CN117150236A - 离心压缩机故障诊断方法及装置、存储介质、计算机设备 - Google Patents

离心压缩机故障诊断方法及装置、存储介质、计算机设备 Download PDF

Info

Publication number
CN117150236A
CN117150236A CN202310920729.XA CN202310920729A CN117150236A CN 117150236 A CN117150236 A CN 117150236A CN 202310920729 A CN202310920729 A CN 202310920729A CN 117150236 A CN117150236 A CN 117150236A
Authority
CN
China
Prior art keywords
index
deviation
fault
component
pneumatic
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
CN202310920729.XA
Other languages
English (en)
Inventor
姜孝谟
杨树华
杨海宾
孟继纲
徐彬坤
肖忠会
张锦
安仁鹏
李凯华
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.)
Shenyang Blower Works Group Corp
Shenyang Turbo Machinery Co Ltd
Original Assignee
Shenyang Blower Works Group Corp
Shenyang Turbo Machinery Co Ltd
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 Shenyang Blower Works Group Corp, Shenyang Turbo Machinery Co Ltd filed Critical Shenyang Blower Works Group Corp
Priority to CN202310920729.XA priority Critical patent/CN117150236A/zh
Publication of CN117150236A publication Critical patent/CN117150236A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/022—Power-transmitting couplings or clutches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/023—Power-transmitting endless elements, e.g. belts or chains
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Acoustics & Sound (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种离心压缩机故障诊断方法及装置、存储介质、计算机设备，属于故障诊断技术领域，主要在于解决现有技术对离心压缩机的运行状态监测不到位，故障诊断不全面的问题，包括获取各个部件的运行状态数据以及系统出入监测数据，并对上述数据进行数据清洗处理，得到待分析数据；确定与各个部件相对应的部件故障评价指标，并基于部件故障评价指标对待分析运行状态数据进行指标评价处理，确定部件指标偏差项；和/或，获取气动故障评价指标，并基于预训练的气动映射模型对待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；基于上述指标偏差项确定对应的故障类型，并基于故障类型进行故障报警。

Description

离心压缩机故障诊断方法及装置、存储介质、计算机设备
技术领域
本发明涉及故障诊断技术领域，特别是涉及一种离心压缩机故障诊断方法及装置、存储介质、计算机设备。
背景技术
离心压缩机是依靠旋转叶轮对气体做功并经扩压器将气体的速度能转换为压力能的高端动力装备，被喻为“工业心脏”，广泛应用于能源、化工、冶金、电力、环保、空分、国防等重要领域。离心压缩机在长时间的服役过程中难免会发生故障，因而导致的生产线停产，造成巨大的经济损失，甚至有些故障还可能会带来人员伤亡。因此，及时有效得监测离心压缩机的运行状态，并针对隐藏故障采取积极的措施，对保障系统的安全平稳运行和降低运维成本具有重要意义。
目前，针对离心压缩机的运行状态，主要在轴、轴承、叶轮、叶片、齿轮和联轴器等旋转部件处进行高频振动信号监测，并在振动信号的时域、频域和时频域进行特征提取，再基于提取的特征分析是否出现故障。但是，离心压缩机结构复杂，除了包含轴、轴承、叶轮、叶片、齿轮和联轴器等旋转部件，还包好密封、过滤、导流、润滑和螺栓等功能性部件，现有的监测手段对离心压缩机的监测及故障诊断不够全面，从而导致很难对故障类型和程度做出全面、准确、及时判别。
发明内容
有鉴于此，本发明提供一种离心压缩机故障诊断方法及装置、存储介质、计算机设备，主要目的在于解决现有技术对离心压缩机的运行状态监测不到位，故障诊断不全面导致的故障类型和故障程度不能被全面、准确、及时发现的问题。
依据本发明一个方面，提供了一种离心压缩机故障诊断方法，包括：
获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；
确定与各个所述部件相对应的部件故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项；和/或，
获取气动故障评价指标，并基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；
基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型，并基于所述故障类型进行故障报警。
进一步的，所述对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理包括：
通过传感器电压判断对应的传感器是否处于正常运行状态，并将处于非正常运行状态的传感器监测数据删除；和/或，
从所述运行状态数据中获取振动信号和/或声音信号，对所述振动信号和/或所述声音信号进行去噪处理；和/或，
对数据监测时所述离心压缩机的工况进行判断，并将处于启动工况和停机工况下的监测数据删除。
进一步的，所述获取与各个所述部件相对应的故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项包括：
获取与所述部件故障评价指标相对应的部件故障阈值；
从所述待分析运行状态数据中获取与所述部件故障评价指标相对应的目标待分析运行状态数据，并将所述目标待分析运行状态数据与所述部件故障阈值进行比较；
将所述待分析运行状态数据大于所述部件故障阈值所对应的部件故障评价指标确定为所述部件指标偏差项。
进一步的，所述基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理之前，所述方法还包括：
获取所述离心压缩机正常状态下系统输入监测数据和系统输出监测数据；
基于所述系统输入监测数据与所述系统输出监测数据对机器学习模型进行训练操作，得到所述气动映射模型。
进一步的，所述基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项包括：
从所述待分析系统出入监测数据中获取待分析系统输入监测数据，并采用所述气动映射模型进行模拟，得到预测系统输出监测数据；
从所述待分析系统出入监测数据中获取待分析系统输出监测数据，并计算所述待分析系统输出监测数据与所述预测系统输出监测数据之间的偏差值；
获取与所述气动故障评价指标相对应的气动偏差阈值，并将所述偏差值大于所述气动偏差阈值所对应的气动故障评价指标确定为所述气动指标偏差项。进一步的，所述基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型包括：
若所述部件指标偏差项和/或所述气动指标偏差项的总数大于1，则对所述部件指标偏差项和/或所述气动指标偏差项进行降维处理，得到目标指标偏差项；
若所述部件指标偏差项和/或所述气动指标偏差项的总数等于1，则将所述部件指标偏差项或所述气动指标偏差项确定为目标指标偏差项；
基于所述目标指标偏差项确定所述故障类型。
进一步的，所述对所述部件指标偏差项和/或所述气动指标偏差项进行降维处理，得到目标指标偏差项包括：
采用主成分分析方法从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过多变量多尺度排列熵模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过残差控制图模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定超出控制上下限的主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项。
依据本发明另一个方面，提供了一种离心压缩机故障诊断装置，包括：
数据处理模块，用于获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；
第一确定模块，用于确定与各个所述部件相对应的部件故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项；
第二确定模块，用于获取气动故障评价指标，并基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；
诊断及报警模块，用于基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型，并基于所述故障类型进行故障报警。
进一步的，所述数据处理模块还用于：
通过传感器电压判断对应的传感器是否处于正常运行状态，并将处于非正常运行状态的传感器监测数据删除；和/或，
从所述运行状态数据中获取振动信号和/或声音信号，对所述振动信号和/或所述声音信号进行去噪处理；和/或，
对数据监测时所述离心压缩机的工况进行判断，并将处于启动工况和停机工况下的监测数据删除。
进一步的，所述第一确定模块还用于：
获取与所述部件故障评价指标相对应的部件故障阈值；
从所述待分析运行状态数据中获取与所述部件故障评价指标相对应的目标待分析运行状态数据，并将所述目标待分析运行状态数据与所述部件故障阈值进行比较；
将所述待分析运行状态数据大于所述部件故障阈值所对应的部件故障评价指标确定为所述部件指标偏差项。
进一步的，所述装置还包括模型训练模块，用于：
获取所述离心压缩机正常状态下系统输入监测数据和系统输出监测数据；
基于所述系统输入监测数据与所述系统输出监测数据对机器学习模型进行训练操作，得到所述气动映射模型。
进一步的，所述第二确定模块还用于：
从所述待分析系统出入监测数据中获取待分析系统输入监测数据，并采用所述气动映射模型进行模拟，得到预测系统输出监测数据；
从所述待分析系统出入监测数据中获取待分析系统输出监测数据，并计算所述待分析系统输出监测数据与所述预测系统输出监测数据之间的偏差值；
获取与所述气动故障评价指标相对应的气动偏差阈值，并将所述偏差值大于所述气动偏差阈值所对应的气动故障评价指标确定为所述气动指标偏差项。
进一步的，所述诊断及报警模块还用于：
若所述部件指标偏差项和/或所述气动指标偏差项的总数大于1，则对所述部件指标偏差项和/或所述气动指标偏差项进行降维处理，得到目标指标偏差项；
若所述部件指标偏差项和/或所述气动指标偏差项的总数等于1，则将所述部件指标偏差项或所述气动指标偏差项确定为目标指标偏差项；
基于所述目标指标偏差项确定所述故障类型。
进一步的，所述诊断及报警模块还用于：
采用主成分分析方法从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过多变量多尺度排列熵模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过残差控制图模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定超出控制上下限的主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项。
依据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述离心压缩机故障诊断方法对应的操作。
依据本发明另一个方面，提供了一种计算机设备，包括处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述离心压缩机故障诊断方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种离心压缩机故障诊断方法及装置、存储介质、计算机设备，与现有技术相比，本发明通过获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对上述数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；确定与各个部件相对应的部件故障评价指标，并基于部件故障评价指标对待分析运行状态数据进行指标评价处理，确定部件指标偏差项；和/或，获取气动故障评价指标，并基于预训练的气动映射模型对待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；基于部件指标偏差项和/或气动指标偏差项确定离心压缩机对应的故障类型，并基于故障类型进行故障报警，不仅实现了对离心压缩机的旋转部件的故障监测及诊断，还实现了对离心压缩机的功能性部件部件的故障监测及诊断，使得故障诊断更加全面具体、及时准确。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种离心压缩机故障诊断方法的流程示意图；
图2示出了本发明实施例提供的另一种离心压缩机故障诊断方法的流程示意图；
图3示出了本发明实施例提供的又一种离心压缩机故障诊断方法的流程示意图；
图4示出了本发明实施例提供的一种离心压缩机故障诊断装置的结构示意图；
图5示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种离心压缩机故障诊断方法，如图1所示，该方法包括：
101、获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；
本发明实施例中，当前执行端获取离心压缩机各个部件的运行状态数据以及系统出入监测数据。其中，运行状态数据用于表征离心压缩机系统中各个部件的运行状态的监测数据，如轴承处温度传感器监测的温度数据、轴承处振动传感器监测的振动数据、轴承处声音传感器监测的声音数据、齿轮处振动传感器监测的振动数据、齿轮处声音传感器监测的声音数据、叶轮处振动传感器监测的振动数据、叶轮处声音传感器监测的声音数据、气缸处温度传感器采集的温度数据等，本发明实施例不做具体限定。其中，系统出入监测数据用于表征离心压缩机系统的输入数据和离心压缩机系统的输出数据，系统输入数据包括输入转速、输入压力、输入气体流量、输入温度、倒流阀形态等，系统输出数据包括输出压力、输出流量、输出温度等，本发明实施例不做具体限定。
需要说明的是，当前执行端在获取到各个部件的运行状态数据以及系统出入监测数据之后，对上述数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据。其中，数据清洗处理包括：删除具有缺失项的数据、删除不稳定状态下采集的数据、删除错误数据、对数据进行去噪处理等，本发明实施例不做具体限定。
102、确定与各个所述部件相对应的部件故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项；
本发明实施例中，当前执行端确定与各个部件相对应的部件故障评价指标，如下表1所示：
表1与各部件相对应的部件故障评价指标表
上述表1中不仅罗列了一些离心压缩机部件的评价指标还罗列了各个评价指标的提取方式，本发明实施例不做具体限定。当前执行端在确定与各个部件相对应的部件故障评价指标之后，还基于部件故障评价指标对待分析运行状态数据进行指标评价处理，确定部件指标偏差项。如，先确定与部件轴承相对应的部件故障评价指标为：轴承温度、轴承故障时域特征、故障频率幅值和轴承故障声学特征；然后，从待分析运行状态数据中通过上述指标对应的提取方法进行数据提取，得到目标待分析运行状态数据；再通过指标评价处理，得到指标的偏差项。其中，指标评价处理包括是否超阈值判断、特征相似度判断等，本发明实施例不做具体限定。若上述表1中的指标均未出现偏差，则认为离心压缩机的各个部件均正常运行。
103、获取气动故障评价指标，并基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；
本发明实施例中，当前执行端获取气动故障评价指标，并基于预训练的气动映射模型对待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项。其中，气动故障评价指标包括系统输出监测数据与通过气动映射模型预测后得到的预测系统输出监测数据之间的绝对偏差值或者平均绝对偏差值等，本发明实施例不做具体限定。其中，气动映射模型用于表征离心压缩机系统的输入数据与输出数据之间的映射关系的模型表示，可以采用深度神经网络模型DNN、循环神经网络模型RNN等进行模型训练得到，本发明实施例不做具体限定。若上述气动故障评价指标均未出现偏差，则认为离心压缩机不存在气动故障。
需要说明的是，当系统输出为单变量数据时，气动故障评价指标为绝对偏差；当系统输出为多变量数据时，气动故障评价指标为标准化后的平均绝对偏差。
104、基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型，并基于所述故障类型进行故障报警。
本发明实施例中，当前执行端基于部件指标偏差项和气动指标偏差项确定离心压缩机对应的故障类型，如计算各个指标偏差项对应的故障类型的发生概率，再基于综合概率确定故障类型等，本发明实施例不做具体限定。当前执行端在确定故障类型之后，再基于故障类型进行故障报警，以提醒相关人员对离心压缩机系统的故障部位进行及时准确得检修，避免了更大的经济损失。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了提高离心压缩机故障诊断的准确率，对监测数据进行预处理，提供了另一种离心压缩机故障诊断方法，步骤对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理包括：
通过传感器电压判断对应的传感器是否处于正常运行状态，并将处于非正常运行状态的传感器监测数据删除；和/或，
从所述运行状态数据中获取振动信号和/或声音信号，对所述振动信号和/或所述声音信号进行去噪处理；和/或，
对数据监测时所述离心压缩机的工况进行判断，并将处于启动工况和停机工况下的监测数据删除。
本发明实施例中，当前执行端通过传感器电压对传感器的运行状态进行判断，包括对传感器的供电电压检测和输出电压检测两个方面，当有一个方面出现问题时，则认为传感器处于非正常运行状态，并将处于非正常运行状态下传感器的监测数据从运行状态数据中删除。此外，当前执行端还对振动传感器和声音采集器采集的振动信号和声音信号进行去噪处理，比如采用非线性滤波的去噪方法、基于模型的去噪方法、统计去噪方法等，本发明实施例不做具体限定。另外，当前执行端还对数据监测时离心压缩机的工况进行判断，由于离心压缩机在启停机阶段采集的数据失真，严重影响诊断结果的精度。所以，尽量采用设备稳定运行一定时间后的数据用于故障诊断，从而将处于启动工况和停机工况下的监测数据删除。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了全面得监测离心压缩机各个部件的运行状态，并尽快找出可能发生故障的部件，提供了另一种离心压缩机故障诊断方法，如图2所示，步骤获取与各个所述部件相对应的故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项包括：
201、获取与所述部件故障评价指标相对应的部件故障阈值；
202、从所述待分析运行状态数据中获取与所述部件故障评价指标相对应的目标待分析运行状态数据，并将所述目标待分析运行状态数据与所述部件故障阈值进行比较；
203、将所述待分析运行状态数据大于所述部件故障阈值所对应的部件故障评价指标确定为所述部件指标偏差项。
本发明实施例中，当前执行端获取与部件故障评价指标相对应的部件故障阈值，如获取与轴承相关的部件故障评价指标相对应的部件故障阈值包括：轴承温度阈值、轴承故障振动时域特征相似度阈值、故障频率幅值阈值、轴承故障声学特征相似度阈值等，本发明实施例不做具体限定。当前执行端从待分析运行状态数据中获取与部件故障评价指标相对应的目标待分析运行状态数据，如获取轴承温度传感器监测的轴承温度数据T作为与轴承温度评价指标相对应的目标待分析运行状态数据；获取轴承振动传感器监测的振动信号，并从振动信号中提取时域特征α，将提取的振动信号时域特征α作为与轴承故障时域特征评价指标相对应的目标待分析运行状态数据等，本发明实施例不做具体限定。当前执行端将目标待分析运行状态数据与部件故障阈值进行比较，如将轴承温度数据T与轴承温度阈值T*进行比较，当轴承温度数据T大于轴承温度阈值T*时，将部件故障评价指标轴承温度确定为部件指标偏差项；若当轴承温度数据T不大于轴承温度阈值T*时，则认为轴承温度这一指标没有因为故障发生偏差，不将轴承温度列入部件指标偏差项。另外，如获取轴承振动监测并提取的振动信号时域特征α，并计算振动信号时域特征α与轴承故障时域特征α*之间的相似度L，当相似度L值大于轴承故障振动时域特征相似度阈值L*时，将部件故障评价指标轴承故障振动信号时域特征确定为部件指标偏差项；若当相似度L值不大于轴承故障振动时域特征相似度阈值L*时，则认为轴承故障振动时域特征这一指标没有因为故障发生偏差，不将轴承故障振动时域特征列入部件指标偏差项等，本发明实施例不做具体限定。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了对离心压缩机系统的气动类型故障进行有效识别，确定正常运行状态下的系统输入与系统输出之间的映射关系，提供了另一种离心压缩机故障诊断方法，步骤基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理之前，所述方法还包括：
获取所述离心压缩机正常状态下系统输入监测数据和系统输出监测数据；
基于所述系统输入监测数据与所述系统输出监测数据对机器学习模型进行训练操作，得到所述气动映射模型。
本发明实施例中，当前执行端获取离心压缩机正常状态下系统输入监测数据和系统输出监测数据。其中，系统输入数据包括输入转速、输入压力、输入气体流量、输入温度、倒流阀形态等，系统输出数据包括输出压力、输出流量、输出温度等，本发明实施例不做具体限定。当前执行端基于系统输入监测数据与系统输出监测数据对机器学习模型进行训练操作，得到所述气动映射模型。其中，机器学习模型包括深度神经网络模型DNN、循环神经网络模型RNN等，本发明实施例不做具体限定。具体得，可以对应不同的故障类型建立不同的系统输入监测数据与不同的系统输出监测数据之间的映射关系，如表2所示：
表2系统出入映射关系建模方案表
需要说明的是，根据表2所示的5种故障类型，可以分别建立5个不同的气动映射模型，分别用于表征离心压缩机的不同系统输入数据与系统输出数据之间的映射关系。区别在于，不同的气动故障类型对应的系统输出数据产生偏差的指标不同。此外，当系统输出为单变量数据时，气动故障评价指标为绝对偏差；当系统输出为多变量数据时，气动故障评价指标为标准化后的平均绝对偏差。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了快速确定气动故障评价指标是否发生偏差，提供了另一种离心压缩机故障诊断方法，如图3所示，步骤基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项包括：
301、从所述待分析系统出入监测数据中获取待分析系统输入监测数据，并采用所述气动映射模型进行模拟，得到预测系统输出监测数据；
本发明实施例中，当前执行端从待分析系统出入监测数据中获取待分析系统输入监测数据，如基于气动故障类型密封失效，获取对应的待分析系统输入监测数据为转速、压力、流量、温度和导流阀形态数据，并采用训练的与气动故障类型密封失效相对应的气动映射模型进行模拟，得到预测系统输出监测数据，即模型预测得到的正常运行状态下的系统输出，包括压力、流量及温度数据。
302、从所述待分析系统出入监测数据中获取待分析系统输出监测数据，并计算所述待分析系统输出监测数据与所述预测系统输出监测数据之间的偏差值；
本发明实施例中，当前执行端从待分析系统出入监测数据中获取待分析系统输出监测数据，即获取用温度传感器、流量传感器即压力传感器监测的系统输出监测数据，本发明实施例不做具体限定。当前执行端计算待分析系统输出监测数据与预测系统输出监测数据之间的偏差值，如采用训练的与气动故障类型密封失效相对应的气动映射模型进行模拟，得到正常运行状态下的系统输出预测的压力、流量及温度数据为{a3、b3、c3}；用温度传感器、流量传感器即压力传感器监测的系统输出监测数据为{a3’、b3’、c3’}，计算{a3、b3、c3}与{a3’、b3’、c3’}之间的偏差值，记为β3，本发明实施例不做具体限定。
303、获取与所述气动故障评价指标相对应的气动偏差阈值，并将所述偏差值大于所述气动偏差阈值所对应的气动故障评价指标确定为所述气动指标偏差项。
本发明实施例中，当前执行端获取与气动故障评价指标相对应的气动偏差阈值，如获取密封失效对应的气动故障评价指标(由压力、流量、温度确定的平均绝对偏差)相对应的气动偏差阈值将步骤302中计算得到的偏差值β3与气动偏差阈值/>进行比较，若偏差值β3大于气动偏差阈值/>则对应的气动故障评价指标(由压力、流量、温度确定的平均绝对偏差)确定为气动指标偏差项；若偏差值β3不大于气动偏差阈值/>则认为不存在密封失效故障带来的指标偏差问题，本发明实施例不做具体限定。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了基于偏差项更加全面得分析故障类型，提供了另一种离心压缩机故障诊断方法，步骤基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型包括：
若所述部件指标偏差项和/或所述气动指标偏差项的总数大于1，则对所述部件指标偏差项和/或所述气动指标偏差项进行降维处理，得到目标指标偏差项；
本发明实施例中，当前执行端对步骤201至步骤203，以及步骤301至步骤303得到的部件指标偏差项和气动指标偏差项的总数进行统计，若总数大于1，则对部件指标偏差项和气动指标偏差项进行降维处理，包括：
采用主成分分析方法从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过多变量多尺度排列熵模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过残差控制图模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定超出控制上下限的主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项。
若部件指标偏差项或气动指标偏差项的总数等于1，则将唯一的部件指标偏差项或气动指标偏差项确定为目标指标偏差项。当前执行端再基于目标指标偏差项确定故障类型。
本发明实施例提供了一种离心压缩机故障诊断方法，与现有技术相比，本发明通过获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对上述数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；确定与各个部件相对应的部件故障评价指标，并基于部件故障评价指标对待分析运行状态数据进行指标评价处理，确定部件指标偏差项；和/或，获取气动故障评价指标，并基于预训练的气动映射模型对待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；基于部件指标偏差项和/或气动指标偏差项确定离心压缩机对应的故障类型，并基于故障类型进行故障报警，不仅实现了对离心压缩机的旋转部件的故障监测及诊断，还实现了对离心压缩机的功能性部件部件的故障监测及诊断，使得故障诊断更加全面具体、及时准确。
作为对上述图1所示方法的实现，本发明实施例提供了一种离心压缩机故障诊断装置，如图4所示，该装置包括：
数据处理模块41，用于获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；
第一确定模块42，用于确定与各个所述部件相对应的部件故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项；
第二确定模块43，用于获取气动故障评价指标，并基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；
诊断及报警模块44，用于基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型，并基于所述故障类型进行故障报警。
进一步的，所述数据处理模块41还用于：
通过传感器电压判断对应的传感器是否处于正常运行状态，并将处于非正常运行状态的传感器监测数据删除；和/或，
从所述运行状态数据中获取振动信号和/或声音信号，对所述振动信号和/或所述声音信号进行去噪处理；和/或，
对数据监测时所述离心压缩机的工况进行判断，并将处于启动工况和停机工况下的监测数据删除。
进一步的，所述第一确定模块42还用于：
获取与所述部件故障评价指标相对应的部件故障阈值；
从所述待分析运行状态数据中获取与所述部件故障评价指标相对应的目标待分析运行状态数据，并将所述目标待分析运行状态数据与所述部件故障阈值进行比较；
将所述待分析运行状态数据大于所述部件故障阈值所对应的部件故障评价指标确定为所述部件指标偏差项。
进一步的，所述装置还包括模型训练模块，用于：
获取所述离心压缩机正常状态下系统输入监测数据和系统输出监测数据；
基于所述系统输入监测数据与所述系统输出监测数据对机器学习模型进行训练操作，得到所述气动映射模型。
进一步的，所述第二确定模块43还用于：
从所述待分析系统出入监测数据中获取待分析系统输入监测数据，并采用所述气动映射模型进行模拟，得到预测系统输出监测数据；
从所述待分析系统出入监测数据中获取待分析系统输出监测数据，并计算所述待分析系统输出监测数据与所述预测系统输出监测数据之间的偏差值；
获取与所述气动故障评价指标相对应的气动偏差阈值，并将所述偏差值大于所述气动偏差阈值所对应的气动故障评价指标确定为所述气动指标偏差项。
进一步的，所述诊断及报警模块44还用于：
若所述部件指标偏差项和/或所述气动指标偏差项的总数大于1，则对所述部件指标偏差项和/或所述气动指标偏差项进行降维处理，得到目标指标偏差项；
若所述部件指标偏差项和/或所述气动指标偏差项的总数等于1，则将所述部件指标偏差项或所述气动指标偏差项确定为目标指标偏差项；
基于所述目标指标偏差项确定所述故障类型。
进一步的，所述诊断及报警模块44还用于：
采用主成分分析方法从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过多变量多尺度排列熵模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过残差控制图模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定超出控制上下限的主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项。
本发明实施例提供了一种离心压缩机故障诊断装置，与现有技术相比，本发明通过获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对上述数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；确定与各个部件相对应的部件故障评价指标，并基于部件故障评价指标对待分析运行状态数据进行指标评价处理，确定部件指标偏差项；和/或，获取气动故障评价指标，并基于预训练的气动映射模型对待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；基于部件指标偏差项和/或气动指标偏差项确定离心压缩机对应的故障类型，并基于故障类型进行故障报警，不仅实现了对离心压缩机的旋转部件的故障监测及诊断，还实现了对离心压缩机的功能性部件部件的故障监测及诊断，使得故障诊断更加全面具体、及时准确。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的离心压缩机故障诊断方法。
图5示出了根据本发明一个实施例提供的一种计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。
如图5所示，该计算机设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述离心压缩机故障诊断方法的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；
确定与各个所述部件相对应的部件故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项；和/或，
获取气动故障评价指标，并基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；
基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型，并基于所述故障类型进行故障报警。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种离心压缩机故障诊断方法，其特征在于，包括：
获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；
确定与各个所述部件相对应的部件故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项；和/或，
获取气动故障评价指标，并基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；
基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型，并基于所述故障类型进行故障报警。
2.根据权利要求1所述的方法，其特征在于，所述对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理包括：
通过传感器电压判断对应的传感器是否处于正常运行状态，并将处于非正常运行状态的传感器监测数据删除；和/或，
从所述运行状态数据中获取振动信号和/或声音信号，对所述振动信号和/或所述声音信号进行去噪处理；和/或，
对数据监测时所述离心压缩机的工况进行判断，并将处于启动工况和停机工况下的监测数据删除。
3.根据权利要求1所述的方法，其特征在于，所述获取与各个所述部件相对应的故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项包括：
获取与所述部件故障评价指标相对应的部件故障阈值；
从所述待分析运行状态数据中获取与所述部件故障评价指标相对应的目标待分析运行状态数据，并将所述目标待分析运行状态数据与所述部件故障阈值进行比较；
将所述待分析运行状态数据大于所述部件故障阈值所对应的部件故障评价指标确定为所述部件指标偏差项。
4.根据权利要求1所述的方法，其特征在于，所述基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理之前，所述方法还包括：
获取所述离心压缩机正常状态下系统输入监测数据和系统输出监测数据；
基于所述系统输入监测数据与所述系统输出监测数据对机器学习模型进行训练操作，得到所述气动映射模型。
5.根据权利要求1所述的方法，其特征在于，所述基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项包括：
从所述待分析系统出入监测数据中获取待分析系统输入监测数据，并采用所述气动映射模型进行模拟，得到预测系统输出监测数据；
从所述待分析系统出入监测数据中获取待分析系统输出监测数据，并计算所述待分析系统输出监测数据与所述预测系统输出监测数据之间的偏差值；
获取与所述气动故障评价指标相对应的气动偏差阈值，并将所述偏差值大于所述气动偏差阈值所对应的气动故障评价指标确定为所述气动指标偏差项。
6.根据权利要求1～5所述的方法，其特征在于，所述基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型包括：
若所述部件指标偏差项和/或所述气动指标偏差项的总数大于1，则对所述部件指标偏差项和/或所述气动指标偏差项进行降维处理，得到目标指标偏差项；
若所述部件指标偏差项和/或所述气动指标偏差项的总数等于1，则将所述部件指标偏差项或所述气动指标偏差项确定为目标指标偏差项；
基于所述目标指标偏差项确定所述故障类型。
7.根据权利要求6所述的方法，其特征在于，所述对所述部件指标偏差项和/或所述气动指标偏差项进行降维处理，得到目标指标偏差项包括：
采用主成分分析方法从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过多变量多尺度排列熵模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定前n个主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项；或，
通过残差控制图模型，从所述部件指标偏差项和/或所述气动指标偏差项中确定超出控制上下限的主要偏差项，并将所述主要偏差项确定为所述目标指标偏差项。
8.一种离心压缩机故障诊断装置，其特征在于，包括：
数据处理模块，用于获取离心压缩机各个部件的运行状态数据以及系统出入监测数据，并对所述运行状态数据以及所述系统出入监测数据进行数据清洗处理，得到待分析运行状态数据和待分析系统出入监测数据；
第一确定模块，用于确定与各个所述部件相对应的部件故障评价指标，并基于所述部件故障评价指标对所述待分析运行状态数据进行指标评价处理，确定部件指标偏差项；
第二确定模块，用于获取气动故障评价指标，并基于预训练的气动映射模型对所述待分析系统出入监测数据进行指标评价处理，确定气动指标偏差项；
诊断及报警模块，用于基于所述部件指标偏差项和/或所述气动指标偏差项确定所述离心压缩机对应的故障类型，并基于所述故障类型进行故障报警。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令执行如权利要求1～7中任一项所述的离心压缩机故障诊断方法对应的操作。
10.一种计算机设备，包括处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1～7中任一项所述的离心压缩机故障诊断方法对应的操作。
CN202310920729.XA 2023-07-25 2023-07-25 离心压缩机故障诊断方法及装置、存储介质、计算机设备 Pending CN117150236A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310920729.XA CN117150236A (zh) 2023-07-25 2023-07-25 离心压缩机故障诊断方法及装置、存储介质、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310920729.XA CN117150236A (zh) 2023-07-25 2023-07-25 离心压缩机故障诊断方法及装置、存储介质、计算机设备

Publications (1)

Publication Number Publication Date
CN117150236A true CN117150236A (zh) 2023-12-01

Family

ID=88910843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310920729.XA Pending CN117150236A (zh) 2023-07-25 2023-07-25 离心压缩机故障诊断方法及装置、存储介质、计算机设备

Country Status (1)

Country Link
CN (1) CN117150236A (zh)

Similar Documents

Publication Publication Date Title
Wang et al. A novel statistical time-frequency analysis for rotating machine condition monitoring
Yu Adaptive hidden Markov model-based online learning framework for bearing faulty detection and performance degradation monitoring
Soylemezoglu et al. Mahalanobis-Taguchi system as a multi-sensor based decision making prognostics tool for centrifugal pump failures
Pandarakone et al. Deep neural network based bearing fault diagnosis of induction motor using fast Fourier transform analysis
CN113834657A (zh) 一种基于改进mset及频谱特征的轴承故障预警及诊断方法
CN109613428A (zh) 一种能像系统及其在电机设备故障检测方法中的应用
CN112487910A (zh) 核电汽轮机系统故障预警方法及系统
Wang et al. Weighted K-NN classification method of bearings fault diagnosis with multi-dimensional sensitive features
WO2015053773A1 (en) Correlation and annotation of time series data sequences to extracted or existing discrete data
CN110469461B (zh) 一种风机齿带的断裂预估方法、其装置及可读存储介质
CN111122191B (zh) 一种基于ewma控制的设备安康报警阈值设定方法
CN109855873B (zh) 汽轮机大轴的故障诊断方法及装置
CN111664083A (zh) 一种基于贝叶斯网络的核电主泵故障诊断方法
Li et al. Canonical variate residuals-based contribution map for slowly evolving faults
Khan et al. System design for early fault diagnosis of machines using vibration features
CN110007660B (zh) 一种火电厂汽轮机组瞬态等效热应力在线软测量方法
CN115508703A (zh) 一种多源信息融合的电机故障诊断方法及系统
Das et al. Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey
CN117113200B (zh) 转子故障诊断方法、装置、电子设备及介质
CN112418306B (zh) 基于lstm-svm的燃气轮机压气机故障预警方法
KR102108975B1 (ko) 함정설비의 상태기반 정비 지원 장치 및 방법
CN117150236A (zh) 离心压缩机故障诊断方法及装置、存储介质、计算机设备
Srilakshmi et al. A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements
Hu et al. Anomaly detection and remaining useful lifetime estimation based on degradation state for bearings
CN114742093A (zh) 基于时频曲线提取和分类的滚动轴承故障诊断方法及装置

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