CN114781547A - 一种化工设备状态监测与故障诊断方法及系统 - Google Patents

一种化工设备状态监测与故障诊断方法及系统 Download PDF

Info

Publication number
CN114781547A
CN114781547A CN202210534927.8A CN202210534927A CN114781547A CN 114781547 A CN114781547 A CN 114781547A CN 202210534927 A CN202210534927 A CN 202210534927A CN 114781547 A CN114781547 A CN 114781547A
Authority
CN
China
Prior art keywords
chemical equipment
fault
state
neural network
deep neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210534927.8A
Other languages
English (en)
Inventor
李光曦
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.)
Beijing Huake Hechuang Technology Development Co ltd
Original Assignee
Beijing Huake Hechuang Technology Development Co ltd
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 Beijing Huake Hechuang Technology Development Co ltd filed Critical Beijing Huake Hechuang Technology Development Co ltd
Priority to CN202210534927.8A priority Critical patent/CN114781547A/zh
Publication of CN114781547A publication Critical patent/CN114781547A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种化工设备状态监测与故障诊断方法及系统，属于设备监测和故障诊断领域，首先采集化工设备的运行参数；然后根据所述运行参数，判断所述化工设备的运行状态；再将异常运行状态下的化工设备的运行参数输入至训练好的深度神经网络分类模型中，输出表征故障类别的故障码；所述训练好的深度神经网络分类模型为以所述化工设备的运行参数为输入，以运行参数对应的故障码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型。该方法能够实现对化工设备的远程状态监测和故障诊断，保证化工设备的正常运行。

Description

一种化工设备状态监测与故障诊断方法及系统
技术领域
本发明涉及设备监测和故障诊断领域，特别是涉及一种化工设备状态监测与故障诊断方法及系统。
背景技术
化工机械设备包括两部分，一部分主要是指运动的机械设备，诸如流体输送的风机、压缩机、各种泵等化工设备；另一部分主要是指静止的机械设备，诸如塔器等分离设备，容器、反应器设备等化工设备。
然而，现有的化工设备大多不具备监测装置和故障诊断装置，在其运行工作时，无法实时对其进行状态监测和故障诊断，一旦化工设备发生故障，设备维护人员无法及时到达现场进行故障诊断和维修，化工设备的安全稳定的运行状态无法得到保障。因此，如何对现有的化工设备进行状态监测和故障诊断，以保证其安全稳定的运行，是一个目前亟待解决的问题。
发明内容
本发明的目的是提供一种化工设备状态监测与故障诊断方法及系统，能够实现对化工设备的状态监测和故障诊断，以保证化工设备的正常运行。
为实现上述目的，本发明提供了如下方案：
一方面，本发明提供了一种化工设备状态监测与故障诊断方法，所述方法包括：
采集化工设备的运行参数；
根据所述运行参数，判断所述化工设备的运行状态；
将异常运行状态下的化工设备的运行参数输入至训练好的深度神经网络分类模型中，输出表征故障类别的故障码；所述训练好的深度神经网络分类模型为以所述化工设备的运行参数为输入，以运行参数对应的故障码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型。
可选的，所述采集化工设备的运行参数，具体包括：
利用振动传感器采集所述化工设备的振动数据；
利用转速传感器采集所述化工设备的转速数据。
可选的，所述振动传感器采用AC192-1D加速度传感器，所述转速传感器采用PR-870光电转速传感器。
可选的，所述根据所述运行参数，判断所述化工设备的运行状态，具体包括：
将采集的化工设备的振动数据与数据库中的振动数据进行对比，确定化工设备的振动状态是否异常；
将采集的化工设备的转速数据与数据库中的转速数据进行对比，确定化工设备的转动状态是否异常；
当化工设备的振动状态和/或转动状态异常时，判定所述化工设备为异常运行状态；
当化工设备的振动状态和转动状态正常时，判定所述化工设备为正常运行状态。
可选的，所述深度神经网络分类模型包括主干网络、transformer层和全连阶层，所述主干网络采用多层圆形卷积的主干网络，通过多层圆形卷积操作对运行参数进行特征提取，所述圆形卷积操作表示卷积核为圆形的卷积操作，所述卷积核是以某一像素为中心，半径为多个像素的卷积核。
可选的，在所述采集化工设备的运行参数的步骤之前，还包括以下步骤：
对化工设备的故障类型进行分类，得到多种故障类型；
为每一种故障类型设置唯一的故障码。
可选的，在所述为每一种故障类型设置唯一的故障码的步骤与所述采集化工设备的运行参数的步骤之间，还包括以下步骤：
采集化工设备发生各种故障类型时的运行参数，作为历史运行参数；
根据所述历史运行参数、每一组所述历史运行参数对应的故障类型以及每一种故障类型对应的故障码，构建训练样本集；
建立深度神经网络分类模型，将所述训练样本集输入至所述深度神经网络分类模型中进行训练，得到所述训练好的深度神经网络分类模型。
可选的，在所述将异常运行状态下的化工设备的运行参数输入至训练好的深度神经网络分类模型中，输出表征故障类别的故障码的步骤之后，还包括：
将所述故障码发送至计算机，所述计算机显示所述故障码，并发出化工设备异常报警。
另一方面，本发明还提出了一种化工设备状态监测与故障诊断系统，所述系统包括：
运行参数采集模块，用于采集化工设备的运行参数；
运行状态监测模块，用于根据所述运行参数，判断所述化工设备的运行状态；
故障诊断模块，用于将异常运行状态下的化工设备的运行参数输入至训练好的深度神经网络分类模型中，输出表征故障类别的故障码；所述训练好的深度神经网络分类模型为以所述化工设备的运行参数为输入，以运行参数对应的故障码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型。
可选的，所述系统还包括：
故障分类模块，用于对化工设备的故障类型进行分类，得到多种故障类型；
故障码设置模块，用于为每一种故障类型设置唯一的故障码；
历史运行参数采集模块，用于采集化工设备发生各种故障类型时的运行参数，作为历史运行参数；
训练样本集构建模块，用于根据所述历史运行参数、每一组所述历史运行参数对应的故障类型以及每一种故障类型对应的故障码，构建训练样本集；
模型建立和训练模块，用于建立深度神经网络分类模型，将所述训练样本集输入至所述深度神经网络分类模型中进行训练，得到所述训练好的深度神经网络分类模型；
报警模块，用于将所述故障码发送至计算机，所述计算机显示所述故障码，并发出化工设备异常报警。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种化工设备状态监测与故障诊断方法及系统，通过采集化工设备的运行参数，并判断出化工设备的运行状态，能够实现对化工设备的运行状态的远程监测。在化工设备发生异常故障后，通过将发生异常故障时的运行参数输入至深度神经网络分类模型中，能够直接输出表征化工设备的故障类别的故障码，通过故障码可直观判定异常故障的类别，从而实现对化工设备的远程故障诊断，能够解决目前无法对化工设备进行状态监测和故障诊断的问题，能够有效保证化工设备的稳定运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本发明的主旨。
图1为本发明实施例1提供的一种化工设备状态监测与故障诊断方法的流程图。
图2为本发明实施例2提供的一种化工设备状态监测与故障诊断系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如本发明和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本发明的目的是提供一种化工设备状态监测与故障诊断方法及系统，能够实现对化工设备的状态监测和故障诊断，以保证化工设备的正常运行。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提出了一种化工设备状态监测与故障诊断方法，该方法包括以下步骤：
步骤S1、故障类型分类以及设置故障码。具体包括：
步骤S1.1、对化工设备的故障类型进行分类，得到多种故障类型。
本发明中的化工设备，主要针对的是具有机械运动的化工设备，例如风机、压缩机、各种泵等，而这些化工设备都会设置有电机，通过电机驱动化工设备进行生产加工，对这些化工设备中的电机的振动情况和转动情况进行监测，从而判断其是否发生故障。因此，化工设备的故障类型主要包括电机不转动、电机转速异常(过慢或过快)、设备异常震动、电机卡滞等几种故障，还可以包括其它各种故障。
应该说明的是，本实施例不对化工设备的具体故障类型进行限定，化工设备的故障类型还可以包括其他种类的故障，例如，化工设备温度过高、化工设备温度过低等等。此时则需要设置相应的监测设备，例如温度传感器等。因此，化工设备的具体故障类型可根据实际情况自行确定。
步骤S1.2、为每一种故障类型设置唯一的故障码。
基于步骤S1.1中的故障类型，因此，本实施例中化工设备的故障码包括电机不转动的故障码、电机转速异常的故障码、设备异常震动的故障码、电机卡滞的故障码等。故障码可以采用数字形式，还可以采用字母形式，例如，可设置为：电机不转动的故障码为A、电机转速异常的故障码为B、设备异常震动的故障码为C、电机卡滞的故障码为D等。
步骤S2、建立并训练深度神经网络分类模型。具体包括：
步骤S2.1、采集化工设备发生各种故障类型时的运行参数，作为历史运行参数。
步骤S2.2、根据所述历史运行参数、每一组所述历史运行参数对应的故障类型以及每一种故障类型对应的故障码，构建训练样本集。
步骤S2.3、建立深度神经网络分类模型，将所述训练样本集输入至所述深度神经网络分类模型中进行训练，得到所述训练好的深度神经网络分类模型。
本发明采用的是具有多层圆形卷积主干网络的深度神经网络分类模型，该深度神经网络分类模型包括主干网络、transformer层和全连阶层。其中，所述主干网络包括圆形卷积层、激活层和池化层，通过多层圆形卷积操作对运行参数进行特征提取，所述圆形卷积操作与传统卷积操作不同，圆形卷积操作表示卷积核为圆形的卷积操作，其中卷积核的尺寸大小为以某一个像素为中心，半径为3、5或7个像素的卷积核。
所述主干网络对历史运行参数进行特征提取时，首先对输入的历史运行参数进行多次的圆形卷积、激活和池化计算，多层圆形卷积的特征提取过程表示为圆形卷积层→激活层→池化层→圆形卷积层→激活层→池化层→圆形卷积层→激活层→池化层→圆形卷积层→激活层→池化层→圆形卷积层→激活层→池化层→输出结果，最终输出结果是运行参数特征数据。
在主干网络对历史运行参数进行特征提取得到运行参数特征数据后，将其输入至1个transformer层进行权重计算，得到加权后的特征向量；然后将所述加权后的特征向量输入至所述全连阶层进行故障码分析，得到运行参数特征数据对应的故障码；所述全连接层的输入维度为加权后的特征向量的维度，输出维度为故障类别总数n。
在对深度神经网络分类模型进行训练时，首先将训练样本集输入至所述深度神经网络分类模型中，训练样本集包括一组历史运行参数和该组历史运行参数对应的故障类型以及该故障类型对应的故障码，即一组对应的运行参数、故障类型以及故障码的样本，从而使深度神经网络分类模型能够充分学习到各种运行参数对应的故障类型，并能够快速识别并输出每一种故障类型对应的唯一的故障码。
所述深度神经网络分类模型的全连接层输出一组历史运行参数的故障类型对应的故障码，将该故障码与提前建立的故障类型与故障码的配对关系中的故障码进行交叉熵损失计算，得到网络损失值；然后，根据所述网络损失值，采用反向梯度传播法更新所述全连接层的权重，不更新所述主干网络的权重。其中，模型训练过程中使用的参数为：batchsize设置为6，学习率设置为0.0001，epoch设置为160，优化器采用SGD优化器，损失函数为softmax交叉熵损失函数。当epoch结束时，将所有的历史运行参数样本输入模型训练一次后训练结束，此时得到训练好的深度神经网络分类模型，即可利用该模型对运行参数进行前向推理，并识别出相应的故障类型。
容易理解的是，在模型训练时使用的上述参数仅仅是一组优选值，并不是固定的、唯一的，还可以采用其它参数，可自行设定。
步骤S3、采集化工设备的运行参数。具体包括：
步骤S3.1、利用振动传感器采集化工设备的振动数据。
步骤S3.2、利用转速传感器采集化工设备的转速数据。
本实施例中，所述振动传感器采用AC192-1D加速度传感器，所述转速传感器采用PR-870光电转速传感器，还可以采用其他型号的振动传感器和转速传感器。
本实施例中，振动传感器和转速传感器可以安装于化工设备的电机上，分别用于采集化工设备的电机的振动数据和转动数据，将监测数据传输给处理器，利用处理器实现建模并训练、模型故障分类以及输出故障码的功能，然后将故障码无线传输至远程计算机进行警示报警。
应说明的是，由于振动和转动是两个化工设备电机运行过程中最重要的指标，因此，本实施例主要以化工设备的振动状态和转动状态为例，对化工设备中电机的振动和转动这两个指标进行监测，并以此判断化工设备的运行状态。因此，采用的监测仪器包括但不限于振动传感器和转速传感器，还可以根据步骤S1的不同故障类型的分类，采用相应的监测设备进行相对指标的实时监测，例如温度传感器、压力传感器等。
步骤S4、根据运行参数，判断化工设备的运行状态。具体包括：
步骤S4.1、将采集的化工设备的振动数据与数据库中的振动数据进行对比，确定化工设备的振动状态是否异常。
步骤S4.2、将采集的化工设备的转速数据与数据库中的转速数据进行对比，确定化工设备的转动状态是否异常。
其中，当化工设备的振动状态和/或转动状态异常时，判定所述化工设备为异常运行状态。当化工设备的振动状态和转动状态正常时，判定所述化工设备为正常运行状态。
本实施例主要考虑的是振动状态和转动状态这两个对化工设备运行影响较大的指标，通过将实际测量的振动数据和转动数据分别与利用大量历史运行参数构建的数据库进行对比，可直接判断出当前实际测量数据是否异常，从而确定当前化工设备的运行状态是否异常。另外，还可以根据设置的其他故障类型以及温度、压力等指标，预设相应的临界阈值，当实际测量温度值、压力值超过临界阈值时，向计算机发送温度过高、压力过高的故障码并进行报警。
步骤S5、利用深度神经网络分类模型进行故障的识别分类，得到故障码。
将异常运行状态下的化工设备的运行参数输入至训练好的深度神经网络分类模型中，输出表征故障类别的故障码。
本实施例中，通过步骤S2得到训练好的深度神经网络分类模型，即以化工设备的运行参数为输入，以运行参数对应的故障码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型，在化工设备发生故障后，将实时采集的当前运行参数输入到训练好的深度神经网络分类模型后，即可直接输出与当前运行参数对应的故障码，从而利用深度学习神经网络技术，实现化工设备故障的诊断识别。
步骤S6、故障码远程发送及报警。具体包括：
步骤S6.1、将所述故障码远程发送至后台计算机。
步骤S6.2、所述计算机显示所述故障码，并发出化工设备异常报警，以便于维修人员快速消除设备故障，保证化工设备的稳定运行。
本实施例提出一种化工设备状态监测与故障诊断方法，通过采集化工设备的运行参数，并判断出化工设备的运行状态，能够实现对化工设备的运行状态的远程监测。在化工设备发生异常故障后，通过将发生异常故障时的运行参数输入至深度神经网络分类模型中，能够直接输出表征化工设备的故障类别的故障码，通过故障码可直观判定异常故障的类别，从而能够实现对化工设备的远程故障诊断以及报警。
实施例2
如图2所示，本实施例提供了一种化工设备状态监测与故障诊断系统，该系统采用实施例1中的化工设备状态监测与故障诊断方法，系统具体包括：
故障分类模块M1，用于对化工设备的故障类型进行分类，得到多种故障类型；
故障码设置模块M2，用于为每一种故障类型设置唯一的故障码；
历史运行参数采集模块M3，用于采集化工设备发生各种故障类型时的运行参数，作为历史运行参数；
训练样本集构建模块M4，用于根据所述历史运行参数、每一组所述历史运行参数对应的故障类型以及每一种故障类型对应的故障码，构建训练样本集；
模型建立和训练模块M5，用于建立深度神经网络分类模型，将所述训练样本集输入至所述深度神经网络分类模型中进行训练，得到所述训练好的深度神经网络分类模型；
运行参数采集模块M6，用于采集化工设备的运行参数；
运行状态监测模块M7，用于根据所述运行参数，判断所述化工设备的运行状态；
故障诊断模块M8，用于将异常运行状态下的化工设备的运行参数输入至训练好的深度神经网络分类模型中，输出表征故障类别的故障码；所述训练好的深度神经网络分类模型为以所述化工设备的运行参数为输入，以运行参数对应的故障码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型。
报警模块M9，用于将所述故障码发送至计算机，所述计算机显示所述故障码，并发出化工设备异常报警。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种化工设备状态监测与故障诊断方法，其特征在于，所述方法包括：
采集化工设备的运行参数；
根据所述运行参数，判断所述化工设备的运行状态；
将异常运行状态下的化工设备的运行参数输入至训练好的深度神经网络分类模型中，输出表征故障类别的故障码；所述训练好的深度神经网络分类模型为以所述化工设备的运行参数为输入，以运行参数对应的故障码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型。
2.根据权利要求1所述的化工设备状态监测与故障诊断方法，其特征在于，所述采集化工设备的运行参数，具体包括：
利用振动传感器采集所述化工设备的振动数据；
利用转速传感器采集所述化工设备的转速数据。
3.根据权利要求2所述的化工设备状态监测与故障诊断方法，其特征在于，所述振动传感器采用AC192-1D加速度传感器，所述转速传感器采用PR-870光电转速传感器。
4.根据权利要求2所述的化工设备状态监测与故障诊断方法，其特征在于，所述根据所述运行参数，判断所述化工设备的运行状态，具体包括：
将采集的化工设备的振动数据与数据库中的振动数据进行对比，确定所述化工设备的振动状态是否异常；
将采集的化工设备的转速数据与数据库中的转速数据进行对比，确定所述化工设备的转动状态是否异常；
当所述化工设备的振动状态和/或转动状态异常时，判定所述化工设备为异常运行状态；
当所述化工设备的振动状态和转动状态正常时，判定所述化工设备为正常运行状态。
5.根据权利要求1所述的化工设备状态监测与故障诊断方法，其特征在于，所述深度神经网络分类模型包括主干网络、transformer层和全连阶层，所述主干网络采用多层圆形卷积的主干网络，通过多层圆形卷积操作对运行参数进行特征提取，所述圆形卷积操作表示卷积核为圆形的卷积操作，所述卷积核是以某一像素为中心，半径为多个像素的卷积核。
6.根据权利要求1所述的化工设备状态监测与故障诊断方法，其特征在于，在所述采集化工设备的运行参数的步骤之前，还包括以下步骤：
对化工设备的故障类型进行分类，得到多种故障类型；
为每一种故障类型设置唯一的故障码。
7.根据权利要求6所述的化工设备状态监测与故障诊断方法，其特征在于，在所述为每一种故障类型设置唯一的故障码的步骤与所述采集化工设备的运行参数的步骤之间，还包括以下步骤：
采集化工设备发生各种故障类型时的运行参数，作为历史运行参数；
根据所述历史运行参数、每一组所述历史运行参数对应的故障类型以及每一种故障类型对应的故障码，构建训练样本集；
建立深度神经网络分类模型，将所述训练样本集输入至所述深度神经网络分类模型中进行训练，得到所述训练好的深度神经网络分类模型。
8.根据权利要求1所述的化工设备状态监测与故障诊断方法，其特征在于，在所述将异常运行状态下的化工设备的运行参数输入至训练好的深度神经网络分类模型中，输出表征故障类别的故障码的步骤之后，还包括以下步骤：
将所述故障码发送至计算机，所述计算机显示所述故障码，并发出化工设备异常报警。
9.一种化工设备状态监测与故障诊断系统，其特征在于，所述系统包括：
运行参数采集模块，用于采集化工设备的运行参数；
运行状态监测模块，用于根据所述运行参数，判断所述化工设备的运行状态；
故障诊断模块，用于将异常运行状态下的化工设备的运行参数输入至训练好的深度神经网络分类模型中，输出表征故障类别的故障码；所述训练好的深度神经网络分类模型为以所述化工设备的运行参数为输入，以运行参数对应的故障码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型。
10.根据权利要求9所述的化工设备状态监测与故障诊断系统，其特征在于，所述系统还包括：
故障分类模块，用于对化工设备的故障类型进行分类，得到多种故障类型；
故障码设置模块，用于为每一种故障类型设置唯一的故障码；
历史运行参数采集模块，用于采集化工设备发生各种故障类型时的运行参数，作为历史运行参数；
训练样本集构建模块，用于根据所述历史运行参数、每一组所述历史运行参数对应的故障类型以及每一种故障类型对应的故障码，构建训练样本集；
模型建立和训练模块，用于建立深度神经网络分类模型，将所述训练样本集输入至所述深度神经网络分类模型中进行训练，得到所述训练好的深度神经网络分类模型；
报警模块，用于将所述故障码发送至计算机，所述计算机显示所述故障码，并发出化工设备异常报警。
CN202210534927.8A 2022-05-17 2022-05-17 一种化工设备状态监测与故障诊断方法及系统 Pending CN114781547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210534927.8A CN114781547A (zh) 2022-05-17 2022-05-17 一种化工设备状态监测与故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210534927.8A CN114781547A (zh) 2022-05-17 2022-05-17 一种化工设备状态监测与故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN114781547A true CN114781547A (zh) 2022-07-22

Family

ID=82436601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210534927.8A Pending CN114781547A (zh) 2022-05-17 2022-05-17 一种化工设备状态监测与故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114781547A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115448188A (zh) * 2022-08-25 2022-12-09 杭州大杰智能传动科技有限公司 一种塔式起重机回转机构综合监测控制系统
CN115479636A (zh) * 2022-10-26 2022-12-16 中国航空工业集团公司金城南京机电液压工程研究中心 一种涡轮冷却器状态监测及分析方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115448188A (zh) * 2022-08-25 2022-12-09 杭州大杰智能传动科技有限公司 一种塔式起重机回转机构综合监测控制系统
CN115448188B (zh) * 2022-08-25 2024-05-14 杭州大杰智能传动科技有限公司 一种塔式起重机回转机构综合监测控制系统
CN115479636A (zh) * 2022-10-26 2022-12-16 中国航空工业集团公司金城南京机电液压工程研究中心 一种涡轮冷却器状态监测及分析方法
CN115479636B (zh) * 2022-10-26 2023-10-03 中国航空工业集团公司金城南京机电液压工程研究中心 一种涡轮冷却器状态监测及分析方法

Similar Documents

Publication Publication Date Title
CN111721535B (zh) 一种基于卷积多头自注意力机制的轴承故障检测方法
CN114781547A (zh) 一种化工设备状态监测与故障诊断方法及系统
CN108444708A (zh) 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN110738274A (zh) 一种基于数据驱动的核动力装置故障诊断方法
CN108875771A (zh) 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法
CN104267668A (zh) 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法
CN111459144A (zh) 一种基于深度循环神经网络的飞机飞控系统故障预测方法
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN111583592B (zh) 一种基于多维卷积神经网络的实验环境安全预警方法
CN115524002B (zh) 一种电厂旋转设备的运行状态预警方法、系统及存储介质
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
Lin et al. New method for Industry 4.0 machine status prediction-A case study with the machine of a spring factory
CN116108346A (zh) 一种基于生成特征重放的轴承增量故障诊断终身学习方法
CN114462481A (zh) 一种基于机器学习的人员安全监控方法及设备
CN116796261B (zh) 一种基于人工智能的封闭开关设备机械特性预测方法
CN116028849B (zh) 基于深度自编码网络的乳化液泵故障诊断方法
CN116467592A (zh) 一种基于深度学习的生产设备故障智能监测方法及系统
CN112397404B (zh) 半导体制程检测方法及检测系统
CN114137915A (zh) 一种工业设备的故障诊断方法
CN114660931A (zh) 用于石油化工过程故障诊断与识别的方法及系统
CN116738296B (zh) 机房状况综合智能监控系统
Dong et al. On-line Process Fault Diagnosis through Integration of Recurrence Plots and Convolutional Neural Network
Zhao et al. Adaptive moving window MPCA for online batch monitoring
Jiang et al. Monitoring and fault diagnosis of batch processes using multi-model Fisher discriminant analysis
CN117893955B (zh) 一种环网柜故障检测系统

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