CN114548301B - 基于迁移学习的压缩机故障诊断方法及系统 - Google Patents
基于迁移学习的压缩机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114548301B CN114548301B CN202210182093.9A CN202210182093A CN114548301B CN 114548301 B CN114548301 B CN 114548301B CN 202210182093 A CN202210182093 A CN 202210182093A CN 114548301 B CN114548301 B CN 114548301B
- Authority
- CN
- China
- Prior art keywords
- neural network
- compressor
- convolutional neural
- migration
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 238000013526 transfer learning Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 76
- 238000013508 migration Methods 0.000 claims abstract description 48
- 230000005012 migration Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于迁移学习的压缩机故障诊断方法及系统，诊断方法过程包括：利用压缩机气缸内热力过程的数学模型生成故障模拟p‑V图，形成仿真数据集，并利用仿真数据集对网络模型进行训练，得到预训练卷积神经网络；对收集的真实故障情况下的气缸内动态压力数据，进行数据预处理和图像处理得到二值化p‑V图，对其进行整合，形成真实数据集；利用真实数据集对预训练卷积神经网络进行参数微调，得到用于故障诊断的迁移卷积神经网络；将压缩机实时工作循环的二值数字图像输入上述迁移卷积神经网络进行计算，得到卷积神经网络的输出；根据预设的迁移卷积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，达到故障诊断的目的。
Description
技术领域
本发明属于压缩机技术领域，具体涉及基于迁移学习的压缩机故障诊断方法及系统。
背景技术
石油化工行业是重要产业，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。
往复式压缩机的零件多，运动关系复杂，工况范围广，导致其故障形式多样，进而为往复机的人工故障诊断造成了困难，因此对往复式压缩机的自动诊断技术进行探究，是迫不及待的。得益于人工智能技术的发展，目前机器学习算法已广泛应用于各类机械故障自动化诊断中，但机器学习模型的分类精度高度依赖于样本数据的数量，而工程中大多数情况下，无法为机器学习模型提供足量的故障样本数据，这就给机器学习模型在工程中的应用增加了难度。并且，针对类型相同但型号不同的机器，通过大量训练掌握的知识，在不同机器学习模型之间不能共享，也会造成数据资源的浪费，同时也会增加计算资源的浪费。
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基于迁移学习的压缩机故障诊断方法及系统，能够实现往复式压缩机多类故障的全自动智能诊断。
为了实现上述目的，本发明采用的解决方案是：
基于迁移学习的压缩机故障诊断方法，包括如下过程：
利用往复式压缩机气缸内热力过程的数学模型，模拟生成预设数量的包含压缩机故障状态下的p-V图，对该p-V图进行整合，形成仿真数据集；
利用所述仿真数据集对卷积神经网络进行训练，得到预训练的卷积神经网络；
对真实故障情况下的气缸内动态压力数据进行数据预处理和图像处理，得到真实故障情况下的二值化p-V图，对该二值化p-V图进行整合，形成真实数据集；
利用所述真实数据集对所述预训练的卷积神经网络进行参数调整，得到用于压缩机故障诊断的迁移卷积神经网络；
对实时监测系统采集的压缩机气缸内的动态压力数据进行所述数据预处理和图像处理，得到压缩机每个工作循环的二值数字图像；
利用迁移卷积神经网络对所述二值数字图像进行处理，根据预设的迁移卷积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，实现对压缩机的故障诊断。
优选的，往复式压缩机气缸内热力过程的数学模型包括：压缩机的几何模型、气体状态方程、进/排气阀运动模型、进/排气阀的流量模型、活塞环的泄露模型、热交换模型以及活塞的运动模型。
优选的，压缩机气缸内热力过程的数学模型所模拟的压缩机参数与需要进行故障诊断的压缩机参数不同。
优选的，真实故障情况下的气缸内动态压力数据通过对需要进行故障诊断的压缩机进行故障模拟实验或者调取历史运行数据获得。
优选的，所述卷积神经网络包括三个卷积模块和一个全连接层模块。其中每个卷积模块包含一个卷积层，一个池化层和一个ReLu激活函数层。全连接层模块包含三个全连接层和一个softmax输出层。
优选的，所述迁移卷积神经网络中，全连接层和Softmax输出层的输出尺寸，由真实数据集包含的压缩机状态类型决定，所述迁移卷积神经网络其余结构与预训练的卷积神经网络结构一致；
优选的，利用所述真实数据集对所述预训练的卷积神经网络进行参数调整的过程包括：
使用预训练的卷积神经网的卷积模块参数，对迁移卷积神经网络的卷积模块参数进行初始化，并对迁移卷积神经网络的全连接层参数进行随机初始化；随后，使用真实数据集的训练集对迁移卷积神经网络进行训练，训练过程中，迁移卷积神经网络的卷积模块参数保持不变，只对全连接层参数进行迭代更新，直到迁移卷积神经网络在验证集上的计算损失趋于稳定值，训练停止；模型训练过程，通过保留预训练的卷积神经网络卷积层的参数，实现知识的迁移，同时，通过微调全连接层的参数，使迁移后的卷积神经网络能够适应新的分类任务。
本发明还提供了基于迁移学习的压缩机故障诊断系统，包括：
仿真数据集生成模块：用于利用往复式压缩机气缸内热力过程的数学模型，模拟生成预设数量的包含压缩机故障状态下的p-V图，对该p-V图进行整合，形成仿真数据集；
真实数据集生成模块：用于对真实故障情况下的气缸内动态压力数据进行数据预处理和图像处理，得到真实故障情况下的二值化p-V图，对该二值化p-V图进行整合，形成真实数据集；
计算模块：用于对实时监测系统采集的压缩机气缸内的动态压力数据进行所述数据预处理和图像处理，得到压缩机每个工作循环的二值数字图像；
故障诊断模块：用于利用迁移卷积神经网络对所述二值数字图像进行处理，根据预设的迁移卷积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，实现对压缩机的故障诊断；所述迁移卷积神经网络通过利用所述真实数据集对预训练的卷积神经网络进行参数调整后得到，所述预训练的卷积神经网络通过利用所述仿真数据集对卷积神经网络进行训练后得到。
本发明还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明如上所述的基于迁移学习的压缩机故障诊断方法。
本发明还提供了一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明如上所述的基于迁移学习的压缩机故障诊断方法。
本发明具有如下有益效果：
本发明基于迁移学习的压缩机故障诊断方法的优点在于，通过迁移学习，可以将针对已预训练好的机器学习模型中包含的知识，快速移植到在数据、任务或模型之间具有相似性的新领域中，知识的重复利用使得数据资源得以有效利用，同时大幅降低了计算成本。预训练时所使用的数据均使用数值模拟方法生成，大大减少了实验获取数据的难度和人力物力成本。对预训练好的卷积神经网络进行参数调整，得到用于压缩机故障诊断的迁移卷积神经网络时，所使用的数据虽为真实数据，但所需数据量大大低于传统机器学习方法，这就弥补了机器学习需要大量数据标注的缺点，同时又兼具卷积神经网络无需人为设计特征，分类精度高，自动化程度高的优点。
附图说明
图1是本发明中基于迁移学习的往复式压缩机故障诊断模型的训练流程图。
图2是本发明中迁移学习过程的示意图。
图3是本发明实施例中对动态原始数据处理得到的p-V图。
图4是本发明实施例中对p-V图进行裁剪，灰度化和二值化后的二值p-V图。
图5是本发明实施例中显示迁移卷积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，本实施例基于迁移学习的压缩机故障诊断方法包括以下步骤：
(1)利用往复式压缩机气缸内热力过程的数学模型，模拟压缩机在不同工作状态下的工作循环，生成预设数量的包含故障的压缩机仿真p-V图，将这些p-V图整合，形成仿真数据集，并利用仿真数据集对网络模型进行训练，得到预训练卷积神经网络；压缩机气缸内热力过程的数学模型所模拟的压缩机参数与需要进行故障诊断的压缩机参数不同。
(2)对收集的真实故障情况下的气缸内动态压力数据，进行数据预处理和图像处理得到二值化p-V图，对二值化p-V图进行整合，形成真实数据集；具体的，对气缸内原始动态压力数据进行预处理，将压力数据按照压缩机工作循环过程绘制成p-V图，对真实p-V图进行图像处理包括：图像裁剪、灰度化和二值化，最终获得二值p-V图，随后对其进行整合，形成真实数据集。
(3)利用真实数据集对预训练的卷积神经网络进行参数微调，得到一个迁移卷积神经网络，并将该网络应用于故障诊断；对所述压缩机气缸内热力过程的数学模型进行参数调整，可以模拟压缩机在不同工作状态下的工作循环。
(4)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进行与上述相同的数据预处理和图像处理，形成压缩机工作循环二值数字图像；
(5)利用步骤(3)得到的迁移卷积神经网络对步骤(4)得到的二值数字图像进行故障分类诊断。
其中，步骤(1)具体包括：
步骤1.1，针对某一台或者多台与需要进行故障诊断的往复式压缩机不同的压缩机建立气缸内热力过程的数学模型。该数学模型包括：实际气体的状态方程、进/排气阀阀片的运动规律模型、进/排气阀的泄露模型、活塞环的泄露模型、气体与气缸壁面的热交换模型以及活塞的运动模型。该数学模型通过计算机编程实现，可以用于模拟工作循环过程中能压缩机气缸内压力、温度、流量和功率这些性能参数的变化。
步骤1.2，对步骤1.1中数学模型的相应参数进行修改，来模拟不同的往复机的状态类型。在此实例中，状态类型共10种，包括：进气阀或排气阀弹簧刚度过低、进气阀或排气阀弹簧刚度过高、进排气阀弹簧刚度同时过高、进排气阀弹簧刚度同时过低、活塞环泄露、进气阀或排气阀阀片断裂以及正常工况。
步骤1.3，使用修改过参数的数学模型，生成预设数量的模拟p-V图。在此实例中，每个状态类型包括3种程度，每种程度包括1000个模拟p-V图，由此得到一个包括30000个p-V图样本的仿真数据集。随后将仿真数据集，按照70％和30％的比例，将仿真数据集随机划分为训练集和验证集。
步骤1.4，建立一个结构如表1所示的卷积神经网络，该卷积神经网络包括三个卷积模块和一个全连接层模块。其中每个卷积模块包含一个卷积层，一个池化层和一个ReLu激活函数层。全连接层模块包含三个全连接层和一个softmax输出层。卷积层和池化层的作用是从原始数据中提取特征，全连接层的作用是将提取到的特征映射到样本的标记空间。ReLu函数可以有效地避免梯度爆炸和梯度消失，softmax函数可以将多分类的结果以概率的形式呈现出来，适用于多分类问题。该卷积神经网络的全连接层3和Softmax输出层的输出尺寸，由步骤1.3中仿真数据集包含的压缩机状态类型决定，在该实例中为10。使用步骤1.3中的训练集，对该卷积神经网络的参数进行训练，并使用验证集对训练得到的模型进行验证，直到网络模型在验证集上的损失趋于稳定，训练停止。最终得到的网络模型为预训练卷积神经网络。
表1
其中，步骤(2)具体包括：
步骤2.1，通过对需要进行故障诊断的压缩机(目标压缩机)进行故障模拟实验或调用其历史运行数据的手段，获取真实的气缸内动态压力运行数据。在本实例中，对该压缩机进行了故障模拟实验，实验模拟了8种压缩机状态类型，包括：进气阀阀片断裂、进气阀阀片裂纹、排气阀阀片断裂、排气阀阀片裂纹、活塞环泄露、进气阀弹簧失效、排气阀弹簧失效以及正常工况。
步骤2.2，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；已知气缸内动态压力p，和气缸工作容积V，绘制p-V图。以进气阀片断裂的压缩机状态下的某一次循环为例，其所作p-V图，如图3所示。
步骤2.3，对p-V图进行裁剪，将其坐标轴、坐标轴名称、坐标轴刻度和标题内容使用图片裁剪技术进行裁剪，只保留p-V图的主体部分(即由膨胀过程线、进气过程线、压缩机过程线和排气过程线连接而成的封闭图形)。
步骤2.4，对裁剪后的p-V图进行图像灰度化处理。图像灰度化是指，令RGB图像的每个像素点的三个颜色分量(R：Red，G：Green，B：Blue)，即红、绿、蓝三原色的值相等，此时彩色图像转化为灰度图像，且每个像素只有一个颜色分量，即为灰度值。将RGB图转换为灰度图的灰度化方法有多种，在本实施例算法中选取的灰度值的计算方法为：Gray＝0.2989×R+0.5870×G+0.1140×B。
步骤2.5，对灰度化后的p-V图进行二值化处理：二值化处理是指，将图像中像素点的灰度值设置为0或者1，使灰度图转化为非黑即白的黑白图像。将灰度图转化为二值图的方法也同样有多种，在本实施例算法中是将灰度值大于某个灰度阈值(Graythreshold)的灰度值记为0，将灰度值小于某个灰度阈值的灰度值记为1。其中，灰度阈值的计算方法，在本实施例算法中为：Graythreshold＝0.8×(Graymax-Graymin)+Graymin。其中，Graymax为最大灰度值，Graymin为最小灰度值。以图3为例，将其进行裁剪，灰度化，以及二值化处理后得到的二值p-V图如图4所示。
步骤2.6，本实例中对通过故障模拟实验获得的气缸内动态运行数据，进行以数据预处理和图片处理，得到压缩机每个工作循环的二值数字图像。将以上二值数字图像进行整合，形成真实数据集。在本实例中，每个压缩机状态进行了3个工况下的实验，每个工况有96个二值化p-V图样本，共计2304个样本。随后，将真实数据集按照70％，15％，和15％的比例随机划分成训练集、验证集和测试集。
其中，步骤(3)为迁移学习的过程，其流程如图2所示。具体包括：
步骤3.1，构建一个新的卷积神经网络，其结构如表1所示。该卷积神经网络的全连接层3和Softmax输出层的输出尺寸，由真实数据集包含的压缩机状态类型决定，其余网络结构与预训练的网络保持一致。在该实例中，全连接层3和Softmax输出层的输出尺寸为8。
步骤3.2，使用预训练的网络卷积模块参数，对新网络的卷积模块参数进行初始化，并对新网络的全连接层参数进行随机初始化。随后，使用真实数据集的训练集对新网络进行训练。训练过程中，新网络的卷积模块参数保持不变，只对全连接层参数进行迭代更新，直到新网络模型在验证集上的计算损失趋于稳定值，训练停止。模型训练过程，通过保留预训练网络卷积层的参数，实现知识的迁移。同时，通过微调全连接层的参数，使迁移后的卷积神经网络能够适应新的分类任务。训练结束后，使用测试集，对该迁移卷积神经网络的分类精度进行评估。该网络在测试集上的分类精度如图5所示，从图5中可以看出，其整体分类精度高达98.7％。该测试结果说明，迁移学习只需要少量样本就能获得很好的分类效果。进一步说明从仿真p-V图中学习到的特征，通过知识迁移，在新的分类任务中得到了很好的应用。该迁移后的卷积神经网络继续用于该目标压缩机的后续故障诊断。
其中，步骤(4)具体包括：
步骤4.1，利用状态监测系统对目标压缩机继续进行运行参数监测，其中包括实时的气缸内动态压力。针对实时的气缸内动态压力，重复执行步骤2.2-步骤2.5，获得实时的二值化p-V图。
其中，步骤(5)具体包括：
步骤5.1，将步骤(4)中得到的二值p-V图作为网络输入，输入到步骤(3)得到的迁移卷积神经网络中，得到相应的输出。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。
从上述方案可以看出，本发明通过迁移学习，将预训练卷积神经网络的卷积模块中包含的特征提取相关的知识，快速移植到迁移卷积网络中，使数据资源得以有效利用，同时大幅降低了模型训练时的计算成本。预训练时所使用的数据均为数学模型仿真生成，大大减少了实验获取数据的难度和人力物力成本。迁移训练时所使用的数据虽为真实数据，但所需数据量大大低于传统机器学习方法，这就弥补了机器学习需要大量数据标注的缺点，同时又兼具卷积神经网络无需人为设计特征，分类精度高，自动化程度高的优点。
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 (9)
1.基于迁移学习的压缩机故障诊断方法，其特征在于，包括如下过程：
利用往复式压缩机气缸内热力过程的数学模型，模拟生成预设数量的包含压缩机故障状态下的p-V图，对该p-V图进行整合，形成仿真数据集；
利用所述仿真数据集对卷积神经网络进行训练，得到预训练的卷积神经网络；
对真实故障情况下的气缸内动态压力数据进行数据预处理和图像处理，得到真实故障情况下的二值化p-V图，对该二值化p-V图进行整合，形成真实数据集；
利用所述真实数据集对所述预训练的卷积神经网络进行参数调整，得到用于压缩机故障诊断的迁移卷积神经网络；利用所述真实数据集对所述预训练的卷积神经网络进行参数调整的过程包括：使用预训练的卷积神经网的卷积模块参数，对迁移卷积神经网络的卷积模块参数进行初始化，并对迁移卷积神经网络的全连接层参数进行随机初始化；随后，使用真实数据集的训练集对迁移卷积神经网络进行训练，训练过程中，迁移卷积神经网络的卷积模块参数保持不变，只对全连接层参数进行迭代更新，直到迁移卷积神经网络在验证集上的计算损失趋于稳定值，训练停止；模型训练过程，通过保留预训练的卷积神经网络卷积层的参数，实现知识的迁移，同时，通过微调全连接层的参数，使迁移后的卷积神经网络能够适应新的分类任务；
对实时监测系统采集的压缩机气缸内的动态压力数据进行所述数据预处理和图像处理，得到压缩机每个工作循环的二值数字图像；
利用迁移卷积神经网络对所述二值数字图像进行处理，根据预设的迁移卷积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，实现对压缩机的故障诊断。
2.根据权利要求1所述的基于迁移学习的压缩机故障诊断方法，其特征在于，往复式压缩机气缸内热力过程的数学模型包括：压缩机的几何模型、气体状态方程、进/排气阀运动模型、进/排气阀的流量模型、活塞环的泄露模型、热交换模型以及活塞的运动模型。
3.根据权利要求1所述的基于迁移学习的压缩机故障诊断方法，其特征在于，压缩机气缸内热力过程的数学模型所模拟的压缩机参数与需要进行故障诊断的压缩机参数不同。
4.根据权利要求1所述的基于迁移学习的压缩机故障诊断方法，其特征在于，真实故障情况下的气缸内动态压力数据通过对需要进行故障诊断的压缩机进行故障模拟实验或者调取历史运行数据获得。
5.根据权利要求1所述的基于迁移学习的压缩机故障诊断方法，其特征在于，所述卷积神经网络包括三个卷积模块和一个全连接层模块；其中每个卷积模块包含一个卷积层，一个池化层和一个ReLu激活函数层；全连接层模块包含三个全连接层和一个softmax输出层。
6.根据权利要求5所述的基于迁移学习的压缩机故障诊断方法，其特征在于，所述迁移卷积神经网络中，全连接层和Softmax输出层的输出尺寸，由真实数据集包含的压缩机状态类型决定，所述迁移卷积神经网络其余结构与预训练的卷积神经网络结构一致。
7.基于迁移学习的压缩机故障诊断系统，其特征在于，包括：
仿真数据集生成模块：用于利用往复式压缩机气缸内热力过程的数学模型，模拟生成预设数量的包含压缩机故障状态下的p-V图，对该p-V图进行整合，形成仿真数据集；
真实数据集生成模块：用于对真实故障情况下的气缸内动态压力数据进行数据预处理和图像处理，得到真实故障情况下的二值化p-V图，对该二值化p-V图进行整合，形成真实数据集；
计算模块：用于对实时监测系统采集的压缩机气缸内的动态压力数据进行所述数据预处理和图像处理，得到压缩机每个工作循环的二值数字图像；
故障诊断模块：用于利用迁移卷积神经网络对所述二值数字图像进行处理，根据预设的迁移卷积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，实现对压缩机的故障诊断；所述迁移卷积神经网络通过利用所述真实数据集对预训练的卷积神经网络进行参数调整后得到，利用所述真实数据集对所述预训练的卷积神经网络进行参数调整的过程包括：使用预训练的卷积神经网的卷积模块参数，对迁移卷积神经网络的卷积模块参数进行初始化，并对迁移卷积神经网络的全连接层参数进行随机初始化；随后，使用真实数据集的训练集对迁移卷积神经网络进行训练，训练过程中，迁移卷积神经网络的卷积模块参数保持不变，只对全连接层参数进行迭代更新，直到迁移卷积神经网络在验证集上的计算损失趋于稳定值，训练停止；模型训练过程，通过保留预训练的卷积神经网络卷积层的参数，实现知识的迁移，同时，通过微调全连接层的参数，使迁移后的卷积神经网络能够适应新的分类任务；所述预训练的卷积神经网络通过利用所述仿真数据集对卷积神经网络进行训练后得到。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至6任意一项所述的基于迁移学习的压缩机故障诊断方法。
9.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述的基于迁移学习的压缩机故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210182093.9A CN114548301B (zh) | 2022-02-25 | 2022-02-25 | 基于迁移学习的压缩机故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210182093.9A CN114548301B (zh) | 2022-02-25 | 2022-02-25 | 基于迁移学习的压缩机故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114548301A CN114548301A (zh) | 2022-05-27 |
| CN114548301B true CN114548301B (zh) | 2024-03-01 |
Family
ID=81679953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210182093.9A Active CN114548301B (zh) | 2022-02-25 | 2022-02-25 | 基于迁移学习的压缩机故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548301B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115206152B (zh) * | 2022-06-24 | 2024-01-26 | 北京理工大学 | 一种基于虚拟技术的压缩机仿真模拟教学系统及方法 |
| CN116186946B (zh) * | 2023-05-04 | 2023-08-18 | 平顶山天安煤业股份有限公司 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
| CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
| CN113435453A (zh) * | 2021-06-11 | 2021-09-24 | 西安交通大学 | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109710636B (zh) * | 2018-11-13 | 2022-10-21 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
-
2022
- 2022-02-25 CN CN202210182093.9A patent/CN114548301B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
| CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN113435453A (zh) * | 2021-06-11 | 2021-09-24 | 西安交通大学 | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 毛冠通 ; 洪流 ; 王景霖 ; .基于迁移学习的滚动轴承在线故障诊断.航空科学技术.2020,(01),全文. * |
| 赵宇凯 ; 徐高威 ; 刘敏 ; .基于VGG16迁移学习的轴承故障诊断方法.航天器环境工程.2020,(05),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114548301A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114548301B (zh) | 基于迁移学习的压缩机故障诊断方法及系统 | |
| CN109408389B (zh) | 一种基于深度学习的代码缺陷检测方法及装置 | |
| CN111768365B (zh) | 基于卷积神经网络多特征融合的太阳能电池缺陷检测方法 | |
| WO2020155929A1 (zh) | 一种岩体完整性判识方法 | |
| CN113435453B (zh) | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 | |
| CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
| CN111126433A (zh) | 一种工厂pcb板缺陷检测中正负样本数据平衡方法 | |
| CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
| CN113032912A (zh) | 基于关联规则的船舶柴油机故障检测方法 | |
| CN117523177A (zh) | 一种基于人工智能混合大模型的燃气管道监测系统和方法 | |
| CN115861715B (zh) | 基于知识表示增强的图像目标关系识别算法 | |
| CN115063584A (zh) | 基于深度学习的管道蒸汽泄漏检测方法及检测系统 | |
| CN117150884A (zh) | 一种基于数字孪生的发动机故障排查方法及系统 | |
| WO2024087128A1 (zh) | 针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制建模方法 | |
| CN114596445A (zh) | 一种提升采油机故障诊断精度方法 | |
| CN115774847A (zh) | 一种柴油机性能评估及预测方法和系统 | |
| CN115438033A (zh) | 一种数字孪生运维数据质量检验方法 | |
| Shaotong et al. | Location and identification of insulator and bushing based on YOLOv3-spp algorithm | |
| CN115596654A (zh) | 基于状态参数学习的往复式压缩机故障诊断方法及系统 | |
| CN115392125A (zh) | 水泥回转窑的温度预测方法 | |
| Hu et al. | Research on the fault identification method of oil pumping unit based on residual network | |
| CN115100451A (zh) | 一种用于液压泵漏油监控的数据扩充方法 | |
| CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
| Zhang et al. | Research on Fault Diagnosis of Reciprocating Compressor Based on GAF and Inception-ResNet-v2 | |
| Burra et al. | MobileNetV2-based Transfer Learning Model with Edge Computing for Automatic Fabric Defect Detection |
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 |