CN115750341A - 一种罗茨式压缩机故障诊断方法及系统 - Google Patents
一种罗茨式压缩机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115750341A CN115750341A CN202211275316.2A CN202211275316A CN115750341A CN 115750341 A CN115750341 A CN 115750341A CN 202211275316 A CN202211275316 A CN 202211275316A CN 115750341 A CN115750341 A CN 115750341A
- Authority
- CN
- China
- Prior art keywords
- fault
- roots
- compressor
- model
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 230000009467 reduction Effects 0.000 claims abstract description 42
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 239000007788 liquid Substances 0.000 claims abstract description 12
- 238000004804 winding Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000016507 interphase Effects 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- YVPJCJLMRRTDMQ-UHFFFAOYSA-N ethyl diazoacetate Chemical compound CCOC(=O)C=[N+]=[N-] YVPJCJLMRRTDMQ-UHFFFAOYSA-N 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241000917703 Leia Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种罗茨式压缩机故障诊断方法，包括获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；将二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；将多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出故障类别；其中，降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型，罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。实施本发明，通过去除复杂工况下多传感器融合数据的噪音来改善深度学习模型诊断故障精度，提高了模型在复杂工况故障识别的准确率。
Description
技术领域
本发明涉及机械设备故障诊断技术领域，尤其涉及一种罗茨式压缩机故障诊断方法及系统。
背景技术
罗茨式压缩机是一种回转式机械，其依靠两个叶轮的相对转动来不断压缩和输送气体。由于其工作特性稳定、容积效率高和适应性强等优点，被广泛应用于电子、石油、钢铁、建材、化工、食品、医疗及造纸等行业领域的蒸发环节中。
罗茨式压缩机长期在高速、高温等复杂的工况下运行，极易发生损伤故障。常见的罗茨式压缩机故障模式主要有：叶轮、轴承、齿轮、传动轴等关键易损零件损伤，地脚螺栓松动，电机绕组断路、绕组接地或相间短路、转子笼条断条以及异常泄漏等故障模式。罗茨式压缩机工作环境恶劣其结构又比较复杂的特点导致在其运行过程中，极有可能会发生故障。从而造成经济损失，更为严重的会引发安全事故。因此有必要对罗茨式压缩机的工作状态与性能进行监测诊断，以便于及时发现上述几类主要的故障模式，避免事故的发生。
研究怎样从罗茨式压缩机的复杂信号中得到罗茨式压缩机的故障特征，是罗茨式压缩机故障识别正确与否的重点之一。例如，Susanto等提出了将快速傅里叶与希尔伯特变换结合的方法，可以通过频谱图的分析来判断加工情况，但是此方法人工判断成分比较大，可能会对机器运行的状态有所误判。因此，有研究者提出了利用MLP、SVM、决策树等机器学习方法来识别旋转机械故障的方法，提高了机械故障识别准确度。但是这些机器学习也存在一定的问题，由于模型结构比较简单在处理复杂数据时自学能力比较弱，模型的建立与特征的提取需要分开来独立的去完成。识别复杂工况的故障时准确率比较低。
目前，深度学习是一种“端到端的模型”，有着很强的自适应学习能力，在挖掘数据潜在特征上有着很强的优势，在故障诊断中得到了广泛的应用。例如，雷亚国将深度学习模型应用于机械装备大数据进行状态监测的方法；又如，吕哲等人提出一种基于生成对抗网络与个性机理模型的旋转机械故障诊断方法；又如，杨胜康等人提出了一种基于多源域深度迁移学习的机械故障诊断方法。
但是，上述深度学习方法存在以下问题，具体包括：首先是训练集特征比较单一基本采取振动加速度信号作为测试数据，在复杂工况下可能无法达到所要求的识别精度；其次，就是深度学习虽然能在特征提取时能够学习到潜在特征，但是很容易将噪音也当作信号特征来学习。
由此可见，如何有效的去除复杂工况下多传感器融合数据的噪音，再通过深度学习方法进行故障识别是一个亟待解决的问题。因此，有必要在罗茨式压缩机的故障诊断中使用一种新深度学习方法，可以去除复杂工况下多传感器融合数据的噪音，提高了模型在复杂工况故障识别的准确率。
发明内容
本发明实施例所要解决的技术问题在于，提供一种罗茨式压缩机故障诊断方法及系统，通过去除复杂工况下多传感器融合数据的噪音来改善深度学习模型诊断故障精度，提高了模型在复杂工况故障识别的准确率。
为了解决上述技术问题，本发明实施例提供了一种罗茨式压缩机故障诊断方法，所述方法包括以下步骤：
获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；
将所述二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；其中，所述降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型；
将所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出所述罗茨式压缩机的故障类别；其中，所述罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。
其中，所述多尺度空洞卷积注意力自编码模型包括一个编码器和一个解码器；其中，
所述编码器是首先将所述二维矩阵作为输入，并给所述二维矩阵加入噪声损坏信号后，用一个线性层加激活函数ReLU对其特征提取，且将提取的特征放入多尺度空洞卷积块来捕获语义特征，进一步将所捕获的语义特征通过分离层分解成查询Queries、键Keys和值Values三个矩阵后，放入三层Transformer块中学习噪音分布特征和信号本身特征；
所述解码器对所述噪音分布特征和所述信号本身特征进行提取，以得到多尺度信号特征矩阵；其中，所述解码器包括一个用来预测添置的噪音的线性层和一个用来重组信号特征的线性层；所述解码器通过计算噪声预测损失和重构损失的梯度后，使用随机梯度下降的方法向后传播来更新权重。
其中，所述编码器中的每层Transformer块均由两个子层组成；其中，
所述两个子层之中一个子层是多头注意力的汇聚，另一个子层是基于位置的前馈网络；其中，所述两个子层之间的计算过程所示为
和
Fi和
分别表示i层的输入和输出；所述两个子层之间均采用了残差连接，并在残差连接后应用层归一化。
其中，所述残差网络通过所述多尺度信号特征矩阵作为Resnet的输入，待经过7*7卷积层和批量归一化层的特征提取后，再由3*3的最大池化层提取关键特征，然后用4个残差块再次对特征矩阵进行特征提取，最后用全局平均池化层聚集所有通道的特征后，用全连接层对提取的信号进行分类。
其中，所述罗茨式压缩机的故障类别包括叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、电机绕组断路、绕组接地与相间短路、转子笼条断条和异常泄漏。
本发明实施例还提供了一种罗茨式压缩机故障诊断系统，包括：
多信号融合单元，用于获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；
融合信号去噪单元，用于将所述二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；其中，所述降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型；
故障类别诊断单元，用于将所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出所述罗茨式压缩机的故障类别；其中，所述罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。
其中，所述罗茨式压缩机的故障类别包括叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、电机绕组断路、绕组接地与相间短路、转子笼条断条和异常泄漏。
实施本发明实施例，具有如下有益效果：
本发明通过基于多尺度空洞卷积注意自编码模型构建的降噪模型具有很强的降噪能力，并与基于残差网络构建的罗茨式压缩机故障分类模型结合，克服了罗茨式压缩机因工作环境复杂导致故障判别的准确率比较低的问题，进一步提升了模型的准确性，从而可以达到去除复杂工况下多传感器融合数据的噪音来改善深度学习模型诊断故障精度，提高了模型在复杂工况故障识别的准确率的目的。
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，下面将对实施例或现有技术描述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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种罗茨式压缩机故障诊断方法的流程图；
图2为本发明实施例提供的一种罗茨式压缩机故障诊断方法中多尺度空洞卷积注意力自编码模型的框架图；
图3为图2中多尺度空洞卷积注意力自编码模型内所含Transformer块的框架图；
图4为图3中Transformer块内所含多头注意力子层的框架图；
图5为本发明实施例提供的一种罗茨式压缩机故障诊断方法中残差网络的框架图；
图6为本发明实施例提供的一种罗茨式压缩机故障诊断方法中多尺度空洞卷积注意力自编码模型与残差网络相结合的整体框架图；
图7为本发明实施例提供的一种罗茨式压缩机故障诊断方法的应用场景中采用仿真数据对罗茨式压缩机故障类别进行分析的结果图；
图8为本发明实施例提供的一种罗茨式压缩机故障诊断方法的应用场景中采用仿真数据对罗茨式压缩机故障类别进行5折交叉验证准确率的结果图；
图9为本发明实施例提供的一种罗茨式压缩机故障诊断方法的应用场景中采用实验数据对罗茨式压缩机故障类别进行分析的结果图；
图10为本发明实施例提供的一种罗茨式压缩机故障诊断方法的应用场景中采用实验数据对罗茨式压缩机故障类别进行5折交叉验证准确率的结果图；
图11为本发明实施例提供的一种罗茨式压缩机故障诊断系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种罗茨式压缩机故障诊断方法，所述方法包括以下步骤：
步骤S1、获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；
步骤S2、将所述二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；其中，所述降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型；
步骤S3、将所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出所述罗茨式压缩机的故障类别；其中，所述罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。
具体过程为，在步骤S1之前，第一步，基于多尺度空洞卷积与注意力自编码模型(DAAE)构建降噪模型，以多尺度空洞卷积注意力自编码具有更强的降噪能力，能获得更深层次的故障特征和更多全局相关特征，即降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型。
第二步，获取降噪模型的训练样本，过程具体如下：
(1)设置采样频率(如60HZ)，通过罗茨式压缩机上预设的多个传感器分别在多种故障类别下对动力轴、电机、压缩机和液体进行采样，获得每一种故障类别下的多个采样数据；其中，故障类别包括但不限于叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、电机绕组断路、绕组接地与相间短路、转子笼条断条和异常泄漏；每一个采样数据均包括动力轴的振动信号(X轴方向、Y轴方向和Z轴方向)、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号；
(2)将每一个采样数据均组成一个二维矩阵并输出为样本，以得到大量的降噪模型的训练样本。
第三步，如图2所示，确定多尺度空洞卷积注意力自编码模型的框架是由一个编码器和一个解码器组成。
编码器是首先将二维矩阵作为输入，并给二维矩阵加入噪声损坏信号后，用一个线性层加激活函数ReLU对其特征提取，且将提取的特征放入多尺度空洞卷积块来捕获语义特征，进一步将所捕获的语义特征通过分离层分解成查询Queries、键Keys和值Values三个矩阵后，放入三层Transformer块中学习噪音分布特征和信号本身特征。
应当说明的是，如图3所示，编码器中的每层Transformer块均由两个子层组成；两个子层之中一个子层是多头注意力的汇聚，另一个子层是基于位置的前馈网络(positionfeed-forward network)；其中，两个子层之间的计算过程所示为
和
Fi和
分别表示i层的输入和输出；两个子层之间均采用了残差连接，并在残差连接后应用层归一化。
应当说明的是，子层中多头注意力由多个注意力头拼接，然后进行线性变换得来，框架图如图4所示。多头注意力的数学表现形式为：给定查询
键
和值
每个注意力头可以表示为：hi＝f(Wi (q)q,Wi (k)k,Wi (v)v)∈Rpv；其中，
和
以及表示注意力汇聚的函数f都是可以学习的参数。此时，多头注意力的输出对应h个头结合的结果，其可学习的参数为
可以表示为：
解码器对噪音分布特征和信号本身特征进行提取，以得到多尺度信号特征矩阵；其中，解码器包括一个用来预测添置的噪音的线性层和一个用来重组信号特征的线性层；解码器通过计算噪声预测损失和重构损失的梯度后，使用随机梯度下降的方法向后传播来更新权重。应当说明的是，本发明实施例中算法使用损失L对多尺度空洞卷积注意力自编码模型的降噪结果进行监督，损失L由噪声损失Lmask和重组损失Lrec相加而来Lmask为交叉熵损失，Lrec为均方误差损失，其数学形式可表示为
和L＝Lmask+Lrec；其中，c为加入的噪音位置种类。因为损失函数连续可导，所以本发明实施例选择随机梯度优化(SGD)优化来更新权重参数。
第四步，将第三步所得的训练样本划分出训练集和测试集，并通过训练集对降噪模型进行训练，以及通过测试集对降噪模型测试，以得到训练好的降噪模型。此时，还将降噪模型训练时所输出的多尺度信号特征矩阵作为后续罗茨式压缩机故障分类模型的训练样本。
第五步，在训练完成降噪模型后，基于残差网络构建罗茨式压缩机故障分类模型，用残差网络对降噪后的特征进行分类，得到罗茨式压缩机的故障类别，及罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。
第六步，将降噪模型训练时所输出的多尺度信号特征矩阵作为罗茨式压缩机故障分类模型的训练样本。
第七步，如图5所示，确定残差网络框架。该残差网络通过降噪模型输出的多尺度信号特征矩阵作为Resnet的输入，待经过7*7卷积层和批量归一化层的特征提取后，再由3*3的最大池化层提取关键特征，然后用4个残差块再次对特征矩阵进行特征提取，最后用全局平均池化层聚集所有通道的特征后，用全连接层对提取的信号进行分类。
第八步，将第六步降噪模型训练输出的多尺度信号特征矩阵划分出训练集和测试集，通过训练集对罗茨式压缩机故障分类模型进行迭代训练，直到达到迭代次数后保存，并通过测试集进行测试以及5折交叉验证，最后得到训练好的罗茨式压缩机故障分类模型。
基于上述第一步至第八步，可知降噪模型和罗茨式压缩机故障分类模型的总体框架图，如图6所示。
在步骤S1中，获取罗茨式压缩机当前所需待测的相关数据，包括动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，并将当前所需待测的相关数据形成二维矩阵。
在步骤S2中，将步骤S1中的二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；
在步骤S3中，将步骤S2中所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，可以快速诊断出罗茨式压缩机的故障类别。
如图7至图10所示，对本发明实施例中提供的一种罗茨式压缩机故障诊断方法的应用场景作进一步说明，具体过程如下：
在一个应用场景中，选用本实验室用admas软件仿真模型生成的数据集作为样本数据。该仿真数据包含7组数据，每组数据都代表罗茨式压缩机的一种故障数据，且每组数据均包含1000个样本大小为1000*6训练集和200个大小为1000*6测试集。每组罗茨式压缩机的每一个样本都是由传动轴的x轴方向振动、传动轴的y轴方向振动、传动轴的z轴方向振动、压缩机出口压力、压缩机出口流量和液体的温度信号等6种一维仿真故障特征组成的二维矩阵。此时，仿真的故障类别包括叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、转子笼条断条和异常泄漏。
先将得到样本的大小为8400*1000*6的训练样本作为多尺度空洞卷积残差注意力自编码模型(DAAE)所构建的降噪模型的输入来训练模型。训练中的批量大小为32，同样用SGD优化算法更新降噪模型权重，优化算法的学习率为0.001。在经过400次训练后保存模型，将DAAE模型中最后一层Transformer块的特征层提取出来，得到一个大小为8400*1000*1536的多尺度信号特征矩阵。
将多尺度信号特征矩阵拆分为8400个大小为1000*1536的样本，在罗茨式压缩机故障分类模型训练时随机取7000个样本为训练集，1400个样本为测试集。训练批量大小为32，迭代次为30，SGD优化算法学习率为0.05，第一次训练结果如图7所示，其5折交叉验证图如图8所示。从图7和图8中，可以看出本方法在admas软件仿真模型生成的罗茨式压缩机故障数据上分类准确率极高，该方法能够准确识别罗茨式压缩机的故障类别。
在另一个应用场景中，选用实验室实验采集的数据集作为样本数据。该实验数据包含10组数据，每组数据都代表罗茨式压缩机的一种故障数据，且每组数据均包含1000个样本大小为1000*7训练集和1000个大小为1000*7测试集。每组罗茨式压缩机的每一个样本都是由传动轴的x轴方向振动、传动轴的y轴方向振动、传动轴的z轴方向振动、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号等7种一维仿真故障特征组成的二维矩阵。此时，仿真的故障类别包括叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、电机绕组断路、绕组接地与相间短路、转子笼条断条和异常泄漏。
先将得到的样本大小为12000*1000*7的三维数据作为多尺度空洞卷积残差注意力自编码模型(DAAE)所构建的降噪模型的输入来训练模型。训练中的批量大小为32，同样用SGD优化算法更新降噪模型权重，优化算法的学习率为0.001。在经过400次训练后保存模型，将DAAE模型中最后一层Transformer块的特征层提取出来，得到一个大小为12000*400*1536的多尺度信号特征矩阵。
将多尺度信号特征矩阵拆分为12000个大小为1000*1536的样本，在每个分类模型训练时随机取10000个样本为训练集，200个样本为测试集。训练批量大小为32，迭代次为30，SGD优化算法学习率为0.05，训练结果如图9所示,5折交叉验证图如图10所示。从图9和图10中，可以看出本方法在实验采集的罗茨式压缩机故障数据上分类准确率极高，该方法能够准确识别罗茨式压缩机的故障类别。
如图11所示，为本发明实施例中，提供的一种罗茨式压缩机故障诊断系统，包括：
多信号融合单元110，用于获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；
融合信号去噪单元120，用于将所述二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；其中，所述降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型；
故障类别诊断单元130，用于将所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出所述罗茨式压缩机的故障类别；其中，所述罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。
其中，所述罗茨式压缩机的故障类别包括叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、电机绕组断路、绕组接地与相间短路、转子笼条断条和异常泄漏。
实施本发明实施例，具有如下有益效果：
本发明通过基于多尺度空洞卷积注意自编码模型构建的降噪模型具有很强的降噪能力，并与基于残差网络构建的罗茨式压缩机故障分类模型结合，克服了罗茨式压缩机因工作环境复杂导致故障判别的准确率比较低的问题，进一步提升了模型的准确性，从而可以达到去除复杂工况下多传感器融合数据的噪音来改善深度学习模型诊断故障精度，提高了模型在复杂工况故障识别的准确率的目的。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (7)
1.一种罗茨式压缩机故障诊断方法，其特征在于，所述方法包括以下步骤：
获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；
将所述二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；其中，所述降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型；
将所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出所述罗茨式压缩机的故障类别；其中，所述罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。
2.如权利要求1所述的罗茨式压缩机故障诊断方法，其特征在于，所述多尺度空洞卷积注意力自编码模型包括一个编码器和一个解码器；其中，
所述编码器是首先将所述二维矩阵作为输入，并给所述二维矩阵加入噪声损坏信号后，用一个线性层加激活函数ReLU对其特征提取，且将提取的特征放入多尺度空洞卷积块来捕获语义特征，进一步将所捕获的语义特征通过分离层分解成查询Queries、键Keys和值Values三个矩阵后，放入三层Transformer块中学习噪音分布特征和信号本身特征；
所述解码器对所述噪音分布特征和所述信号本身特征进行提取，以得到多尺度信号特征矩阵；其中，所述解码器包括一个用来预测添置的噪音的线性层和一个用来重组信号特征的线性层；所述解码器通过计算噪声预测损失和重构损失的梯度后，使用随机梯度下降的方法向后传播来更新权重。
3.如权利要求2所述的罗茨式压缩机故障诊断方法，其特征在于，所述编码器中的每层Transformer块均由两个子层组成；其中，
所述两个子层之中一个子层是多头注意力的汇聚，另一个子层是基于位置的前馈网络；其中，所述两个子层之间的计算过程所示为
和
Fi和
分别表示i层的输入和输出；所述两个子层之间均采用了残差连接，并在残差连接后应用层归一化。
4.如权利要求3所述的罗茨式压缩机故障诊断方法，其特征在于，所述残差网络通过所述多尺度信号特征矩阵作为Resnet的输入，待经过7*7卷积层和批量归一化层的特征提取后，再由3*3的最大池化层提取关键特征，然后用4个残差块再次对特征矩阵进行特征提取，最后用全局平均池化层聚集所有通道的特征后，用全连接层对提取的信号进行分类。
5.如权利要求1所述的罗茨式压缩机故障诊断方法，其特征在于，所述罗茨式压缩机的故障类别包括叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、电机绕组断路、绕组接地与相间短路、转子笼条断条和异常泄漏。
6.一种罗茨式压缩机故障诊断系统，其特征在于，包括：
多信号融合单元，用于获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；
融合信号去噪单元，用于将所述二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；其中，所述降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型；
故障类别诊断单元，用于将所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出所述罗茨式压缩机的故障类别；其中，所述罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。
7.如权利要求6所述的罗茨式压缩机故障诊断系统，其特征在于，所述罗茨式压缩机的故障类别包括叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、电机绕组断路、绕组接地与相间短路、转子笼条断条和异常泄漏。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211275316.2A CN115750341A (zh) | 2022-10-18 | 2022-10-18 | 一种罗茨式压缩机故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211275316.2A CN115750341A (zh) | 2022-10-18 | 2022-10-18 | 一种罗茨式压缩机故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115750341A true CN115750341A (zh) | 2023-03-07 |
Family
ID=85353725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211275316.2A Pending CN115750341A (zh) | 2022-10-18 | 2022-10-18 | 一种罗茨式压缩机故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115750341A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116383757A (zh) * | 2023-03-09 | 2023-07-04 | 哈尔滨理工大学 | 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法 |
-
2022
- 2022-10-18 CN CN202211275316.2A patent/CN115750341A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116383757A (zh) * | 2023-03-09 | 2023-07-04 | 哈尔滨理工大学 | 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法 |
| CN116383757B (zh) * | 2023-03-09 | 2023-09-05 | 哈尔滨理工大学 | 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110779746B (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
| CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
| CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
| 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 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
| CN109034076A (zh) | 一种机械故障信号的自动聚类方法及自动聚类系统 | |
| CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
| CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
| CN115750341A (zh) | 一种罗茨式压缩机故障诊断方法及系统 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| Oh et al. | Fault detection for lubricant bearing with CNN | |
| GB2623358A (en) | Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network | |
| CN114741945B (zh) | 一种航空发动机在线故障的诊断方法 | |
| CN116662920B (zh) | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 | |
| CN114021620A (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| CN117189508A (zh) | 基于多视角时空特征融合的风电机组状态监测方法 | |
| CN116127297A (zh) | 机电设备故障诊断方法和系统 | |
| Ren et al. | Fault diagnosis with imbalanced data based on auto-encoder | |
| CN114136604A (zh) | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 | |
| CN113052060A (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
| Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
| CN114970044B (zh) | 一种基于阈值卷积神经网络的滚动轴承故障诊断方法及系统 | |
| CN116010805B (zh) | 基于卷积神经网络的滚动轴承故障特征提取方法、装置 |
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 |