CN116738314A - 一种基于神经网络的空压机故障检测方法 - Google Patents

一种基于神经网络的空压机故障检测方法 Download PDF

Info

Publication number
CN116738314A
CN116738314A CN202310704537.5A CN202310704537A CN116738314A CN 116738314 A CN116738314 A CN 116738314A CN 202310704537 A CN202310704537 A CN 202310704537A CN 116738314 A CN116738314 A CN 116738314A
Authority
CN
China
Prior art keywords
air compressor
neural network
fault detection
model
detection method
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
CN202310704537.5A
Other languages
English (en)
Inventor
赵建洋
戴志颖
张耀可
李彪
徐乐乐
汤汉阳
单劲松
丁卫红
孙成富
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of 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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202310704537.5A priority Critical patent/CN116738314A/zh
Publication of CN116738314A publication Critical patent/CN116738314A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Discrete Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明为一种基于神经网络的空压机故障检测方法，包括以下步骤：获取空压机运行状态下的信号数据；对信号数据进行信号处理算法分析，收集处理后的参数信息；对空压机的故障情况进行分类，构建模型训练集；对应不同的故障信息，建立相应的神经网络模型；将实际信号数据输入模型，输出故障检测结果。本发明的优势是：将信号处理算法与神经网络算法结合，从信号的多个角度进行分析，得到更多元的参数信息，结合神经网络模型后，可提高空压机故障检测的精度与准确性。

Description

一种基于神经网络的空压机故障检测方法
技术领域
本发明涉及计算机信号处理与人工智能领域，尤其设计了一种基于神经网络的空压机故障检测方法。
技术背景
近些年，空气压缩机已经成为工业工厂里必不可少的动力设备，然而空压机在工作环境恶劣的情况下各类电路、机械设备在冲击、摩擦、振动等等的条件下长时间的运行，非常容易发生故障，并且故障的维修也比较困难，目前大多数企业采用的是人工定期排查处理的方式，这种方式浪费大量的人力，即时性差且效率低下，面对突发状况不单单影响企业的生产作业，甚至会发生安全事故。各行业、各企业在不断地实践中总结积累了大量空压机故障诊断技术，通过学习运用先进的空压机检修技术和经验，可以提高空压机使用能效，确保空压机设备安全、平稳运行，这对提高生产管理水平有着重要意义。
发明内容
发明目的：本发明提供了一种基于神经网络的空压机故障检测方法。该方法可以有效地提高空压机故障检测的精度与准确性，有效地适应不同工况下的设备检测工作，解决了因采集数据单一或者设备工况复杂而导致的故障检测结果误差大的问题，为后续的空压机故障检测提供新的思路。
技术方案：为了解决上述问题，本申请提出了一种基于神经网络的空压机故障检测方法，包括如下步骤：
S1：获取空压机运行状态下的历史信号数据；
S2：对信号数据进行信号处理算法分析，收集处理后的参数信息；
S3：对空压机的故障情况进行分类，构建模型训练集；
S4：建立相应的神经网络模型；
S5：将实际信号数据输入模型，输出故障检测结果。
优先地，获取空压机运行状态下的历史信号数据，获取方式具体为：采用专业的传感器设备采集到空压机相关的信号数据，传感器设备包括：振动传感器、电流传感器、温度传感器、转速传感器、压力传感器等。
优先地，所述步骤S1采集空压机的历史信号数据，包括力矩电流、磁通电流、输出电流、控制器温度、电机当前转速。
优先地，对信号数据进行信号处理算法分析，收集处理后的参数信息，具体为：采用的信号处理算法包括：快速傅里叶变换、小波变换、FIR滤波器、阶比分析算法。
优先地，快速傅里叶变换将信号从时域变换到频域，获得波形的频率分布情况。
优先地，所述的快速傅里叶变换公式使用离散傅里叶变换(DFT)进行计算，对这N个样本进行傅里叶变化，公式为：
式中，其结果Xk为xn对应的频域表示。
优先地，所述的傅里叶变换公式，注意时域和频域中均有N个样本，同时域中的时间间隔对应的频域间隔Δf为：
式中，Δf也被称为频率分辨率。
优先地，所述的小波变换具体为：连续小波变换，其公式为：
其中为Ψ(t)连续母波，a是尺度因子，b为平移因子。
优先地，FIR滤波器用来实现低通，高通，带通，带阻的滤波器设计。
优先地，利用阶比分析可以对一般频谱分析很难分析的旋转机械升、降速等非平稳阶段的系统特征信息进行提取。
优先地，所述的阶比分析法，根据旋转机械的振动与转速有密切联系的特性，需准确获得时刻与对应的转速数据。
优先地，所述的阶比分析中，阶比与转速的关系可表示为：
式中，f表示频率(Hz)，l为阶比，R表示转速(rpm)。
优先地，阶比谱的实现方法与传统的频谱分析基本一致，都采用FFT实现，不同处是所用数据为角域采样数据，得到的结果为阶比的谱线。
优先地，所述的角域采样数据是将时域的非稳定信号通过恒定角增量采样转变为角域的稳定信号。
优先地，所述的恒定角增量采样数据，即实现等角度采样，需准确获得阶比采样的时刻(时标)及相应的基准转速(或频率)。
优先地，所述步骤S2中处理后的参数信息，具体为：波形主要频率范围、频率峰值、小波变换尺度因子、主要阶数、滤波后波形图像。
优先地，对空压机的故障情况进行分类，具体有：磨损性故障、腐蚀性故障、断裂性故障。
优先地，所述的磨损性故障是运动部件的磨损在某一时刻超过极限值而引起的故障，此磨损是指机械工作过程中相互接触和运动的双面在摩擦作用作用下，其尺寸、形状和表面质量发生变化的现象。
优先地，所述的腐蚀性故障主要指金属腐蚀，金属有八种常见的腐蚀状态，具体为：均匀腐蚀、电偶腐蚀、缝隙腐蚀、针孔腐蚀、晶间腐蚀、选择性腐蚀、磨损腐蚀和应力腐蚀。
优先地，所述的断裂性故障，具体可分为机械疲劳断裂、热疲劳断裂和塑性断裂。其中，机械疲劳断裂是由弯曲疲劳、扭转疲劳、接触疲劳、复合载荷疲劳和其他疲劳引起的。
优先地，所述步骤S3中的模型训练集，其参数具体为：波形的主要频率范围、频率峰值、小波变换尺度因子、主要阶数、故障类型。
优先地，所述步骤S3中的模型训练集中，信号参数与故障类型参数的关系为多对一的关系，即多个信号参数信息对应于一个故障类型的参数信息。
优先地，对应不同的故障信息，建立相应的神经网络模型，搭建模型步骤具体为：
S91：数据预处理：数据归一化，并预留20％的数据做模型检验；
S92：设置网络结构：设置网络参数信息；
S93：网络模型训练：用训练数据对网络进行训练；
S94：网络模型验证：检验模型对检验数据的预测效果。
优先地，所述步骤S92中的设置网络结构的参数信息，具体为：定义输入层、隐藏层、输出层数量，设定节点之间的连接权重，设定学习率，设定激活函数。
优先地，所述的模型训练，具体为：计算输出误差后，平均平方误差小于期望误差，模型训练完成。
优先地，所述的模型验证，具体为：将预留的数据集输入模型，测试模型的准确度。
优先地，将实际信号数据输入模型，输出故障检测结果，具体为：输出的故障检测结果包括：空压机故障类型、空压机故障时的设备状态。
附图说明
图1是一种基于神经网络的空压机故障检测方法流程图；
图2是空压机运行状态下的历史信号数据；
图3是神经网络模型训练集；
图4是BP神经网络模型流程图；
图5是BP神经网络模型训练图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明实施方案作进一步详细描述。
实施例1：
一种基于神经网络的空压机故障检测方法，如图1所示，包括以下步骤：
S1：获取空压机运行状态下的信号数据，具体获取方法为：通过振动传感器、电流传感器、温度传感器、转速传感器、压力传感器获取其参数信息。
空压机运行状态下的部分历史信号数据，如图2所示，具体参数信息包括力矩电流、力矩电流反馈、磁通电流、磁通电流反馈、输出电流、控制器温度、电机当前转速，上述参数可在实际生产中检测获得。
S2：对信号数据进行信号处理算法分析，采用的信号处理算法包括：快速傅里叶变换、小波变换、FIR滤波器、阶比分析算法；快速傅里叶变换将信号从时域变换到频域，可有效地将采集的离散时域信号变换成离散频域信号，获得波形的频率分布情况。
快速傅里叶变换公式使用离散傅里叶变换(DFT)进行计算，对这N个样本进行傅里叶变化，公式为：
式中，其结果Xk为xn对应的频域表示。注意时域和频域中均有N个样本，同时域中的时间间隔对应的频域间隔Δf为：
式中，Δf也被称为频率分辨率，增加采样次数N或减小采样频率fs均能减小Δf，提高分辨率。
小波变换继承和发展了短时傅立叶变换局部化的思想，又克服了窗口大小不随频率变化等缺点，提供一个随频率改变的“时间-频率”窗口，可有效地进行信号时频分析和处理。连续小波变换，其公式为：
式中，为Ψ(t)连续母波，a是尺度因子，b为平移因子。
FIR滤波器是有限脉冲响应数字滤波器，是一种线性时不变的数字滤波器，它由一系列线性相关的延迟线路组成，每个线路都有不同的延迟时间和权重。可以用来实现低通，高通，带通，带阻的滤波器设计。
阶比分析可以对一般频谱分析很难分析的旋转机械升、降速等非平稳阶段的系统特征信息进行提取。由于旋转机械的振动通常与转速有密切联系，阶比分析在旋转机械特征分析的非平稳信号分析中占有重要地位。所述的阶比分析中，阶比与转速的关系可表示为：
式中，f表示频率(Hz)，l为阶比，R表示转速(rpm)。
阶比谱的实现方法与传统的频谱分析基本一致，都采用FFT实现，不同处是所用数据为角域采样数据，得到的结果为阶比的谱线。所述的角域采样数据是将时域的非稳定信号通过恒定角增量采样转变为角域的稳定信号。所述的恒定角增量采样数据，即实现等角度采样。需要准确获得阶比采样的时刻(时标)及相应的基准转速(或频率)。
收集处理后的参数信息，主要包括：波形主要频率范围、频率峰值、小波变换尺度因子、主要阶数、滤波后波形图像。
S3：对空压机的故障情况进行分类，构建模型训练集。空压机运行状态下的故障情况可划分为：磨损性故障、腐蚀性故障、断裂性故障。根据处理后的参数信息与故障类型相对应构建模型训练集，训练集中参数包括：波形的主要频率范围、频率峰值、小波变换尺度因子、主要阶数、故障类型。
神经网络模型的部分训练集，如图3所示，具体参数包括波形编号、主频率范围、频率峰值、尺度因子、主要阶数、故障类型，上述参数之间关系为多对一的关系，其中“多”指主频率范围、频率峰值、尺度因子、主要阶数，“一”指故障类型。
S4：对应不同的故障信息，建立相应的神经网络模型，BP神经网络模型流程图，如图4所示，具体搭建模型步骤如下：
S91：数据预处理：数据归一化，并预留20％的数据做模型检验；
S92：设置网络结构：设置网络参数信息，主要包括：定义输入层，输入层的节点数量等于输入变量的数量；定义隐藏层，隐藏层的节点数量根据输入变量的数量来确定；定义输出层，输出层的节点数量等于输出变量的数量；连接输入层和隐藏层，设定每个节点之间的连接权重；连接隐藏层和输出层，设定每个节点之间的连接权重；设定学习率；设定激活函数；
S93：网络模型训练：用训练数据对网络进行训练，BP神经网络模型训练如图5所示，在神经网络模型中计算输出误差，平均平方误差小于期望误差时，模型训练完成；
S94：网络模型验证：检验模型对检验数据的预测效果，将预留的数据集输入模型，测试模型的准确度；
S5：将实际信号数据输入模型，输出故障检测结果包括：空压机故障类型、空压机故障时的设备状态，技术人员可根据输出结果，对空压机出现的故障进行维护、修理等操作。

Claims (10)

1.一种基于神经网络的空压机故障检测方法，其特征在于：包括以下步骤：
S1：获取空压机运行状态下的历史信号数据；
S2：对历史信号数据进行信号处理算法分析，收集处理后的参数信息；
S3：对空压机的故障情况进行分类，构建模型训练集；
S4：建立神经网络模型；
S5：将实际信号数据输入模型，输出故障检测结果。
2.根据权利要求1所述的一种基于神经网络的空压机故障检测方法，其特征在于：所述步骤S1中获取空压机运行状态下的历史信号数据，具体为：通过振动传感器、电流传感器、温度传感器、转速传感器、压力传感器获取对应参数信息。
3.根据权利要求1所述的一种基于神经网络的空压机故障检测方法，其特征在于：所述步骤S1中历史信号参数包括力矩电流、磁通电流、输出电流、控制器温度、电机当前转速。
4.根据权利要求1所述的一种基于神经网络的空压机故障检测方法，其特征在于：所述步骤S2中信号处理的算法包括：快速傅里叶变换、小波变换、FIR滤波器、阶比分析算法，所述的阶比分析算法可在变转速的工况下，有效地对空压机故障部位做出准确的判断。
5.根据权利要求1所述的一种基于神经网络的空压机故障检测方法，其特征在于：所述步骤S2中处理后的参数信息，具体为：波形的主要频率范围、频率峰值、小波变换尺度因子、主要阶数、滤波后波形图像。
6.根据权利要求1所述的一种基于神经网络的空压机故障检测方法，其特征在于：所述步骤S3中空压机运行状态下的故障情况可划分为三大类：磨损性故障、腐蚀性故障、断裂性故障。
7.根据权利要求1所述的一种基于神经网络的空压机故障检测方法，其特征在于：所述步骤S3中处理后的参数信息与故障类型相对应，构成建模时需要的训练集，其中随机选用20%数据留作模型检验，80%数据用于训练。
8.根据权利要求2或7所述的一种基于神经网络的空压机故障检测方法，其特征在于：所述步骤S2与S3中处理后的参数信息与故障类型参数属于多对一的关系，即多个信号参数信息对应于一个故障参数信息。
9.根据权利要求1所述的一种基于神经网络的空压机故障检测方法，其特征在于：所述步骤S4中搭建神经网络模型包括以下步骤：
S91：数据预处理：数据归一化，并预留20%的数据做模型检验；
S92：设置网络结构：设置网络隐藏层层数和隐藏层神经元个数；
S93：网络模型训练：用训练数据对网络进行训练；
S94：网络模型验证：检验模型对检验数据的预测效果得到训练好的模型。
10.根据权利要求1所述的一种基于神经网络的空压机故障检测方法，其特征在于：所述步骤S5中输出的结果包括：空压机故障信息、主要频率范围、频率峰值、滤波后波形图像。
CN202310704537.5A 2023-06-14 2023-06-14 一种基于神经网络的空压机故障检测方法 Pending CN116738314A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310704537.5A CN116738314A (zh) 2023-06-14 2023-06-14 一种基于神经网络的空压机故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310704537.5A CN116738314A (zh) 2023-06-14 2023-06-14 一种基于神经网络的空压机故障检测方法

Publications (1)

Publication Number Publication Date
CN116738314A true CN116738314A (zh) 2023-09-12

Family

ID=87912970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310704537.5A Pending CN116738314A (zh) 2023-06-14 2023-06-14 一种基于神经网络的空压机故障检测方法

Country Status (1)

Country Link
CN (1) CN116738314A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117910538A (zh) * 2024-03-19 2024-04-19 成都三一能源环保技术有限公司 基于机器学习的井下钻井仪器运行状态监测系统
CN118674330A (zh) * 2024-08-23 2024-09-20 日立压缩机(常熟)有限公司 一种基于神经网络的空压机生产质量监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117910538A (zh) * 2024-03-19 2024-04-19 成都三一能源环保技术有限公司 基于机器学习的井下钻井仪器运行状态监测系统
CN118674330A (zh) * 2024-08-23 2024-09-20 日立压缩机(常熟)有限公司 一种基于神经网络的空压机生产质量监测方法及系统

Similar Documents

Publication Publication Date Title
CN116738314A (zh) 一种基于神经网络的空压机故障检测方法
Luo et al. Early fault detection of machine tools based on deep learning and dynamic identification
CN104634571B (zh) 一种基于lcd‑mf的滚动轴承故障诊断方法
CN109211548A (zh) 一种机械故障诊断方法
Luo et al. On-line vibration analysis with fast continuous wavelet algorithm for condition monitoring of bearing
CN107576488A (zh) 一种采用振动算法对设备运行状态进行监测诊断的方法
Goyal et al. Applications of digital signal processing in monitoring machining processes and rotary components: a review
CN107782443B (zh) 一种风力发电机叶片固有频率自动提取方法
CN106441843B (zh) 一种旋转机械故障波形识别方法
CN108544303A (zh) 一种数控机床主轴故障诊断方法及系统
CN112461934B (zh) 一种基于声发射的航空发动机叶片裂纹源定位方法
THAMBA et al. Journal bearing fault detection based on Daubechies wavelet
Su et al. Fault diagnosis of rotating machinery based on wavelet domain denoising and metric distance
CN102682180A (zh) 旋转式机械设备性能退化的评估方法
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
CN109710955A (zh) 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法
CN111413404A (zh) 基于叶尖定时和支持向量机原理的叶片裂纹在线测量方法
CN117113104A (zh) 一种应用数据分析技术的智能化管理系统及方法
Wegerich et al. Nonparametric modeling of vibration signal features for equipment health monitoring
CN114755017A (zh) 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法
CN114354188A (zh) 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法
CN117961643A (zh) 一种基于多轴电流信号的数控机床在线故障监测方法
CN112686181B (zh) 一种基于插值轴心轨迹的水轮机故障诊断方法
CN110987396A (zh) 一种用于采煤机摇臂的智能故障诊断及寿命预测方法
CN114295367A (zh) 一种风电机组齿轮箱工况在线监测方法

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