CN115596654A - 基于状态参数学习的往复式压缩机故障诊断方法及系统 - Google Patents
基于状态参数学习的往复式压缩机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115596654A CN115596654A CN202211152007.6A CN202211152007A CN115596654A CN 115596654 A CN115596654 A CN 115596654A CN 202211152007 A CN202211152007 A CN 202211152007A CN 115596654 A CN115596654 A CN 115596654A
- Authority
- CN
- China
- Prior art keywords
- reciprocating compressor
- fault
- neural network
- input parameters
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 2
- 239000000945 filler Substances 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
一种基于状态参数学习的往复式压缩机故障诊断方法及系统,方法包括搭建BP神经网络;提取往复式压缩机正常状态下运行历史数据中的输入参数和输出参数作为训练样本,对BP神经网络进行预训练;通过预训练后的BP神经网络对训练样本中的输入参数进行预测计算,得到预测值与实际值的基准偏差,利用基准偏差设定安全阈值范围;提取往复式压缩机当前运行数据中的输入参数,作为BP神经网络的输入参数,得到输出参数的预测值;计算输出参数的预测值与实测值的相对偏差,与安全阈值范围比较,如果超出安全阈值范围,则认为往复式压缩机处于故障状态,由相对偏差的变化情况,对故障进行故障定位,给出故障诊断结果。本发明易于实施,预测结果准确。
Description
技术领域
本发明属于往复式压缩机技术领域,具体涉及一种基于状态参数学习的往复式压缩机故障诊断方法及系统。
背景技术
大型往复式压缩机具有热效率高和适用流量压力范围大等优点,广泛地应用于石油化工行业、天然气压缩站等,是其工艺生产流程中不可或缺的关键设备。因其具有运动部件多、运动部件的工作条件恶劣和易损件多的特点,在长期运行过程中发生意外故障的概率较高。往复式压缩机因故障非计划性停机往往会造成较高的经济损失,甚至引起严重的安全事故。因此,对往复式压缩机的故障做出准确判断以及预测,避免往复式压缩机因故障导致非计划性停机,对往复式压缩机行业发展具有重大意义。
近年来,随着人工智能技术的巨大进步,往复式压缩机领域的许多学者也将人工智能技术应用于往复式压缩机的性能分析和故障诊断。但是目前常见的人工智能诊断方法存在技术成本高、诊断精度不足以及实施难度大等问题。例如基于PV图的故障诊断,需要在气缸开孔测压,这会破坏气缸的完整性和气密性,而且大型往复式压缩机的排气压力高,往往不允许缸体上临时钻孔。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种基于状态参数学习的往复式压缩机故障诊断方法及系统,能够实现往复式压缩机的故障诊断和故障定位,易于实施,且预测结果准确。
为了实现上述目的,本发明有如下的技术方案:
一种基于状态参数学习的往复式压缩机故障诊断方法,包括:
利用状态参数预测模型的输入参数和输出参数,搭建BP神经网络;
提取往复式压缩机在正常状态下的运行历史数据中的输入参数和输出参数作为训练样本,对所述BP神经网络进行预训练,得到预训练后的BP神经网络;
通过所述预训练后的BP神经网络对训练样本中的输入参数进行预测计算,得到预测值与实际值之间存在的基准偏差,利用所述基准偏差设定安全阈值范围;
提取往复式压缩机当前运行数据中的输入参数,并作为所述预训练后的BP神经网络的输入参数,得到所述状态参数预测模型的输出参数的预测值;
计算所述状态参数预测模型的输出参数的预测值与实测值之间的相对偏差,与设定的安全阈值范围进行比较,如果未超出安全阈值范围,则认为往复式压缩机处于正常运行状态;否则,认为往复式压缩机处于故障状态;
当往复式压缩机处于故障状态时,由所述相对偏差的变化情况,对往复式压缩机故障进行故障定位,给出故障诊断结果。
作为一种优选方案,所述状态参数预测模型的建立,包括输入参数、输出参数,以及输出参数与输入参数之间的映射关系;所述输入参数包括一级进气压力、一级进气温度和末级排气压力;
所述输出参数包括除输入参数以外的各级进气压力、进气温度、排气压力和排气温度;
所述输出参数与输入参数之间的映射关系如下式:
pdj=f(pd,ps,n,j)
式中,pdj为第j级的排气压力,单位为MPa;pd为末级排气压力,单位为MPa;ps为一级进气压力,单位为MPa;n为往复式压缩机级数;
Tdj=f(Tsj,pdj,psj)
式中,Tdj为第j级的排气温度,单位为K;Tsj为第j级的进气温度,单位为K;psj为第j级的进气压力,单位为MPa。
作为一种优选方案,所述BP神经网络的隐藏层层数和节点数,根据输入参数和输出参数的维度进行调节。
作为一种优选方案,所述BP神经网络进行预训练的具体过程包括:1)对BP神经网络的权值进行随机赋值;2)通过BP神经网络对训练样本数据进行计算,将输出值与期望值进行对比,得到BP神经网络的误差值;3)对BP神经网络的权值进行修正,再次对训练样本数据进行计算,得到新的网络误差值;4)通过误差值修正权值;重复上述过程,得到预训练后的BP神经网络。
作为一种优选方案,在通过所述预训练后的BP神经网络对训练样本中的输入参数进行预测计算,得到预测值与实际值之间存在的基准偏差的步骤中,所述基准偏差的计算表达式如下:
式中,ξ0为基准偏差;ξi为训练数据的相对偏差;N为训练数据的数量。
作为一种优选方案,在利用所述基准偏差设定安全阈值范围的步骤中,安全阈值范围的表达式如下:
-λ|ξ0|<ξ<λ|ξ0
式中,ξ为诊断数据的相对偏差;λ为安全系数。
作为一种优选方案,按下式计算所述状态参数预测模型的输出参数的预测值与实测值之间的相对偏差:
作为一种优选方案,在由所述相对偏差的变化情况,对往复式压缩机故障进行故障定位,给出故障诊断结果时,预测值的相对偏差超过安全阈值范围的情况包括:一种是超过安全阈值的上限,表明往复式压缩机参数高于正常范围,处于偏高的状态;另一种是超过安全阈值的下限,表明往复式压缩机参数低于正常范围,处于偏低的状态;对于不同的故障类型,根据往复式压缩机的工作过程原理分析,结合实际往复式压缩机故障表现形式,分析各个状态参数在不同往复式压缩机发生不同故障时的变化规律,或者在对应故障类型下,理论变化最明显的参数值;结合相对偏差变化情况和分析结果,实现故障定位,判断出故障类型和可能发生故障的部位。
作为一种优选方案,在所述给出故障诊断结果的步骤中,不同故障类型对应可能发生的原因如下:
气缸泄漏故障,发生故障的原因包括进气阀泄漏、排气阀泄漏、活塞环泄漏或填料泄漏;
排气阀故障,发生故障的原因包括排气阀片断裂或卡住;
级间冷却失效故障,发生故障的原因包括级间冷却器故障。
一种基于状态参数学习的往复式压缩机故障诊断系统,包括:
神经网络搭建模块,用于利用状态参数预测模型的输入参数和输出参数,搭建BP神经网络;
神经网络训练模块,用于提取往复式压缩机在正常状态下的运行历史数据中的输入参数和输出参数作为训练样本,对所述BP神经网络进行预训练,得到预训练后的BP神经网络;
安全阈值范围设定模块,用于通过所述预训练后的BP神经网络对训练样本中的输入参数进行预测计算,得到预测值与实际值之间存在的基准偏差,利用所述基准偏差设定安全阈值范围;
输出参数预测模块,用于提取往复式压缩机当前运行数据中的输入参数,并作为所述预训练后的BP神经网络的输入参数,得到所述状态参数预测模型的输出参数的预测值;
故障判定模块,计算所述状态参数预测模型的输出参数的预测值与实测值之间的相对偏差,与设定的安全阈值范围进行比较,如果未超出安全阈值范围,则认为往复式压缩机处于正常运行状态;否则,认为往复式压缩机处于故障状态;
故障诊断模块,用于当往复式压缩机处于故障状态时,由所述相对偏差的变化情况,对往复式压缩机故障进行故障定位,给出故障诊断结果。
相较于现有技术,本发明至少具有如下的有益效果:
本发明基于状态参数学习的往复式压缩机故障诊断方法包括训练部分和诊断部分,训练部分具体包括状态参数预测及BP神经网络训练,诊断部分具体包括故障诊断与故障定位。为区分往复式压缩机是否出现故障,对预测值与实际值之间的相对偏差设定一个安全阈值范围,作为有无故障的界限。当相对偏差在安全阈值范围内时,认为往复式压缩机处于正常运行状态,否则,认为往复式压缩机处于故障中,以此实现往复式压缩机的热力系统故障诊断。对于不同的故障类型来说,根据往复式压缩机的工作过程原理分析,结合实际往复式压缩机故障表现形式,可以分析各个状态参数在不同往复式压缩机发生不同故障时的变化规律,或者在对应的故障类型下,理论变化最明显的参数值,因此结合相对偏差变化情况和分析结果,就可以初步实现往复式压缩机的故障定位,判断出往复式压缩机的故障类型和可能发生故障的部位。本发明故障诊断和故障定位的准确性较高。
附图说明
图1本发明实施例基于状态参数学习的往复式压缩机故障诊断方法流程图;
图2本发明实施例热力系统的BP神经网络结构图;
图3本发明实施例遗传算法优化BP神经网络(GA-BP)流程图;
图4本发明实施例中的往复式压缩机BP神经网络结构图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明。
参照图1,本发明提供的一种基于状态参数学习的往复式压缩机故障诊断方法主要包括训练部分和诊断部分两个模块。本实施例的具体过程如下:
(1)利用目标往复式压缩机的历史运行数据对BP神经网络进行训练。训练完成后,得到的热力系统通过给定这台往复式压缩机的输入参数,即一级进气温度、一级进气压力和末级排气压力来预测输出参数,即级间压力、级间温度和末级排气温度。
(2)在往复式压缩机运行时,提取往复式压缩机实的热力参数并将其中的热力系统所需要的状态参数输入到热力系统中,热力系统得到对应的输出状态参数,即对往复式压缩机的热力参数进行预测。
(3)由步骤(1)得到的热力系统的预测值与往复式压缩机运行时的实测值之间存在一定的偏差,通过下列公式来计算两者的相对偏差:
(4)为区分往复式压缩机是否出现故障,对相对偏差设定一个安全阈值范围,作为有无故障的界限。通过构建完成后的热力系统再对训练数据进行预测,将存在的相对偏差取均值,获得基准偏差,计算公式如下:
其中,ξ0为基准偏差;ξi为训练数据的相对偏差;N为训练数据的数量。
利用所述基准偏差设定安全阈值范围:
-λ|ξ0|<ξ<λ|ξ0
其中,ξ为诊断数据的相对偏差;λ为安全系数,其设置的准则为当神经网络的预测误差过大时,认为神经网络失效,即热力系统无法准确预测状态参数,一般取10。
(5)对目标往复式压缩机进行故障诊断,当相对偏差在所述安全阈值范围内时,认为往复式压缩机处于正常运行状态,否则,认为往复式压缩机处于故障中,以此实现往复式压缩机的热力系统故障诊断。
(6)对系统故障进行定位。当往复式压缩机发生故障时,热力系统预测值的相对偏差超过安全阈值范围的两种变化情况如下:一种是超过安全阈值的上限,代表往复式压缩机该参数高于正常范围,处于偏高的状态;另一种是超过安全阈值的下限,即往复式压缩机该参数低于正常范围,处于偏低的状态。
对于不同的故障类型来说,根据往复式压缩机的工作过程原理分析,结合实际往复式压缩机故障表现形式,可以分析各个状态参数在不同往复式压缩机发生不同故障时的变化规律。或者在对应的故障类型下,理论变化最明显的参数值。结合相对偏差变化情况和分析结果,就可以初步实现往复式压缩机的故障定位,判断出往复式压缩机的故障类型和可能发生故障的部位。
本发明提出的故障诊断方法能够判断的往复式压缩机可能发生的故障类型如表1所示。
表1
其中,训练部分的核心是采用神经网络的方法对热力系统进行建模,并且通过往复式压缩机的正常运行数据进行训练,就可以得到热力系统模型。用以构建热力系统的神经网络的结构参照图2。考虑到BP神经网络对于初始权值十分敏感,为了避免陷入局部最优解,本发明采用如图3所示的GA-BP网络模型构建热力系统。其中,神经网络的输入层为一级进气温度,一级进气压力和末级排气压力;隐藏层的层数和节点数根据实际往复式压缩机的输入输出参数的维度进行调节;输出层为各级的级间压力、级间温度和末级排气温度。
另一实施例,是在一台二级往复式压缩机上开展故障模拟实验,通过破坏一级排气阀和一级活塞环的方法模拟了往复式压缩机一级气缸泄漏的故障。通过对该台往复式压缩机进行故障诊断,验证基于状态参数学习的大型往复式压缩机故障诊断方法的准确率和故障定位的可行性。
本实施例的故障诊断方法如下:
(1)进行故障模拟实验,获取正常及故障运行数据。在故障实验过程中,首先测量往复式压缩机的正常运行数据,然后通过更换人为制造故障的排气阀和活塞环来模拟故障,得到往复式压缩机处于故障工况下的运行数据。
(2)选取往复式压缩机各级进排气压力为状态参数,建立如图4所示的BP神经网络,其初始权值通过遗传算法筛选得到,最终得到基于GA-BP模型的热力系统并进行状态参数预测。
(3)在神经网络训练结束后,得到了热力系统模型和安全阈值的范围。利用状态参数模型分别对正常运行数据和两种故障类型的数据进行诊断。
(4)对实验工况及表2所示的故障定位逻辑表进行分析,表中列出了出现不同故障时的热力参数变化规律,向上的箭头代表这种故障下该参数的相对偏差会偏高,向下的箭头代表偏低,其中括号表示为非主要特征,其变化相对不明显。通过预测值和实测值之间的大小关系能够实现对往复式压缩机进行初步的故障定位。
表2
其中,本实施例的步骤(2)具体包括:
1)神经网络训练及求解前,对数据进行归一化处理,其计算公式为:
其中,x*为归一化后数据;x为原数据;xmax为该维度数组中最大值;xmin为该维度数组中最小值。
2)在神经网络训练完成后,使用神经网络进行预测时,需要将输入参数先按照训练数据同样的比例进行归一化,然后再通过神经网络得到的输出值,而此时输出值同样为归一化对应的数据,需要进行反归一化,反归一化计算公式如下:
3)确定神经网络输入参数一级进气压力和二级排气压力;输出参数为级间压力,即一级排气压力和二级进气压力。
4)确定BP神经网络结构,经过验证选取,确定隐藏层的神经元个数为5个,神经网络结构如图4所示。然后,随机选取往复式压缩机正常运行的50%实验数据来对热力系统模型进行训练,剩余的50%正常运行数据与故障数据一起作为故障诊断模型的测试数据,观察基于状态参数学习的故障诊断方法对实验往复式压缩机的诊断准确率。得到GA-BP模型的诊断正确率如表3所示。
表3
其中,本实施例的步骤(3)具体包括:
1)通过一级进气压力和二级排气压力来对一级排气压力和二级进气压力进行预测。
2)将两种热力系统的预测值与实验的实测值进行对比,得到两种热力系统对于不同状态下的实测值和系统预测值之间的相对偏差。
3)通过比较相对偏差和安全阈值之间的关系,确定往复式压缩机是否发生故障。
本发明另一实施例还提出一种基于状态参数学习的往复式压缩机故障诊断系统,包括:
神经网络搭建模块,用于利用状态参数预测模型的输入参数和输出参数,搭建BP神经网络;
神经网络训练模块,用于提取往复式压缩机在正常状态下的运行历史数据中的输入参数和输出参数作为训练样本,对所述BP神经网络进行预训练,得到预训练后的BP神经网络;
安全阈值范围设定模块,用于通过所述预训练后的BP神经网络对训练样本中的输入参数进行预测计算,得到预测值与实际值之间存在的基准偏差,利用所述基准偏差设定安全阈值范围;
输出参数预测模块,用于提取往复式压缩机当前运行数据中的输入参数,并作为所述预训练后的BP神经网络的输入参数,得到所述状态参数预测模型的输出参数的预测值;
故障判定模块,计算所述状态参数预测模型的输出参数的预测值与实测值之间的相对偏差,与设定的安全阈值范围进行比较,如果未超出安全阈值范围,则认为往复式压缩机处于正常运行状态;否则,认为往复式压缩机处于故障状态;
故障诊断模块,用于当往复式压缩机处于故障状态时,由所述相对偏差的变化情况,对往复式压缩机故障进行故障定位,给出故障诊断结果。
需要说明的是,上述模块单元之间的信息交互、执行过程等内容,由于与方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元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,本申请实现上述实施例方法中的全部或部分流程,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一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至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于状态参数学习的往复式压缩机故障诊断方法,其特征在于,包括:
利用状态参数预测模型的输入参数和输出参数,搭建BP神经网络;
提取往复式压缩机在正常状态下的运行历史数据中的输入参数和输出参数作为训练样本,对所述BP神经网络进行预训练,得到预训练后的BP神经网络;
通过所述预训练后的BP神经网络对训练样本中的输入参数进行预测计算,得到预测值与实际值之间存在的基准偏差,利用所述基准偏差设定安全阈值范围;
提取往复式压缩机当前运行数据中的输入参数,并作为所述预训练后的BP神经网络的输入参数,得到所述状态参数预测模型的输出参数的预测值;
计算所述状态参数预测模型的输出参数的预测值与实测值之间的相对偏差,与设定的安全阈值范围进行比较,如果未超出安全阈值范围,则认为往复式压缩机处于正常运行状态;否则,认为往复式压缩机处于故障状态;
当往复式压缩机处于故障状态时,由所述相对偏差的变化情况,对往复式压缩机故障进行故障定位,给出故障诊断结果。
2.根据权利要求1所述基于状态参数学习的往复式压缩机故障诊断方法,其特征在于,所述状态参数预测模型的建立,包括输入参数、输出参数,以及输出参数与输入参数之间的映射关系;所述输入参数包括一级进气压力、一级进气温度和末级排气压力;
所述输出参数包括除输入参数以外的各级进气压力、进气温度、排气压力和排气温度;
所述输出参数与输入参数之间的映射关系如下式:
pdj=f(pd,ps,n,j)
式中,pdj为第j级的排气压力,单位为MPa;pd为末级排气压力,单位为MPa;ps为一级进气压力,单位为MPa;n为往复式压缩机级数;
Tdj=f(Tsj,pdj,psj)
式中,Tdj为第j级的排气温度,单位为K;Tsj为第j级的进气温度,单位为K;psj为第j级的进气压力,单位为MPa。
3.根据权利要求2所述基于状态参数学习的往复式压缩机故障诊断方法,其特征在于,所述BP神经网络的隐藏层层数和节点数,根据输入参数和输出参数的维度进行调节。
4.根据权利要求3所述基于状态参数学习的往复式压缩机故障诊断方法,其特征在于,所述BP神经网络进行预训练的具体过程包括:1)对BP神经网络的权值进行随机赋值;2)通过BP神经网络对训练样本数据进行计算,将输出值与期望值进行对比,得到BP神经网络的误差值;3)对BP神经网络的权值进行修正,再次对训练样本数据进行计算,得到新的网络误差值;4)通过误差值修正权值;重复上述过程,得到预训练后的BP神经网络。
6.根据权利要求5所述基于状态参数学习的往复式压缩机故障诊断方法,其特征在于,在利用所述基准偏差设定安全阈值范围的步骤中,安全阈值范围的表达式如下:
-λ|ξ0|<ξ<λ|ξ0|
式中,ξ为诊断数据的相对偏差;λ为安全系数。
8.根据权利要求1所述基于状态参数学习的往复式压缩机故障诊断方法,其特征在于,在由所述相对偏差的变化情况,对往复式压缩机故障进行故障定位,给出故障诊断结果时,预测值的相对偏差超过安全阈值范围的情况包括:一种是超过安全阈值的上限,表明往复式压缩机参数高于正常范围,处于偏高的状态;另一种是超过安全阈值的下限,表明往复式压缩机参数低于正常范围,处于偏低的状态;对于不同的故障类型,根据往复式压缩机的工作过程原理分析,结合实际往复式压缩机故障表现形式,分析各个状态参数在不同往复式压缩机发生不同故障时的变化规律,或者在对应故障类型下,理论变化最明显的参数值;结合相对偏差变化情况和分析结果,实现故障定位,判断出故障类型和可能发生故障的部位。
9.根据权利要求8所述基于状态参数学习的往复式压缩机故障诊断方法,其特征在于,在所述给出故障诊断结果的步骤中,不同故障类型对应可能发生的原因如下:
气缸泄漏故障,发生故障的原因包括进气阀泄漏、排气阀泄漏、活塞环泄漏或填料泄漏;
排气阀故障,发生故障的原因包括排气阀片断裂或卡住;
级间冷却失效故障,发生故障的原因包括级间冷却器故障。
10.一种基于状态参数学习的往复式压缩机故障诊断系统,其特征在于,包括:
神经网络搭建模块,用于利用状态参数预测模型的输入参数和输出参数,搭建BP神经网络;
神经网络训练模块,用于提取往复式压缩机在正常状态下的运行历史数据中的输入参数和输出参数作为训练样本,对所述BP神经网络进行预训练,得到预训练后的BP神经网络;
安全阈值范围设定模块,用于通过所述预训练后的BP神经网络对训练样本中的输入参数进行预测计算,得到预测值与实际值之间存在的基准偏差,利用所述基准偏差设定安全阈值范围;
输出参数预测模块,用于提取往复式压缩机当前运行数据中的输入参数,并作为所述预训练后的BP神经网络的输入参数,得到所述状态参数预测模型的输出参数的预测值;
故障判定模块,计算所述状态参数预测模型的输出参数的预测值与实测值之间的相对偏差,与设定的安全阈值范围进行比较,如果未超出安全阈值范围,则认为往复式压缩机处于正常运行状态;否则,认为往复式压缩机处于故障状态;
故障诊断模块,用于当往复式压缩机处于故障状态时,由所述相对偏差的变化情况,对往复式压缩机故障进行故障定位,给出故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211152007.6A CN115596654B (zh) | 2022-09-21 | 2022-09-21 | 基于状态参数学习的往复式压缩机故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211152007.6A CN115596654B (zh) | 2022-09-21 | 2022-09-21 | 基于状态参数学习的往复式压缩机故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115596654A true CN115596654A (zh) | 2023-01-13 |
CN115596654B CN115596654B (zh) | 2023-12-22 |
Family
ID=84844988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211152007.6A Active CN115596654B (zh) | 2022-09-21 | 2022-09-21 | 基于状态参数学习的往复式压缩机故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115596654B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116163943A (zh) * | 2023-03-27 | 2023-05-26 | 蚌埠市联合压缩机制造有限公司 | 一种运行状态实时监测的压缩机 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
CN107145675A (zh) * | 2017-05-17 | 2017-09-08 | 国网天津市电力公司 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
CN112699604A (zh) * | 2020-12-29 | 2021-04-23 | 成都飞航智云科技有限公司 | 一种基于神经网络算法故障建模与诊断方法 |
CN114741942A (zh) * | 2021-10-19 | 2022-07-12 | 中国海洋石油集团有限公司 | 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 |
-
2022
- 2022-09-21 CN CN202211152007.6A patent/CN115596654B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
CN107145675A (zh) * | 2017-05-17 | 2017-09-08 | 国网天津市电力公司 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
CN112699604A (zh) * | 2020-12-29 | 2021-04-23 | 成都飞航智云科技有限公司 | 一种基于神经网络算法故障建模与诊断方法 |
CN114741942A (zh) * | 2021-10-19 | 2022-07-12 | 中国海洋石油集团有限公司 | 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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116163943A (zh) * | 2023-03-27 | 2023-05-26 | 蚌埠市联合压缩机制造有限公司 | 一种运行状态实时监测的压缩机 |
CN116163943B (zh) * | 2023-03-27 | 2023-09-08 | 蚌埠市联合压缩机制造有限公司 | 一种运行状态实时监测的压缩机 |
Also Published As
Publication number | Publication date |
---|---|
CN115596654B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985546B (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
CN110530650B (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
CN115596654B (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 | |
CN114484731A (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
CN110779745A (zh) | 一种基于bp神经网络的换热器早期故障诊断方法 | |
CN112364567A (zh) | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 | |
CN112101519B (zh) | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 | |
CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
CN114065667A (zh) | 一种基于Prophet-LSTM模型的SF6设备气体压力预测方法 | |
CN116451567A (zh) | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 | |
CN115983048A (zh) | 一种基于数字孪生的冷凝器质量检测方法及系统 | |
CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
CN111366291A (zh) | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 | |
CN113743750B (zh) | 核电厂工艺系统过程风险评估系统及方法 | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN109460403A (zh) | 空预器堵灰实时动态定量标定方法 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN112966399A (zh) | 一种基于机器学习的脉管制冷机工况预测方法及系统 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN115774847A (zh) | 一种柴油机性能评估及预测方法和系统 | |
CN113325317A (zh) | 基于改进rbf神经网络的动力电池故障诊断方法及系统 | |
CN112016240A (zh) | 一种相似证据非完全降解设备剩余稳定使用寿命预测方法 | |
CN111209973B (zh) | 基于混合核pca-cca及核密度估计的过程监测方法 | |
CN117237165B (zh) | 一种检测造假数据的方法 | |
CN111598220B (zh) | 一种基于相关性分析的燃气轮机故障预测方法 |
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 |