CN117649860A - 一种往复压缩机关键部位摩擦磨损状态识别方法及装置 - Google Patents
一种往复压缩机关键部位摩擦磨损状态识别方法及装置 Download PDFInfo
- Publication number
- CN117649860A CN117649860A CN202410123701.8A CN202410123701A CN117649860A CN 117649860 A CN117649860 A CN 117649860A CN 202410123701 A CN202410123701 A CN 202410123701A CN 117649860 A CN117649860 A CN 117649860A
- Authority
- CN
- China
- Prior art keywords
- reciprocating compressor
- wear state
- acoustic signals
- model
- friction
- 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 64
- 238000012360 testing method Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000013095 identification testing Methods 0.000 claims 1
- 238000013102 re-test Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000009466 transformation Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000009021 linear effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种往复压缩机关键部位摩擦磨损状态识别方法及装置，涉及往复压缩机领域，该方法包括：采集声信号并进行提取及预处理，建立样本数据库；建立神经网络模型，通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型；通过样本数据库中的测试数据对所述参数预测模型进行测试；使用参数预测模型对往复压缩机关键部位摩擦磨损状态类型进行预测。本申请能够对往复压缩机关键部位摩擦磨损状态实现快速准确的识别，能够声信号判断摩擦磨损部位及状态，从而对确立后续故障的修复方案及压缩机寿命预测上提供了便利，防止在源头就可解决的问题流入后续步骤。减少生产成本，对于产品的大面积生产有着重大的意义。
Description
技术领域
本申请涉及往复压缩机领域，尤其是涉及一种往复压缩机关键部位摩擦磨损状态识别方法及装置。
背景技术
往复压缩机是指通过气缸内活塞的往复式运动使缸体容积周期变化并实现气体的增压和输送的一种设备，属于容积型压缩机。往复压缩机有气缸、活塞与气动控制阀、连杆、曲轴、轴瓦等较多运动部件，其工作流程可以划分为气体膨胀、进行吸气、压缩处理与排出气体四个过程。大型往复压缩机是化工合成、天然气集输等行业的重要设备，也是最主要的能耗设备，在各个工业领域内，发挥着至关重要的作用。声信号检测技术作为一种无源被动式的无损检测技术，兼具可动态实时监控、检测区域面积大、信号处理方法多样、检测过程不影响正常设备工作等技术优势，在往复压缩机故障诊断与状态识别中应用比较广泛。随着人工智能技术的盛行，将声信号与人工智能结合用于识别往复压缩机关键部位摩擦磨损状态的识别成为了各企业和高校的研究热点，但是由于技术尚未完全成熟，还有许多量产问题亟需解决。
随着工业智能化的不断发展，对于如何快速有效识别往复压缩机关键部位摩擦磨损状态也成为近年来的热门问题，大部分企业内的工程师集中于解决往复压缩机系统外部问题，内部构件由于关联性强和复杂度高的问题，往依靠工程师们丰富的实战经验解决；而高校又由于缺乏工业生产条件，无法获取工业现场实况与实时数据用于进一步研究，资源的不流通与数据加密性等问题造成这 方面的科技创新进入瓶颈期，目前提出的往复压缩机关键部位摩擦磨损状态识别技术有：（1）人工通过传感器采集的温度、位移、声信号等可视化进行判断，对于人工来说，由于信号的大小、区域、形状不定，分界线模糊等造成信号所对应部件状态难以识别，前期需耗费大量时间经济成本对其进行培训且难以保证人为主观因素的影响。（2）基于油液分析的识别方法。常用的油液分析方法包括:磁塞检查法、油光分析法和油铁谱分析法。目前来看，基于油液分析的诊断方法能够判断的状态类型有限，且进行一次识别需要耗费较长的时间，实时性较差。（3）基于热力参数的识别方法。识别过程中通常需要借助某些特定的工具进行辅助，示功图法就可以视作是基于热力参数识别法的一种应用。利用此种方法对往复压缩机的运行状态进行判断已经有较长时间的历史。但是该方法过度依赖技术人员经验积累，受人为主观意识影响较大，缺乏准确性，不稳定性因素太高。（4）基于振动产生声信号的识别方法。声信号的获取相对比较容易，通过振动产生声信号，有丰富的仪器设备可供选择，由于往复压缩机运行物理特性的动态耦合复杂，对其直接进行状态识别还存在一定难度。通过对时、频域谱的综合分析，结合往复压缩机振动机理，可以判断出往复压缩机各个零部件的工作状态是否正常，并判断是何种状态类型。大多数研究采用基于振动的诊断方法，大量应用各种信号处理技术，通常与人工智能技术相结合，如神经网络。
因此，在进行往复压缩机关键部位摩擦磨损状态识别过程中，有必要设计出一套结构简单、效率高并且稳定性高的往复压缩机关键部位摩擦磨损状态识别技术，更有利于实现大面积生产，对往复压缩机的安全长期运转也有所保证。
发明内容
为了解决上述问题，本申请提供了一种往复压缩机关键部位摩擦磨损状态识别方法及装置。
第一方面，本申请提供一种往复压缩机关键部位摩擦磨损状态识别方法，包括：
采集声信号并进行提取及预处理，建立样本数据库；
建立神经网络模型，通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型；
通过样本数据库中的测试数据对所述参数预测模型进行测试；
使用参数预测模型对往复压缩机关键部位摩擦磨损状态类型进行预测。
可选的，采集声信号进行提取及预处理，建立样本数据库的步骤，具体包括：
利用设置于往复压缩机的声发射传感器获取声信号，所述声信号包括往复压缩机不同部位摩擦磨损状态下的声信号及往复压缩机正常运转的声信号；
对所获取的声信号进行降噪处理；
对降噪处理后的声信号提取其特征参数；
将经过处理的声信号的特征参数整理为样本数据集，包括训练集和测试集，建立样本数据库。
可选的，所述对降噪处理后的声信号提取其特征参数的步骤，具体包括：
对降噪后的声信号分别在频域和时域的空间上进行分析，提取频域特征参数和时域特征参数；
将提取的特征参数进行归一化处理。
可选的，所述建立神经网络模型的步骤，具体包括：
根据样本数据集中数据量大小及类型建立神经网络模型，神经网络模型的输入包括的特征参数为一级进气压力、一级进气温度和末级排气压力，输出包括的特征参数为除输入以外的各级进气压力、进气温度、排气压力和排气温度；
对神经网络模型的网络权值和阈值进行编码，设定测试用的阈值范围及基准参数。
可选的，所述通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型的步骤，具体包括：
基于所述训练集中的特征参数，对所述神经网络模型进行训练；
得到参数预测模型，所述参数预测模型包括输入参数、输出参数、输入输出参数之间的映射关系；
其中，所述输入参数包括：一级进气压力、一级进气温度和末级排气压力，所述输出参数包括：除输入参数以外的各级进气压力、进气温度、排气压力和排气温度，所述输入参数与输出参数之间的映射关系为：
；
其中， 、/>、/>分别为往复压缩机第j级的排气压力、末级排气压力、一级进气压力，单位为Mpa；n为往复压缩机级数；j为当前计算的级数，取值范围[1,n]；/>、/>分别为第j级的排气温度、第j级的进气温度，单位为K；/>为第j级的进气压力，单位为Mpa。
可选的，所述通过样本数据库中的测试数据对所述参数预测模型进行测试的步骤，具体包括：
将测试集中的测试数据输入所述参数预测模型；
根据输出参数与往复压缩机关键部位摩擦磨损状态的类型的映射关系，进行模型分类识别测试。
可选的，所述进行模型分类识别测试的步骤，具体包括：
对所述测试数据进行分类识别；
在前向传播过程中计算分类的误差；
根据所述阈值范围及基准参数判断所计算的误差是否处于设定范围内；
如果超出阈值范围，则返回并调整参数重新进行测试；
如果未超出阈值范围，则进行分类准确性逻辑判断，并输出对于往复压缩机关键部位摩擦磨损状态类型的预测结果及对应的分类准确率矩阵。
可选的，所述返回并调整参数重新进行测试的步骤，具体包括：
将误差从神经网络的输出层向隐藏层传递，利用链式法则计算每个神经元的梯度；
基于计算的梯度，对所述参数预测模型的权重和偏置进行更新；
等下一批次的测试数据输入后重新进行测试。
可选的，所述输出对于往复压缩机关键部位摩擦磨损状态类型的预测结果及对应的分类准确率的步骤，具体包括：
输出分类混淆矩阵，其中矩阵行表示真实的分类结果标签，列表示预测的分类结果标签。
第二方面，本申请提供一种往复压缩机关键部位摩擦磨损状态识别装置，所述装置包括：
数据采集单元，用于采集声信号并进行提取及预处理，建立样本数据库；
模型建立单元，用于建立神经网络模型，通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型；
模型测试单元，用于通过样本数据库中的测试数据对所述参数预测模型进行测试；
状态预测单元，用于使用参数预测模型对往复压缩机关键部位摩擦磨损状态类型进行预测。
综上所述，本申请包括以下有益技术效果：
本发明能够对往复压缩机关键部位摩擦磨损状态实现快速准确的识别，提高了效率，并且能够声信号判断往复压缩机摩擦磨损部位及状态，从而对确立后续故障的修复方案及压缩机寿命预测上提供了便利，防止过多在源头就可解决的问题流入后续步骤，减少生产成本，对于产品的大面积生产有着重大的意义；同时，本发明通过神经网络对往复压缩机摩擦磨损状态进行识别，无需增添任何硬件设备，通过计算机的控制便可实现系统整个流程的运行，从而降低成本。
附图说明
图1是本申请实施例提供的声发射传感器的安装测点示意图。
图2是本申请实施例提供的声信号采集的原理示意图。
图3是本申请实施例提供的往复压缩机关键部位摩擦磨损状态识别方法的方法流程图。
图4是本申请实施例提供的神经网络模型的架构示意图。
图5是本申请实施例提供的往复压缩机关键部位摩擦磨损状态识别方法的实施逻辑示意图。
图6是本申请实施例提供的往复压缩机关键部位摩擦磨损状态识别装置的功能模块框图。
附图标记：
声发射传感器100；数据采集单元110；模型建立单元120；模型测试单元130；状态预测单元140。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本申请实施例的描述中，“示性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，除非另有说明，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。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。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。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为本发明一实施例提供的往复压缩机关键部位摩擦磨损状态识别方法，应用于往复压缩机，通过在往复压缩机关键部位设置声发射传感器，来获取不同位置的声信号。如图1所示，在实际的场景中，在往复压缩机的位置5处位置安装声发射传感器100。这些位置分别对应了往复压缩机的关键部位。通过声发射传感器100采集声信号的原理过程如图2所示，声发射源产生的弹性振动以应力波的形式传播一段距离后，到达材料的表面，引起材料的表面位移。声发射传感器100内置压电元件敏感材料产生的表面位移，受力产生形变，表面出现电荷，从而将被测材料表面振动转换为电信号；电信号经前置放大器放大、滤波器滤波、主放大器再放大后，由数据采集卡进行采集，送入计算机进行数据处理和分析。
基于上述过程所采集的声信号，下面将对本发明实施例提供的往复压缩机关键部位摩擦磨损状态识别方法进行具体的说明，如图3所示，本方法包括：
步骤S101,采集声信号并进行提取及预处理，建立样本数据库。
声信号的采集过程可以按照上述方法执行，对于采集到的原始声信号，需要进行提取及预处理，方便后续的使用。
作为本发明实施例的优选实施方式，步骤S101具体包括以下几个操作步骤：
利用设置于往复压缩机的声发射传感器100获取声信号，所述声信号包括往复压缩机不同部位摩擦磨损状态下的声信号及往复压缩机正常运转的声信号；
对所获取的声信号进行降噪处理；
对降噪处理后的声信号提取其特征参数；
将经过处理的声信号的特征参数整理为样本数据集，包括训练集和测试集，建立样本数据库。
首先是降噪处理，通过滤波的方式，滤除声信号中来自其他对象的信号和由环境或者仪器本身所产生的噪声。
对于降噪后的信号，再进行特征参数的提取。
参数提取的操作方式是，对降噪后的声信号分别在频域和时域的空间上进行分析，提取频域特征参数和时域特征参数，对于提取出的特征参数进行归一化处理。
作为优选的实施方式，具体的分析方式采用将信号进行S变换，首先定义一个高斯窗函数，根据频率的变化自适应的调整分析时宽和提供直观的时间频率特征，无须选择窗口函数频域分析尺度；S变换保留了傅里叶变换和小波变换的优点，如无损可逆性、线性性质、局部性等；同时具有更好的多分辨率特征，其时域分辨率会随着频率的变化而发生变换。设一个时间信号，其一维连续S波变换的定义为：
其中是一个高斯窗函数，/>是位移参数，可以用来控制高斯窗函数在时间轴上的位置，f为频率。S变换的窗高和窗宽会根据频率的变化而变化。频率越高，S变换的窗函数的高度越高，宽度越小；频率越低，S变换的窗函数高度越低，宽度越大，避免了变换窗口固定不变的缺陷。
一维连续S变换逆变换为：
对S变换的时频分析性质进行分析。已知S变换的定义和其窗函数如下：
根据信号时窗中心的定义，可以求得其窗函数的时窗中心：
其时窗半径为：
根据信号频窗中心的定义，求得其窗函数的频窗中心：
其频窗半径为：
在S变换的基础上，引入参数和p，进一步将S变换扩展为广义S变换：
利用傅里叶变换可以得到一维连续信号的广义S变换的逆变换为：
广义S变换能够根据信号的实际频率分布特点和实际分析过程中的侧重点灵活调节高斯函数窗函数频率f变化的趋势，增加了信号S变换在高频部分的频率分辨率。
进行分析时，同时还可以得到时域波形和频域频谱，方便提取一些通过特征值无法直观反映的特征。
针对提取出的信息参数，即特征参数，将这些参数分为时域特征参数和频域特征参数两大类，然后将特征参数进行归一化处理，即对原始数据进行归一化处理后使其映射到指定范围内。
作为本发明实施例的优选实施方式，将归一化处理后的特征参数作为样本数据集，以此建立样本数据库。
对于样本数据集，具体分为两个部分，一部分为训练集，占样本数据集的80%左右，一部分为测试集，占样本数据集的20%左右。训练集用于模型的参数学习和调整及帮助模型学习数据的分布于规律；测试集用于评估模型的性能和泛化能力，检验模型是否过拟合。
样本数据库建立之后，进入后续的模型建立和训练阶段。
步骤S102,建立神经网络模型，通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型。
神经网络模型的建立，与往复压缩机级数以及样本数据库中的数据量大小、类型都相关，基于这些情况，确定相应的神经网络模型结构。神经网络模型的架构如图4所示，包括输入层、隐藏层和输出层，其中输入层、隐藏层、输出层的节点数量基于往复压缩机级数以及样本数据库中的数据情况进行确定。神经网络的激活函数选择Sigmoid函数，表示方法如下式所示：
使用均方误差损失函数，然后使用随机初始化方法初始化神经网络的权重和偏置，以便在训练过程中逐步调整这些参数。Sigmoid函数可以将输入变换为（0，1）上的输出。将定义范围（-inf，inf）中的任意输入压缩到区间（0，1）中的某个值。
建立神经网络模型之后，通过训练集的样本数据开始进行训练，作为一个具体的实施方式，神经网络模型的输入包括的特征参数为一级进气压力、一级进气温度和末级排气压力，输出包括的特征参数为除输入以外的各级进气压力、进气温度、排气压力和排气温度；
对神经网络模型的网络权值和阈值进行编码，设定测试用的阈值范围及基准参数。
通过神经网络的训练，得到各级的参数之间的映射关系，进而得到参数预测模型。参数预测模型包括输入参数、输出参数、输入输出参数之间的映射关系；
其中，所述输入参数包括：一级进气压力、一级进气温度和末级排气压力，所述输出参数包括：除输入参数以外的各级进气压力、进气温度、排气压力和排气温度，所述输入参数与输出参数之间的映射关系为：
其中， 、/>、/>分别为往复压缩机第j级的排气压力、末级排气压力、一级进气压力，单位为Mpa；n为往复压缩机级数；j为当前计算的级数，取值范围[1,n]；/>、/>分别为第j级的排气温度、第j级的进气温度，单位为K；/>为第j级的进气压力，单位为Mpa。当计算第一级的输出参数时，j=1；当计算第二级的输出参数时，j=2；当计算第n级的输出参数时，j=n。
基于输入参数与输出参数之间的映射关系，以及初始输入的参数，参数预测模型可以实现对各级参数的预测，进而通过预测得到的参数对往复压缩机关键部位摩擦磨损状态进行预测。
步骤S103,通过样本数据库中的测试数据对所述参数预测模型进行测试。
为了保证参数预测模型的准确性，还需要对模型进行测试。采用测试集中的样本数据作为测试数据输入到参数预测模型中。
作为本发明实施例的优选实施方式，测试集中的样本数据包含正常样本与故障样本，与训练集相互独立并具有代表性，将测试数据输入到参数预测模型进行模型测试，设置其Batch_size、学习率、激活函数、正则化参数、Dropout参数等，然后进行模型分类识别测试。具体地，往复压缩机关键部位摩擦磨损状态的类型包括边界摩擦、混合摩擦、流体润滑摩擦，这三类擦磨损状态的类型分别对应了相应数值范围的特征参数，通过参数预测模型的输出参数，就可以进行分类识别了。
基于分类识别的结果，与样本数据进行对比，对参数预测模型进行调整和优化。具体的过程为：
对所述测试数据进行分类识别；
在前向传播过程中计算分类的误差；
根据所述阈值范围及基准参数判断所计算的误差是否处于设定范围内；
如果超出阈值范围，则返回并调整参数重新进行测试；
如果未超出阈值范围，则进行分类准确性逻辑判断，并输出对于往复压缩机关键部位摩擦磨损状态类型的预测结果及对应的分类准确率矩阵。
具体地，输入测试数据进行分类识别时，将测试集中的样本按批次进行输入，将整体的测试集分为多个批次进行依次测试。具体以矩阵的方式进行，其中矩阵的每一行代表一个样本，每个批次输入一定数量的样本。
针对每个批次的测试过程，得到初步的分类结果后，将其与测试集的真实数据进行对比，得到模型预测结果的误差，计算过程使用均方误差作为其损失函数，将误差与设定的阈值范围进行比较，判断误差是否处于阈值范围内。
如果超出阈值范围，说明当前模型误差较大，需要优化，则返回并调整参数重新进行下一批次的测试。具体的调整方式为：
将误差从神经网络的输出层向隐藏层传递，利用链式法则计算每个神经元的梯度；基于计算的梯队，对所述参数预测模型的权重和偏置进行更新；等下一批次的测试数据输入后重新进行测试。
具体地，将误差从输出层向隐藏层传递，更新模型的权重和偏置，反向传播算法利用链式法则计算每个神经元的梯度，用于更新权重和偏置，重复以上步骤，将下一个批次的样本输入神经网络中，进行前向传播、计算误差和反向传播，直到完成所有的样本批次。
如果未超出阈值范围，说明当前模型在可接受范围内，则进行分类准确性逻辑判断，并输出对于往复压缩机关键部位摩擦磨损状态类型的预测结果及对应的分类准确率矩阵。
具体地，分类准确性=正确预测的样本数/总样本数，其中，正确预测的样本数是指模型在测试集中将样本正确分类的数量，总样本数是指测试集中所有样本的数量。逻辑判断如下：
如果分类准确性=1，说明模型对测试集中所有样本都进行了正确的分类；如果分类准确性=0，说明模型对测试集中所有样本都进行了错误的分类；如果0.5＜分类准确性＜1，说明模型对测试集中的一部分样本进行了正确的分类，但仍有一些样本分类错误；如果分类准确性=0.5，说明模型的分类效果与随机猜测相当，即模型没有学到任何有用的信息；如果分类准确性＜0.5，说明模型的分类效果比随机猜测还要差，即模型学到了与真实标签相反的信息。
分类混淆矩阵，用于展示模型在每个类型上的分类结果，矩阵行表示真实标签，列表示预测标签；输出可视化预测结果：测试样本的特征图像，并在图像上标注模型的预测结果，用红色闭合曲线圈出故障所在地方，便于观察模型对往复压缩机关键部位不同摩擦磨损状态的分类情况。
通过上述流程，使用测试集对参数预测模型进行不断的测试和设置的优化，直到参数预测模型的分类准确性能够达到期望的标准。
步骤S104,使用参数预测模型对往复压缩机关键部位摩擦磨损状态类型进行预测。
在对参数预测模型测试完成后，即可在真实场景中，使用该模型，对对往复压缩机关键部位摩擦磨损状态类型进行预测了。实际使用时，根据模型的输入参数形式，从待测试的往复压缩机上采集对应的声信号，然后输入到参数预测模型中，通过参数预测模型输出相应的预测参数，再基于预测参数，对关键部位摩擦磨损状态类型进行分类预测，最后将分类预测结果进行
如图5所示，为本发明实施例提供的往复压缩机关键部位摩擦磨损状态识别方法的整体实施过程。
整个过程包括三个准备阶段，第一阶段是声信号预处理，通过设置于往复压缩机的声发射传感器获取声信号，经过降噪处理后，对声信号进行时频域分析，然后提取特征参数并进行归一化处理，建立样本库，将处理后的特征参数作为样本数据进行保存。这一阶段的目的是得到样本数据。
第二阶段是建立参数预测模型，主要的目的在于通过样本数据建立能够对往复压缩机关键部位的声信号的特征参数进行预测的参数预测模型。首先是根据往复压缩机的级数，以及目前样本数据的形式（数据量、类型等）建立神经网络结构，并构建初始化参数，对神经网络结构的权值和阈值进行编码并设置阈值范围及基准。然后使用样本库中的训练数据对神经网络进行训练，得到声信号的特征参数之间的对应关系。基于计算得到的特征参数之间的对应关系，以及输入的特征参数和输出的特征参数，确定参数预测模型。
第三阶段是参数预测模型的测试，主要的目的在于对模型的优化。通过使用样本库中的测试数据对参数预测模型进行测试，根据每次计算过程中的误差对模型进行调整，根据计算每次测试的分类准确性来判断模型的当前性能。最终通过多次的测试，得到性能符合要求的参数预测模型。
综上所述，本实施例提供的往复压缩机关键部位摩擦磨损状态识别方法，能够对往复压缩机关键部位摩擦磨损状态实现快速准确的识别，提高了效率，并且能够声信号判断往复压缩机摩擦磨损部位及状态，从而对确立后续故障的修复方案及压缩机寿命预测上提供了便利，防止过多在源头就可解决的问题流入后续步骤，减少生产成本，对于产品的大面积生产有着重大的意义；同时，本发明通过神经网络对往复压缩机摩擦磨损状态进行识别，无需增添任何硬件设备，通过计算机的控制便可实现系统整个流程的运行，从而降低成本。
如图6所示，本发明实施提供的往复压缩机关键部位摩擦磨损状态识别装置，所述装置包括：
数据采集单元110，用于采集声信号并进行提取及预处理，建立样本数据库；
模型建立单元120，用于建立神经网络模型，通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型；
模型测试单元130，用于通过样本数据库中的测试数据对所述参数预测模型进行测试；
状态预测单元140，用于使用参数预测模型对往复压缩机关键部位摩擦磨损状态类型进行预测。
本发明实施例提供的往复压缩机关键部位摩擦磨损状态识别装置，用于实现上述往复压缩机关键部位摩擦磨损状态识别方法，因此具体实施方式与上述方法相同，在此不再赘述。
综上所述，本发明实施例提供的往复压缩机关键部位摩擦磨损状态识别方法及装置，能够对往复压缩机关键部位摩擦磨损状态实现快速准确的识别，提高了效率，并且能够声信号判断往复压缩机摩擦磨损部位及状态，从而对确立后续故障的修复方案及压缩机寿命预测上提供了便利，防止过多在源头就可解决的问题流入后续步骤，减少生产成本，对于产品的大面积生产有着重大的意义；同时，本发明通过神经网络对往复压缩机摩擦磨损状态进行识别，无需增添任何硬件设备，通过计算机的控制便可实现系统整个流程的运行，从而降低成本。
在本申请所公开的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践的公开后，将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (10)
1.一种往复压缩机关键部位摩擦磨损状态识别方法，其特征在于，所述方法包括：
采集声信号并进行提取及预处理，建立样本数据库；
建立神经网络模型，通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型；
通过样本数据库中的测试数据对所述参数预测模型进行测试；
使用参数预测模型对往复压缩机关键部位摩擦磨损状态类型进行预测。
2.根据权利要求1所述的往复压缩机关键部位摩擦磨损状态识别方法，其特征在于，采集声信号并进行提取及预处理，建立样本数据库的步骤，具体包括：
利用设置于往复压缩机的声发射传感器获取声信号，所述声信号包括往复压缩机不同部位摩擦磨损状态下的声信号及往复压缩机正常运转的声信号；
对所获取的声信号进行降噪处理；
对降噪处理后的声信号提取其特征参数；
将经过处理的声信号的特征参数整理为样本数据集，包括训练集和测试集，建立样本数据库。
3.根据权利要求2所述的往复压缩机关键部位摩擦磨损状态识别方法，其特征在于，所述对降噪处理后的声信号提取其特征参数的步骤，具体包括：
对降噪后的声信号分别在频域和时域的空间上进行分析，提取频域特征参数和时域特征参数；
将提取的特征参数进行归一化处理。
4.根据权利要求3所述的往复压缩机关键部位摩擦磨损状态识别方法，其特征在于，所述建立神经网络模型的步骤，具体包括：
根据样本数据集中数据量大小及类型建立神经网络模型，神经网络模型的输入包括的特征参数为一级进气压力、一级进气温度和末级排气压力，输出包括的特征参数为除输入以外的各级进气压力、进气温度、排气压力和排气温度；
对神经网络模型的网络权值和阈值进行编码，设定测试用的阈值范围及基准参数。
5.根据权利要求4所述的往复压缩机关键部位摩擦磨损状态识别方法，其特征在于，所述通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型的步骤，具体包括：
基于所述训练集中的特征参数，对所述神经网络模型进行训练；
得到参数预测模型，所述参数预测模型包括输入参数、输出参数、输入输出参数之间的映射关系；
其中，所述输入参数包括：一级进气压力、一级进气温度和末级排气压力，所述输出参数包括：除输入参数以外的各级进气压力、进气温度、排气压力和排气温度，所述输入参数与输出参数之间的映射关系为：
；
其中， 、/>、/>分别为往复压缩机第j级的排气压力、末级排气压力、一级进气压力，单位为Mpa；n为往复压缩机级数；j为当前计算的级数，取值范围[1,n]；/>、/>分别为第j级的排气温度、第j级的进气温度，单位为K；/>为第j级的进气压力，单位为Mpa。
6.根据权利要求5所述的往复压缩机关键部位摩擦磨损状态识别方法，其特征在于，所述通过样本数据库中的测试数据对所述参数预测模型进行测试的步骤，具体包括：
将测试集中的测试数据输入所述参数预测模型；
根据输出参数与往复压缩机关键部位摩擦磨损状态的类型的映射关系，进行模型分类识别测试。
7.根据权利要求6所述的往复压缩机关键部位摩擦磨损状态识别方法，其特征在于，所述进行模型分类识别测试的步骤，具体包括：
对所述测试数据进行分类识别；
在前向传播过程中计算分类的误差；
根据所述阈值范围及基准参数判断所计算的误差是否处于设定范围内；
如果超出阈值范围，则返回并调整参数重新进行测试；
如果未超出阈值范围，则进行分类准确性逻辑判断，并输出对于往复压缩机关键部位摩擦磨损状态类型的预测结果及对应的分类准确率矩阵。
8.根据权利要求7所述的往复压缩机关键部位摩擦磨损状态识别方法，其特征在于，所述返回并调整参数重新进行测试的步骤，具体包括：
将误差从神经网络的输出层向隐藏层传递，利用链式法则计算每个神经元的梯度；
基于计算的梯度，对所述参数预测模型的权重和偏置进行更新；
等下一批次的测试数据输入后重新进行测试。
9.根据权利要求8所述的往复压缩机关键部位摩擦磨损状态识别方法，其特征在于，所述输出对于往复压缩机关键部位摩擦磨损状态类型的预测结果及对应的分类准确率的步骤，具体包括：
输出分类混淆矩阵，其中矩阵行表示真实的分类结果标签，列表示预测的分类结果标签。
10.一种往复压缩机关键部位摩擦磨损状态识别装置，其特征在于，所述装置包括：
数据采集单元，用于采集声信号并进行提取及预处理，建立样本数据库；
模型建立单元，用于建立神经网络模型，通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型；
模型测试单元，用于通过样本数据库中的测试数据对所述参数预测模型进行测试；
状态预测单元，用于使用参数预测模型对往复压缩机关键部位摩擦磨损状态类型进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410123701.8A CN117649860A (zh) | 2024-01-30 | 2024-01-30 | 一种往复压缩机关键部位摩擦磨损状态识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410123701.8A CN117649860A (zh) | 2024-01-30 | 2024-01-30 | 一种往复压缩机关键部位摩擦磨损状态识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117649860A true CN117649860A (zh) | 2024-03-05 |
Family
ID=90048117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410123701.8A Pending CN117649860A (zh) | 2024-01-30 | 2024-01-30 | 一种往复压缩机关键部位摩擦磨损状态识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649860A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020023495A1 (en) * | 2000-08-31 | 2002-02-28 | Piero Morganti | System for remote diagnosis of the state of wear of the suction and delivery valves of reciprocating compressors |
| CN101059130A (zh) * | 2007-03-07 | 2007-10-24 | 江苏工业学院 | 往复压缩机在线远程状态监测与故障分析诊断系统 |
| CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
| CN106847302A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 基于卷积神经网络的单通道混合语音时域分离方法 |
| KR20190031667A (ko) * | 2017-09-18 | 2019-03-27 | 엘지전자 주식회사 | 압축기 고장 진단 시스템 및 방법 |
| CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
| CN112508242A (zh) * | 2020-11-25 | 2021-03-16 | 中车永济电机有限公司 | 一种风力发电机轴承故障定位及分类模型的构建方法 |
| CN114396376A (zh) * | 2021-12-01 | 2022-04-26 | 石化盈科信息技术有限责任公司 | 往复式压缩机故障诊断辅助方法、装置、设备及系统 |
| CN116538092A (zh) * | 2023-07-06 | 2023-08-04 | 中国科学院理化技术研究所 | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 |
-
2024
- 2024-01-30 CN CN202410123701.8A patent/CN117649860A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020023495A1 (en) * | 2000-08-31 | 2002-02-28 | Piero Morganti | System for remote diagnosis of the state of wear of the suction and delivery valves of reciprocating compressors |
| CN101059130A (zh) * | 2007-03-07 | 2007-10-24 | 江苏工业学院 | 往复压缩机在线远程状态监测与故障分析诊断系统 |
| CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
| CN106847302A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 基于卷积神经网络的单通道混合语音时域分离方法 |
| KR20190031667A (ko) * | 2017-09-18 | 2019-03-27 | 엘지전자 주식회사 | 압축기 고장 진단 시스템 및 방법 |
| CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
| CN112508242A (zh) * | 2020-11-25 | 2021-03-16 | 中车永济电机有限公司 | 一种风力发电机轴承故障定位及分类模型的构建方法 |
| CN114396376A (zh) * | 2021-12-01 | 2022-04-26 | 石化盈科信息技术有限责任公司 | 往复式压缩机故障诊断辅助方法、装置、设备及系统 |
| CN116538092A (zh) * | 2023-07-06 | 2023-08-04 | 中国科学院理化技术研究所 | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 杨毅帆等: "一种基于热力预测系统的大型往复压缩机故障诊断方法", 《压缩机技术》, no. 5, 22 October 2023 (2023-10-22), pages 1 - 7 * |
| 阳能军等: "《基于声发射的材料损伤检测技术》", 30 August 2016, 基于声发射的材料损伤检测技术, pages: 12 - 13 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555479B (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
| Ravikumar et al. | Gearbox fault diagnosis based on Multi-Scale deep residual learning and stacked LSTM model | |
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
| CN109740254B (zh) | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
| CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN112699597A (zh) | 一种核电启动水泵滚动轴承故障检测方法及系统 | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN116662743A (zh) | 一种基于多模态深度学习的发动机剩余寿命预测方法 | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN116557787A (zh) | 管网状态智能评估系统及其方法 | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| Wang et al. | A novel inter-domain attention-based adversarial network for aero-engine partial unsupervised cross-domain fault diagnosis | |
| Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
| Nguyen et al. | Physics-infused fuzzy generative adversarial network for robust failure prognosis | |
| Shi et al. | Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection | |
| CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
| CN117649860A (zh) | 一种往复压缩机关键部位摩擦磨损状态识别方法及装置 | |
| Huang et al. | Interpretable real-time monitoring of pipeline weld crack leakage based on wavelet multi-kernel network | |
| CN117290742B (zh) | 一种基于动态聚类的信号时序数据故障诊断方法及系统 | |
| CN113850018B (zh) | 一种基于机器学习的气动执行机构运行状态预测方法 |
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 |