组传动链故障预警方法
CN109469896B (zh) 一种基于时间序列分析工业锅炉故障的诊断方法及系统
CN108896299A (zh) 一种齿轮箱故障检测方法
CN110701137B (zh) 一种掘进机液压系统智能在线检测诊断装置及方法
CN112487910A (zh) 核电汽轮机系统故障预警方法及系统
CN207882268U (zh) 润滑油检测控制系统
WO2019043600A1 (en) ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR
AU2016369392A1 (en) Method for monitoring at least two redundant sensors
CN110486350B (zh) 电液伺服阀故障诊断方法及装置、存储介质和电子设备
CN113007040B (zh) 风电机组主轴总成窜动在线监测与故障预警系统及方法
CN113819082B (zh) 离心式压缩机润滑油液在线监测诊断方法及系统
CN113819045B (zh) 往复式压缩机润滑油液在线监测振动诊断方法及系统
CN112326246A (zh) 基于周期数据及核密度估计的轴承安全状态在线监测方法
Salgueiro et al. On-line oil monitoring and diagnosis
CN110794683A (zh) 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法
CN113705076A (zh) 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置
Zarate et al. Computation and monitoring of the deviations of gas turbine unmeasured parameters
Murmanskii et al. Features of steam turbines diagnostics
KR102458214B1 (ko) 배관 파손 진단 장치 및 방법
Gopikuttan et al. Maintenance Initiation Prediction Incorporating Vibrations and System Availability
US8302625B1 (en) Validation of working fluid parameter indicator sensitivity in system with centrifugal machines
Nurrahman et al. Performance assessment analysis of UHF machines using Reliability, Availability, Maintainability and Safety (RAMS) analysis methods

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230529

Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Applicant after: CHINA PETROLEUM & CHEMICAL Corp.

Applicant after: Sinopec Safety Engineering Research Institute Co.,Ltd.

Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Applicant before: CHINA PETROLEUM & CHEMICAL Corp.

Applicant before: SINOPEC Research Institute OF SAFETY ENGINEERING

GR01 Patent grant
GR01 Patent grant