CN115392317A - 一种石化机组旋转机械故障诊断方法、装置、设备及介质 - Google Patents
一种石化机组旋转机械故障诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115392317A CN115392317A CN202211063979.8A CN202211063979A CN115392317A CN 115392317 A CN115392317 A CN 115392317A CN 202211063979 A CN202211063979 A CN 202211063979A CN 115392317 A CN115392317 A CN 115392317A
- Authority
- CN
- China
- Prior art keywords
- dimensionless
- fault
- mutual
- characteristic
- layer
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 60
- 210000002569 neuron Anatomy 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 230000035945 sensitivity Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 15
- 238000005314 correlation function Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 2
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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 Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种石化机组旋转机械故障诊断方法、装置、设备及介质，通过传感器采集石化机组机械旋转的诊断数据，将所述诊断数据进行互无量纲化，提取互无量纲特征指标；根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；采用预先构建的对抗网络模型对获取的互无量纲特征指标进行增容，获得增容特征指标；将增容特征指标作为预先构建的诊断模型的输入，得到子序列的诊断结果输出，根据子序列的诊断结果输出故障诊断结果。解决了分类模型忽略小样本故障特征导致的分类过程的过拟合、不平衡、分类结果不准确问题，能够准确诊断出石化机组的故障。
Description
技术领域
本发明涉及机械设备故障及预警技术领域，尤其涉及一种石化机组旋转机械故障诊断方法、装置、设备及介质。
背景技术
石化机组长期在超高温、超高压和高腐蚀的复杂环境工作，一旦发生故障极易引起严重的后果。因此，准确可靠的故障诊断方法来避免恶性设备损坏事故的发生，减少石化企业经济损失及保证人员安全。
对石化机组故障诊断依赖获取石化机组旋转机械信号，对获取的信号进行分析，确定异常信号。但是由于石化机组旋转机械异常信号，容易被强背景噪声和其他零部件产生的干扰信号所淹没，形成大量无效和随机的信号，难以提取有效的故障特征信息，故障识别的效率和准确率较低。
发明内容
针对上述现有技术的缺陷，本发明提供一种石化机组旋转机械故障诊断方法、装置、设备及介质，能够准确诊断石化机组的故障。
本发明实施例提供的一种石化机组旋转机械故障诊断方法，所述方法包括：
通过传感器采集石化机组机械旋转的诊断数据，将所述诊断数据进行互无量纲化，提取互无量纲特征指标；
根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
采用预先构建的对抗网络模型对获取的互无量纲特征指标进行增容，获得增容特征指标；
将增容特征指标作为预先构建的诊断模型的输入，得到子序列的诊断结果输出，根据子序列的诊断结果输出故障诊断结果。
优选地，所述诊断模型的构建方法包括：
通过传感器采集石化机组机械旋转的原始数据，将所述原始数据进行互无量纲化，提取互无量纲特征指标，所述原始数据包括无故障信号和故障信号；
根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
根据所述对抗网络模型对所述故障信号的互无量纲特征指标进行增容，获得增容特征指标；
将所述无故障信号的互无量纲特征指标和所述故障信号的增容特征指标输入到预先构建的卷积神经网络模型中进行训练，得到所述诊断模型。
进一步地，所述通过传感器采集石化机组机械旋转的原始数据，将所述原始数据进行互无量纲化，提取互无量纲特征指标，具体包括：
采用传感器以预设的抽样频率fs采集石化机组在正常运转时的无故障振动信号s0(t)；
将无故障振动信号s0(t)归一化处理后得到标准振动信号s(t)，并对标准振动信号s(t)作快速傅里叶变换得到标准振动频域信号S(k)；
采用传感器以所述抽样频率fs采集石化机组在机械运转时的故障振动信号z(t)，并对故障振动信号z(t)作快速傅里叶变换得到故障频域信号Z(k)；
计算标准振动频域信号S(k)的复共轭信号S(k)*，计算复共轭信号S(k)*与故障频域信号Z(k)的乘积得到乘积信号Y(k)，对乘积信号Y(k)进行快速傅里叶逆变换，得到复共轭信号S(k)*与故障频域信号Z(k)的相关函数I(t)；
根据相关函数I(t)、标准振动信号s(t)和故障振动信号z(t)，提取无量纲指标ζys；
其中，
m为预设的分母系数，l为预设的分子系数，p(y)为信号y的概率密度函数，y为无故障振动随机时域信号的幅值，s为故障振动随机时域信号的幅值，y(t)为石化机组旋转的机械振动信号和噪声信号的混合信号，y(t)＝z(t)-cs(t-τ)，s(t-τ)为延迟后的标准振动信号，τ＝argmax|I(t)|，I(t)为乘积信号Y(k)的快速傅里叶逆变换的相关函数，c为故障振动信号z(t)和延迟后的标准振动信号s(t-τ)的相关系数，c＝E[z(t)s(t-τ)]，t＝0，1，...，T-1，k＝0，1，...，K-1，T为采集时间，K为转换后的最大频率。
进一步地，所述最优指标的确定过程，具体包括：
将计算的互无量纲特征指标输入到卷积神经网络中进行特征敏感性分析，确认每一互无量纲特征指标对石化机组分类的敏感性；
确认其中敏感性最高的预设数量的指标作为最优指标。
优选地，所述互无量纲特征指标包括：互无量纲波形特征指标、互无量纲峰值特征指标、互无量纲脉冲特征指标、互无量纲峭度特征指标和互无量纲裕度特征指标；
互无量纲波形特征指标
互无量纲峰值特征指标
互无量纲脉冲特征指标
互无量纲峭度特征指标
互无量纲裕度特征指标
作为一种优选方案，所述对抗网络模型生成过程具体包括：
构建生成模型G和判别模型D，生成模型G用于生成一个和输入的真实数据相同维度的假数据，判定模型D用于判定输入的数据为真实数据或假数据；
从隐空间中抽取隐空间变量z，根据生成模型G获取生成数据x′，x′＝G(z)，将生成数据x′和真实数据x一起输入到判别模型中，输出判定类别，并计算损失函数maxD maxG V(D，G)；
判定模型D根据真实数据的分布pr(x)和生成模型G生成数据的分布pg(x)计算目标函数maxD V(D，G)，对生成模型G进行训练；
根据目标函数maxD V(D，G)计算判定模型D的最优解，根据判定模型D计算的最优解，确定生成模型G的最小化目标函数maxG V(D，G)；
其中，
pr是真实数据的分布，pz是隐空间向量的分布，Ex～p，Ez～p分别表示对x∈pr和x∈pz的期望；
判定模型D计算的最优解为
优选地，所述卷积神经网络模型包括输入层、特征提取层以及输出层，其中特征提取层包括卷积层、池化层和全连接层；
卷积层由若干卷积单元组成，每一卷积单元的参数均通过反向传播算法计算得到，通过激活函数对每个卷积输出的logits值进行非线性变换，卷积层的卷积运算采用relu函数作为卷积层的激活函数；
池化层为下采样层，采用降采样操作，将输入的区域划分为若干个矩形子区域，对每个子区域结果输出为最大值；
全连接层的每一个节点均与上一次层的所有结点连接，以融合卷积层或者池化层中具有类别区分性的局部信息；
其中，卷积层的运算数字表达式为
b为偏置，d为卷积核大小,hi为第i个卷积层输出，Ii为第i个卷积层输入，wj为第j个权值；
池化层的运算数字表达式为
为第l层第i个池化器的第j个区域的第t个神经元的激活值，n为池化器的宽度，
池化层输出；
全连接层的数字运算表达式为
为第l+1层第j个神经元输出的logist值，
为激活函数，
为第l层第i个神经元与下一层第j个神经元之间的权值，
为第l层所有神经元对下一层第j个神经元的偏置值，激活函数
又称归一化指数函数，激活函数
的表达式为：
yi表示输出层第i个神经元的值，n为类别的个数。
本发明实施例还提供一种石化机组旋转机械故障诊断装置，所述装置包括：
数据获取模块，用于通过传感器采集石化机组机械旋转的诊断数据，将所述诊断数据进行互无量纲化，提取互无量纲特征指标；
特征提取模块，用于根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
增容模块，用于采用预先构建的对抗网络模型对获取的互无量纲特征指标进行增容，获得增容特征指标；
诊断模块，用于将增容特征指标作为预先构建的诊断模型的输入，得到子序列的诊断结果输出，根据子序列的诊断结果输出故障诊断结果。
作为一种优选方式，所述诊断模块构建所述诊断模型的过程包括：
通过传感器采集石化机组机械旋转的原始数据，将所述原始数据进行互无量纲化，提取互无量纲特征指标，所述原始数据包括无故障信号和故障信号；
根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
根据所述对抗网络模型对所述故障信号的互无量纲特征指标进行增容，获得增容特征指标；
将所述无故障信号的互无量纲特征指标和所述故障信号的增容特征指标输入到预先构建的卷积神经网络模型中进行训练，得到所述诊断模型。
优选地，所述诊断模块还具体用于：
采用传感器以预设的抽样频率fs采集石化机组在正常运转时的无故障振动信号s0(t)；
将无故障振动信号s0(t)归一化处理后得到标准振动信号s(t)，并对标准振动信号s(t)作快速傅里叶变换得到标准振动频域信号S(k)；
采用传感器以所述抽样频率fs采集石化机组在机械运转时的故障振动信号z(t)，并对故障振动信号z(t)作快速傅里叶变换得到故障频域信号Z(k)；
计算标准振动频域信号S(k)的复共轭信号S(k)*，计算复共轭信号S(k)*与故障频域信号Z(k)的乘积得到乘积信号Y(k)，对乘积信号Y(k)进行快速傅里叶逆变换，得到复共轭信号S(k)*与故障频域信号Z(k)的相关函数I(t)；
根据相关函数I(t)、标准振动信号s(t)和故障振动信号z(t)，提取无量纲指标ζys；
其中，
m为预设的分母系数，l为预设的分子系数，p(y)为信号y的概率密度函数，y为无故障振动随机时域信号的幅值，s为故障振动随机时域信号的幅值，y(t)为石化机组旋转的机械振动信号和噪声信号的混合信号，y(t)＝z(t)-cs(t-τ)，s(t-τ)为延迟后的标准振动信号，τ＝argmax|I(t)|，I(t)为乘积信号Y(k)的快速傅里叶逆变换的相关函数，c为故障振动信号z(t)和延迟后的标准振动信号s(t-τ)的相关系数，c＝E[z(t)s(t-τ)]，t＝0，1，...，T-1，k＝0，1，...，K-1，T为采集时间，K为转换后的最大频率。
优选地，所述诊断模块还具体用于：
将计算的互无量纲特征指标输入到卷积神经网络中进行特征敏感性分析，确认每一互无量纲特征指标对石化机组分类的敏感性；
确认其中敏感性最高的预设数量的指标作为最优指标。
优选地，所述互无量纲特征指标包括：互无量纲波形特征指标、互无量纲峰值特征指标、互无量纲脉冲特征指标、互无量纲峭度特征指标和互无量纲裕度特征指标；
互无量纲波形特征指标
互无量纲峰值特征指标
互无量纲脉冲特征指标
互无量纲峭度特征指标
互无量纲裕度特征指标
优选地，所述诊断模块生成所述对抗网络模型的过程具体包括：
构建生成模型G和判别模型D，生成模型G用于生成一个和输入的真实数据相同维度的假数据，判定模型D用于判定输入的数据为真实数据或假数据；
从隐空间中抽取隐空间变量z，根据生成模型G获取生成数据x′，x′＝G(z)，将生成数据x′和真实数据x一起输入到判别模型中，输出判定类别，并计算损失函数maxD maxG V(D，G)；
判定模型D根据真实数据的分布pr(x)和生成模型G生成数据的分布pg(x)计算目标函数maxD V(D，G)，对生成模型G进行训练；
根据目标函数maxD V(D，G)计算判定模型D的最优解，根据判定模型D计算的最优解，确定生成模型G的最小化目标函数maxG V(D，G)；
其中，
pr是真实数据的分布，pz是隐空间向量的分布，Ex～p，Ez～p分别表示对x∈pr和x∈pz的期望；
判定模型D计算的最优解为
优选地，所述卷积神经网络模型包括输入层、特征提取层以及输出层，其中特征提取层包括卷积层、池化层和全连接层；
卷积层由若干卷积单元组成，每一卷积单元的参数均通过反向传播算法计算得到，通过激活函数对每个卷积输出的logits值进行非线性变换，卷积层的卷积运算采用relu函数作为卷积层的激活函数；
池化层为下采样层，采用降采样操作，将输入的区域划分为若干个矩形子区域，对每个子区域结果输出为最大值；
全连接层的每一个节点均与上一次层的所有结点连接，以融合卷积层或者池化层中具有类别区分性的局部信息；
其中，卷积层的运算数字表达式为
b为偏置，d为卷积核大小,hi为第i个卷积层输出，Ii为第i个卷积层输入，wj为第j个权值；
池化层的运算数字表达式为
为第l层第i个池化器的第j个区域的第t个神经元的激活值，n为池化器的宽度，
池化层输出；
全连接层的数字运算表达式为
为第l+1层第j个神经元输出的logist值，
为激活函数，
为第l层第i个神经元与下一层第j个神经元之间的权值，
为第l层所有神经元对下一层第j个神经元的偏置值，激活函数
又称归一化指数函数，激活函数
的表达式为：
yi表示输出层第i个神经元的值，n为类别的个数。
本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项实施例所述的一种石化机组旋转机械故障诊断方法。
本发明实施例还提供一种计算机可读存储介质所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项实施例所述的一种石化机组旋转机械故障诊断方法。
本发明提供的一种石化机组旋转机械故障诊断方法、装置、设备及介质，通过传感器采集石化机组机械旋转的诊断数据，将所述诊断数据进行互无量纲化，提取互无量纲特征指标；根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；采用预先构建的对抗网络模型对获取的互无量纲特征指标进行增容，获得增容特征指标；将增容特征指标作为预先构建的诊断模型的输入，得到子序列的诊断结果输出，根据子序列的诊断结果输出故障诊断结果。解决了分类模型忽略小样本故障特征导致的分类过程的过拟合、不平衡、分类结果不准确问题，能够准确诊断出石化机组的故障。
附图说明
图1是本发明实施例提供的一种石化机组旋转机械故障诊断方法的流程图；
图2是本发明实施例提供的一种对抗网络模型的结构示意图；
图3是本发明实施例提供的特征提取层的结构示意图；
图4是本发明实施例提供的原始数据的信号分布图；
图5是本发明实施例提供的原始数据的互无量纲特征指标的特征分布示意图；
图6是本发明实施例提供的增容后的增容特征指标的特征分布示意图；
图7是本发明实施例提供的一种石化机组旋转机械故障诊断装置的结构示意图；
图8是本发明实施例提供一种终端设备的结构示意图。
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的实施例，而不是全部的实施例，实际上通过选择各种不同的过滤器、子集产生策略和分类器可以分化出无数种具体实施方案。基于本发明中的实施例，本领域的普通技术人员在没有作出创造性劳动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。
参见图1所示，是本发明实施例提供的一种石化机组旋转机械故障诊断方法的流程图，本发明实施例提供的一种石化机组旋转机械故障诊断方法包括S1～S4：
S1，通过传感器采集石化机组机械旋转的诊断数据，将所述诊断数据进行互无量纲化，提取互无量纲特征指标；
S2，根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
S3，采用预先构建的对抗网络模型对获取的互无量纲特征指标进行增容，获得增容特征指标；
S4，将增容特征指标作为预先构建的诊断模型的输入，得到子序列的诊断结果输出，根据子序列的诊断结果输出故障诊断结果。
在本实施例具体实施时，在进行石化机组旋转机械故障诊断时，需要通过传感器采集石化机组机械旋转的诊断数据，并针对采集的诊断数据，针对发生故障的石化机组的故障数据存在随机性、模糊性与掩蔽性以及单一的故障诊断精确度和可靠性欠佳的问题，基于互无量纲特征表示、对抗网络和卷积神经网络的石化机组故障诊断方法；
将所述诊断数据进行互无量纲化，提取互无量纲特征指标，根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；互无量纲特征指标是在传统无量纲指标基础上，根据信号分离思想构造出具有强诊断能力的故障诊断指标，以克服传统无量纲指标对振动信号，特别是对故障特征信号检测不够灵敏，精确度低和可靠性欠佳等难题。
分析不同互无量纲特征指标对石化机组旋转机械故障的敏感性，根据不同互无量纲特征指标的敏感性提取敏感性最优的互无量纲特征指标；
采用预先构建的对抗网络模型对获取的互无量纲特征指标进行增容，获得增容特征指标，保证正常样本特征与故障样本特征的平衡性；
将增容特征指标作为预先构建的诊断模型的输入，得到子序列的诊断结果输出，即最终输出诊断结果都是由其子序列的诊断结果组合而成。
本发明提出的基于互无量纲特征表示与卷积神经网络的石化机组旋转机械故障诊断方法能够解决了分类模型忽略小样本故障特征导致的分类过程的过拟合、不平衡、分类结果不准确问题，并能准确区分不同故障类型；解决了石化机组风机叶片运行过程采集的信号数据常常受工况和外部环境严重干扰导致故障数据存在随机性、模糊性与隐蔽性，难于准确描述故障特点的问题，并提高故障诊断的准确率。
在本发明提供的又一实施例中，所述诊断模型的构建方法包括：
通过传感器采集石化机组机械旋转的原始数据，将所述原始数据进行互无量纲化，提取互无量纲特征指标，所述原始数据包括无故障信号和故障信号；
根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
根据所述对抗网络模型对所述故障信号的互无量纲特征指标进行增容，获得增容特征指标；
将所述无故障信号的互无量纲特征指标和所述故障信号的增容特征指标输入到预先构建的卷积神经网络模型中进行训练，得到所述诊断模型。
在本实施例具体实施时，构建诊断模型的过程包括信号采集、互无量纲特征指标提取、特征敏感因子分析、对抗网络模型的特征增容、卷积神经网络的构建和训练，具体建模过程包括：
通过配置在石化机组上的传感器采集石化机组机械旋转的原始数据，所述原始数据由若干机械振动的信号组成，包括无故障信号和故障信号；
获取原始数据后，需要对原始数据进行互无量纲化，统一提取出原始数据的无量纲指标，互无量纲特征指标是在传统无量纲指标基础上，根据信号分离思想构造出具有强诊断能力的故障诊断指标；
分析不同互无量纲特征指标对石化机组旋转机械故障的敏感性，根据不同互无量纲特征指标的敏感性提取敏感性最优的互无量纲特征指标；
根据对抗网络模型对确认的互无量纲特征指标进行增容，保证正常样本特征与故障样本特征的平衡性；
将所述无故障信号的互无量纲特征指标和所述故障信号的增容特征指标输入到预先构建的卷积神经网络模型中进行训练，得到诊断模型；
通过对采集信号互无量纲化，并分析提取敏感特征；接着对特征敏感因子增容，保证数据的平衡性；最后根据增容后的敏感特征所为输入，构建卷积神经网络故障诊断模型，用于进行石化机组机械故障的诊断，
在本发明提供的又一实施例中，所述通过传感器采集石化机组机械旋转的原始数据，将所述原始数据进行互无量纲化，提取互无量纲特征指标，具体包括：
采用传感器以预设的抽样频率fs采集石化机组在正常运转时的无故障振动信号s0(t)；
将无故障振动信号s0(t)归一化处理后得到标准振动信号s(t)，并对标准振动信号s(t)作快速傅里叶变换得到标准振动频域信号S(k)；
采用传感器以所述抽样频率fs采集石化机组在机械运转时的故障振动信号z(t)，并对故障振动信号z(t)作快速傅里叶变换得到故障频域信号Z(k)；
计算标准振动频域信号S(k)的复共轭信号S(k)*，计算复共轭信号S(k)*与故障频域信号Z(k)的乘积得到乘积信号Y(k)，对乘积信号Y(k)进行快速傅里叶逆变换，得到复共轭信号S(k)*与故障频域信号Z(k)的相关函数I(t)；
根据相关函数I(t)、标准振动信号s(t)和故障振动信号z(t)，提取无量纲指标ζys；
其中，
m为预设的分母系数，l为预设的分子系数，p(y)为信号y的概率密度函数，y为无故障振动随机时域信号的幅值，s为故障振动随机时域信号的幅值，y(t)为石化机组旋转的机械振动信号和噪声信号的混合信号，y(t)＝z(t)-cs(t-τ)，s(t-τ)为延迟后的标准振动信号，τ＝argmax|I(t)|，I(t)为乘积信号Y(k)的快速傅里叶逆变换的相关函数，c为故障振动信号z(t)和延迟后的标准振动信号s(t-τ)的相关系数，c＝E[z(t)s(t-τ)]，t＝0，1，...，T-1，k＝0，1，...，K-1，T为采集时间，K为转换后的最大频率。
在本实施例具体实施时，互无量纲特征指标具体构建过程如下：
在设备的正常运转时期，使用传感器采集石化大机组旋转机械正常运行无故障信号，以抽样频率fs采集的无故障振动信号s0(t)，t＝0，1，...，T-1，T为采集时间，并将其归一化处理后得到标准振动信号s(t)；
对标准振动信号s(t)做快速傅里叶变换得到标准振动频域信号S(k)，k＝0，1，...，K-1，K为转换后的最大频率；
采集石化机组旋转机械故障信号，以抽样频率fs采集的故障振动信号z(t)，并将其进行快速傅里叶变换获得故障频域信号Z(k)；
将无故障的标准振动频域信号S(k)取复共轭为复共轭信号S(k)*，将故障频域信号Z(k)与复共轭信号S(k)*相乘得到乘积信号Y(k)，再对乘积信号Y(k)做快速傅里叶逆变换得到故障频域信号Z(k)与复共轭信号S(k)*的相关函数I(t)；
取相关函数I(t)的模|I(t)|，|I(t)|最大值为故障振动信号和标准振动信号的延迟时间τ，τ＝argmax|I(t)|；故障信号z(t)与延迟后的无故障标准振动信号s(t-τ)的相关系数c，c＝E[z(t)s(t-τ)]；
石化机组旋转机械振动信号和噪声的混合信号y(t)＝z(t)-cs(t-τ)，求得互无量纲特征：
m为预设的分母系数，l为预设的分子系数，p(y)为信号y的概率密度函数，y为无故障振动随机时域信号的幅值，s为故障振动随机时域信号的幅值。
根据信号分离思想构造出具有强诊断能力的故障诊断指标，克服传统无量纲指标对振动信号，特别是对故障特征信号检测不够灵敏，精确度低和可靠性欠佳的问题。
在本发明提供的又一实施例中，所述最优指标的确定过程，具体包括：
将计算的互无量纲特征指标输入到卷积神经网络中进行特征敏感性分析，确认每一互无量纲特征指标对石化机组分类的敏感性；
确认其中敏感性最高的预设数量的指标作为最优指标。
在本实施例具体分析时，石化机组叶片的叶片机械状态监测是由振动加速度传感器实时监测数据变化情况，通过互无量纲技术对原始数据互无量纲化，将正常状态与故障状态分别按照特征大小进行排序；
将互无量纲特征指标输入卷积神经网络对特征敏感性分析，确定每个互无量纲特征指标对石化机组分类的敏感性；
确认其中敏感性最高的预设数量的指标作为最优指标，确认敏感度最高并且敏感性基本相似的五个特征指标，分别为互无量纲波形特征指标、互无量纲峰值特征指标、互无量纲脉冲特征指标、互无量纲峭度特征指标和互无量纲裕度特征指标；
通过敏感度分析，确定敏感度更高的互无量纲特征指标进行后续诊断，能够提高故障特征信号检测的灵敏度，提高诊断的精确度低和可靠性。
进一步地，所述互无量纲特征指标包括：互无量纲波形特征指标、互无量纲峰值特征指标、互无量纲脉冲特征指标、互无量纲峭度特征指标和互无量纲裕度特征指标；
互无量纲波形特征指标
互无量纲峰值特征指标
互无量纲脉冲特征指标
互无量纲峭度特征指标
互无量纲裕度特征指标
在本发明提供的又一实施例中，
在方案实施时，所述对抗网络模型生成过程具体包括：
构建生成模型G和判别模型D，生成模型G用于生成一个和输入的真实数据相同维度的假数据，判定模型D用于判定输入的数据为真实数据或假数据；
从隐空间中抽取隐空间变量z，根据生成模型G获取生成数据x′，x′＝G(z)，将生成数据x′和真实数据x一起输入到判别模型中，输出判定类别，并计算损失函数maxD maxG V(D，G)；
判定模型D根据真实数据的分布pr(x)和生成模型G生成数据的分布pg(x)计算目标函数maxD V(D，G)，对生成模型G进行训练；
根据目标函数maxD V(D，G)计算判定模型D的最优解，根据判定模型D计算的最优解，确定生成模型G的最小化目标函数maxG V(D，G)；
其中，
pr是真实数据的分布，pz是隐空间向量的分布，Ex～p，Ez～p分别表示对x∈pr和x∈pz的期望；
判定模型D计算的最优解为
在本实施例具体实施时，对抗网络模型(GAN)是一种无监督的深度学习模型，能够解决故障分类中样本不平衡的问题，对原始样本的故障小样本进行扩容优化数据分布进而优化分类结果。
参见图2，是本发明实施例提供的一种对抗网络模型的结构示意图；其由两部分组成，生成模型G和判别模型D。其中，生成模型G由随机变量x的输入生成一个与真实数据y分布相同维度的假数据G(x)，判别模型D需要判别区分输入的真实数据y与假数据G(x)，根据判别结果反向传播来更新训练两个模型；
利用生成对抗网络模型(GAN)生产数据的具体过程如下：设x是真实数据，符合Pr(x)分布。z是隐空间变量，符合Pz(z)分布，从假设隐空间进行抽样，通过生成模型G之后生成数据x′＝G(z)。然后真实数据与生成数据一起送入判别模型D，输出判定类别，得到其损失函数为：
其中，min和max分别表示数学符号极小和极大，E[·]表示求数据分布的数学期望，x表示真实数据，z表示从隐空间变量，Ex～p，Ez～p分别表示对x∈pr和x∈pz求期望。Pr是真实数据分布，Pz是假设的隐空间的分布。
把真实数据分布用pr来表示，生成数据的分布用pg来表示，在给定任意的生成模型G时，判别模型D会根据以下目标函数进行训练为：
由于对于函数形式如y＝alog(x)+blog(1-x)，x∈[0,1]，则
时，函数取得最大值。因此，存在判别模型D为
时，目标函数达到最大值即最优解。
判别模型D获得最优解时，根据零和博弈理论，生成模型G这时则会最小化目标函数：
在实际的工业生产过程正常状态样本量多、故障样本量少，将采集到的数据输入到分类模型进行分类，很容易导致分类模型忽略小样本故障特征。而通过生成对抗网络模型对小样本故障特征增容，能够保正故障样本和正常状态样本的平衡，将平衡后的数据集用以训练分类模型，能够增强分类的准确率。
在本发明提供的又一实施例中，所述卷积神经网络模型包括输入层、特征提取层以及输出层，其中特征提取层包括卷积层、池化层和全连接层；
卷积层由若干卷积单元组成，每一卷积单元的参数均通过反向传播算法计算得到，通过激活函数对每个卷积输出的logits值进行非线性变换，卷积层的卷积运算采用relu函数作为卷积层的激活函数；
池化层为下采样层，采用降采样操作，将输入的区域划分为若干个矩形子区域，对每个子区域结果输出为最大值；
全连接层的每一个节点均与上一次层的所有结点连接，以融合卷积层或者池化层中具有类别区分性的局部信息；
其中，卷积层的运算数字表达式为
b为偏置，d为卷积核大小,hi为第i个卷积层输出，Ii为第i个卷积层输入，wj为第j个权值；
池化层的运算数字表达式为
为第l层第i个池化器的第j个区域的第t个神经元的激活值，n为池化器的宽度，
池化层输出；
全连接层的数字运算表达式为
为第l+1层第j个神经元输出的logist值，
为激活函数，
为第l层第i个神经元与下一层第j个神经元之间的权值，
为第l层所有神经元对下一层第j个神经元的偏置值，激活函数
又称归一化指数函数，激活函数
的表达式为：
yi表示输出层第i个神经元的值，n为类别的个数。
在本实施例具体实施时，深度学习是机器学习领域一个快速发展的新领域，能够从原始数据挖掘出数据的深层特征。本实施例提供的卷积神经网络模型其包含输入层、特征提取层以及输出层。
参见图3，是本发明实施例提供的特征提取层的结构示意图；特征提取层包括卷积层、池化层和全连接层。
卷积层是卷积神经网络的核心，由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法得到。即通过每个卷积输出的logits值激活函数进行非线性变换，将原始样本中原本线性不可分割的多维特征映射到另一个空间，增强特征的线性可分性。本文采用relu函数作为激活函数，卷积运算及输出数学表达式为：
其中：b为偏置，d为卷积核大小,hi为第i个卷积层输出，Ii为第i个卷积层输入，wj为第j个权值。
池化层又为下采样层，由池化核组成，采用降采样操作，用于提取主要特征和降低维度，防止过拟合以及降低计算量。主要是将输入的区域划分为若干个矩形区域，对每个子区域结果输出为最大值，保持特征不变性，提高模型的泛化能力；池化层的运算数字表达式为：
式中：
为第l层第i个池化器的第j个区域的第t个神经元的激活值；n池化器的宽度；
池化输出。
全连接层是每一个结点都与上一层的所有结点相连，融合卷积层或者池化层中具有类别区分性的局部信息，输出n种相应的分类的结果，全连接层的数字运算表达式为：
式中：
第l+1层第j个神经元输出的logist，
激活函数，
第l层第i个神经元与下一层第j个神经元之间的权值，
本层所有神经元对下一层第j个神经元的偏置值。
其中，激活函数
又称归一化指数函数，它能将全连接层网络输出的最后一层神经元的每一个数值映射到0～1的一个实数空间，并且使得所有神经元的数值加起来为1，激活函数
的表达式为：
式中：yi表示输出层第i个神经元的值，n为类别的个数。
通过卷积层、池化层和全连接层构成卷积神经网络模型的特征提取层，从原始数据挖掘出数据的深层特征，将特征样本输入到卷积神经网络进行识别，提高故障诊断的准确率。
在本发明提供的又一实施例给出石化机组旋转机械故障诊断模型的构建方法的具体步骤：
以一台故障的丙烯制冷压缩机，丙烯制冷压缩机是一台高压力、大功率、高流量的石化大机组，压缩机的转速为10000r/min左右，采样频率为1024Hz；由安装在石化机组上的四个振动加速度传感器采集原始数据，四个传感器分别为第一传感器11、第二传感器12、第三传感器13和第四传感器14；参见图4，是本发明实施例提供的原始数据的信号分布图；
石化大机组风机叶片故障状态监测依靠安装在周围的四个传感器进行监测，对所采集的原始数据进行互无量纲化后，提取互无量纲特征指标；参见图5，是本发明实施例提供的原始数据的互无量纲特征指标的特征分布示意图；其中以每一传感器的互波形指标、互峰值指标、互脉冲指标、互峭度指标和互裕度指标作为的互无量纲特征指标为例说明互无量纲特征指标的特征分布。
将互无量纲特征指标输入卷积神经网络对特征敏感性分析，测试结果如表1所示：
表1不同互无量纲特征指标敏感性分析结果
通过表1发现互无量纲波形特征指标、互无量纲峰值特征指标、互无量纲脉冲特征指标、互无量纲峭度特征指标和互无量纲裕度特征指标对石化风机分类敏感性基本相似。因此，选择互无量纲波形特征指标、互无量纲峰值特征指标、互无量纲脉冲特征指标、互无量纲峭度特征指标和互无量纲裕度特征指标作为初层特征指标。
通过对石化机组风机叶片故障信号的互无量纲敏感性分析获得重要的互无量纲波形特征指标、互无量纲峰值特征指标、互无量纲脉冲特征指标、互无量纲峭度特征指标和互无量纲裕度特征指标。为保证数据的平衡性使用生成对抗网络对选择的初层特征指标进行增容，参见图6，是本发明实施例提供的增容后的增容特征指标的特征分布示意图；
将石化大机组风机叶片增容后的增容特征指标和原始数据分别作为测试集，输入到卷积神经网络进行测试，测试集准确率和测试时间如表2所示：
表2不同数据训练准确率和训练时间对比结果
通过表2可以看出，经过互无量纲特征提取和增容后的数据进行模型训练，其准确率和训练时间均要由于原始数据。
选取朴素贝叶斯分类方法、支持向量机分类方法、K-近邻分类方法和随机森林分类方法与本申请采用的方法进行诊断结果的比较。
将通过所建立互无量纲特征表示和卷积神经网络故障诊断模型，对原始数据与互无量纲特征进行诊断，得到诊断结果，将诊断结果与通过朴素贝叶斯分类方法、支持向量机分类方法、K-近邻分类方法和随机森林分类方法生成的诊断结果进行比较，比较结果如表3所示：
表3不同方法的诊断结果的对比结果
通过表2和表3石化风机叶片的原始数据与互无量纲特征的诊断结果可知，在四种学习分类方法的结果可见互无量纲特征指标对于石化机组设备的敏感性强，并且本文使用的深度卷积网络相对传统的四种有监督学习分类方法，在石化机组分类上具有更好的分类效果。
本申请提供的石化机组旋转机械故障诊断方法，能够避免忽略小样本故障特征，导致的分类过程的过拟合、不平衡、分类结果不准确问题，能够准确区分不同故障类型；解决了石化机组运行过程采集的信号数据常受工况和外部环境严重干扰导致故障数据存在随机性、模糊性与隐蔽性，难于准确描述故障特点的问题，并提高故障诊断的准确率。
参见图7，是本发明实施例提供的一种石化机组旋转机械故障诊断装置的结构示意图，所述装置包括：
数据获取模块，用于通过传感器采集石化机组机械旋转的诊断数据，将所述诊断数据进行互无量纲化，提取互无量纲特征指标；
特征提取模块，用于根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
增容模块，用于采用预先构建的对抗网络模型对获取的互无量纲特征指标进行增容，获得增容特征指标；
诊断模块，用于将增容特征指标作为预先构建的诊断模型的输入，得到子序列的诊断结果输出，根据子序列的诊断结果输出故障诊断结果。
在具体实施时，所述的一种石化机组旋转机械故障诊断装置能够完成上述任一实施例提供的一种石化机组旋转机械故障诊断方法的具体功能，具体实施过程在一种石化机组旋转机械故障诊断方法的任一实施例中进行了具体描述，在本实施例中不做赘述。
参见图8，是本发明实施例提供一种终端设备的结构示意图，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中所述的一种石化机组旋转机械故障诊断方法。
所述一种石化机组旋转机械故障诊断装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种石化机组旋转机械故障诊断装置/终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种石化机组旋转机械故障诊断装置的控制中心，利用各种接口和线路连接整个一种石化机组旋转机械故障诊断装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种石化机组旋转机械故障诊断装置/终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的一种石化机组旋转机械故障诊断方法。所述一种石化机组旋转机械故障诊断装置集成的模块如果以软件功能单元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，本发明实现上述任一种石化机组旋转机械故障诊断方法的实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改变和变形也视为本发明的保护范围。
本发明提供的一种石化机组旋转机械故障诊断方法、装置、设备及介质，根据预设的采集方案采集功耗轨迹或电磁轨迹等侧信道信息，并将侧信道信息划分为训练集和测试集；根据预设的过滤器，从所述训练集的原始特征中选取候选特征，并生成所述候选特征的各种候选特征子集；根据预设的评价度量方式，找到所述候选特征子集中的最优特征子集，并根据最优特征子集与所述测试集，生成目标特征集；根据分类器模型对目标特征集进行结果验证，根据验证结果诊断侧信道信息是否发生泄漏，通过将原始功耗或电磁轨迹等侧信道信息中的冗余特征和不相关特征去掉，留下最优特征子集，然后基于最优特征子集进行侧信道信息泄露诊断，提高了侧信道信息泄露诊断的效率和准确性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改变和变形也视为本发明的保护范围。
Claims (10)
1.一种石化机组旋转机械故障诊断方法，其特征在于，所述方法包括：
通过传感器采集石化机组机械旋转的诊断数据，将所述诊断数据进行互无量纲化，提取互无量纲特征指标；
根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
采用预先构建的对抗网络模型对获取的互无量纲特征指标进行增容，获得增容特征指标；
将增容特征指标作为预先构建的诊断模型的输入，得到子序列的诊断结果输出，根据子序列的诊断结果输出故障诊断结果。
2.根据权利要求1所述的石化机组旋转机械故障诊断方法，其特征在于，所述诊断模型的构建方法包括：
通过传感器采集石化机组机械旋转的原始数据，将所述原始数据进行互无量纲化，提取互无量纲特征指标，所述原始数据包括无故障信号和故障信号；
根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
根据所述对抗网络模型对所述故障信号的互无量纲特征指标进行增容，获得增容特征指标；
将所述无故障信号的互无量纲特征指标和所述故障信号的增容特征指标输入到预先构建的卷积神经网络模型中进行训练，得到所述诊断模型。
3.根据权利要求2所述的石化机组旋转机械故障诊断方法，其特征在于，所述通过传感器采集石化机组机械旋转的原始数据，将所述原始数据进行互无量纲化，提取互无量纲特征指标，具体包括：
采用传感器以预设的抽样频率fs采集石化机组在正常运转时的无故障振动信号s0(t)；
将无故障振动信号s0(t)归一化处理后得到标准振动信号s(t)，并对标准振动信号s(t)作快速傅里叶变换得到标准振动频域信号S(k)；
采用传感器以所述抽样频率fs采集石化机组在机械运转时的故障振动信号z(t)，并对故障振动信号z(t)作快速傅里叶变换得到故障频域信号Z(k)；
计算标准振动频域信号S(k)的复共轭信号S(k)*，计算复共轭信号S(k)*与故障频域信号Z(k)的乘积得到乘积信号Y(k)，对乘积信号Y(k)进行快速傅里叶逆变换，得到复共轭信号S(k)*与故障频域信号Z(k)的相关函数I(t)；
根据相关函数I(t)、标准振动信号s(t)和故障振动信号z(t)，提取无量纲指标ζys；
其中，
m为预设的分母系数，l为预设的分子系数，p(y)为信号y的概率密度函数，y为无故障振动随机时域信号的幅值，s为故障振动随机时域信号的幅值，y(t)为石化机组旋转的机械振动信号和噪声信号的混合信号，y(t)＝z(t)-cs(t-τ)，s(t-τ)为延迟后的标准振动信号，τ＝argmax|I(t)|，I(t)为乘积信号Y(k)的快速傅里叶逆变换的相关函数，c为故障振动信号z(t)和延迟后的标准振动信号s(t-τ)的相关系数，c＝E[z(t)s(t-τ)]，t＝0，1，...，T-1，k＝0，1，...，K-1，T为采集时间，K为转换后的最大频率。
4.根据权利要求3所述的石化机组旋转机械故障诊断方法，其特征在于，所述最优指标的确定过程，具体包括：
将计算的互无量纲特征指标输入到卷积神经网络中进行特征敏感性分析，确认每一互无量纲特征指标对石化机组分类的敏感性；
确认其中敏感性最高的预设数量的指标作为最优指标。
5.根据权利要求3所述的石化机组旋转机械故障诊断方法，其特征在于，所述互无量纲特征指标包括：互无量纲波形特征指标、互无量纲峰值特征指标、互无量纲脉冲特征指标、互无量纲峭度特征指标和互无量纲裕度特征指标；
互无量纲波形特征指标
互无量纲峰值特征指标
互无量纲脉冲特征指标
互无量纲峭度特征指标
互无量纲裕度特征指标
6.根据权利要求2所述的石化机组旋转机械故障诊断方法，其特征在于，所述对抗网络模型生成过程具体包括：
构建生成模型G和判别模型D，生成模型G用于生成一个和输入的真实数据相同维度的假数据，判定模型D用于判定输入的数据为真实数据或假数据；
从隐空间中抽取隐空间变量z，根据生成模型G获取生成数据x′，x′＝G(z)，将生成数据x′和真实数据x一起输入到判别模型中，输出判定类别，并计算损失函数maxDmaxGV(D，G)；
判定模型D根据真实数据的分布pr(x)和生成模型G生成数据的分布pg(x)计算目标函数maxDV(D，G)，对生成模型G进行训练；
根据目标函数maxDV(D，G)计算判定模型D的最优解，根据判定模型D计算的最优解，确定生成模型G的最小化目标函数maxGV(D，G)；
其中，
pr是真实数据的分布，pz是隐空间向量的分布，Ex～p，Ez～p分别表示对x∈pr和x∈pz的期望；
判定模型D计算的最优解为
7.根据权利要求2所述的石化机组旋转机械故障诊断方法，其特征在于，所述卷积神经网络模型包括输入层、特征提取层以及输出层，其中特征提取层包括卷积层、池化层和全连接层；
卷积层由若干卷积单元组成，每一卷积单元的参数均通过反向传播算法计算得到，通过激活函数对每个卷积输出的logits值进行非线性变换，卷积层的卷积运算采用relu函数作为卷积层的激活函数；
池化层为下采样层，采用降采样操作，将输入的区域划分为若干个矩形子区域，对每个子区域结果输出为最大值；
全连接层的每一个节点均与上一次层的所有结点连接，以融合卷积层或者池化层中具有类别区分性的局部信息；
其中，卷积层的运算数字表达式为
b为偏置，d为卷积核大小，hi为第i个卷积层输出，Ii为第i个卷积层输入，wj为第j个权值；
池化层的运算数字表达式为
为第l层第i个池化器的第j个区域的第t个神经元的激活值，n为池化器的宽度，
池化层输出；
全连接层的数字运算表达式为
为第l+1层第j个神经元输出的logist值，
为激活函数，
为第l层第i个神经元与下一层第j个神经元之间的权值，
为第l层所有神经元对下一层第j个神经元的偏置值，激活函数
又称归一化指数函数，激活函数
的表达式为：
yi表示输出层第i个神经元的值，n为类别的个数。
8.一种石化机组旋转机械故障诊断装置，其特征在于，所述装置包括：
数据获取模块，用于通过传感器采集石化机组机械旋转的诊断数据，将所述诊断数据进行互无量纲化，提取互无量纲特征指标；
特征提取模块，用于根据提取的互无量纲特征指标，计算预先根据特征敏感性分析确定的最优指标，作为故障分析的互无量纲特征指标；
增容模块，用于采用预先构建的对抗网络模型对获取的互无量纲特征指标进行增容，获得增容特征指标；
诊断模块，用于将增容特征指标作为预先构建的诊断模型的输入，得到子序列的诊断结果输出，根据子序列的诊断结果输出故障诊断结果。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的一种石化机组旋转机械故障诊断方法。
10.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-7中任意一项所述的一种石化机组旋转机械故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211063979.8A CN115392317A (zh) | 2022-08-31 | 2022-08-31 | 一种石化机组旋转机械故障诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211063979.8A CN115392317A (zh) | 2022-08-31 | 2022-08-31 | 一种石化机组旋转机械故障诊断方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115392317A true CN115392317A (zh) | 2022-11-25 |
Family
ID=84124125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211063979.8A Pending CN115392317A (zh) | 2022-08-31 | 2022-08-31 | 一种石化机组旋转机械故障诊断方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115392317A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106198079A (zh) * | 2016-07-13 | 2016-12-07 | 广东工业大学 | 一种基于裕度指标的旋转机械故障诊断方法 |
| CN106248356A (zh) * | 2016-07-13 | 2016-12-21 | 广东工业大学 | 一种基于峭度指标的旋转机械故障诊断方法 |
| CN109034204A (zh) * | 2018-07-02 | 2018-12-18 | 西安交通大学 | 一种基于改进卷积神经网络的焊缝缺陷识别方法 |
| CN112991579A (zh) * | 2021-01-14 | 2021-06-18 | 北京航空航天大学 | 一种基于生成对抗网络的直升机动部件异常检测方法 |
| WO2022062161A1 (zh) * | 2020-09-28 | 2022-03-31 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
-
2022
- 2022-08-31 CN CN202211063979.8A patent/CN115392317A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106198079A (zh) * | 2016-07-13 | 2016-12-07 | 广东工业大学 | 一种基于裕度指标的旋转机械故障诊断方法 |
| CN106248356A (zh) * | 2016-07-13 | 2016-12-21 | 广东工业大学 | 一种基于峭度指标的旋转机械故障诊断方法 |
| CN109034204A (zh) * | 2018-07-02 | 2018-12-18 | 西安交通大学 | 一种基于改进卷积神经网络的焊缝缺陷识别方法 |
| WO2022062161A1 (zh) * | 2020-09-28 | 2022-03-31 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
| CN112991579A (zh) * | 2021-01-14 | 2021-06-18 | 北京航空航天大学 | 一种基于生成对抗网络的直升机动部件异常检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| QING-HUA ZHANG ET AL.: "Vibration Sensor based Intelligent Fault Diagnosis System for Large Machine Unit in Petrochemical Industry" * |
| 卢泓宇 等: "卷积神经网络特征重要性分析及增强特征选择模型" * |
| 李宇: "基于数据驱动的风机核心部件健康监测方法研究及应用" * |
| 王子为: "复杂环境下新无量纲指标的构建与实验验证" * |
| 覃爱淞 等: "基于小波包无量纲免疫检测器的故障诊断模型" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| An et al. | A novel bearing intelligent fault diagnosis framework under time-varying working conditions using recurrent neural network | |
| CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
| Neupane et al. | Bearing fault detection using scalogram and switchable normalization-based CNN (SN-CNN) | |
| Maurya et al. | Condition monitoring of machines using fused features from EMD-based local energy with DNN | |
| Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
| Liang et al. | Multi-scale dynamic adaptive residual network for fault diagnosis | |
| Jacob et al. | Discovery of knowledge patterns in clinical data through data mining algorithms: Multi-class categorization of breast tissue data | |
| Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
| CN106792883A (zh) | 传感器网络异常数据检测方法与系统 | |
| Daneshpazhouh et al. | Semi-supervised outlier detection with only positive and unlabeled data based on fuzzy clustering | |
| CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN118052558B (zh) | 基于人工智能的风控模型决策方法及系统 | |
| Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
| Li et al. | Data augmentation via variational mode reconstruction and its application in few-shot fault diagnosis of rolling bearings | |
| Yan et al. | Bearing performance degradation assessment based on the continuous-scale mathematical morphological particle and feature fusion | |
| Swathi et al. | Skin Cancer Detection using VGG16, InceptionV3 and ResUNet | |
| Saha et al. | Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions | |
| CN117828510A (zh) | 电梯门异常检测方法、装置、电子设备及存储介质 | |
| Ramya et al. | A review of different classification techniques in machine learning using WEKA for plant disease detection | |
| CN117195077A (zh) | 一种电力变压器声纹信号故障无监督检测方法 | |
| CN111721534A (zh) | 一种滚动轴承健康状态在线评估方法及系统 | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| CN115392317A (zh) | 一种石化机组旋转机械故障诊断方法、装置、设备及介质 | |
| Yang et al. | Convolutional autoencoder-based sensor fault classification |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221125 |
|
| RJ01 | Rejection of invention patent application after publication |