CN115017644A - 故障检测方法、装置、计算机设备及计算机可读存储介质 - Google Patents

故障检测方法、装置、计算机设备及计算机可读存储介质 Download PDF

Info

Publication number
CN115017644A
CN115017644A CN202210653110.2A CN202210653110A CN115017644A CN 115017644 A CN115017644 A CN 115017644A CN 202210653110 A CN202210653110 A CN 202210653110A CN 115017644 A CN115017644 A CN 115017644A
Authority
CN
China
Prior art keywords
pressure
gas volume
reciprocating compressor
volume
preset
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
CN202210653110.2A
Other languages
English (en)
Inventor
吴斯琪
王维民
李启行
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 University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
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 University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202210653110.2A priority Critical patent/CN115017644A/zh
Publication of CN115017644A publication Critical patent/CN115017644A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

本发明公开了一种故障检测方法、装置、计算机设备及计算机可读存储介质，应用于可靠性领域，所述方法包括：获取到压缩机的结构参数、工艺参数及压力变化后，将根据结构参数和工艺参数，生成第一压力‑气体体积图；根据结构参数和压力变化，生成第二压力‑气体体积图；接着，将第一和第二压力‑气体体积图叠加，得到第三压力‑气体体积图；然后，将第三压力‑气体体积图进行对数坐标变换和自然坐标变换，得到第四压力‑气体体积图；最后，利用预设的卷积神经网络模型得到第四压力‑气体体积图的故障预测结果。由此，本发明使得理论情况下的示功图与实际情况下的示功图的差异能被明显体现，使得模型能准确预测压缩机是否故障及对应的故障类别。

Description

故障检测方法、装置、计算机设备及计算机可读存储介质
技术领域
本发明涉及可靠性领域，尤其涉及一种故障检测方法、装置、计算机设备及计算机可读存储介质。
背景技术
因往复式压缩机的气缸压力分布能有效地反映往复式压缩机是否故障，故现阶段常通过将气缸压力信号转变为示功图，以基于示功图展示的气缸内压力变化和热力过程的变化确定往复式压缩机的运行情况。
而往复式压缩机不同的故障情况所对应的示功图虽然在形状上存在差异之处，但也存在相似之处，因而导致基于示功图的故障检测方式存在错误检测的情况。
发明内容
有鉴于此，本发明提供一种故障检测方法、装置、计算机设备及计算机可读存储介质，用于改善基于示功图的故障检测方式存在错误检测的现状。
第一方面，本发明实施例提供一种故障检测方法，包括：
获取往复式压缩机的结构参数、工艺参数及所述往复式压缩机在工作预设时长内的压力变化；
根据所述结构参数和所述工艺参数，生成所述往复式压缩机在理论情况下的第一压力-气体体积图；
根据所述结构参数和所述工作预设时长内的压力变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图；
将所述第一压力-气体体积图和所述第二压力-气体体积图叠加，得到第三压力-气体体积图；
将所述第三压力-气体体积图进行对数坐标变换，并根据预设形函数将坐标变换后的第三压力-气体体积图映射至自然坐标系以进行等参元归一化，得到第四压力-气体体积图；
将所述第四压力-气体体积图输入至预设的卷积神经网络模型，得到所述往复式压缩机的故障预测结果。
可选的，在本发明实施例提供的一种可行方式中，所述结构参数包括余隙容积、活塞行程以及气缸半径，所述工艺参数包括进排气压力、进排气温度及气体的组成成分；
所述根据所述结构参数和所述工艺参数，生成所述往复式压缩机在理论情况下的第一压力-气体体积图，包括：
利用所述进排气压力、所述进排气温度及所述气体的组成成分，计算定压比热容和定容比热容；
基于所述定压比热容和所述定容比热容，计算所述往复式压缩机分别在膨胀和压缩过程下的绝热指数；
根据所述余隙容积、活塞行程以及气缸直径，计算所述往复式压缩机的理论最大工作容积和理论最小工作容积；
根据所述绝热指数、所述进排气压力、所述理论最大工作容积及所述理论最小工作容积，生成所述往复式压缩机在理论情况下的第一压力-气体体积图。
可选的，在本发明实施例提供的一种可行方式中，所述往复式压缩机设置有动态压力传感器，所述结构参数包括活塞行程、气缸直径、连杆长度、曲轴角度及余隙容积，所述工作预设时长内的压力变化包括所述动态压力传感器在所述工作预设时长内检测到的压力变化数据；
所述根据所述结构参数和所述工作预设时长内的压力变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图，包括：
基于所述活塞行程、所述气缸直径、所述曲轴角度、所述连杆长度及所述余隙容积，利用预设算式计算所述往复式压缩机在所述工作预设时长内的工作容积变化；
根据所述压力变化数据和所述工作容积变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图。
进一步的，在本发明实施例提供的一种可行方式中，所述预设算式包括：
Figure BDA0003686623050000031
式中，V表示工作容积，S表示活塞行程，θ表示曲轴角度，l表示连杆长度，B表示气缸内径，Vcl表示余隙容积。
可选的，在本发明实施例提供的一种可行方式中，所述预设形函数包括：
x＝N1x1+N2x2+N3x3+N4x4
y＝N1y1+N2y2+N3y3+N4y4
Figure BDA0003686623050000032
ξ0＝ξiξ,i＝[1,2,3,4]
η0＝ηiη,i＝[1,2,3,4]
其中，x和y表示自然坐标系下的横坐标与纵坐标，x1、x2、x3、x4、y1、y2、y3、y4表示第一对数压力-气体体积图的四个角点的横坐标与纵坐标，Ni表示预设形函数，ξ和η表示坐标变化的无量纲单元局部坐标，ξi和ηi表示第i个角点的无量纲单元局部坐标。
可选的，在本发明实施例提供的一种可行方式中，所述方法还包括：
将所述第四压力-气体体积图存储至预设数据库，其中，所述预设数据库中的数据用于构成所述卷积神经网络模型对应的训练集。
可选的，在本发明实施例提供的一种可行方式中，所述卷积神经网络模型包括依次相连的特征提取模块和分类模块，所述特征提取模块包括4个依次相连的卷积层，所述分类模块包括3个依次相连的全连接层。
可选的，在本发明实施例提供的一种可行方式中，所述故障预测结果包括：进气阀泄漏，排气阀泄漏，活塞环泄漏，排气阀阀片自阀座上跳开，进气阀咬住/卡塞，排气阀咬住/卡塞，气缸余隙容积过大，阀片震颤，进气阀或进气管通道截面积小，排气阀或排气管通道截面积小，无故障。
第二方面，本发明实施例提供的一种故障检测装置，包括：
获取模块，用于获取往复式压缩机的结构参数、工艺参数及所述往复式压缩机在工作预设时长内的压力变化；
第一生成模块，用于根据所述结构参数和所述工艺参数，生成所述往复式压缩机在理论情况下的第一压力-气体体积图；
第二生成模块，用于根据所述结构参数和所述工作预设时长内的压力变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图；
叠加模块，用于将所述第一压力-气体体积图和所述第二压力-气体体积图叠加，得到第三压力-气体体积图；
变换模块，用于将所述第三压力-气体体积图进行对数坐标变换，并根据预设形函数将坐标变换后的第三压力-气体体积图映射至自然坐标系以进行等参元归一化，得到第四压力-气体体积图；
预测模块，用于将所述第四压力-气体体积图输入至预设的卷积神经网络模型，得到所述往复式压缩机的故障预测结果。
第三方面，本发明实施例提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中任一种公开的故障检测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中任一种公开的故障检测方法。
本发明实施例提供的故障检测方法中，计算机设备在获取到压缩机的结构参数、工艺参数及压缩机在工作预设时长内的压力变化后，将根据结构参数和工艺参数，生成压缩机在理论情况下的第一压力-气体体积图，以得到压缩机在各个部件在良好情况下的示功图；并根据结构参数和工作预设时长内的压力变化，生成压缩机在实际情况下的第二压力-气体体积图，以得到压缩机的各个部件因实际工作而磨损/故障后，压缩机实际情况下的功图；接着，将第一压力-气体体积图和第二压力-气体体积图叠加，得到第三压力-气体体积图，使得第三压力-气体体积图中同时展现两种曲线，以体现出实际情况与理论情况的差异；然后，将第三压力-气体体积图进行对数坐标变换，并根据预设形函数将坐标变换后的第三压力-气体体积图映射至自然坐标系以进行等参元归一化，得到第四压力-气体体积图，以使第三压力-气体体积图中实际情况与理论情况的差异放大，并实现示功图的归一化处理；最后，将第四压力-气体体积图输入至预设的卷积神经网络模型，得到压缩机的故障预测结果。
基于此，本发明实施例基于坐标变换与坐标映射，使得理论情况下的示功图与实际情况下的示功图的差异能被明显体现，进而使卷积神经网络模型能高效地抓取到第四压力-气体体积图中的图像特征，从而能准确预测往复式压缩机是否故障及故障对应的故障类别。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本发明实施例提供的第一种故障检测方法的流程示意图；
图2示出了本发明实施例提供的第二种故障检测方法的流程示意图；
图3示出了本发明实施例提供的第三种故障检测方法的流程示意图；
图4a和图4b分别示出了本发明实施例提供的第一种曲线示意图和第二种曲线示意图；
图5示出了本发明实施例提供的第四压力-气体体积图；
图6示出了本发明实施例提供的故障检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域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。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
参照图1，示出了本发明实施例提供的第一种故障检测方法的流程示意图，本发明实施例提供的故障检测方法包括：
S110，获取往复式压缩机的结构参数、工艺参数及所述往复式压缩机在工作预设时长内的压力变化。
可以理解的是，结构参数是指往复式压缩机整体或部分的尺寸、形状等数据，如压缩机的活塞行程、气缸直径、连杆长度、余隙容积等。
工艺参数是指制造往复式压缩机的过程中某项工艺的基础数据或指标。在本发明实施例中，工艺参数包括但不限于进排气压力、进排气温度及气体的组成成分。可以理解的是，本发明实施例中的气体即为往复式压缩机进行压缩的气体，而往复式压缩机应用于不同的场景下时，气体的组成成分需根据实际情况确认。
工作预设时长内的压力变化表示往复式压缩机在工作时，往复式压缩机的气缸的压力变化情况。在一种可行方式中，本发明实施例利用安装在往复式压缩机各级气缸上的动态压力传感器来完成压力变化数据，也即压力变化情况的获取。
S120，根据所述结构参数和所述工艺参数，生成所述往复式压缩机在理论情况下的第一压力-气体体积图。
也即，本发明实施例的计算机设备将根据接收到的结构参数和工艺参数，确定理论情况下往复式压缩机气缸的压力变化和工作容积变化，以此生成压缩机在理论情况下的PV(Pressure Volume，压力体积)图，即第一压力-气体体积图。其中，气缸工作容积变化即气体体积变化。
需理解的是，本发明实施例中计算机设备生成的第一PV图用于表明压缩机在各设备/结构状态良好的情况下，往复式压缩机中气缸的理论进气气压、理论排气气压、理论的工作容积最大值及理论的工作容积最小值。可以理解的是，理论工作状态中压缩机总是以理论进气气压、理论排气气压、理论工作容积最大值及理论工作容积最小值来进行气体的压缩与排出。
可以理解的是，生成第一压力-气体体积图的过程可根据实际情况设置，如在本发明实施例提供的一种可行方式中，具体可参考图2，示出了本发明实施例提供的第二种故障检测方法的流程示意图，即此种可行方式下，所述结构参数包括余隙容积、活塞行程以及气缸半径，所述工艺参数包括进排气压力、进排气温度及气体的组成成分；
进而，所述S120包括：
S121，利用所述进排气压力、所述进排气温度及所述气体的组成成分，计算定压比热容和定容比热容；
S122，基于所述定压比热容和所述定容比热容，计算所述往复式压缩机分别在膨胀和压缩过程下的绝热指数；
S123，根据所述余隙容积、活塞行程以及气缸直径，计算所述往复式压缩机的理论最大工作容积和理论最小工作容积；
S124，根据所述绝热指数、所述进排气压力、所述理论最大工作容积及所述理论最小工作容积，生成所述往复式压缩机在理论情况下的第一压力-气体体积图。
也即，本发明实施例中的计算机设备根据获取到的各类工艺参数，计算和确定往复式压缩机的气缸在理论工作情况下的压力和工作容积。
可以理解的是，工艺参数中的进排气压力用于表明往复式压缩机气缸在理论工作情况下的理论进气压力和理论工作排气压力，亦表示第一压力-气体体积图的纵轴上下限。
还可以理解的是，第一压力-气体体积图的横轴上下限为气缸工作容积的最大值和最小值，也即气缸在进气和排气时的工作容积。不难理解的是，气缸工作容积的最大值和最小值的计算过程可根据实际情况设置，在本发明实施例提供的此种可行方式中，计算过程具体包括：
首先，利用进排气压力、进排气温度及气体的组成成分，计算定压比热容和定容比热容。其中，定压比热容表示单位质量的物质在定压的条件下温度升高1K时比热力学能增加的数值；定容比热容表示在物体体积不变的情况下，单位质量的某种物质温度升高1K所需吸收的热量。示范性的，在一种实例中，气体的组成成分的如表1所示。
表1
混合气体 摩尔百分数 摩尔质量
H2O 0.23732 18
CH4 68 16
C2H6 11.8 30
C3H8 8.6 44
C4H10-异 3 58
C4H10-正 3.8 58
C5H12-异 1.6 72
C5H12-正 0.9 72
C6H14 0.6 86
C7H16 0.13 100
C8H18 0.02 114
C9H20 0.01 128
C10H22 0.1866 142
N2 0.18 28
CO2 0.9 44
接着，基于下式计算出压缩机的压缩机在膨胀和压缩过程下的绝热指数，即：
Figure BDA0003686623050000091
式中，K表示绝热指数，cp表示定压比热容，cv表示定容比热容。
示范性的，在本发明实施例的一种实例中，不同级别的气缸对应的绝热指数如表2所示，即一级气缸对应的绝热指数为1.45，二级气缸对应的绝热指数为1.59。
表2
Figure BDA0003686623050000101
然后，根据活塞行程、余隙容积、预设常数、进排气气压以及绝热指数，结合压缩机的膨胀过程方程和压缩机过程方程，计算气缸工作容积的最大值和最小值，即理论最大工作容积和理论最小工作容积，进而确定第一压力-气体体积图的横轴上下限。其中，工作容积、预设常数进排气气压以及绝热指数的关系如下式所示：
Figure BDA0003686623050000102
Figure BDA0003686623050000103
式中，K1和K2表示预设常数，Pd表示排气气压，Ps表示进气气压，k表示绝热指数，Vmin表示理论最小工作容积，Vmax表示理论最大工作容积。
需说明的是，本发明实施例在计算理论最大工作容积和理论最小工作容积的过程中，还考虑到了余隙容积，以准确描述压缩机气缸的工作容积变化。
举例而言，在本发明实施例提供的一种实例中，不同级别的气缸的理论最大工作容积和理论最小工作容积如表3所示。
表3
Figure BDA0003686623050000104
Figure BDA0003686623050000111
表中，V′max、V′min、K′1及K′2分别表示气缸盖侧对应的最大工作容积、最小工作容积、第一预设常数及第二预设常数；V″max、V″min、K″2及K″1分别表示气缸轴侧对应的最大工作容积、最小工作容积、第一预设常数及第二预设常数。进而，本发明实施例中的理论最大工作容积为最大工作容积，理论最小工作容积为余隙容积，如表3中一级气缸的气缸盖侧对应的最大工作容积V′max，即代表一级气缸的理论最大工作容积。
基于此，本发明实施例中的计算机设备在得到进排气压力，即压缩机各级气缸在理论情况下的最大气压和最小气压，并得到压缩机的理论最大工作容积和理论最小工作容积后，也即，确定第一压力-气体体积图的纵轴上下限和横轴上下限，得到第一压力-气体体积图的四个角点后，将根据四个角点绘制第一压力-气体体积图，即得到往复式压缩机气缸在理论情况下的示功图。
S130，根据所述结构参数和所述工作预设时长内的压力变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图。
也即，本发明实施例中的计算机设备基于结构参数，计算往复式压缩机的气缸在实际情况下的工作容积变化，即气体体积变化；同时根据工作预设时长内采集到的压力变化，确定气缸产生工作容积变化时的压力变化，进而绘制第二压力-气体体积图。由此，在后续过程中即可通过将理论情况下的第一压力-气体体积图和实际情况下的第二压力-气体体积图进行比对，从而准确地确定实际情况与理论情况的偏差，并以此确定压缩机的故障情况。
需说明的是，S120与S130能以任意的先后顺序执行，或同时执行，本发明实施例不对S120与S130的顺序进行限定。
此外，可以理解的是，第二压力-气体体积图的生成方式可根据实际情况设置，如在一种可行方式中，可在压缩机中设置相应的传感器以得到压缩机气缸的压力变化情况和容积变化情况。
而在本发明实施例提供的一种可行方式中，具体参考图3，示出了本发明实施例提供的第三种故障检测方法的流程示意图，即此种可行方式下，本发明实施例的所述往复式压缩机设置有动态压力传感器，所述结构参数包括活塞行程、气缸直径、连杆长度、曲轴角度及余隙容积，所述工作预设时长内的压力变化包括所述动态压力传感器在所述工作预设时长内检测到的压力变化数据；
进而，所述S130，包括：
S131，基于所述活塞行程、所述气缸直径、所述曲轴角度、所述连杆长度及所述余隙容积，利用预设算式计算所述往复式压缩机在所述工作预设时长内的工作容积变化；
S132，根据所述压力变化数据和所述工作容积变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图。
也即，本发明实施例中的计算机设备将基于预设算式，利用结构参数中的气缸直径、曲轴角度、连杆长度及余隙容积计算出压缩机在工作预设时长内的工作容积变化。
可选的，预设算式如下式所示：
Figure BDA0003686623050000121
式中，V表示工作容积，S表示活塞行程，θ表示曲轴角度，l表示连杆长度，B表示气缸内径，Vcl表示余隙容积。
基于上述工作容积的计算方式，本发明实施例中的计算机设备将根据压缩机中曲轴旋转一个周期内的气缸容积变化，即根据θ的变化确定压缩机气缸在工作预设时长内的工作容积变化。
进一步的，在得到压缩机气缸在工作预设时长内的工作容积变化后，计算机设备根据动态压力传感器在预设时长内检测到的数据，确定压缩机气缸的工作容积在变化时的压力变化，进而绘制出压缩机的实际示功图，即第二压力-气体体积图。
可选的，为保证计算机设备得到动态压力传感器在工作预设时长内检测到的压力变化数据时，能准确地计算所述工作预设时长内压缩机气缸的工作容积变化，本发明实施例提供的一种可行方式中，压缩机还设置有键相传感器，键相传感器用于获取键相信号，而键相信号用于表征压缩机的当前工作时刻。
由此，本发明实施例的计算机设备将基于键相信号确定压缩机在一个工作周期的工作容积变化，同时获取动态压力传感器在同一工作周期检测到的压力变化数据，使得两种数据能同步获取，进而保证第二压力-气体体积图的有效性。
S140，将所述第一压力-气体体积图和所述第二压力-气体体积图叠加，得到第三压力-气体体积图。
也即，本发明实施例使第一压力-气体体积图示出的曲线与第二压力-气体体积图示出的曲线叠加，使得一张图像中同时包含第一压力-气体体积图的曲线和第二压力-气体体积图的曲线，也即得到第三压力-气体体积图。
可以理解的是，若第三压力-气体体积图中第二压力-气体体积图的曲线与第一压力-气体体积图的曲线的偏差较大，则表明往复式压缩机可能存在故障；而若两种曲线的偏差较小，则表明往复式压缩机可能无故障。正因此，第三压力-气体体积图能直接地展现出理论情况与实际情况的差异，进而在后续的故障识别过程中，计算机设备能根据第三压力-气体体积图体现的差异而准确地识别出压缩机的故障情况。
S150，将所述第三压力-气体体积图进行对数坐标变换，并根据预设形函数将坐标变换后的第三压力-气体体积图映射至自然坐标系以进行等参元归一化，得到第四压力-气体体积图。
也即，本发明实施例首先将第三压力-气体体积图中的两种曲线的所有点的坐标映射至对数坐标系，以得到两种曲线对应的封闭图形；再将对数坐标系下的两种曲线经等参元变化映射至自然坐标系，得到第四压力-气体体积图，以此凸显两种曲线的特征。
可以理解的是，自然坐标系中曲线构成的几何特征、载荷等，都来自原坐标系下的实际情况。还可以理解的是，第二气体体积图中的曲线具有相对复杂的形状，而自然坐标系下的曲线构成的几何形状简单，因而能高效地表征曲线的特征。
示范性的，为更好说明本发明实施例提供的此种坐标变换过程，参考图4a和图4b，分别示出了本发明实施例提供的第一种曲线示意图和第二种曲线示意图。其中，第一种曲线示意图表示第一压力-气体体积图的曲线在对数坐标下对应的四边形图形，第二种曲线示意图表示第一压力-气体体积图的曲线在自然坐标系下对应的经过等参元归一化变换后的正方形图形。
由图4a和图4b可知，在对数坐标系下的第一压力-气体体积图的曲线呈现为四边形，而在将对数坐标系下的曲线等参元变化后映射至自然坐标系，第一压力-气体体积图的曲线将转变为正方形。需理解的是，相比于不进行坐标变换的第一压力-气体体积图和第二压力-气体体积图，变换后的第二压力-气体体积图的曲线构成的图形能与变换后的第一压力-气体体积图的曲线构成的正方形形成更明显的差异，进而更能体现出压缩机的故障情况。并且，本发明实施例基于此种变换过程，使得第三压力-气体体积图中的参数相应地完成等参元归一化，从而消除因往复式压缩机工况变化导致的示功图偏移影响，也即，消除往复式压缩机工况变化所带来的噪声，基于此，在卷积神经网络模型的图像识别过程中，卷积神经网络模型能准确地抓取第四压力-气体体积图中不同故障类型对应的图像特征，从而准确识别不同工况下的不同故障类型。
为更好地说明本发明实施例中第四压力-气体体积图中两种曲线构成的图形的差异，请参考图5，示出了本发明实施例提供的第四压力-气体体积图。其中，图5中的正方形图形表示理论情况下的压力-气体变化曲线，不规则图形表示实际情况下的压力-气体变化曲线。
由此，本发明实施例基于坐标变换后的第四压力-气体体积图，使得理论情况下的PV图与实际情况下的PV图的差异更突出，进而在后续的故障识别过程中，计算机设备能根据第四压力-气体体积图展现的明显差异，准确地识别出压缩机的故障情况。
此外，可以理解的是，本发明实施例中预设形函数的形式可根据实际情况设置，如在本发明实施例提供的一种可行方式中，所述预设形函数包括：
x＝N1x1+N2x2+N3x3+N4x4
y＝N1y1+N2y2+N3y3+N4y4
Figure BDA0003686623050000151
ξ0＝ξiξ,i＝[1,2,3,4]
η0＝ηiη,i＝[1,2,3,4]
其中，x和y表示自然坐标系下的横坐标与纵坐标，x1、x2、x3、x4、y1、y2、y3、y4表示第一对数压力-气体体积图的四个角点的横坐标与纵坐标，Ni表示预设形函数，ξ和η表示坐标变化的无量纲单元局部坐标，ξi和ηi表示第i个角点的无量纲单元局部坐标。
也即，本发明实施例会将第三压力-气体体积图映射至二维空间，且横纵坐标的取值范围均为[-1，1]，进而第四压力-气体体积中表征理论情况下的压力-气体变化曲线所构成的图形为边长为2的正方形。
S160，将所述第四压力-气体体积图输入至预设的卷积神经网络模型，得到所述往复式压缩机的故障预测结果。
也即，本发明实施例中的计算机设备将第四压力-气体体积图输入至训练好的卷积神经网络模型，以预测第四压力-气体体积图对应的图像识别结果，即故障预测结果。
可以理解的是，本发明实施例中的卷积神经网络模型将通过多个已标注类别的第四压力-气体体积图进行训练，以保证训练结束后卷积神经网络模型能根据输入的第四压力-气体体积图输出对应的类别预测结果。
还可以理解的是，因第一压力-气体体积图和第二压力-气体体积图的差异得以放大，故往复式压缩机的不同压缩情况对应的第二压力-气体体积图之间的差异亦能得以体现，即本发明实施例中往复式压缩机的不同压缩情况对应的第二压力-气体体积图与第一压力-气体体积图的差异均能明显地展现。因此，本发明实施例中的卷积神经网络模型除能有效地确定往复式压缩机是否故障外，还能确定往复式压缩机故障时所对应的具体故障情况，即类别预测结果。
可选的，在本发明实施例提供的一种可行方式中，卷积神经网络模型输出的类别预测结果，即所述故障预测结果包括：进气阀泄漏，排气阀泄漏，活塞环泄漏，排气阀阀片自阀座上跳开，进气阀咬住/卡塞，排气阀咬住/卡塞，气缸余隙容积过大，阀片震颤，进气阀或进气管通道截面积小，排气阀或排气管通道截面积小，无故障。
本发明实施例提供的故障检测方法中，计算机设备在获取到压缩机的结构参数、工艺参数及压缩机在工作预设时长内的压力变化后，将根据结构参数和工艺参数，生成压缩机在理论情况下的第一压力-气体体积图，以得到压缩机在各个部件在良好情况下的示功图；并根据结构参数和工作预设时长内的压力变化，生成压缩机在实际情况下的第二压力-气体体积图，以得到压缩机的各个部件因实际工作而磨损/故障后，压缩机实际情况下的功图；接着，将第一压力-气体体积图和第二压力-气体体积图叠加，得到第三压力-气体体积图，使得第三压力-气体体积图中同时展现两种曲线，进而体现两种曲线的差异；然后，将第三压力-气体体积图进行对数坐标变换，并根据预设形函数将坐标变换后的第三压力-气体体积图映射至自然坐标系以进行等参元归一化，得到第四压力-气体体积图，以使第三压力-气体体积图中两种曲线的差异放大，并实现示功图的归一化处理；最后，将第四压力-气体体积图输入至预设的卷积神经网络模型，得到压缩机的故障预测结果。
基于此，本发明实施例基于坐标变换与坐标映射，使得理论情况下的示功图与实际情况下的示功图的差异能被明显体现，进而使卷积神经网络模型能高效地抓取到第四压力-气体体积图中的图像特征，从而能准确预测往复式压缩机是否故障及故障对应的故障类别。
可选的，为提高本发明实施例中卷积神经网络模型的准确率，在本发明实施例对应的一种可行方式中，所述方法还包括：
将所述第四压力-气体体积图存储至预设数据库，其中，所述预设数据库中的数据用于构成所述卷积神经网络模型对应的训练集。
不难理解的是，本发明实施例提供的卷积神经网络模型为通过大量的第四压力-气体体积图训练而来，而在将训练好的卷积神经网络模型投入使用，也即在S160之前，本发明实施例将不断地根据往复式压缩机的实际运行情况，或根据对往复式压缩机的模拟仿真，生成往复式压缩机在实际/仿真情况下的第二压力-气体体积图，同时，将每张第二压力-气体体积图与往复式压缩机在理论情况下的第一压力-气体体积图叠加，并进行坐标变化和等参元归一化，以得到并将每张第一压力-气体体积图对应的每张第四压力-气体体积图存储至预设数据库；当预设数据库中第四压力-气体体积图的数量满足预设数量条件时，本发明实施例中的计算机设备将利用预设数据库中的数据构成训练集，进而利用训练集训练卷积神经网络模型。
进一步的，可以理解的是，因本发明实施例中的计算机设备在得到训练好的卷积神经网络模型后，还将在生成第四压力-气体体积图时，将第四压力-气体体积图记录至预设数据库以动态累计第四压力-气体体积图，因此预设数据库还用于对卷积神经网络模型进行更新训练。
还可以理解的是，上述将第四压力-气体体积图存储至预设数据库以训练/更新卷积神经网络模型的方式为本发明实施例提供的一种可行方式。在本发明实施例提供的一种可行方式中，因往复式压缩机的结构参数和所述工艺参数不变，使得第一压力-气体体积图固定，故计算机设备将不断地根据往复式压缩机的实际运行情况，或根据对往复式压缩机的模拟仿真情况，生成并存储往复式压缩机在实际/仿真情况下的第二压力-气体体积图。
与前种可行方式类似的，当预设数据库中第二压力-气体体积图的数量满足预设数量条件时，本发明实施例的计算机设备将利用预先生成的第一压力-气体体积图，配合预设数据库中的每张第二压力-气体体积图，生成对应的每张第四压力-气体体积图，进而根据每张第四压力-气体体积图完成卷积神经网络模型的训练。
进一步的，此种记录第二压力-气体体积图的可行方式中，即使计算机设备并未对往复式压缩机进行故障检测，即未生成第四压力-气体体积图时，计算机设备亦可动态累计第二压力-气体体积图，即不断根据往复式压缩机的结构参数和工作预设时长内的压力变化，不断生成第二压力-气体体积图，并将生成的第二压力-气体体积图存储，以在适当的时机配合第一压力-气体体积图生成第四压力-气体体积图，从而完成卷积神经网络模型的更新训练。
可选的，为使本发明实施例提供的卷积神经网络模型能高效地完成训练和预测，在本发明实施例提供的一种可行方式中，所述卷积神经网络模型包括依次相连的特征提取模块和分类模块，所述特征提取模块包括4个依次相连的卷积层，所述分类模块包括3个依次相连的全连接层。
也即，本发明实施例基于4个依次相连的卷积层完成图像特征的提取，3个依次相连的全连接层用于根据提取到的图像特征进行图像类别预测，从而得到故障预测结果。
可以理解的是，相比于常见的深度网络如VGG(Visual Geometry Group Network)或GoogleNet，本发明实施例提供的卷积神经网络模型所需的参数量较少，进而能轻量高效地完成图像类别预测。并且，因第四压力-气体体积图的图形特征较明显，因而本发明实施例提供的卷积神经网络模型能有效地保证图像类别预测的识别准确率。
可选的，在本发明实施例提供的一种可行方式中，卷积神经网络模型的具体结构如表4所示。
表4
Figure BDA0003686623050000191
也即，本发明实施例还在卷积神经网络模型中设置了池化层以进行维度变化，并配合Droupout层以减少卷积神经网络模型的训练参数量，从而降低计算机设备训练模型的负荷。
实施例2
与本发明实施例提供的故障检测方法相对应的，本发明实施例还提供一种故障检测装置，参照图6，示出了本发明实施例提供的故障检测装置的结构示意图，本发明实施例提供的故障检测装置200，包括：
获取模块210，用于获取往复式压缩机的结构参数、工艺参数及所述往复式压缩机在工作预设时长内的压力变化；
第一生成模块220，用于根据所述结构参数和所述工艺参数，生成所述往复式压缩机在理论情况下的第一压力-气体体积图；
第二生成模块230，用于根据所述结构参数和所述工作预设时长内的压力变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图；
叠加模块240，用于将所述第一压力-气体体积图和所述第二压力-气体体积图叠加，得到第三压力-气体体积图；
变换模块250，用于将所述第三压力-气体体积图进行对数坐标变换，并根据预设形函数将坐标变换后的第三压力-气体体积图映射至自然坐标系以进行等参元归一化，得到第四压力-气体体积图；
预测模块260，用于将所述第四压力-气体体积图输入至预设的卷积神经网络模型，得到所述往复式压缩机的故障预测结果。
可选的，在本发明实施例提供的一种可行方式中，所述结构参数包括余隙容积、活塞行程以及气缸半径，所述工艺参数包括进排气压力、进排气温度及气体的组成成分；
所述第一生成模块，包括：
比热容计算子模块，用于利用所述进排气压力、所述进排气温度及所述气体的组成成分，计算定压比热容和定容比热容；
绝热指数计算子模块，用于基于所述定压比热容和所述定容比热容，计算所述往复式压缩机分别在膨胀和压缩过程下的绝热指数；
工作容积计算子模块，用于根据所述余隙容积、活塞行程以及气缸直径，计算所述往复式压缩机的理论最大工作容积和理论最小工作容积；
理论图生成子模块，用于根据所述绝热指数、所述进排气压力、所述理论最大工作容积及所述理论最小工作容积，生成所述往复式压缩机在理论情况下的第一压力-气体体积图。
可选的，在本发明实施例提供的一种可行方式中，所述往复式压缩机设置有动态压力传感器，所述结构参数包括活塞行程、气缸直径、连杆长度、曲轴角度及余隙容积，所述工作预设时长内的压力变化包括所述动态压力传感器在所述工作预设时长内检测到的压力变化数据；
所述第二生成模块，包括：
容积变化计算子模块，用于基于所述活塞行程、所述气缸直径、所述曲轴角度、所述连杆长度及所述余隙容积，利用预设算式计算所述往复式压缩机在所述工作预设时长内的工作容积变化；
实际图生成子模块，用于根据所述压力变化数据和所述工作容积变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图。
可选的，在本发明实施例提供的一种可行方式中，所述预设算式包括：
Figure BDA0003686623050000211
式中，V表示工作容积，S表示活塞行程，θ表示曲轴角度，l表示连杆长度，B表示气缸内径，Vcl表示余隙容积。
可选的，在本发明实施例提供的一种可行方式中，所述预设形函数包括：
x＝N1x1+N2x2+N3x3+N4x4
y＝N1y1+N2y2+N3y3+N4y4
Figure BDA0003686623050000212
ξ0＝ξiξ,i＝[1,2,3,4]
η0＝ηiη,i＝[1,2,3,4]
其中，x和y表示自然坐标系下的横坐标与纵坐标，x1、x2、x3、x4、y1、y2、y3、y4表示第一对数压力-气体体积图的四个角点的横坐标与纵坐标，Ni表示预设形函数，ξ和η表示坐标变化的无量纲单元局部坐标，ξi和ηi表示第i个角点的无量纲单元局部坐标。
可选的，在本发明实施例提供的一种可行方式中，所述装置还包括：
存储模块，用于将所述第四压力-气体体积图存储至预设数据库，其中，所述预设数据库中的数据用于构成所述卷积神经网络模型对应的训练集。
可选的，在本发明实施例提供的一种可行方式中，所述卷积神经网络模型包括依次相连的特征提取模块和分类模块，所述特征提取模块包括4个依次相连的卷积层，所述分类模块包括3个依次相连的全连接层。
可选的，在本发明实施例提供的一种可行方式中，所述故障预测结果包括：进气阀泄漏，排气阀泄漏，活塞环泄漏，排气阀阀片自阀座上跳开，进气阀咬住/卡塞，排气阀咬住/卡塞，气缸余隙容积过大，阀片震颤，进气阀或进气管通道截面积小，排气阀或排气管通道截面积小，无故障。
本申请实施例提供的故障检测装置能够实现图1至图3对应的方法实施例中故障检测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如图1至图3对应的方法实施例中公开的故障检测方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如图1至图3对应的方法实施例中公开的故障检测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、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，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码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。也应当注意，在作为替换的实现方式中，方框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，两个连续的方框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，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，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。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (11)

1.一种故障检测方法，其特征在于，包括：
获取往复式压缩机的结构参数、工艺参数及所述往复式压缩机在工作预设时长内的压力变化；
根据所述结构参数和所述工艺参数，生成所述往复式压缩机在理论情况下的第一压力-气体体积图；
根据所述结构参数和所述工作预设时长内的压力变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图；
将所述第一压力-气体体积图和所述第二压力-气体体积图叠加，得到第三压力-气体体积图；
将所述第三压力-气体体积图进行对数坐标变换，并根据预设形函数将坐标变换后的第三压力-气体体积图映射至自然坐标系以进行等参元归一化，得到第四压力-气体体积图；
将所述第四压力-气体体积图输入至预设的卷积神经网络模型，得到所述往复式压缩机的故障预测结果。
2.根据权利要求1所述的故障检测方法，其特征在于，所述结构参数包括余隙容积、活塞行程以及气缸半径，所述工艺参数包括进排气压力、进排气温度及气体的组成成分；
所述根据所述结构参数和所述工艺参数，生成所述往复式压缩机在理论情况下的第一压力-气体体积图，包括：
利用所述进排气压力、所述进排气温度及所述气体的组成成分，计算定压比热容和定容比热容；
基于所述定压比热容和所述定容比热容，计算所述往复式压缩机分别在膨胀和压缩过程下的绝热指数；
根据所述余隙容积、活塞行程以及气缸直径，计算所述往复式压缩机的理论最大工作容积和理论最小工作容积；
根据所述绝热指数、所述进排气压力、所述理论最大工作容积及所述理论最小工作容积，生成所述往复式压缩机在理论情况下的第一压力-气体体积图。
3.根据权利要求1所述的故障检测方法，其特征在于，所述往复式压缩机设置有动态压力传感器，所述结构参数包括活塞行程、气缸直径、连杆长度、曲轴角度及余隙容积，所述工作预设时长内的压力变化包括所述动态压力传感器在所述工作预设时长内检测到的压力变化数据；
所述根据所述结构参数和所述工作预设时长内的压力变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图，包括：
基于所述活塞行程、所述气缸直径、所述曲轴角度、所述连杆长度及所述余隙容积，利用预设算式计算所述往复式压缩机在所述工作预设时长内的工作容积变化；
根据所述压力变化数据和所述工作容积变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图。
4.根据权利要求3所述的故障检测方法，其特征在于，所述预设算式包括：
Figure FDA0003686623040000021
式中，V表示工作容积，S表示活塞行程，θ表示曲轴角度，l表示连杆长度，B表示气缸内径，Vc1表示余隙容积。
5.根据权利要求1所述的故障检测方法，其特征在于，所述预设形函数包括：
x＝N1x1+N2x2+N3x3+N4x4
y＝N1y1+N2y2+N3y3+N4y4
Figure FDA0003686623040000022
ξ0＝ξiξ，i＝[1，2，3，4]
η0＝ηiη，i＝[1，2，3，4]
其中，x和y表示自然坐标系下的横坐标与纵坐标，x1、x2、x3、x4、y1、y2、y3、y4表示第一对数压力-气体体积图的四个角点的横坐标与纵坐标，Ni表示预设形函数，ξ和η表示坐标变化的无量纲单元局部坐标，ξi和ηi表示第i个角点的无量纲单元局部坐标。
6.根据权利要求1所述的故障检测方法，其特征在于，所述方法还包括：
将所述第四压力-气体体积图存储至预设数据库，其中，所述预设数据库中的数据用于构成所述卷积神经网络模型对应的训练集。
7.根据权利要求1所述的故障检测方法，其特征在于，所述卷积神经网络模型包括依次相连的特征提取模块和分类模块，所述特征提取模块包括4个依次相连的卷积层，所述分类模块包括3个依次相连的全连接层。
8.根据权利要求1所述的故障检测方法，其特征在于，所述故障预测结果包括：进气阀泄漏，排气阀泄漏，活塞环泄漏，排气阀阀片自阀座上跳开，进气阀咬住/卡塞，排气阀咬住/卡塞，气缸余隙容积过大，阀片震颤，进气阀或进气管通道截面积小，排气阀或排气管通道截面积小，无故障。
9.一种故障检测装置，其特征在于，包括：
获取模块，用于获取往复式压缩机的结构参数、工艺参数及所述往复式压缩机在工作预设时长内的压力变化；
第一生成模块，用于根据所述结构参数和所述工艺参数，生成所述往复式压缩机在理论情况下的第一压力-气体体积图；
第二生成模块，用于根据所述结构参数和所述工作预设时长内的压力变化，生成所述往复式压缩机在实际情况下的第二压力-气体体积图；
叠加模块，用于将所述第一压力-气体体积图和所述第二压力-气体体积图叠加，得到第三压力-气体体积图；
变换模块，用于将所述第三压力-气体体积图进行对数坐标变换，并根据预设形函数将坐标变换后的第三压力-气体体积图映射至自然坐标系以进行等参元归一化，得到第四压力-气体体积图；
预测模块，用于将所述第四压力-气体体积图输入至预设的卷积神经网络模型，得到所述往复式压缩机的故障预测结果。
10.一种计算机设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行如权利要求1-8任一项所述的故障检测方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在处理器上运行时执行如权利要求1-8任一项所述的故障检测方法。
CN202210653110.2A 2022-06-09 2022-06-09 故障检测方法、装置、计算机设备及计算机可读存储介质 Pending CN115017644A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210653110.2A CN115017644A (zh) 2022-06-09 2022-06-09 故障检测方法、装置、计算机设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210653110.2A CN115017644A (zh) 2022-06-09 2022-06-09 故障检测方法、装置、计算机设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN115017644A true CN115017644A (zh) 2022-09-06

Family

ID=83072114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210653110.2A Pending CN115017644A (zh) 2022-06-09 2022-06-09 故障检测方法、装置、计算机设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115017644A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117451284A (zh) * 2023-12-26 2024-01-26 宁德时代新能源科技股份有限公司 容器气密性异常检测方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117451284A (zh) * 2023-12-26 2024-01-26 宁德时代新能源科技股份有限公司 容器气密性异常检测方法、装置、电子设备和存储介质
CN117451284B (zh) * 2023-12-26 2024-04-12 宁德时代新能源科技股份有限公司 容器气密性异常检测方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN111339858B (zh) 一种基于神经网络的油气管道标志物识别方法
JP6979664B2 (ja) 仮想３次元深層ニューラルネットワークを利用する画像解析装置及び方法
CN110111345B (zh) 一种基于注意力网络的3d点云分割方法
Wang et al. Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest
CN115017644A (zh) 故障检测方法、装置、计算机设备及计算机可读存储介质
CN109241901B (zh) 一种对具有孔洞的三维点云的检测与识别方法
CN106295503A (zh) 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法
CN111401136B (zh) 一种柱塞泵空化程度检测方法、装置及终端
CN109151727A (zh) 基于改进的dbn的wlan指纹定位数据库构建方法
Wang et al. Condition monitoring method for marine engine room equipment based on machine learning
CN114741942A (zh) 基于机器学习的海洋平台往复式压缩机故障诊断装置及诊断方法
CN114323435A (zh) 压差传感器可信性检测方法、装置、电子设备及存储介质
CN117030724B (zh) 一种基于深度学习的多模态工业缺陷分析方法及系统
Mohammadzaheri et al. Fuzzy analysis of resonance frequencies for structural inspection of an engine cylinder block
Singh et al. Persistence homology of proximity hyper-graphs for higher dimensional big data
US20220291175A1 (en) Acoustic resonance diagnostic method for detecting structural degradation and system applying the same
CN106285797A (zh) 内缸、外缸与阀壳的内部制造缺陷的监控装置与方法
CN116206302A (zh) 三维目标检测方法、装置、计算机设备和存储介质
Gao et al. Approximate congruence detection of model features for reverse engineering
CN109658489B (zh) 一种基于神经网络的立体网格数据处理方法和系统
KR20130030550A (ko) 유사 일기도 검색 시스템 및 그 방법
CN110929793A (zh) 用于生态环境监测的时空域模型建模方法及系统
Zhong et al. Research on fusion diagnosis method of thermal fault of marine diesel engine
Xiang et al. Learnable Upsampling-Based Point Cloud Semantic Segmentation
CN117093722B (zh) 用于诊断输气管道站场内设备故障的方法及处理器

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