CN115951002A - 一种气质联用仪故障检测装置 - Google Patents
一种气质联用仪故障检测装置 Download PDFInfo
- Publication number
- CN115951002A CN115951002A CN202310224044.1A CN202310224044A CN115951002A CN 115951002 A CN115951002 A CN 115951002A CN 202310224044 A CN202310224044 A CN 202310224044A CN 115951002 A CN115951002 A CN 115951002A
- Authority
- CN
- China
- Prior art keywords
- fault
- mass spectrometer
- gas chromatograph
- similarity
- vector
- 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
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供了一种气质联用仪故障检测装置,属于设备故障检测技术领域,该气质联用仪故障检测装置包括处理器、存储器、真空计、电压传感器、通信装置以及电源,存储器内存储有程序代码,执行时用于实现以下步骤:建立气质联用仪故障模型并训练;获取当前气质联用仪产生的质量色谱图数据;使用训练好的气质联用仪故障模型对气质联用仪产生的质量色谱图数据进行计算,得到单一故障概率优先级序列表。本装置能够得到单一故障概率优先级序列表,使用者可以根据单一故障概率优先级序列表的顺序对故障进行判断和排障,极大的提高了故障确定和排障的效率,解决由于使用者经验不足而不能对气质联用仪故障进行确定,以至于排障时间长的技术问题。
Description
技术领域
本发明属于设备故障检测技术领域,具体而言,涉及一种气质联用仪故障检测装置。
背景技术
近年来,气质联用仪也称为气相色谱-质谱联用仪已广泛应用于各领域,成为分析复杂混合物为有效的手段之一。在使用仪器的过程中,经常会出现各种各样的故障,影响分析测试工作的正常进行,因此,如何迅速、准确地判断故障原因,及时地予以排除,是仪器操作人员经常面临和急需解决的问题。随着气质联用仪在使用过程中存在老化、污染以及调谐未达标等情况,导致气质联用仪不准确,此时需要对气质联用仪进行排障。
气质联用仪故障的可能原因及排除方法包括:
a.质谱仪调谐未达到最佳状态,排除方法是重新调谐质谱仪;
b.质谱仪的质量标尺校准不,排除方法是重新校准质谱仪的质量标尺;
c.离子源被污染,排除方法是对离子源依次用甲醇、丙酮超声清洗各15min;
d.离子源温度过高或过低,导致样品分解或吸附在离子源内,排除方法是调节离子源温度;
e.柱子伸人离子源内的深度不合适,排除方法是调整柱子进人离子源的深度;
f.分流进样器和阀有故障,排除方法是检查进样器和阀;
g.柱效降低,排除方法是更换柱子;
h.进样器被污染,排除方法是对衬管依次用甲醇、丙酮超声清洗各15min或更换衬管;
i.检测器电压太低,排除方法是检测器电压应为350~450V;
j.空气泄漏,排除方法是检查空气峰m/z 28的高度,若大于10%氦气峰m/z 4的高度,表明有空气泄漏,用注射器将丙酮滴在各接口处,通过观察丙酮的分子离子峰m/z 58的强度变化,进一步查明泄漏的确切位置。
由于导致气质联用仪故障的原因很多,多数使用者由于经验不足而不能对气质联用仪故障进行确定,需要按照步骤对气质联用仪的故障进行挨个排,以至于排障时间长。
发明内容
有鉴于此,本发明提供一种气质联用仪故障检测装置,能够解决由于使用者经验不足而不能对气质联用仪故障进行确定,需要按照步骤对气质联用仪的故障进行挨个排,以至于排障时间长的技术问题。
本发明是这样实现的:
本发明提供一种气质联用仪故障检测装置,其中,包括处理器、存储器、真空计、电压传感器、通信装置以及电源,所述电源与所述处理器、存储器、真空计电连接并供电,所述处理器与所述存储器、所述真空计、通信装置以及所处电压传感器电连接;
所述真空计用于检测气质联用仪的质谱部分的真空度;
所述电压传感器用于检测气质联用仪的供电电压;
所述通信装置用于与气质联用仪的IO接口连接并进行数据通信;
所述存储器内存储有程序指令,所述处理器处理所述程序指令时,用于执行下列步骤:
质量色谱图数据获取的步骤:用于获取气质联用仪输出的质量色谱图数据;
气质联用仪单一故障判断的步骤:用于对气质联用仪的故障现象进行分析并判断单一故障概率;
其中,所述气质联用仪单一故障判断的步骤具体包括:
S10:建立气质联用仪故障模型并训练;
S20:获取当前气质联用仪产生的质量色谱图数据;
S30:使用训练好的气质联用仪故障模型对气质联用仪产生的质量色谱图数据进行计算,得到单一故障概率优先级序列表。
本发明提供的一种气质联用仪故障检测装置的技术效果如下:通过设置电压传感器,实现了对气质联用仪供电电压的检测,用于排查气质联用仪供电电压不稳定的故障;通过设置真空计,用于对气质联用仪的真空腔体的真空度,若检测的真空度不符合设备出厂规定参数的真空度范围,则说明气质联用仪的真空腔体存在真空度不够的问题;通过执行气质联用仪单一故障判断的步骤,得到单一故障概率优先级序列表,使用者可以根据单一故障概率优先级序列表的顺序对故障进行判断和排障,极大的提高了故障确定和排障的效率。
在上述技术方案的基础上,本发明的一种气质联用仪故障检测装置还可以做如下改进:
其中,所述建立气质联用仪故障模型并训练具体包括如下步骤:
构建训练样本:针对每一种故障原因,获取单一故障的气质联用仪使用场景下的使用标准检测样本进行质量色谱法检测得到故障质量色谱图数据集,对故障质量色谱图数据和标准质量色谱图数据进行相似度求解,得到故障相似度,所述构建的训练样本包括故障向量以及对应的故障相似度;
设计网络架构和初始化:构建一个卷积神经网络,其中包含1个输入层,3个卷积层,3个Relu非线性激活层,3个池化层,1个全连接层以及1个输出层,其中输入层为故障质量色谱图数据集中的故障向量,输出层为故障向量对应的故障相似度;
卷积神经网络训练:包含前向传播网络训练和反向传播网络训练两个阶段,其中,前向传播网络训练阶段是将训练样本中的每个输入的故障向量通过卷积和池化的处理后提取特征图像,并将其转化为一维向量,输入全连接层,由分类器得出识别结果,即输出向量,输出向量的每个值对应故障相似度;反向传播网络训练阶段是,当前向传播的输出结果与期望输出中故障相似度超过输入的故障向量对应的相似度阈值时,网络将采用随机梯度下降优化算法进行反向传播,更新卷积层的参数。
进一步的,所述对故障质量色谱图数据和标准质量色谱图数据进行相似度求解,得到故障相似度的步骤具体为:
步骤1:以时间轴为X轴,以离子强度轴为Y轴,计算故障质量色谱图上每个点和标准质量色谱图上相同时刻的每个点的余弦相似度,得到余弦相似度集;
步骤2:对余弦相似度集中每个余弦相似度累加,得到故障相似度。
进一步的,所述当前向传播的输出结果与期望输出中故障相似度超过输入的故障向量对应的相似度阈值范围时的判断步骤包括:
以故障向量对应的故障相似度为期望输出;
以期望输出的80%作为最低阈值,以期望输出的120%作为最高阈值;
若输出结果大于最高阈值或小于最低阈值,则认定前向传播的输出结果与期望输出中故障相似度超过输入的故障向量对应的相似度阈值范围。
进一步的,所述使用训练好的气质联用仪故障模型对气质联用仪产生的质量色谱图数据进行计算,得到单一故障概率优先级序列表的步骤具体包括:
以气质联用仪产生的质量色谱图数据与输入训练好的气质联用仪故障模型,计算得到当前故障向量;
对当前故障向量中的每一个单一故障的分值按照从大到小的顺序进行排序,得到单一故障概率优先级序列表。
进一步的,所述标准质量色谱图数据是在气质联用仪在标准调谐后,对标准检测样本进行质量色谱法检测得到的质量色谱图数据。
进一步的,所述单一故障至少包括:
质谱仪调谐未达到标准状态;
质谱仪的质量标尺不校准;
离子源被污染;
离子源温度过高或过低;
柱子伸入离子源内的深度不标准;
分流进样器和阀存在故障;
柱效降低;
进样器被污染;
检测器电压低;
空气泄漏;
预四级杆被污染
离子源部件未安装到位;
参考标样的管路被堵塞;
灯丝老化;
新近清洗的离子源未烘干;
供电系统产生杂峰;
真空腔体真空度不够。
进一步的,所述故障向量为多个单一故障分值组成的一维向量,其中单一故障分值指的是对应的单一故障的故障级别的分值。
其中,单一故障级别可以根据单一故障的最大程度和最小程度划分为5个等级,分值分别对应1,2,3,4,5,还包括没有该单一故障,分值为0。
故障向量表示为X=[a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q],式中,a表示质谱仪调谐未达到标准状态的故障级别分值,b表示质谱仪的质量标尺不校准的故障级别分值,c表示离子源被污染的故障级别分值,d表示离子源温度过高或过低的故障级别分值,e表示柱子伸入离子源内的深度不标准的故障级别分值,f表示分流进样器和阀存在故障的故障级别分值,g表示柱效降低的故障级别分值,h表示进样器被污染的故障级别分值,i表示检测器电压低的故障级别分值,j表示空气泄漏的故障级别分值;k表示预四级杆被污染的故障级别分值,l表示离子源部件未安装到位的故障级别分值,m表示参考标样的管路被堵塞的故障级别分值,n表示灯丝老化的故障级别分值,o表示新近清洗的离子源未烘干的故障级别分值,p表示供电系统产生杂峰的故障级别分值,q表示真空腔体真空度不够的故障级别分值。
与现有技术相比较,本发明提供的一种气质联用仪故障检测装置的有益效果是:由于多数情况下,气质联用仪故障较多,有时候不是单一故障,使用者难以根据当前故障现象确定气质联用仪的具体故障,本方案使用神经网络对气质联用仪故障模型对气质联用仪产生的质量色谱图数据进行计算,得到单一故障概率优先级序列表,使用者可以根据单一故障概率优先级序列表的顺序对故障进行判断和排障,极大的提高了故障确定和排障的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种气质联用仪故障检测装置的电连接示意图;
图2为气质联用仪单一故障判断的步骤的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域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方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式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方式。基于本发明中的实施方式,本领域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方式,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
如图1所示,是本发明提供的一种气质联用仪故障检测装置的电连接示意图,本装置包括处理器、存储器、真空计、电压传感器、通信装置以及电源,电源与处理器、存储器、真空计电连接并供电,处理器与存储器、真空计、通信装置以及所处电压传感器电连接;
真空计用于检测气质联用仪的质谱部分的真空度;
电压传感器用于检测气质联用仪的供电电压;
通信装置用于与气质联用仪的IO接口连接并进行数据通信;
存储器内存储有程序指令,处理器处理程序指令时,用于执行下列步骤:
质量色谱图数据获取的步骤:用于获取气质联用仪输出的质量色谱图数据;
气质联用仪单一故障判断的步骤:用于对气质联用仪的故障现象进行分析并判断单一故障概率;
其中,气质联用仪的IO接口为气质联用仪自带的计算机系统的IO接口,或者是气质联用仪自带的数据输入输出接口,比如水晶头接口、USB接口等,可以采用针对通信装置用于与气质联用仪的IO接口连接并进行数据通信的步骤是本领域技术人员的常规操作,例如:通信装置采用通用的串口转USB线或能够适用于气质联用仪和本装置的处理器连接的装置,也可以采用数据采集线等,本领域技术人员对通信装置的选用可根据实际情况而行;
其中,如图2所示,气质联用仪单一故障判断的步骤具体包括:
S10:建立气质联用仪故障模型并训练;
S20:获取当前气质联用仪产生的质量色谱图数据;
S30:使用训练好的气质联用仪故障模型对气质联用仪产生的质量色谱图数据进行计算,得到单一故障概率优先级序列表。
其中,处理器采用STM生产的STM32F412VGT6TR芯片,存储器使用通用的4G以上SD存储卡,真空计采用上海瓷熙仪器仪表有限公司生产的CX-PRN10皮拉尼真空传感变送规,通信装置采用通用的串口转USB线或能够适用于气质联用仪和本装置的处理器连接的装置,也可以采用数据采集线等,本领域技术人员对通信装置的选用可根据实际情况而行;电压传感器采用Sensor生产的JXK-10-SUX电压传感器;电源采用直流12V电源。
其中,在上述技术方案中,建立气质联用仪故障模型并训练具体包括如下步骤:
构建训练样本:针对每一种故障原因,获取单一故障的气质联用仪使用场景下的使用标准检测样本进行质量色谱法检测得到故障质量色谱图数据集,对故障质量色谱图数据和标准质量色谱图数据进行相似度求解,得到故障相似度,构建的训练样本包括故障向量以及对应的故障相似度;
其中,构建训练样本的原理为:
由于气质联用仪的故障通常情况下为多个单一故障的组合,因此直接从带有故障的气质联用仪擦产生的质量色谱图中分析故障较为困难,本发明的技术方案中,建立气质联用仪故障模型的训练样本,采用的是单一故障的气质联用仪使用场景下,使用标准检测样本进行质量色谱法检测得到故障质量色谱图数据,也就是说,构建训练样本时,对无故障的气质联用仪设置单一故障,利用标准检测样本进行质量色谱法检测得到故障质量色谱图数据,这样得到的质量色谱图数据集就是与这个设置的单一故障对应的质量色谱图数据。操作人员对每一种单一故障都建立上述使用场景,得到了多个质量色谱图数据,这里的多个质量色谱图数据便是质量色谱图数据集。需要说明的是,这一训练样本是针对单一气质联用仪或者针对同一型号的气质联用仪来构建的,不同型号的气质联用仪在故障时产生的质量色谱图数据差距较大;
设计网络架构和初始化:构建一个卷积神经网络,其中包含1个输入层,3个卷积层,3个Relu非线性激活层,3个池化层,1个全连接层以及1个输出层,其中输入层为故障质量色谱图数据集中的故障向量,输出层为故障向量对应的故障相似度;
卷积神经网络训练:包含前向传播网络训练和反向传播网络训练两个阶段,其中,前向传播网络训练阶段是将训练样本中的每个输入的故障向量通过卷积和池化的处理后提取特征图像,并将其转化为一维向量,输入全连接层,由分类器得出识别结果,即输出向量,输出向量的每个值对应故障相似度;反向传播网络训练阶段是,当前向传播的输出结果与期望输出中故障相似度超过输入的故障向量对应的相似度阈值时,网络将采用随机梯度下降优化算法进行反向传播,更新卷积层的参数。
进一步的,在上述技术方案中,对故障质量色谱图数据和标准质量色谱图数据进行相似度求解,得到故障相似度的步骤具体为:
步骤1:以时间轴为X轴,以离子强度轴为Y轴,计算故障质量色谱图上每个点和标准质量色谱图上相同时刻的每个点的余弦相似度,得到余弦相似度集;
步骤2:对余弦相似度集中每个余弦相似度累加,得到故障相似度。
进一步的,在上述技术方案中,当前向传播的输出结果与期望输出中故障相似度超过输入的故障向量对应的相似度阈值范围时的判断步骤包括:
以故障向量对应的故障相似度为期望输出;
以期望输出的80%作为最低阈值,以期望输出的120%作为最高阈值;
若输出结果大于最高阈值或小于最低阈值,则认定前向传播的输出结果与期望输出中故障相似度超过输入的故障向量对应的相似度阈值范围。
进一步的,在上述技术方案中,使用训练好的气质联用仪故障模型对气质联用仪产生的质量色谱图数据进行计算,得到单一故障概率优先级序列表的步骤具体包括:
以气质联用仪产生的质量色谱图数据与输入训练好的气质联用仪故障模型,计算得到当前故障向量;
对当前故障向量中的每一个单一故障的分值按照从大到小的顺序进行排序,得到单一故障概率优先级序列表。
进一步的,在上述技术方案中,标准质量色谱图数据是在气质联用仪在标准调谐后,对标准检测样本进行质量色谱法检测得到的质量色谱图数据。
进一步的,在上述技术方案中,单一故障至少包括:
质谱仪调谐未达到标准状态;
质谱仪的质量标尺不校准;
离子源被污染;
离子源温度过高或过低;
柱子伸入离子源内的深度不标准;
分流进样器和阀存在故障;
柱效降低;
进样器被污染;
检测器电压低;
空气泄漏;
预四级杆被污染
离子源部件未安装到位;
参考标样的管路被堵塞;
灯丝老化;
新近清洗的离子源未烘干;
供电系统产生杂峰;
真空腔体真空度不够。
进一步的,在上述技术方案中,故障向量为多个单一故障分值组成的一维向量,其中单一故障分值指的是对应的单一故障的故障级别的分值。
其中,单一故障级别可以根据单一故障的最大程度和最小程度划分为5个等级,分值分别对应1,2,3,4,5,还包括没有该单一故障,分值为0,单一故障级别的划分可根据气质联用仪的运维经验进行设定,也可以按照故障的指数进行平均划分,比如灯丝老化这个单一故障,可以按照经验来对灯丝老化的故障级别进行划分,比如可以根据使用时限来估测分值,也可以根据最长有效使用时间进行分割计算分值,例如,采用的灯丝最长有效时间为100小时,则可以将已用100小时的分值对应为1,100小时以下的分值对应为0,每增加20小时,分值+1,5分表示使用时长180小时以上;其余的单一故障级别划分方法均可采用上述方式进行划分。
故障向量表示为X=[a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q],式中,a表示质谱仪调谐未达到标准状态的故障级别分值,b表示质谱仪的质量标尺不校准的故障级别分值,c表示离子源被污染的故障级别分值,d表示离子源温度过高或过低的故障级别分值,e表示柱子伸入离子源内的深度不标准的故障级别分值,f表示分流进样器和阀存在故障的故障级别分值,g表示柱效降低的故障级别分值,h表示进样器被污染的故障级别分值,i表示检测器电压低的故障级别分值,j表示空气泄漏的故障级别分值;k表示预四级杆被污染的故障级别分值,l表示离子源部件未安装到位的故障级别分值,m表示参考标样的管路被堵塞的故障级别分值,n表示灯丝老化的故障级别分值,o表示新近清洗的离子源未烘干的故障级别分值,p表示供电系统产生杂峰的故障级别分值,q表示真空腔体真空度不够的故障级别分值。
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。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种气质联用仪故障检测装置,其特征在于,包括处理器、存储器、真空计、电压传感器、通信装置以及电源,所述电源与所述处理器、存储器、真空计电连接并供电,所述处理器与所述存储器、所述真空计、通信装置以及所处电压传感器电连接;
所述真空计用于检测气质联用仪的质谱部分的真空度;
所述电压传感器用于检测气质联用仪的供电电压;
所述通信装置用于与气质联用仪的IO接口连接并进行数据通信;
所述存储器内存储有程序指令,所述处理器处理所述程序指令时,用于执行下列步骤:
质量色谱图数据获取的步骤:用于获取气质联用仪输出的质量色谱图数据;
气质联用仪单一故障判断的步骤:用于对气质联用仪的故障现象进行分析并判断单一故障概率;
其中,所述气质联用仪单一故障判断的步骤具体包括:
S10:建立气质联用仪故障模型并训练;
S20:获取当前气质联用仪产生的质量色谱图数据;
S30:使用训练好的气质联用仪故障模型对气质联用仪产生的质量色谱图数据进行计算,得到单一故障概率优先级序列表。
2.根据权利要求1所述的一种气质联用仪故障检测装置,其特征在于,所述建立气质联用仪故障模型并训练具体包括如下步骤:
构建训练样本:针对每一种故障原因,获取单一故障的气质联用仪使用场景下的使用标准检测样本进行质量色谱法检测得到故障质量色谱图数据集,对故障质量色谱图数据和标准质量色谱图数据进行相似度求解,得到故障相似度,所述构建的训练样本包括故障向量以及对应的故障相似度;
设计网络架构和初始化:构建一个卷积神经网络,其中包含1个输入层,3个卷积层,3个Relu非线性激活层,3个池化层,1个全连接层以及1个输出层,其中输入层为故障质量色谱图数据集中的故障向量,输出层为故障向量对应的故障相似度;
卷积神经网络训练:包含前向传播网络训练和反向传播网络训练两个阶段,其中,前向传播网络训练阶段是将训练样本中的每个输入的故障向量通过卷积和池化的处理后提取特征图像,并将其转化为一维向量,输入全连接层,由分类器得出识别结果,即输出向量,输出向量的每个值对应故障相似度;反向传播网络训练阶段是,当前向传播的输出结果与期望输出中故障相似度超过输入的故障向量对应的相似度阈值时,网络将采用随机梯度下降优化算法进行反向传播,更新卷积层的参数。
3.根据权利要求2所述的一种气质联用仪故障检测装置,其特征在于,所述对故障质量色谱图数据和标准质量色谱图数据进行相似度求解,得到故障相似度的步骤具体为:
步骤1:以时间轴为X轴,以离子强度轴为Y轴,计算故障质量色谱图上每个点和标准质量色谱图上相同时刻的每个点的余弦相似度,得到余弦相似度集;
步骤2:对余弦相似度集中每个余弦相似度累加,得到故障相似度。
4.根据权利要求2所述的一种气质联用仪故障检测装置,其特征在于,所述当前向传播的输出结果与期望输出中故障相似度超过输入的故障向量对应的相似度阈值范围时的判断步骤包括:
以故障向量对应的故障相似度为期望输出;
以期望输出的80%作为最低阈值,以期望输出的120%作为最高阈值;
若输出结果大于最高阈值或小于最低阈值,则认定前向传播的输出结果与期望输出中故障相似度超过输入的故障向量对应的相似度阈值范围。
5.根据权利要求2所述的一种气质联用仪故障检测装置,其特征在于,所述使用训练好的气质联用仪故障模型对气质联用仪产生的质量色谱图数据进行计算,得到单一故障概率优先级序列表的步骤具体包括:
以气质联用仪产生的质量色谱图数据与输入训练好的气质联用仪故障模型,计算得到当前故障向量;
对当前故障向量中的每一个单一故障的分值按照从大到小的顺序进行排序,得到单一故障概率优先级序列表。
6.根据权利要求2-5任一项所述的一种气质联用仪故障检测装置,其特征在于,所述标准质量色谱图数据是在气质联用仪在标准调谐后,对标准检测样本进行质量色谱法检测得到的质量色谱图数据。
7.根据权利要求1-5任一项所述的一种气质联用仪故障检测装置,其特征在于,所述单一故障至少包括:
质谱仪调谐未达到标准状态;
质谱仪的质量标尺不校准;
离子源被污染;
离子源温度过高或过低;
柱子伸入离子源内的深度不标准;
分流进样器和阀存在故障;
柱效降低;
进样器被污染;
检测器电压低;
空气泄漏;
预四级杆被污染
离子源部件未安装到位;
参考标样的管路被堵塞;
灯丝老化;
新近清洗的离子源未烘干;
供电系统产生杂峰;
真空腔体真空度不够。
8.根据权利要求2-5任一项所述的一种气质联用仪故障检测装置,其特征在于,所述故障向量为多个单一故障分值组成的一维向量,其中单一故障分值指的是对应的单一故障的故障级别的分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310224044.1A CN115951002B (zh) | 2023-03-10 | 2023-03-10 | 一种气质联用仪故障检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310224044.1A CN115951002B (zh) | 2023-03-10 | 2023-03-10 | 一种气质联用仪故障检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115951002A true CN115951002A (zh) | 2023-04-11 |
CN115951002B CN115951002B (zh) | 2023-05-16 |
Family
ID=85903319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310224044.1A Active CN115951002B (zh) | 2023-03-10 | 2023-03-10 | 一种气质联用仪故障检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115951002B (zh) |
Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5659126A (en) * | 1996-04-19 | 1997-08-19 | Farber; Milton | Gas chromatograph techniques for on-line testing of transformer faults |
CN103646576A (zh) * | 2013-12-23 | 2014-03-19 | 北京农业职业学院 | 一种气质联用仿真系统 |
US20150095003A1 (en) * | 2013-09-30 | 2015-04-02 | Ypf Tecnología S.A. | Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
US20200103382A1 (en) * | 2018-09-28 | 2020-04-02 | Hitachi High-Tech Science Corporation | Chromatograph |
CN111191693A (zh) * | 2019-12-18 | 2020-05-22 | 广西电网有限责任公司电力科学研究院 | 基于卷积神经网络的识别高压开关柜热故障状态的方法 |
CN111582396A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 一种基于改进卷积神经网络的故障诊断方法 |
CN112113755A (zh) * | 2020-09-02 | 2020-12-22 | 西安交通大学 | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 |
CN112243532A (zh) * | 2018-05-31 | 2021-01-19 | 英国质谱公司 | 台式飞行时间质谱仪 |
WO2021077567A1 (zh) * | 2019-10-24 | 2021-04-29 | 广东美的白色家电技术创新中心有限公司 | 设备故障检测方法、设备故障检测装置及计算机存储介质 |
CN113948159A (zh) * | 2021-12-21 | 2022-01-18 | 云智慧(北京)科技有限公司 | 一种变压器的故障检测方法、装置及设备 |
CN114118232A (zh) * | 2021-11-08 | 2022-03-01 | 北京智芯微电子科技有限公司 | 一种基于时空卷积神经网络的智能电表故障预测方法 |
CN114120974A (zh) * | 2021-11-24 | 2022-03-01 | 江苏华电灌云风力发电有限公司 | 一种基于深度学习的风机叶片故障诊断方法 |
CN114357372A (zh) * | 2021-12-15 | 2022-04-15 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 |
WO2022089202A1 (zh) * | 2020-10-27 | 2022-05-05 | 深圳前海微众银行股份有限公司 | 故障识别模型训练方法、故障识别方法、装置及电子设备 |
CN114454951A (zh) * | 2021-12-30 | 2022-05-10 | 南京航空航天大学 | 一种双电机线控转向系统及其卷积神经网络容错控制方法 |
CN114544155A (zh) * | 2022-01-28 | 2022-05-27 | 江苏科技大学 | 基于深度学习的auv推进器多信源融合故障诊断方法及系统 |
CN217280683U (zh) * | 2022-05-24 | 2022-08-23 | 安图实验仪器(郑州)有限公司 | 一种故障检测装置及质谱仪 |
CN115050628A (zh) * | 2022-05-24 | 2022-09-13 | 安图实验仪器(郑州)有限公司 | 一种故障检测装置及质谱仪 |
CN115169534A (zh) * | 2022-07-07 | 2022-10-11 | 长沙民政职业技术学院 | 卷积神经网络的样本优化训练方法及计算机可读存储介质 |
CN217820705U (zh) * | 2022-07-01 | 2022-11-15 | 安图实验仪器(郑州)有限公司 | 一种质谱仪测试装置 |
CN217820643U (zh) * | 2022-07-01 | 2022-11-15 | 安图实验仪器(郑州)有限公司 | 一种便携式质谱仪性能测试装置 |
CN115494431A (zh) * | 2022-09-22 | 2022-12-20 | 国网河北省电力有限公司电力科学研究院 | 一种变压器故障告警方法、终端设备和计算机可读存储介质 |
CN115563563A (zh) * | 2022-10-25 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 基于变压器油色谱分析的故障诊断方法及装置 |
-
2023
- 2023-03-10 CN CN202310224044.1A patent/CN115951002B/zh active Active
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5659126A (en) * | 1996-04-19 | 1997-08-19 | Farber; Milton | Gas chromatograph techniques for on-line testing of transformer faults |
US20150095003A1 (en) * | 2013-09-30 | 2015-04-02 | Ypf Tecnología S.A. | Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors |
CN103646576A (zh) * | 2013-12-23 | 2014-03-19 | 北京农业职业学院 | 一种气质联用仿真系统 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN112243532A (zh) * | 2018-05-31 | 2021-01-19 | 英国质谱公司 | 台式飞行时间质谱仪 |
US20200103382A1 (en) * | 2018-09-28 | 2020-04-02 | Hitachi High-Tech Science Corporation | Chromatograph |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
WO2021077567A1 (zh) * | 2019-10-24 | 2021-04-29 | 广东美的白色家电技术创新中心有限公司 | 设备故障检测方法、设备故障检测装置及计算机存储介质 |
CN111191693A (zh) * | 2019-12-18 | 2020-05-22 | 广西电网有限责任公司电力科学研究院 | 基于卷积神经网络的识别高压开关柜热故障状态的方法 |
CN111582396A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 一种基于改进卷积神经网络的故障诊断方法 |
CN112113755A (zh) * | 2020-09-02 | 2020-12-22 | 西安交通大学 | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 |
WO2022089202A1 (zh) * | 2020-10-27 | 2022-05-05 | 深圳前海微众银行股份有限公司 | 故障识别模型训练方法、故障识别方法、装置及电子设备 |
CN114118232A (zh) * | 2021-11-08 | 2022-03-01 | 北京智芯微电子科技有限公司 | 一种基于时空卷积神经网络的智能电表故障预测方法 |
CN114120974A (zh) * | 2021-11-24 | 2022-03-01 | 江苏华电灌云风力发电有限公司 | 一种基于深度学习的风机叶片故障诊断方法 |
CN114357372A (zh) * | 2021-12-15 | 2022-04-15 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 |
CN113948159A (zh) * | 2021-12-21 | 2022-01-18 | 云智慧(北京)科技有限公司 | 一种变压器的故障检测方法、装置及设备 |
CN114454951A (zh) * | 2021-12-30 | 2022-05-10 | 南京航空航天大学 | 一种双电机线控转向系统及其卷积神经网络容错控制方法 |
CN114544155A (zh) * | 2022-01-28 | 2022-05-27 | 江苏科技大学 | 基于深度学习的auv推进器多信源融合故障诊断方法及系统 |
CN217280683U (zh) * | 2022-05-24 | 2022-08-23 | 安图实验仪器(郑州)有限公司 | 一种故障检测装置及质谱仪 |
CN115050628A (zh) * | 2022-05-24 | 2022-09-13 | 安图实验仪器(郑州)有限公司 | 一种故障检测装置及质谱仪 |
CN217820705U (zh) * | 2022-07-01 | 2022-11-15 | 安图实验仪器(郑州)有限公司 | 一种质谱仪测试装置 |
CN217820643U (zh) * | 2022-07-01 | 2022-11-15 | 安图实验仪器(郑州)有限公司 | 一种便携式质谱仪性能测试装置 |
CN115169534A (zh) * | 2022-07-07 | 2022-10-11 | 长沙民政职业技术学院 | 卷积神经网络的样本优化训练方法及计算机可读存储介质 |
CN115494431A (zh) * | 2022-09-22 | 2022-12-20 | 国网河北省电力有限公司电力科学研究院 | 一种变压器故障告警方法、终端设备和计算机可读存储介质 |
CN115563563A (zh) * | 2022-10-25 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 基于变压器油色谱分析的故障诊断方法及装置 |
Non-Patent Citations (4)
Title |
---|
刘琪,王树槐: "气相色谱-质谱联用仪常见故障的排除", 化学分析计量 * |
王丽华;谢阳阳;周子贤;张永宏;赵晓平;: "基于卷积神经网络的异步电机故障诊断", 振动.测试与诊断 * |
王静;: "浅谈7890A/5977A气质联用仪的结构、常见故障及处理办法", 分析仪器 * |
赵海浪;韩宁;王麟;曹石淼;: "Trace1300-ISQ型气质联用仪常见故障分析和处理", 分析仪器 * |
Also Published As
Publication number | Publication date |
---|---|
CN115951002B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113567604B (zh) | 色谱谱图的检测分析方法及电子设备 | |
US5658423A (en) | Monitoring and controlling plasma processes via optical emission using principal component analysis | |
CN113567603A (zh) | 色谱谱图的检测分析方法及电子设备 | |
CN109507554A (zh) | 一种电气设备绝缘状态评估方法 | |
CN110471395B (zh) | 一种故障检测方法、装置、设备及存储介质 | |
CN115982602A (zh) | 一种光伏变压器电故障检测方法 | |
CN108399271B (zh) | 仪器电控设备加速退化试验方法和系统 | |
CN111521883A (zh) | 一种用于获取高压直流输电线路电场测量值的方法及系统 | |
CN115951002A (zh) | 一种气质联用仪故障检测装置 | |
CN102542284B (zh) | 辨识光谱的方法 | |
CN114252748A (zh) | 一种电缆中间接头绝缘状态评估方法、系统及装置 | |
CN111352365B (zh) | 一种防尘通风型电力电气设备机柜及控制方法 | |
CN107798149B (zh) | 一种飞机维修性评估方法 | |
CN116520068A (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN111914490A (zh) | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 | |
CN109799379B (zh) | 充电检测方法、充电检测装置和插座 | |
CN116644368A (zh) | 一种基于改进的格拉布斯检验法的异常值识别方法 | |
CN112506908B (zh) | 一种电能计量数据清洗方法和系统 | |
CN110208658B (zh) | 一种对局部放电诊断结果进行多元互补交叉验证的方法 | |
CN115308644A (zh) | 基于电流偏移比差分析的变压器绕组故障检测方法及系统 | |
CN106501360A (zh) | 基于自比较趋势分析和振动声学的瓷绝缘子缺陷检测装置、系统及方法 | |
KR20190026554A (ko) | 결함 평가를 이용한 기계 상태 모니터링 장치 및 방법 | |
CN118091300B (zh) | 基于数据分析的贴片电阻故障诊断方法 | |
CN116087759B (zh) | 一种电路板导电路径的检验方法及电路系统 | |
US11796518B2 (en) | Apparatus and method for processing mass spectrum |
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 |