CN114165474A - 用于检测空压机故障状态的方法、设备和计算机存储介质 - Google Patents
用于检测空压机故障状态的方法、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN114165474A CN114165474A CN202210129679.9A CN202210129679A CN114165474A CN 114165474 A CN114165474 A CN 114165474A CN 202210129679 A CN202210129679 A CN 202210129679A CN 114165474 A CN114165474 A CN 114165474A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- data
- frequency
- fault
- domain signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 117
- 230000001133 acceleration Effects 0.000 claims abstract description 53
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 239000012530 fluid Substances 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000013519 translation Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 7
- 230000010355 oscillation Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 101100494773 Caenorhabditis elegans ctl-2 gene Proteins 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 101100112369 Fasciola hepatica Cat-1 gene Proteins 0.000 description 1
- 101100005271 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) cat-1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本公开涉及一种用于检测空压机故障状态的方法、计算设备和计算机存储介质。该方法包括：获取空压机的油温检测数据、油压检测数据、转速数据和加速度数据；至少基于加速度数据，确定空压机的喘振状态数据；生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号，以便生成用于输入预测模型的输入数据；基于喘振状态数据、油温检测数据和油压检测数据，确定关于空压机的静止部件的故障状态和流体故障状态；以及基于输入数据，经由经训练的预测模型，预测关于空压机的旋转部件的故障类型。本公开不仅能够早期、准确地检测空压机的故障状态，而且可以适用于离心式空压机的故障检测。
Description
技术领域
本公开总体上涉及空压机的状态检测，并且具体地，涉及用于检测空压机故障状态的方法、计算设备和计算机存储介质。
背景技术
空气压缩机（简称为“空压机”）例如包括：螺杆空压机和离心式空压机。空压机用于提供气源动力，是气动系统的核心设备。目前，空压机已经普遍运用于各个行业，成为相关企业设备中的核心装置之一。因此，空压机的故障检测对于企业核心设备的生产与运维至关重要。
传统的用于检测空压机故障状态的方案主要包括两种：第一种主要依靠空压机的操作人员耳听、眼看等凭经验判断，此种方法无法诊断早期空压机故障。第二种是通过油液分析和振动信号分析检测空压机故障状态，其中，油液分析主要是通过油液的温度、压力、酸碱值甚至光谱分析等来判断油液的质量；振动信号分析主要是通过振动传感器测量电机、机箱的振动信号来判断空压机的健康状态，不过，此种方法主要针对螺杆空压机，而离心式空压机的内部结构与螺杆空压机的结构差异较大，典型的离心式空压机主要由转子和定子两大部分组成。转子包括叶轮和轴，叶轮上有叶片，此外还有平衡盘和轴封的一部分。定子的主体是机壳(气缸)，定子上还安排有扩压器、弯道、回流器、迸气管、排气管及部分轴封等。上述传统的用于检测螺杆空压机的故障状态的方案并不能完全适用于离心式空压机独特的结构，进而难以用于检测离心式空压机的故障状态（健康状态），并且难以判断故障的位置和原因。另外，离心空压机的故障类型多、工况复杂、背景噪音大，因而，传统的用于检测空压机故障状态的方案故障诊断准确率不高。
综上，传统用于检测空压机故障状态的方案的不足之处在于：难以早期、准确地检测空压机的故障状态，而且可以适用于离心式空压机的故障检测。
发明内容
本公开提供一种用于检测空压机故障状态的方法、计算设备和计算机存储介质，不仅能够早期、准确地检测空压机的故障状态，而且可以适用于离心式空压机的故障检测。
根据本公开的第一方面，提供了一种用于检测空压机故障状态的方法。该方法包括：获取空压机的油温检测数据、油压检测数据、转速数据和加速度数据；至少基于加速度数据，确定空压机的喘振状态数据；生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征，以便生成用于输入预测模型的输入数据；基于喘振状态数据、油温检测数据和油压检测数据，确定关于空压机的静止部件的故障状态和流体故障状态；以及基于输入数据，经由经训练的预测模型，预测关于空压机的旋转部件的故障类型。
根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得计算设备执行本公开的第一方面的方法。
根据本公开的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序被机器执行时执行本公开的第一方面的方法。
在一些实施例中，生成用于输入预测模型的输入数据包括：分别计算加速度数据的幅值、标准差、方根幅值和方根均值，以便生成时域信号特征；针对加速度数据进行快速傅里叶变换，以便获取频域信号特征；基于频域信号特征的频谱数据和转速数据，生成转频追踪信号；以及基于时域信号特征、频域信号特征、转频追踪信号特征，生成用于输入预测模型的输入数据。
在一些实施例中，获取频域信号特征包括：针对加速度数据进行快速傅里叶变换，以便生成第一频域信号数据；基于第一频域信号数据，计算平均频率数据、重心频率数据、频率标准差数据；以及基于所计算的平均频率数据、重心频率数据、频率标准差数据，生成频域信号特征。
在一些实施例中，基于频域信号特征的频谱数据和转速数据，生成转频追踪信号包括：将频域信号特征的频谱数据的频率除以转速数据，以便生成追踪频率；以及选取特定追踪频率所对应的振幅，以便确定转频追踪信号。
在一些实施例中，基于输入数据，经由经训练的预测模型预测关于空压机的旋转部件的故障类型包括：基于输入数据，经由经训练的第一预测模型，生成关于空压机的旋转部件的故障类型的第一预测结果，旋转部件至少包括转子和轴承；基于输入数据，经由经训练的第二预测模型，生成关于空压机的旋转部件的故障类型的第二预测结果，第二预测模型不同于第一预测模型；以及融合第一预测模型所生成的第一预测结果和第二预测模型的所生成的第二预测结果，以便生成关于空压机的旋转部件的故障类型的预测结果。
在一些实施例中，生成关于空压机的旋转部件的故障类型的预测结果包括：基于第一预测结果、第二预测结果，经由线性回归算法，计算关于第一预测结果的第一权重和关于第二预测结果的第二权重；以及基于第一预测结果、第一权重、第二预测结果和第二权重，进行加权求和运算，以便生成关于空压机的旋转部件的故障类型的预测结果，关于空压机的旋转部件的故障类型的预测结果至少指示：转子的不对中故障状态、转子的不平衡故障状态、转子的油膜振荡故障状态。轴承的磨损故障状态、轴承的点蚀故障状态和轴承的破裂故障状态。
在一些实施例中，至少基于加速度数据，确定空压机的喘振状态数据包括：基于加速度数据，确定空压机是否满足第一喘振条件；响应于确定空压机满足第一喘振条件，基于空压机的电流检测数据和排气压力检测数据，确定空压机是否满足第二喘振条件；响应于确定空压机满足第二喘振条件，确定空压机的喘振状态数据指示存在喘振故障；以及确定空压机未满足第二喘振条件，确定空压机的喘振状态数据指示不存在喘振故障。
在一些实施例中，确定空压机是否满足第一喘振条件包括：基于加速度数据，经由快速傅里叶变换，生成振动频域数据；基于振动频域数据，确定在预定频率阈值以下的采样频率所对应的振幅是否大于预定振幅阈值；响应于确定在预定频率阈值以下的采样频率所对应的振幅大于预定振幅阈值，确定空压机满足第一喘振条件；以及响应于在预定频率阈值以下的采样频率所对应的振幅小于或者等于预定振幅阈值，确定空压机不满足第一喘振条件。
在一些实施例中，生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征包括：基于关于空压机的旋转部件的时域信号，计算时域信号的幅值变化数据，以便确定空压机是否满足运行状态条件，时域信号包括加速度数据；计算多个时间间隔内的关于时域信号的标准差和幅值，以便确定检测数据是否满足平稳信号条件；以及响应于确定空压机满足运行状态条件并且检测数据满足平稳信号条件，基于时域信号生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征。
在一些实施例中，用于检测空压机故障状态的方法还包括：获取预定时间间隔内的处于健康状态下的空压机的多个油温检测数据、油压检测数据、转速数据；以及基于多个油温检测数据、油压检测数据、转速数据的均值和标准差，分别计算油温阈值、油压阈值和转速阈值。
在一些实施例中， 确定关于空压机的静止部件的故障状态和流体故障状态包括：在边缘计算设备处，基于空压机的油温检测数据、油压检测数据、排气压力检测数据、油温阈值、油压阈值和压力阈值，确定关于空压机的流体故障状态，边缘计算设备距离空压机的距离小于或者等于第一预定距离阈值，空压机为离心式空压机；以及基于喘振状态数据、电流检测数据和排气压力检测数据，确定关于空压机的静止部件的故障状态；基于输入数据，经由经训练的预测模型预测关于空压机的旋转部件的故障类型包括：在云服务器处，经由经训练的预测模型预测关于空压机的转子和轴承的故障类型。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。
附图说明
图1示出了根据本公开的实施例的实施用于检测空压机故障状态的方法的系统的示意图。
图2示出了根据本公开的实施例的用于检测空压机故障状态的方法的流程图。
图3示出根据本公开实施例的生成用于输入预测模型的输入数据的方法的流程图。
图4示出根据本公开实施例的用于确定空压机的喘振状态数据的方法的流程图。
图5示出根据本公开实施例的用于预测关于空压机的旋转部件的故障类型的方法的示意图。
图6示出根据本公开实施例的用于呈现关于空压机的故障状态的方法的示意图。
图7示出根据本公开实施例的转频追踪信号的示意图。
图8示意性示出了适于用来实现本公开实施例的电子设备的框图。
在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文所描述，传统的用于检测空压机故障状态的方案难以早期、准确地检测空压机的故障状态，而且主要是针对螺杆空压机，并不能完全适用于离心式空压机独特的结构：转子、静子、轴承等，进而难以用于离心式空压机的故障状态检测。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于检测空压机故障状态的方案。该方案通过获取空压机的油温检测数据、油压检测数据、转速数据和加速度数据；至少基于加速度数据，确定空压机的喘振状态数据；以及基于喘振状态数据、油温检测数据和油压检测数据，确定关于空压机的静止部件的故障状态和流体故障状态；本公开可以基于通过将空压机的操作侧的加速度数据用于确定空压机的喘振状态，能够提前获取空压机的振动特征，进而有利于提前预测喘振故障等静止部件的故障状态。另外，通过生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征，以便生成用于输入预测模型的输入数据；以及经由经训练的预测模型，预测关于空压机的旋转部件的故障类型；本公开能够最大程度的将稳态信号的变化特征提取出来，从而更为准确的捕捉到空压的转子、轴承等旋转部件的故障信息，进而实现更早、更准确地预测空压机故障，而且完全适用于离心式空压机独特的结构。因而，本公开不仅能够早期、准确地检测空压机的故障状态，而且可以适用于离心式空压机的故障检测。
图1示出了根据本公开的实施例的用于实施用于检测空压机故障状态的方法的系统100的示意图。如图1所示，系统100包括：计算设备110、一个或多个空压机130（图1中仅示例出1个空压机）、多个数据采集装置140、网关150。在一些实施例中，计算设备110例如包括边缘计算设备120和云服务器122。
关于空压机130，其例如为离心式空压机。空压机130例如包括旋转部件和静止部件。旋转部件例如包括：转子、轴承等。转子例如包括叶轮和轴，叶轮上有叶片，此外还有平衡盘和轴封的一部分。静止部件例如包括：机壳（气缸）、定子、扩压器、弯道、回流器、迸气管、排气管等。离心式空压机依靠动能的变化来提高气体的压力。当带叶片的转子转动时，叶片带动气体转动，使空气压力、温度、流速提高，然后流入定子的扩压器，再使空气流速降低，压力进一步提高，并经导向装置使空气流入下一级叶轮继续压缩升压，最后由蜗壳排出。
关于数据采集装置140，其例如是配置在空压机130上的用于检测空压机130状态的多个传感器（图1中未具体示出）。数据采集装置140例如至少包括用于检测油温的温度传感器、用于检测油压的压力传感器、用于分别测量空压机130的旋转部件的（例如转子、轴承）的转速的多个测速计、用于分别测量空压机130的旋转部件的（例如转子、轴承）的多个加速度的加速度计、用于分别测量空压机130的静止部件的振动信号的振动传感器等等。在一些实施例中，数据采集装置140例如采集空压机130的各种检测数据，可以通过MODBUS协议和RS485通讯进行解析和传输，例如，检测数据通过RS485传输至网关150，网关150将所接收的检测数据例如通过Lora传输到边缘计算设备120，边缘计算设备120再通过例如4G将检测数据或者经由预处理的检测数据传输至云服务器122。
关于网关150，其例如是物联网网关，用于将所接收的检测数据传输到计算设备110（例如，边缘计算设备120、和/或云服务器122）；以及用于接收来自计算设备110（例如，边缘计算设备120、和/或云服务器122）的空压机控制数据，并将空压机控制数据发送至空压机130。例如，网关150将所接收的检测数据通过Lora传输到边缘计算设备120，如果Lora失效，网关150可以将所接收的检测数据通过CAT1直接传输至云服务器122。
关于计算设备110，计算设备110可以包括与多个数据采集装置相距在预定范围之内的边缘计算设备120，以及远程的云服务器122中的至少一个。计算设备110可以获取空压机的油温检测数据、油压检测数据、转速数据和加速度数据；确定空压机的喘振状态数据；以及基于喘振状态数据、油温检测数据和油压检测数据，确定关于空压机的静止部件的故障状态和流体故障状态。计算设备110还可以生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征，以便生成用于输入预测模型的输入数据；以及基于输入数据，经由经训练的预测模型，预测关于空压机的旋转部件的故障类型。
关于边缘计算设备120，其距离空压机的距离小于或者等于第一预定距离阈值。在一些实施例中，其用于在边缘端基于实时检测的检测数据进行常规故障诊断，例如，空压机的静止部件的故障状态和流体故障状态。具体而言，边缘计算设备120用于基于空压机的油温检测数据、油压检测数据、排气压力检测数据、油温阈值、油压阈值和压力阈值，确定关于空压机的流体故障状态；以及基于喘振状态数据、电流检测数据和排气压力检测数据，确定关于空压机的静止部件的故障状态。
关于云服务器122，其用于经由经训练的预测模型预测关于空压机的转子和轴承的故障类型。例如，进行空压机的转子及轴承故障诊断。例如，云服务器122可以生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征，以便生成用于输入预测模型的输入数据；以及基于输入数据，经由经训练的预测模型，预测关于空压机的旋转部件的故障类型。云服务器122还可以针对预测模型进行训练。
以下将结合图2描述根据本公开的实施例的用于检测空压机故障状态的方法200。图2示出了根据本公开的实施例的用于检测空压机故障状态的方法200的流程图。应当理解，方法200例如可以在图8所描述的电子设备800处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤202处，计算设备110获取空压机的油温检测数据、油压检测数据、转速数据和加速度数据。在一些实施例中，计算设备110获取空压机的油压检测数据、油温检测数据、排气压力检测数据、空压机的转动部件（例如转子、轴承）的转速数据和加速度数据。其中，加速度数据由加速度计获得，并经由网关150传输至计算设备110的边缘计算设备120。
在步骤204处，计算设备110至少基于加速度数据，确定空压机的喘振状态数据。
应当理解，空压机例如在电流变小时会出现剧烈振动情况，即喘振。喘振会导致振动信号异常。因此，计算设备110可以通过电流和排气压力来判断空压机是否发生喘振，例如，如果计算设备110确定电流数据小于或者等于预定电流阈值，以及排气压力数据小于或者等于预定压力阈值，则计算设备110确定振动频域信号在1HZ以下的频率上是否表现出较大振幅（例如大于或者等于预定振幅阈值）；如果确定振动频域信号在1HZ以下的频率上表现出较大振幅，则确定空压机的喘振状态数据指示空压机发生喘振故障。
在步骤206处，计算设备110生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征，以便生成用于输入预测模型的输入数据。通过生成独特的用于表征空压机振动检测特征的时域信号特征、频域信号特征、转频追踪信号特征，本公开能够最大程度的将稳态信号的变化特征提取出来，从而更为准确的捕捉到空压机故障信息。
关于空压机的旋转部件，其例如包括：空压机的转子、轴承等。
关于生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征的方法，其包括：计算设备110基于关于空压机的旋转部件的时域信号，计算时域信号的幅值变化数据，以便确定空压机是否满足运行状态条件，时域信号包括加速度数据；计算多个时间间隔内的关于时域信号的标准差和幅值，以便确定检测数据是否满足平稳信号条件；以及如果计算设备110确定空压机满足运行状态条件并且检测数据满足平稳信号条件，基于时域信号生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征。
应当理解，由于所获取的检测数据的时机有可能遇到空压机的工作状态转换，因此，有必要过滤掉工作状态转换数据时刻的检测数据，以便使得用于检测空压机故障状态的检索数据（例如，空压机的旋转部件的时域信号）是空压机满足运行状态条件（即稳定运行状态）时检测数据。
关于确定空压机是否满足运行状态条件的方法，其例如包括：计算设备110基于空压机的时域数据的幅值的变化率（该变化率例如是基于加速度数据的幅值的变化除以对应的变化时间而得到的），确定空压机的工作状态转换数据。其中，工作状态转换数据例如包括：空压机开机、空压机关机、空压机加载、空压机卸载。如果计算设备110确定工作状态转换数据指示空压机已被开机、并且未进行空压机加载和空压机卸载，则确定空压机满足运行状态条件。例如，如果空压机的时域数据的幅值的变化率在第一预定阈值范围之内，则基于时域数据的幅值的变化方向确定空压机的工作状态转换数据指示空压机加载或空压机卸载；如果空压机的时域数据的幅值的变化率在第二预定阈值范围之内，则基于时域数据的幅值的变化方向确定空压机的工作状态转换数据指示空压机开机或空压机关机。其中，第二预定阈值范围大于第一预定阈值范围。
应当理解，即便空压机处于运行状态，如果空压机的检测数据并非平稳信号，没有一定的一致性规律，也不适于输入预测模型以用于空压机的健康状态预测。因此，有必要确定空压机的检测数据是否满足平稳信号条件。
关于确定空压机的检测数据是否满足平稳信号条件的方法，其例如包括：计算设备110分段计算空压机满足运行状态条件下的、旋转部件的时域信号（例如，加速度数据）的标准差和幅值，以便确定时域信号的标准差和幅值是否满足一致性条件，如果确定时域信号的标准差和幅值满足一致性条件，则保留当前检测数据（例如，保留空压机的旋转部件的当前加速度数据，以用于生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征）；如果确定时域信号的标准差和幅值不满足一致性条件，过滤掉当前检测数据（例如，过滤掉空压机的旋转部件的加速度数据）。
关于确定时域信号的标准差和幅值满足一致性条件的方法，其例如包括：分别确定所有时段的时域信号（例如，加速度数据）的标准差和幅值是否均未超出预定标准差阈值范围和预定幅值阈值范围，如果所有时段的时域信号（例如，加速度数据）的标准差和幅值均未超出预定标准差阈值范围和预定幅值阈值范围，则表明时域信号的标准差和幅值满足一致性条件。
通过采用上述手段，本公开可以使得用于检测空压机故障状态的检测数据均为空压机稳态运行状态下的、一致性的检测数据，因而能够显著提高所检测的空压机故障状态的可靠性。
关于生成输入数据的方法，其例如包括：计算设备110分别计算加速度数据的幅值、标准差、方根幅值和方根均值，以便生成时域信号特征；针对加速度数据进行快速傅里叶变换，以便获取频域信号特征；基于频域信号特征的频谱数据和转速数据，生成转频追踪信号；以及基于时域信号特征、频域信号特征、转频追踪信号特征，生成用于输入预测模型的输入数据。下文将结合图3具体说明用于生成输入数据的方法，在此，不再赘述。
以下结合公式（1）说明用于计算加速度数据的方根均值的算法：
在上述公式（1）中，
代表第
个采样的空压机的转动部件的加速度数据。
代表采样的加速度数据的个数。
代表所计算的加速度数据的方根均值。
在步骤208处，计算设备110基于喘振状态数据、油温检测数据和油压检测数据，确定关于空压机的静止部件的故障状态和流体故障状态。
在一些实施例中，边缘计算设备120基于通过所获取的电流检测数据、排气压力检测数据、油温检测数据、油压检测数据、喘振状态数据，确定空压机静止部件故障状态和流体故障状态。静止部件故障状态至少包括：喘振故障等。流体故障状态至少包括：密封漏气、冷却器泄漏等。
例如，如果边缘计算设备120确定空压机满足运行状态条件，基于空压机的油温检测数据、油压检测数据、排气压力检测数据、油温阈值、油压阈值和压力阈值，确定关于空压机的流体故障状态；基于喘振状态数据、电流监测数据和排气压力监测数据，确定关于空压机的静止部件的故障状态。例如，如果边缘计算设备120确定油温检测数据大于油温阈值，则确定空压机存在冷却器泄漏故障；如果确定油压检测数据小于油压阈值，则确定空压机存在漏油故障；如果确定排气压力数据小于气压阈值，则确定空压机存在密封漏气故障。油温阈值、油压阈值、气压阈值例如是基于空压机处于健康状态下的油温检测数据、油压检测数据和排气压力数据分别确定的，例如，通过采集空压机运行两周的健康数据，计算检测数据均值和标准差得到自适应的检测数据阈值。以油温阈值为例，边缘计算设备基于健康状态下的油温检测数据的平均值和三倍的标准差来计算油温阈值。
在步骤210处，计算设备110基于输入数据，经由经训练的预测模型，预测关于空压机的旋转部件的故障类型。在一些实施例中，在云服务器处，经由经训练的预测模型，预测关于空压机的旋转部件的故障类型；以及将所预测的关于空压机的旋转部件的故障类型发送至边缘计算设备；在云服务器和边缘计算设备中的至少一处，呈现关于空压机的旋转部件的故障类型的预测结果。
关于预测模型，其例如是基于XGBoost、Lightgbm（Light Gradient BoostingMachine）、catboost、随机森林、逻辑回归等算法而构建的。在一些实施例中，预测模型例如包括：第一预测模型（例如为基于XGBoost算法而构建的预测模型）和第二预测模型（例如为基于Lightgbm算法而构建的预测模型）。计算设备110可以融合第一预测模型所生成的第一预测结果和第二预测模型的所生成的第二预测结果，以便生成关于空压机的旋转部件的故障类型的预测结果。
关于XGBoost算法，其基本思想与GBDT类似，通过不断进行特征分裂来生长一颗决策树，每一轮学习一颗决策树，即，去拟合上一轮模型的预测值与实际值之间的残差。当训练完成得到多颗决策树时，需要预测一个样本的分数。根据这个样本的特征，在每棵决策树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，将每棵树对应的分数相加可以得到该样本的预测值。以下结合公式（2）示例性说明基于XGBoost算法而构建的预测模型的损失函数的算法：
在上述公式（2）中，
代表训练集样本。
代表第
个样本
代表损失函数。
代表正则化系数。
代表第
个样本的一阶导数。
代表第
个样本的二阶导数。
)为常数。应当理解，通过极小化上面损失函数
，可以得到第
个决策树最优的所有
个叶子节点区域和每个叶子节点区域的最优取值
。
关于LightGBM算法，其使用的是histogram算法，LightGBM算法占用的内存更低，数据分隔的复杂度更低。基于LightGBM算法所构建的预测模型主要是将连续的浮点特征离散成k个离散值，并构造宽度为k的Histogram。然后遍历训练数据，统计每个离散值在直方图中的累计统计量。LightGBM算法在进行特征选择时，只需要根据直方图的离散值，遍历寻找最优的分割点。具有减少内存的使用，提高模型的训练速度的优势。
本公开预测模型是经由大量的空压机故障样本训练数据所训练。每一空压机故障样本训练数据标注有故障标签，该故障标签指示空压机的不同部件和故障类型，例如，故障标签可以按照空压机的不同部件的故障类型进行独热编码。故障标签例如指示转子的不对中故障、转子的不平衡故障、转子的油膜振荡故障、轴承的磨损故障、轴承的点蚀故障、轴承的破裂故障。
关于预测模型的输出，其例如是用于指示空压机的转子、轴承的故障类型的预测结果的多个故障状态位。每一个状态位指示一种故障类型的转子故障或者轴承故障。多个故障状态位例如分别指示：转子的不对中故障状态、转子的不平衡故障状态、转子的油膜振荡故障状态。轴承的磨损故障状态、轴承的点蚀故障状态、轴承的破裂故障状态。
关于预测关于空压机的旋转部件的故障类型的方法，其例如包括：云服务器122基于输入数据，经由经训练的第一预测模型，生成关于空压机的旋转部件的故障类型的第一预测结果，旋转部件至少包括转子和轴承；基于输入数据，经由经训练的第二预测模型，生成关于空压机的旋转部件的故障类型的第二预测结果，第二预测模型不同于第一预测模型；以及融合第一预测模型所生成的第一预测结果和第二预测模型的所生成的第二预测结果，以便生成关于空压机的旋转部件的故障类型的预测结果。
在上述方案中，通过获取空压机的油温检测数据、油压检测数据、转速数据和加速度数据；至少基于加速度数据，确定空压机的喘振状态数据；以及基于喘振状态数据、油温检测数据和油压检测数据，确定关于空压机的静止部件的故障状态和流体故障状态；本公开可以基于通过将空压机的操作侧的加速度数据用于确定空压机的喘振状态，能够提前获取空压机的振动特征，进而有利于提前预测喘振故障等静止部件的故障状态。另外，通过生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征，以便生成用于输入预测模型的输入数据；以及经由经训练的预测模型，预测关于空压机的旋转部件的故障类型；本公开能够最大程度的将稳态信号的变化特征提取出来，从而更为准确的捕捉到空压的转子、轴承等旋转部件的故障信息，进而实现更早、更准确地预测空压机故障，而且完全适用于离心式空压机独特的结构。因而，本公开不仅能够早期、准确地检测空压机的故障状态，而且可以适用于离心式空压机的故障检测。图3示出根据本公开实施例的生成用于输入预测模型的输入数据的方法的流程图。应当理解，方法300例如可以在图8所描述的电子设备800处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法300还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤302处，计算设备110分别计算加速度数据的幅值、标准差、方根幅值和方根均值，以便生成时域信号特征。通过基于空压机的转动部件的操作侧（例如电机、转子、轴承）的加速度数据生成时域信号特征进而用于空压机的故障预测，有利于提前获取空压机的振动特征，进而有利于提前预测故障，防患于未然。
在步骤304处，计算设备110针对加速度数据进行快速傅里叶变换，以便获取频域信号特征。
关于获取频域信号特征的方法，其包括：计算设备110针对加速度数据进行快速傅里叶变换，以便生成第一频域信号数据；基于第一频域信号数据，计算平均频率数据、重心频率数据、频率标准差数据；以及基于所计算的平均频率数据、重心频率数据、频率标准差数据，生成频域信号特征。
重心频率用于指示第一频域信号数据在频谱中分量较大的信号成分的频率，反映信号功率谱的分布情况。重心频率是以功率谱的幅值为权值的加权平均，所以重心频率会向功率谱幅值更大（即权值更大）的位置移动。
以下结合公式（3）说明用于计算重心频率数据的算法：
在上述公式（3）中，
代表频率。
代表所计算的重心频率数据。
代表频率变化量。
代表功率谱的幅值。
在步骤306处，计算设备110基于所计算的平均频率数据、重心频率数据、频率标准差数据，生成频域信号特征。频域信号特征的频谱数据的横坐标为频率，纵坐标为振幅。应当理解，转频追踪信号能够更为准确地追踪不对中、不平衡特征等等故障信息。
关于生成转频追踪信号的方法，其例如包括：计算设备110基于频域信号特征的频谱和转速数据，计算转频追踪信号，转频追踪信号指示追踪频率与振幅的对应关系；以及选取特定追踪频率所对应的振幅，以便生成转频追踪信号特征。
例如，计算设备110可以通过将频域信号特征的频谱数据的频率除以转速数据，以便生成转频追踪信号。图7示出根据本公开实施例的转频追踪信号的示意图。如图7所示，标记710指示转频追踪信号，其中图7的横坐标为追踪频率，纵坐标为振幅。然后，计算设备110选取特定追踪频率所对应的振幅以作为等频幅值。例如，该特定追踪频率一般为1/2、1/3、2、3、4等追踪频率。等频幅值例如为特定追踪频率1/2、1/3、2、3、4所对应的振幅。常见的不对中、不平衡特征在这些等频幅值上会有明显区别。例如，图7所示的1倍追踪频率所对应的等频幅值712相对较大，可以确定空压机存在转子不对中故障。
在步骤310处，计算设备110基于时域信号特征、频域信号特征、转频追踪信号特征，生成用于输入预测模型的输入数据。
例如，计算设备110将时域信号特征、频域信号特征和转频追踪信号特征进行拼接，以便生成用于输入预测模型的输入数据。
该输入数据例如用于分别针对空压机的转子故障和轴承故障数据进行建模；然后分别利用基于XGBoost构建的第一预测模型、基于Lightgbm算法构建的第二预测模型进行训练和学习；以便分别生成关于转子故障及轴承故障的第一预测结果和第二预测结果；计算设备110融合第一预测结果和第二预测结果生成关于转子故障及轴承故障的预测结果。
在上述方案中，通过基于空压机的转动部件的加速度而计算的时域信号特征、频域信号特征、转频追踪信号特征来生成预测模型的输入数据，不仅有利于提前获取空压机的振动特征，而且能够更为准确的捕捉到空压的故障信息，进而实现更早、更准确地预测空压机故障。
图4示出根据本公开实施例的用于确定空压机的喘振状态数据的方法的流程图。应当理解，方法400例如可以在图8所描述的电子设备800处执行。也可以在图1所描述的计算设备110处执行，还可以在图1所描述的边缘计算设备120处执行。应当理解，方法400还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤402处，计算设备110基于加速度数据，确定空压机是否满足第一喘振条件。如果计算设备110确定空压机不满足第一喘振条件，跳转至步骤408处，确定空压机的喘振状态数据指示不存在喘振故障。
关于确定空压机是否满足第一喘振条件的方法，其例如包括：计算设备110基于加速度数据，经由快速傅里叶变换，生成振动频域数据；基于振动频域数据，确定在预定频率阈值以下的采样频率所对应的振幅是否大于预定振幅阈值；响应于确定在预定频率阈值以下的采样频率所对应的振幅大于预定振幅阈值，确定空压机满足第一喘振条件；以及如果在预定频率阈值以下的采样频率所对应的振幅小于或者等于预定振幅阈值，确定空压机不满足第一喘振条件。
例如，计算设备110基于加速度数据，经由快速傅里叶变换，生成振动频域数据；然后确定振动频域数据在1HZ以下的采样频率所对应的振幅是否大于预定振幅阈值（该预定振幅阈值例如是基于健康状态下的样本数据而测定的）；如果确定在1HZ以下的采样频率所对应的振幅大于或者等于预定振幅阈值，则确定空压机满足第一喘振条件。通过采用上述手段，本公开可以从振动频域数据的角度识别空压机的喘振状态。
在步骤404处，如果计算设备110确定空压机满足第一喘振条件，基于空压机的电流检测数据和排气压力检测数据，确定空压机是否满足第二喘振条件。 例如，如果计算设备110确定空压机的电流检测数据小于或者等于预定电流阈值并且确定空压机的排气压力检测数据小于或者等于预定电流阈值，则确定空压机满足第二喘振条件。通过采用上述手段，本公开可以从电流数据和排气压力数据的角度识别空压机的喘振状态。
在步骤406处，如果计算设备110确定空压机满足第二喘振条件，确定空压机的喘振状态数据指示存在喘振故障。
在步骤408处，如果计算设备110确定空压机未满足第二喘振条件，确定空压机的喘振状态数据指示不存在喘振故障。
通过采用上述手段，本公开可以电流检测数据、排气压力检测数据、和振动频域数据的角度均确定空压机处于喘振状态时，才确定空压机存在喘振故障，因而能够交叉验证数据的准确性，确保传感器无故障，同时综合多维度数据判断空压机喘振故障，进而有效地提高空压机喘振状态判断的可靠性。
图5示出根据本公开实施例的用于预测关于空压机的旋转部件的故障类型的方法的示意图。应当理解，方法500例如可以在图8所描述的电子设备800处执行。也可以在图1所描述的计算设备110处执行，还可以在图1所描述的云服务器122处执行。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤502处，计算设备110基于输入数据，经由经训练的第一预测模型，生成关于空压机的旋转部件的故障类型的第一预测结果，旋转部件至少包括转子和轴承。
关于第一预测模型，其例如是基于XGBoost算法而构建的预测模型。
在步骤504处，计算设备110基于输入数据，经由经训练的第二预测模型，生成关于空压机的旋转部件的故障类型的第二预测结果，第二预测模型不同于第一预测模型。
关于第二预测模型，其例如是为基于Lightgbm算法而构建的预测模型。
在步骤506处，计算设备110融合第一预测模型所生成的第一预测结果和第二预测模型的所生成的第二预测结果，以便生成关于空压机的旋转部件的故障类型的预测结果。
关于生成关于空压机的旋转部件的故障类型的预测结果的方法，其例如包括：基于第一预测结果、第二预测结果，经由线性回归算法，计算关于第一预测结果的第一权重和关于第二预测结果的第二权重；以及基于第一预测结果、第一权重、第二预测结果和第二权重，进行加权求和运算，以便生成关于空压机的旋转部件的故障类型的预测结果，关于空压机的旋转部件的故障类型的预测结果至少指示：转子的不对中故障状态、转子的不平衡故障状态、转子的油膜振荡故障状态。轴承的磨损故障状态、轴承的点蚀故障状态和轴承的破裂故障状态。
通过采用上述手段，本公开能够有效提高空压机故障预测的可靠性。
图6示出根据本公开实施例的用于呈现关于空压机的故障状态的方法的示意图。应当理解，方法600例如可以在图8所描述的电子设备800处执行。也可以在图1所描述的计算设备110处执行，还可以在图1所描述的边缘计算设备120和云服务器122处执行。应当理解，方法600还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。
在步骤602处，在边缘计算设备120处，基于空压机的油温检测数据、油压检测数据、排气压力检测数据、油温阈值、油压阈值和压力阈值，确定关于空压机的流体故障状态，边缘计算设备距离空压机的距离小于或者等于第一预定距离阈值，空压机为离心式空压机。
在步骤604处，基于喘振状态数据、电流检测数据和排气压力检测数据，确定关于空压机的静止部件的故障状态。
在步骤604处，在云服务器122处，在云服务器处，经由经训练的预测模型预测关于空压机的转子和轴承的故障类型。
在步骤606处，在云服务器122和边缘计算设备120中的至少一处，呈现关于空压机的旋转部件的故障类型的预测结果、关于空压机静止部件故障状态、以及关于空压机的流体故障状态。
图8示意性示出了适于用来实现本公开实施例的电子设备（或者计算设备）800的框图。设备800可以是用于实现执行图2至图6所示的方法200至600的设备。如所示，设备800包括中央处理单元（CPU）801，其可以根据存储在只读存储器（ROM）802中的计算机程序指令或者从存储单元808加载到随机存取存储器（RAM）803中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可存储设备800操作所需的各种程序和数据。CPU、ROM以及RAM通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。
设备800中的多个部件连接至输入/输出（I/O）805，包括：输入单元806、输出单元807、存储单元808，中央处理单元801执行上文所描述的各个方法和处理，例如执行方法200至800例如，在一些实施例中，方法200至600可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法200至600的一个或多个操作。备选地，在其他实施例中，CPU可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法200至600的一个或多个动作。
需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如C语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和/或步骤图描述了本公开的各个方面。应当理解，流程图和/或步骤图的每个方步骤以及流程图和/或步骤图中各方步骤的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。
附图中的流程图和步骤图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或步骤图中的每个方步骤可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方步骤中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，步骤图和/或流程图中的每个方步骤、以及步骤图和/或流程图中的方步骤的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。
Claims (13)
1.一种用于检测空压机故障状态的方法，包括：
获取空压机的油温检测数据、油压检测数据、转速数据和加速度数据；
至少基于加速度数据，确定空压机的喘振状态数据；
生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征，以便生成用于输入预测模型的输入数据；
基于喘振状态数据、油温检测数据和油压检测数据，确定关于空压机的静止部件的故障状态和流体故障状态；以及
基于输入数据，经由经训练的预测模型，预测关于空压机的旋转部件的故障类型。
2.根据权利要求1所述的方法，其中生成用于输入预测模型的输入数据包括：
分别计算加速度数据的幅值、标准差、方根幅值和方根均值，以便生成时域信号特征；
针对加速度数据进行快速傅里叶变换，以便获取频域信号特征；
基于频域信号特征的频谱数据和转速数据，生成转频追踪信号；以及
基于时域信号特征、频域信号特征、转频追踪信号特征，生成用于输入预测模型的输入数据。
3.根据权利要求2所述的方法，其中获取频域信号特征包括：
针对加速度数据进行快速傅里叶变换，以便生成第一频域信号数据；
基于第一频域信号数据，计算平均频率数据、重心频率数据、频率标准差数据；以及
基于所计算的平均频率数据、重心频率数据、频率标准差数据，生成频域信号特征。
4.根据权利要求2所述的方法，其中基于频域信号特征的频谱数据和转速数据，生成转频追踪信号特征包括：
基于频域信号特征的频谱和转速数据，计算转频追踪信号，所述转频追踪信号指示追踪频率与振幅的对应关系；以及
选取特定追踪频率所对应的振幅，以便生成转频追踪信号特征。
5.根据权利要求1所述的方法，其中基于输入数据，经由经训练的预测模型预测关于空压机的旋转部件的故障类型包括：
基于输入数据，经由经训练的第一预测模型，生成关于空压机的旋转部件的故障类型的第一预测结果，旋转部件至少包括转子和轴承；
基于输入数据，经由经训练的第二预测模型，生成关于空压机的旋转部件的故障类型的第二预测结果，第二预测模型不同于第一预测模型；以及
融合第一预测模型所生成的第一预测结果和第二预测模型的所生成的第二预测结果，以便生成关于空压机的旋转部件的故障类型的预测结果。
6.根据权利要求5所述的方法，其中生成关于空压机的旋转部件的故障类型的预测结果包括：
基于第一预测结果、第二预测结果，经由线性回归算法，计算关于第一预测结果的第一权重和关于第二预测结果的第二权重；以及
基于第一预测结果、第一权重、第二预测结果和第二权重，进行加权求和运算，以便生成关于空压机的旋转部件的故障类型的预测结果，关于空压机的旋转部件的故障类型的预测结果至少指示：转子的不对中故障状态、转子的不平衡故障状态、转子的油膜振荡故障状态、轴承的磨损故障状态、轴承的点蚀故障状态和轴承的破裂故障状态。
7.根据权利要求1所述的方法，其中至少基于加速度数据，确定空压机的喘振状态数据包括：
基于加速度数据，确定空压机是否满足第一喘振条件；
响应于确定空压机满足第一喘振条件，基于空压机的电流检测数据和排气压力检测数据，确定空压机是否满足第二喘振条件；
响应于确定空压机满足第二喘振条件，确定空压机的喘振状态数据指示存在喘振故障；以及
确定空压机未满足第二喘振条件，确定空压机的喘振状态数据指示不存在喘振故障。
8.根据权利要求1所述的方法，其中确定空压机是否满足第一喘振条件包括：
基于加速度数据，经由快速傅里叶变换，生成振动频域数据；
基于振动频域数据，确定在预定频率阈值以下的采样频率所对应的振幅是否大于预定振幅阈值；
响应于确定在预定频率阈值以下的采样频率所对应的振幅大于预定振幅阈值，确定空压机满足第一喘振条件；以及
响应于在预定频率阈值以下的采样频率所对应的振幅小于或者等于预定振幅阈值，确定空压机不满足第一喘振条件。
9.根据权利要求1所述的方法，其中生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征包括：
基于关于空压机的旋转部件的时域信号，计算时域信号的幅值变化数据，以便确定空压机是否满足运行状态条件，所述时域信号包括加速度数据；
计算多个时间间隔内的关于时域信号的标准差和幅值，以便确定检测数据是否满足平稳信号条件；以及
响应于确定空压机满足运行状态条件并且检测数据满足平稳信号条件，基于时域信号生成关于空压机的旋转部件的时域信号特征、频域信号特征、转频追踪信号特征。
10.根据权利要求1所述的方法，还包括：
获取预定时间间隔内的处于健康状态下的空压机的多个油温检测数据、油压检测数据、转速数据；以及
基于多个油温检测数据、油压检测数据、转速数据的均值和标准差，分别计算油温阈值、油压阈值和转速阈值。
11.根据权利要求1所述的方法，其中
确定关于空压机的静止部件的故障状态和流体故障状态包括：
在边缘计算设备处，基于空压机的油温检测数据、油压检测数据、排气压力检测数据、油温阈值、油压阈值和压力阈值，确定关于空压机的流体故障状态，边缘计算设备距离空压机的距离小于或者等于第一预定距离阈值，所述空压机为离心式空压机；以及
基于喘振状态数据、电流检测数据和排气压力检测数据，确定关于空压机的静止部件的故障状态；
基于输入数据，经由经训练的预测模型预测关于空压机的旋转部件的故障类型包括：
在云服务器处，经由经训练的预测模型预测关于空压机的转子和轴承的故障类型。
12.一种计算设备，包括：
至少一个处理单元；
至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述计算设备执行权利要求1至11任一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现权利要求1至11中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210129679.9A CN114165474B (zh) | 2022-02-11 | 2022-02-11 | 用于检测空压机故障状态的方法、设备和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210129679.9A CN114165474B (zh) | 2022-02-11 | 2022-02-11 | 用于检测空压机故障状态的方法、设备和计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114165474A true CN114165474A (zh) | 2022-03-11 |
| CN114165474B CN114165474B (zh) | 2022-05-06 |
Family
ID=80489805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210129679.9A Active CN114165474B (zh) | 2022-02-11 | 2022-02-11 | 用于检测空压机故障状态的方法、设备和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114165474B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113776597A (zh) * | 2021-09-22 | 2021-12-10 | 新奥数能科技有限公司 | 空压机故障判断方法、装置、计算机设备及介质 |
| CN115030885A (zh) * | 2022-06-06 | 2022-09-09 | 浙江新富凌电气股份有限公司 | 一种空压机一体机 |
| CN115237081A (zh) * | 2022-09-22 | 2022-10-25 | 蘑菇物联技术（深圳）有限公司 | 确定具有异常的后处理设备的方法、设备和介质 |
| CN115693798B (zh) * | 2022-11-07 | 2023-05-30 | 广东鑫钻节能科技股份有限公司 | 空压站余功回收发电系统及方法 |
| WO2023222471A1 (de) * | 2022-05-17 | 2023-11-23 | Robert Bosch Gmbh | Verfahren zum betreiben eines elektrisch angetriebenen verdichters, steuergerät |
| CN117494485A (zh) * | 2024-01-02 | 2024-02-02 | 上海凯士比泵有限公司 | 用于预测转动设备的故障概率的方法、设备和存储介质 |
| CN118656717A (zh) * | 2024-08-20 | 2024-09-17 | 潍柴动力股份有限公司 | 气缸漏气检测方法、装置、存储介质和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105370610A (zh) * | 2015-11-30 | 2016-03-02 | 中冶南方工程技术有限公司 | 一种煤气加压机监控保护系统 |
| US20160209831A1 (en) * | 2014-11-18 | 2016-07-21 | Biplab Pal | IoT-ENABLED PROCESS CONTROL AND PREDECTIVE MAINTENANCE USING MACHINE WEARABLES |
| CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
| CN109934206A (zh) * | 2019-04-08 | 2019-06-25 | 中国矿业大学(北京) | 一种非平稳工况下的旋转机械故障诊断方法 |
| CN110674019A (zh) * | 2019-08-30 | 2020-01-10 | 中国人民财产保险股份有限公司 | 一种预测系统故障的方法、装置及电子设备 |
| CN111207067A (zh) * | 2019-06-05 | 2020-05-29 | 杭州电子科技大学 | 一种基于模糊支持向量机的空压机故障诊断方法 |
-
2022
- 2022-02-11 CN CN202210129679.9A patent/CN114165474B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160209831A1 (en) * | 2014-11-18 | 2016-07-21 | Biplab Pal | IoT-ENABLED PROCESS CONTROL AND PREDECTIVE MAINTENANCE USING MACHINE WEARABLES |
| CN105370610A (zh) * | 2015-11-30 | 2016-03-02 | 中冶南方工程技术有限公司 | 一种煤气加压机监控保护系统 |
| CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
| CN109934206A (zh) * | 2019-04-08 | 2019-06-25 | 中国矿业大学(北京) | 一种非平稳工况下的旋转机械故障诊断方法 |
| CN111207067A (zh) * | 2019-06-05 | 2020-05-29 | 杭州电子科技大学 | 一种基于模糊支持向量机的空压机故障诊断方法 |
| CN110674019A (zh) * | 2019-08-30 | 2020-01-10 | 中国人民财产保险股份有限公司 | 一种预测系统故障的方法、装置及电子设备 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113776597A (zh) * | 2021-09-22 | 2021-12-10 | 新奥数能科技有限公司 | 空压机故障判断方法、装置、计算机设备及介质 |
| WO2023222471A1 (de) * | 2022-05-17 | 2023-11-23 | Robert Bosch Gmbh | Verfahren zum betreiben eines elektrisch angetriebenen verdichters, steuergerät |
| CN115030885A (zh) * | 2022-06-06 | 2022-09-09 | 浙江新富凌电气股份有限公司 | 一种空压机一体机 |
| CN115030885B (zh) * | 2022-06-06 | 2023-12-26 | 浙江新富凌电气股份有限公司 | 一种空压机一体机 |
| CN115237081A (zh) * | 2022-09-22 | 2022-10-25 | 蘑菇物联技术（深圳）有限公司 | 确定具有异常的后处理设备的方法、设备和介质 |
| CN115237081B (zh) * | 2022-09-22 | 2022-12-02 | 蘑菇物联技术（深圳）有限公司 | 确定具有异常的后处理设备的方法、设备和介质 |
| CN115693798B (zh) * | 2022-11-07 | 2023-05-30 | 广东鑫钻节能科技股份有限公司 | 空压站余功回收发电系统及方法 |
| CN117494485A (zh) * | 2024-01-02 | 2024-02-02 | 上海凯士比泵有限公司 | 用于预测转动设备的故障概率的方法、设备和存储介质 |
| CN117494485B (zh) * | 2024-01-02 | 2024-03-29 | 上海凯士比泵有限公司 | 用于预测转动设备的故障概率的方法、设备和存储介质 |
| CN118656717A (zh) * | 2024-08-20 | 2024-09-17 | 潍柴动力股份有限公司 | 气缸漏气检测方法、装置、存储介质和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114165474B (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114165474B (zh) | 用于检测空压机故障状态的方法、设备和计算机存储介质 | |
| EP3904988A1 (en) | Induction motor condition monitoring using machine learning | |
| Wang et al. | A novel statistical time-frequency analysis for rotating machine condition monitoring | |
| JP5190464B2 (ja) | 非接触ブレード振動測定方法 | |
| US10316849B2 (en) | Method and system for detection of faults in pump assembly via handheld communication device | |
| US20090301055A1 (en) | Gas Turbine Engine Systems and Methods Involving Vibration Monitoring | |
| CN112161806B (zh) | 风机的故障监测方法和故障监测装置 | |
| US10895873B2 (en) | Machine health monitoring of rotating machinery | |
| JP2931187B2 (ja) | ポンプ劣化診断システム | |
| US20120330578A1 (en) | Severity analysis apparatus and method for shafts of rotating machinery | |
| US20190162748A1 (en) | Pump assembly, method and computer program | |
| CN114216640A (zh) | 用于检测工业设备故障状态的方法、设备和介质 | |
| EP4043699A1 (en) | System and method for automated failure mode detection of rotating machinery | |
| JP6783163B2 (ja) | 翼振動監視装置および翼振動監視方法 | |
| JP2012522929A (ja) | 羽根車の作動状態指標を決定するためのシステムおよび方法 | |
| CN107725456B (zh) | 离心压缩机机组的分析诊断方法和装置 | |
| CN111307206A (zh) | 一种基于多源信息融合的压缩机喘振自动识别方法 | |
| KR102433483B1 (ko) | 진동 센서를 통한 설비 예지 보전 시스템 | |
| Yang | Automatic Condition Monitoring of Industrial Rolling‐Element Bearings Using Motor’s Vibration and Current Analysis | |
| CN107436244B (zh) | 基于频率分段振动数据采集的设备故障报警方法 | |
| Yaqub et al. | Machine fault severity estimation based on adaptive wavelet nodes selection and SVM | |
| Atmaja et al. | Lab-scale Vibration Analysis Dataset and Baseline Methods for Machinery Fault Diagnosis with Machine Learning | |
| US10345194B2 (en) | Detection device for initiating failures of a mechanical system | |
| WO2017212645A1 (ja) | 軸受診断装置および軸受診断方法、並びに回転機器およびその保守方法 | |
| Badkoubeh | A Non-Intrusive Condition Monitoring and Vibration Control System for Electric Submersible Pumps |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 118, Building C1, No.1 Qingsheng Avenue, Nansha District, Guangzhou City, Guangdong Province, 511455 Patentee after: Guangdong Mushroom IoT Technology Co.,Ltd. Country or region after: Zhong Guo Address before: 518109 room 2202, building 1, Huide building, Beizhan community, Minzhi street, Longhua District, Shenzhen, Guangdong Patentee before: MOGULINKER TECHNOLOGY (SHENZHEN) CO.,LTD. Country or region before: Zhong Guo |
|
| CP03 | Change of name, title or address |