CN117272032B - 一种基于振动检测的空压机故障诊断方法与装置 - Google Patents
一种基于振动检测的空压机故障诊断方法与装置 Download PDFInfo
- Publication number
- CN117272032B CN117272032B CN202311557579.7A CN202311557579A CN117272032B CN 117272032 B CN117272032 B CN 117272032B CN 202311557579 A CN202311557579 A CN 202311557579A CN 117272032 B CN117272032 B CN 117272032B
- Authority
- CN
- China
- Prior art keywords
- fault
- air compressor
- diagnosis
- data
- model
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 35
- 230000036541 health Effects 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 239000010687 lubricating oil Substances 0.000 claims description 9
- 238000001845 vibrational spectrum Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 5
- 238000005461 lubrication Methods 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 208000020442 loss of weight Diseases 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 claims 3
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002864 sequence alignment Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 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
- 238000010422 painting Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Abstract
本发明公开了一种基于振动检测的空压机故障诊断方法与装置,属于机械振动的测量与应用技术领域,包括:故障模型训练,包括:(11)、获取空压机的原始工况信息的历史数据;(12)、历史数据预处理;(13)、对预处理的历史数据进行打标,形成样本数据;(14)、将正常数据的样本数据进行训练;(15)、将正常数据的样本数据分别与各故障类型的样本数据融合构建故障训练集;(16)、训练空压机故障诊断整体模型;故障在线诊断步骤,空压机故障诊断整体模型输出故障诊断结果。通过所训练获得的故障分析模型能够精准判断空压机故障,并给出故障原因的解释分析。解决了仅使用阈值判断的低效延迟性,同时能够提供故障预警的可解释性。
Description
技术领域
本发明属于机械振动的测量与应用技术领域,具体地说,涉及一种基于振动检测的空压机故障诊断方法与装置。
背景技术
空压机(Air Compressor)是一种能够将空气压缩并储存起来的设备,它通过电动机驱动,将大气中的空气吸入,并通过压缩提高空气的压力。空压机可以产生高压空气供应给各种工业设备进行使用。空压机的主要作用包括:提供动力源:空压机是许多工业设备和工艺过程所必需的动力源之一。它们为各种设备和机械提供动力,如气动工具、涂装设备、打印机、喷枪、钻机、冲床等。压缩空气储存:空压机将空气压缩并储存到压缩空气储罐中,以便在需要时提供稳定的压缩空气供应。这种储存方式可以调节气体压力和流量,以满足不同设备和工艺的需求。供应干燥的空气:通过降低空气的湿度和含水量,空压机可以提供干燥的空气。干燥的空气对于某些应用非常重要,例如精密仪器、电子设备、制药工业和食品加工等。控制系统运行:空压机可以控制许多工业系统的运行,例如气动控制系统、气动输送系统和自动化生产线。它们能够根据需要提供稳定的空气压力,并实现各种操作和控制功能。
随着我国工业发展,空压机这类工业设备故障检测主要依赖传统的人工巡视运维方式,通过人工进行设备观察听诊,判断设备故障,将不能满足大量设备运维要求,但是这类设备一旦因故障引起非计划停机,将引发巨大的业务和经济损失。所以,当前急需快速、稳定的设备运行状态监测和故障诊断方法来满足当前设备运维的发展。
本背景技术所公开的上述信息仅仅用于增加对本申请背景技术的理解,因此,其可能包括不构成本领域普通技术人员已知的现有技术。
发明内容
本发明针对现有技术中空压机通过人工进行观察听诊的方式可靠性差,效率低的技术问题,提出了一种基于振动检测的空压机故障诊断方法,可以解决上述问题。
为实现上述发明目的,本发明采用下述技术方案予以实现:
一种基于振动检测的空压机故障诊断方法,包括:
故障模型训练步骤,包括:
(11)、获取空压机的原始工况信息的历史数据,所述原始工况信息至少包括轴承振动信号、供电主电流信号、主机转速信号、空气吸入温度、润滑油温、以及气缸压力信号的任意组合;
(12)、历史数据预处理,将所述供电主电流信号、主机转速信号、空气吸入温度、润滑油温、气缸压力信号进行时序对齐,形成设定时间范围内的信号序列,将轴承振动信号进行傅里叶变换,得到振动频谱信号,将供电主电流信号进行傅里叶变换,得到电流频谱信号;
(13)、对预处理的历史数据进行打标,标记出正常数据和异常数据,且对异常数据标注出故障类型,形成样本数据;
(14)、将所述正常数据的样本数据进行训练,形成可对采集数据集进行分析的设备健康分析模型,所述设备健康分析模型输出健康特征值;
(15)、将所述正常数据的样本数据分别与各故障类型的样本数据融合构建故障训练集,分别将各故障训练集进行训练,得到相应的故障诊断模型,所述故障诊断模型的输出为相应故障类型的诊断特征值;
(16)、训练空压机故障诊断整体模型,将健康特征值和各诊断特征值作为故障特征输入至空压机故障诊断整体模型,空压机故障诊断整体模型对输入诊断特征值进行赋权,得到加权故障数据特征,将加权故障数据特征与健康特征值进行赋权,得到所述空压机故障诊断整体模型的加权数据特征;
故障在线诊断步骤,包括:
获取空压机的原始工况信息的实时数据,并进行预处理后输入至所述空压机故障诊断整体模型,所述空压机故障诊断整体模型输出故障诊断结果,所述故障诊断结果包括正常和异常,当为异常时,还包括输出故障类型。
在有的实施例中,训练空压机故障诊断整体模型步骤中,还包括对故障诊断模型的权值进行损失补偿的步骤,包括:
计算当前损失函数的损失值;
判断所述损失值是否高于上限阈值,若所述损失值高于上限阈值,则将当前损失函数的损失值调整为故障诊断模型的权值,并进行下一轮的数据训练;
若所述损失值低于上限阈值,则继续判断所述损失值是否低于下限阈值,若是,则根据当前损失函数的损失值调整故障诊断模型的偏置,并进行下一轮的数据训练;
若所述损失值在上限阈值和下限阈值之间,则故障诊断模型的训练完成。
在有的实施例中,损失函数的损失值分别与当前训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失、最近一次训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失,最近一次将异常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失呈正相关。
在有的实施例中,损失函数的损失值的计算方法为:
;
其中,为第次训练的损失函数的损失值,为第次训练的目标值,为第次训
练时故障诊断模型输出的实际值,为离第次训练最近一次将正常频谱数据输入到故障
诊断模型时的目标值,为离第次训练最近一次将正常频谱数据输入到故障诊断模型时
输出的实际值,为离第次训练最近一次将异常频谱数据输入到故障诊断模型时的目标
值,为离第次训练最近一次将异常频谱数据输入到故障诊断模型时故障诊断模型输出
的实际值。
在有的实施例中,使用深度学习训练模型进行机器学习的方法分别训练所述设备健康分析模型和故障诊断模型。
在有的实施例中,故障在线诊断步骤中,所述空压机故障诊断整体模型输出各类型的故障的诊断特征值,分别将所输出的诊断特征值与预设阈值进行比较判断,当所输出的诊断特征值超过预设阈值时诊断为具有该类型的故障。
在有的实施例中,故障在线诊断步骤中,还包括判断故障概率的步骤,当空压机故障诊断整体模型所输出的诊断特征值超出预设阈值越多,其所对应的故障类型的故障概率越大,当判断出多种故障类型时,按照故障概率从高到低将故障类型输出。
在有的实施例中,所述故障类型包括压缩机故障、冷却系统故障、润滑系统故障、控制系统故障、气源处理系统故障的任意组合。
在有的实施例中,故障在线诊断步骤中,对所述实时数据进行预处理的方法包括:
分别将轴承振动信号的实时数据和供电主电流信号的实时数据进行傅里叶变换,得到实时振动频谱信号和实时电流频谱信号并输入至所述空压机故障诊断整体模型,将空气吸入温度、润滑油温、以及气缸压力信号直接输入至所述空压机故障诊断整体模型。
本发明同时提出了一种空压机故障诊断装置,包括:
原始工况信息采集模块,其用于采集原始工况信息的历史数据;
控制模块,其按照前面任一条所记载的基于振动检测的空压机故障诊断方法执行空压机故障诊断控制。
与现有技术相比,本发明的优点和积极效果是:
本发明的基于振动检测的空压机故障诊断方法,通过采空压机运行的原始工况信息的历史数据,并将此类数据进行汇总形成数据集,再按故障等级和原因进行打标,形成样本数据。通过样本数据进行深度模型训练,形成空压机故障智能诊断模型。采用多种故障训练数据集分别训练空压机故障诊断模型,得到多种训练完成的空压机故障诊断模型,并由此训练出空压机故障诊断整体模型。将待诊断的空压机实时数据输入到空压机故障诊断整体模型中后,由于每一种故障诊断模型对属于自身类型的频谱数据更敏感,因此,空压机故障诊断整体模型会准确输出与输入数据对应的故障诊断结果。
本发明既能解决传统采用阈值进行故障判断的低精度方式,又能解决采用一种模型去诊断多种故障的方法存在诊断结果无法解释的问题。并且能够进行设备正常运行的健康评估和故障原因分析诊断。
此外,通过上述所训练获得的故障分析模型能够精准判断空压机故障,并给出故障原因的解释分析。既能解决仅使用阈值判断的低效延迟性,又能解决深度学习模型给出故障预警的可解释性。
本方案能够针对每台空压机形成自身的设备健康监测诊断分析方案,并能够形成有针对性的故障诊断结果,指导后续设备维护工作。
结合附图阅读本发明的具体实施方式后,本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1 是本发明提出的基于振动检测的空压机故障诊断方法的一种实施例的流程图;
图2是本发明提出的基于振动检测的空压机故障诊断方法的一种实施例中故障诊断模型的训练模型图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“竖”、“横”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置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。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。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
实施例一,本实施例提出了一种基于振动检测的空压机故障诊断方法,如图1所示,包括:
故障模型训练步骤,包括:
(11)、获取空压机的原始工况信息的历史数据,原始工况信息至少包括轴承振动信号、供电主电流信号、主机转速信号、空气吸入温度、润滑油温、以及气缸压力信号的任意组合。
为了实现空压机的原始工况信息的获取,需要安装必要的传感器,例如设置振动传感器用于采集电机设备振动信号,空压机的其他原始工况信息可以从空压机设备的现有接口中获取设备运行数据,从而得到完整的原始工况信息数据集合。
(12)、历史数据预处理,将供电主电流信号、主机转速信号、空气吸入温度、润滑油温、气缸压力信号进行时序对齐,形成设定时间范围内的信号序列,将轴承振动信号进行傅里叶变换,得到振动频谱信号,将供电主电流信号进行傅里叶变换,得到电流频谱信号。
(13)、对预处理的历史数据进行打标,标记出正常数据和异常数据,且对异常数据标注出故障类型,形成样本数据。
历史数据的特征信息以及故障类型等为已知,因此,通过打标区分正常振动数据和异常振动数据,并对异常振动数据区分标注故障分类,据此训练的模型具有精度高的特点。
(14)、将正常数据的样本数据进行训练,形成可对采集数据集进行分析的设备健康分析模型,设备健康分析模型输出健康特征值。
仅使用各空压机设备自身的正常数据,形成训练样本数据和测试样本数据,然后训练得到可对采集数据集进行分析的设备健康分析模型。这种设备健康分析模型适用于初装设备和长期稳定运行设备。对初装设备而言,因设备安装调试后,初期基本处于健康(正常)运行状态,所以容易采集健康运行样本数据。对长期稳定运行的设备而言,因平时的设备维护工作,使得设备多数时间都处于健康(正常)运行状态,所以采集的设备运行数据可以作为健康运行样本数据。综合而言,正常运行的设备,都可以快速积累该设备健康振动数据的样本量。
(15)、将正常数据的样本数据分别与各故障类型的样本数据融合构建故障训练集,分别将各故障训练集进行训练,得到相应的故障诊断模型,故障诊断模型的输出为相应故障类型的诊断特征值。
将正常样本数据与各个类型的异常样本数据进行训练数据集的构建。例如,如图2所示,将压缩机故障数据集与正常运行数据集融合构建压缩机故障训练集,将冷却系统故障与正常运行数据集融合构建冷却系统故障训练集,将润滑系统故障与正常运行数据集融合构建润滑系统故障训练集,将控制系统故障与正常运行数据集融合构建控制系统故障训练集,将气源处理系统故障与正常运行数据集融合构建气源处理系统故障训练集。然后利用这些训练集,进行训练,得到相应的故障诊断模型,其模型的输出为相应故障类型的诊断特征值。
(16)、训练空压机故障诊断整体模型,将健康特征值和各诊断特征值作为故障特征输入至空压机故障诊断整体模型,空压机故障诊断整体模型对输入诊断特征值进行赋权,得到加权故障数据特征,将加权故障数据特征与健康特征值进行赋权,得到空压机故障诊断整体模型的加权数据特征。
训练空压机故障诊断整体模型具体方法是将多个故障诊断模型的结果,即诊断特征值作为故障特征输入,然后进行赋权,得到加权故障数据特征。加权故障数据特征再与设备健康分析模型的特征进行赋权,从而形成整个模型的加权数据特征,其赋权过程是通过整体数据训练所得。模型运算得到的最终结果为六个分类数据(六个分类包括设备健康分类和五个故障分类),根据预设条件对六个分类数据进行对比,获得对应空压机的故障诊断的解释,从而得到空压机的故障诊断模型的输出结果。
加权就是对故障特征的数据进行赋值划分,例如当前的规则:特征值<0.8,则权重=0,0.8<特征值<0.9,则权重=1,0.9<特征值,则权重=Min(1/(1-特征值),100)。
故障在线诊断步骤,包括:
获取空压机的原始工况信息的实时数据,并进行预处理后输入至空压机故障诊断整体模型,空压机故障诊断整体模型输出故障诊断结果,故障诊断结果包括正常和异常,当为异常时,还包括输出故障类型。
本实施例的基于振动检测的空压机故障诊断方法,通过采空压机运行的原始工况信息的历史数据,并将此类数据进行汇总形成数据集,再按故障等级和原因进行打标,形成样本数据。通过样本数据进行深度模型训练,形成空压机故障智能诊断模型。采用多种故障训练数据集分别训练空压机故障诊断模型,得到多种训练完成的空压机故障诊断模型,并由此训练出空压机故障诊断整体模型。将待诊断的空压机实时数据输入到空压机故障诊断整体模型中后,由于每一种故障诊断模型对属于自身类型的频谱数据更敏感,因此,空压机故障诊断整体模型会准确输出与输入数据对应的故障诊断结果。
本方法既能解决传统采用阈值进行故障判断的低精度方式,又能解决采用一种模型去诊断多种故障的方法存在诊断结果无法解释的问题。并且能够进行设备正常运行的健康评估和故障原因分析诊断。
此外,通过上述所训练获得的故障分析模型能够精准判断空压机故障,并给出故障原因的解释分析。既能解决仅使用阈值判断的低效延迟性,又能解决深度学习模型给出故障预警的可解释性。
本方案能够针对每台空压机形成自身的设备健康监测诊断分析方案,并能够形成有针对性的故障诊断结果,指导后续设备维护工作。
在有的实施例中,训练空压机故障诊断整体模型步骤中,还包括对故障诊断模型的权值进行损失补偿的步骤,包括:
计算当前损失函数的损失值;
判断损失值是否高于上限阈值,若所述损失值高于上限阈值,则将当前损失函数的损失值调整为故障诊断模型的权值,并进行下一轮的数据训练;
若损失值低于上限阈值,则继续判断损失值是否低于下限阈值,若是,则根据当前损失函数的损失值调整故障诊断模型的偏置,并进行下一轮的数据训练;
若损失值在上限阈值和下限阈值之间,则故障诊断模型的训练完成。
在有的实施例中,损失函数的损失值分别与当前训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失、最近一次训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失,最近一次将异常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失呈正相关。
本实施例的损失函数中,一共考虑三部分的损失,分别为当前训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失、最近一次训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失,最近一次将异常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失,综合3种损失作为当前的损失,使得每次计算损失值时能够考虑正常数据的损失和异常数据的损失,从而增强对参数的训练作用,使得模型输出实际值更逼近目标值。
在有的实施例中,损失函数的损失值的计算方法为:
其中,为第次训练的损失函数的损失值,为第次训练的目标值,为第次训
练时故障诊断模型输出的实际值,为离第次训练最近一次将正常频谱数据输入到故障
诊断模型时的目标值,为离第次训练最近一次将正常频谱数据输入到故障诊断模型时
输出的实际值,为离第次训练最近一次将异常频谱数据输入到故障诊断模型时的目标
值,为离第次训练最近一次将异常频谱数据输入到故障诊断模型时故障诊断模型输出
的实际值。
在有的实施例中,使用深度学习训练模型进行机器学习的方法分别训练设备健康分析模型和故障诊断模型。
在有的实施例中,故障在线诊断步骤中,空压机故障诊断整体模型输出各类型的故障的诊断特征值,分别将所输出的诊断特征值与预设阈值进行比较判断,当所输出的诊断特征值超过预设阈值时诊断为具有该类型的故障。
在实际应用中,有可能同时存在多种类型的故障,因此,为了能够给用户提供更全面的故障分析,在有的实施例中,故障在线诊断步骤中,还包括判断故障概率的步骤,当空压机故障诊断整体模型所输出的诊断特征值超出预设阈值越多,其所对应的故障类型的故障概率越大,当判断出多种故障类型时,按照故障概率从高到低将故障类型输出。
在本实施例中,故障类型包括压缩机故障、冷却系统故障、润滑系统故障、控制系统故障、气源处理系统故障的任意组合。
在有的实施例中,故障在线诊断步骤中,对实时数据进行预处理的方法包括:
分别将轴承振动信号的实时数据和供电主电流信号的实时数据进行傅里叶变换,得到实时振动频谱信号和实时电流频谱信号并输入至空压机故障诊断整体模型,将空气吸入温度、润滑油温、以及气缸压力信号直接输入至空压机故障诊断整体模型。由于温度、压力信号属于特征值信号,可直接进行计算,以节约预处理数据量。
实施例二,本实施例提出了一种空压机故障诊断装置,包括:
原始工况信息采集模块,其用于采集原始工况信息的历史数据;
控制模块,其按照实施例一中所记载的基于振动检测的空压机故障诊断方法执行空压机故障诊断控制。
基于振动检测的空压机故障诊断方法具体可参见实施例一中记载,在此不做赘述。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述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;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (10)
1.一种基于振动检测的空压机故障诊断方法,其特征在于,包括:
故障模型训练步骤,包括:
(11)、获取空压机的原始工况信息的历史数据,所述原始工况信息至少包括轴承振动信号、供电主电流信号、主机转速信号、空气吸入温度、润滑油温、以及气缸压力信号的任意组合;
(12)、历史数据预处理,将所述供电主电流信号、主机转速信号、空气吸入温度、润滑油温、气缸压力信号进行时序对齐,形成设定时间范围内的信号序列,将轴承振动信号进行傅里叶变换,得到振动频谱信号,将供电主电流信号的信号序列进行傅里叶变换,得到电流频谱信号;
(13)、对预处理的历史数据进行打标,标记出正常数据和异常数据,且对异常数据标注出故障类型,形成样本数据;
(14)、将所述正常数据的样本数据进行训练,形成可对采集数据集进行分析的设备健康分析模型,所述设备健康分析模型输出健康特征值;
(15)、将所述正常数据的样本数据分别与各故障类型的样本数据融合构建故障训练集,分别将各故障训练集进行训练,得到相应的故障诊断模型,所述故障诊断模型的输出为相应故障类型的诊断特征值;
(16)、训练空压机故障诊断整体模型,将健康特征值和各诊断特征值作为故障特征输入至空压机故障诊断整体模型,空压机故障诊断整体模型对输入诊断特征值进行赋权,得到加权故障数据特征,将加权故障数据特征与健康特征值进行赋权,得到所述空压机故障诊断整体模型的加权数据特征;
故障在线诊断步骤,包括:
获取空压机的原始工况信息的实时数据,并进行预处理后输入至所述空压机故障诊断整体模型,所述空压机故障诊断整体模型输出故障诊断结果,所述故障诊断结果包括正常和异常,当为异常时,还包括输出故障类型。
2.根据权利要求1所述的基于振动检测的空压机故障诊断方法,其特征在于,训练空压机故障诊断整体模型步骤中,还包括对故障诊断模型的权值进行损失补偿的步骤,包括:
计算当前损失函数的损失值;
判断所述损失值是否高于上限阈值,若所述损失值高于上限阈值,则将当前损失函数的损失值调整为故障诊断模型的权值,并进行下一轮的数据训练;
若所述损失值低于上限阈值,则继续判断所述损失值是否低于下限阈值,若是,则根据当前损失函数的损失值调整故障诊断模型的偏置,并进行下一轮的数据训练;
若所述损失值在上限阈值和下限阈值之间,则故障诊断模型的训练完成。
3.根据权利要求2所述的基于振动检测的空压机故障诊断方法,其特征在于,损失函数的损失值分别与当前训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失、最近一次训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失,最近一次将异常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失呈正相关。
4.根据权利要求2所述的基于振动检测的空压机故障诊断方法,其特征在于,损失函数的损失值的计算方法为:
其中,Li为第i次训练的损失函数的损失值,Yi为第i次训练的目标值,yi为第i次训练时故障诊断模型输出的实际值,为离第i次训练最近一次将正常频谱数据输入到故障诊断模型时的目标值,/>为离第i次训练最近一次将正常频谱数据输入到故障诊断模型时输出的实际值,/>为离第i次训练最近一次将异常频谱数据输入到故障诊断模型时的目标值,为离第i次训练最近一次将异常频谱数据输入到故障诊断模型时故障诊断模型输出的实际值。
5.根据权利要求1-4任一项所述的基于振动检测的空压机故障诊断方法,其特征在于,使用深度学习训练模型进行机器学习的方法分别训练所述设备健康分析模型和故障诊断模型。
6.根据权利要求1-4任一项所述的基于振动检测的空压机故障诊断方法,其特征在于,故障在线诊断步骤中,所述空压机故障诊断整体模型输出各类型的故障的诊断特征值,分别将所输出的诊断特征值与预设阈值进行比较判断,当所输出的诊断特征值超过预设阈值时诊断为具有该类型的故障。
7.根据权利要求6所述的基于振动检测的空压机故障诊断方法,其特征在于,故障在线诊断步骤中,还包括判断故障概率的步骤,当空压机故障诊断整体模型所输出的诊断特征值超出预设阈值越多,其所对应的故障类型的故障概率越大,当判断出多种故障类型时,按照故障概率从高到低将故障类型输出。
8.根据权利要求1-4任一项所述的基于振动检测的空压机故障诊断方法,其特征在于,所述故障类型包括压缩机故障、冷却系统故障、润滑系统故障、控制系统故障、气源处理系统故障的任意组合。
9.根据权利要求1-4任一项所述的基于振动检测的空压机故障诊断方法,其特征在于,故障在线诊断步骤中,对所述实时数据进行预处理的方法包括:
分别将轴承振动信号的实时数据和供电主电流信号的实时数据进行傅里叶变换,得到实时振动频谱信号和实时电流频谱信号并输入至所述空压机故障诊断整体模型,将空气吸入温度、润滑油温、以及气缸压力信号直接输入至所述空压机故障诊断整体模型。
10.一种空压机故障诊断装置,其特征在于,包括:
原始工况信息采集模块,其用于采集原始工况信息的历史数据;
控制模块,其按照权利要求1所述的基于振动检测的空压机故障诊断方法执行空压机故障诊断控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557579.7A CN117272032B (zh) | 2023-11-22 | 2023-11-22 | 一种基于振动检测的空压机故障诊断方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557579.7A CN117272032B (zh) | 2023-11-22 | 2023-11-22 | 一种基于振动检测的空压机故障诊断方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272032A CN117272032A (zh) | 2023-12-22 |
CN117272032B true CN117272032B (zh) | 2024-02-13 |
Family
ID=89204896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311557579.7A Active CN117272032B (zh) | 2023-11-22 | 2023-11-22 | 一种基于振动检测的空压机故障诊断方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272032B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699044A (zh) * | 2015-02-10 | 2015-06-10 | 西安理工大学 | 一种印刷机机联网系统及设备维护方法和配方服务方法 |
CN110298497A (zh) * | 2019-06-11 | 2019-10-01 | 武汉蓝智科技有限公司 | 基于大数据的工业预测维修系统及其使用方法 |
CN112101085A (zh) * | 2020-07-22 | 2020-12-18 | 西安交通大学 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114330430A (zh) * | 2021-12-22 | 2022-04-12 | 浙江工业大学 | 一种基于大数据特征分析的电梯故障判断方法及系统 |
CN116226743A (zh) * | 2023-03-09 | 2023-06-06 | 华能嘉祥发电有限公司 | 一种机器学习的电机故障诊断方法 |
CN116933024A (zh) * | 2023-09-15 | 2023-10-24 | 青岛埃恩斯信息技术科技有限公司 | 旋转类设备运行状态监控方法及系统 |
CN117034011A (zh) * | 2023-08-10 | 2023-11-10 | 平顶山中选自控系统有限公司 | 训练轴承故障诊断模型的方法、装置、设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220203291A1 (en) * | 2020-12-30 | 2022-06-30 | Manuel Alejandro Sánchez Castro | Monitoring, control, and fault self-diagnosis system and method for medical oxygen plant generator |
-
2023
- 2023-11-22 CN CN202311557579.7A patent/CN117272032B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699044A (zh) * | 2015-02-10 | 2015-06-10 | 西安理工大学 | 一种印刷机机联网系统及设备维护方法和配方服务方法 |
CN110298497A (zh) * | 2019-06-11 | 2019-10-01 | 武汉蓝智科技有限公司 | 基于大数据的工业预测维修系统及其使用方法 |
CN112101085A (zh) * | 2020-07-22 | 2020-12-18 | 西安交通大学 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114330430A (zh) * | 2021-12-22 | 2022-04-12 | 浙江工业大学 | 一种基于大数据特征分析的电梯故障判断方法及系统 |
CN116226743A (zh) * | 2023-03-09 | 2023-06-06 | 华能嘉祥发电有限公司 | 一种机器学习的电机故障诊断方法 |
CN117034011A (zh) * | 2023-08-10 | 2023-11-10 | 平顶山中选自控系统有限公司 | 训练轴承故障诊断模型的方法、装置、设备和存储介质 |
CN116933024A (zh) * | 2023-09-15 | 2023-10-24 | 青岛埃恩斯信息技术科技有限公司 | 旋转类设备运行状态监控方法及系统 |
Non-Patent Citations (2)
Title |
---|
Research on Fault Diagnosis of Rolling Bearings Based on Multi-scale Feature and CNN;Qi Liu 等;《AIAM2021: 2021 3rd International Conference on Artificial Intelligence and Advanced Manufacture》;第2084–2088页 * |
基于VPNRS-RF的飞机液压系统故障诊断模型;李耀华;《机械设计与制造》;第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272032A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10288043B2 (en) | Wind turbine condition monitoring method and system | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN112197973A (zh) | 柴油发电机组健康诊断方法 | |
WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN113607271A (zh) | 一种基于振动信号的gil缺陷在线监测系统及方法 | |
CN117272032B (zh) | 一种基于振动检测的空压机故障诊断方法与装置 | |
CN114088389A (zh) | 一种齿轮变速箱的数据处理方法和相关装置 | |
CN116071053B (zh) | 基于数字孪生的往复式压缩机状态预警系统 | |
CN116187984B (zh) | 一种用于电厂的多维度巡检方法及系统 | |
CN115165326A (zh) | 通过机械传动链润滑油(脂)杂质分析的风机故障诊断方法 | |
CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
EP4273520A1 (en) | Method and system for comprehensively diagnosing defect in rotating machine | |
CN115931246A (zh) | 一种氢冷发电机的气密性检测与故障处理系统及方法 | |
CN110057587A (zh) | 一种核电用泵轴承智能故障诊断方法及系统 | |
CN115758066A (zh) | 一种统计变压器全寿命周期内碳排放量的方法 | |
JP2021076597A (ja) | 過渡速度動作中の振動傾向を決定することによるロータ異常の検出 | |
Oddan | Multivariate statistical condition monitoring | |
CN115030885B (zh) | 一种空压机一体机 | |
CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及系统 |
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 |