[发明专利]往复压缩机故障诊断优化方法及装置

说明书

本发明提供了一种往复压缩机故障诊断优化方法及装置，该方法包括：确定待训练的故障诊断优化模型中参数的最优值；根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。本发明可以诊断往复压缩机故障，相比于未进行参数优化的故障诊断模型，准确率更高。

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种往复压缩机故障诊断优化方法。

背景技术

往复压缩机是石化等工业生产中的最为常用的机械设备。由于往复压缩机长期工作在易燃易爆、高温高压的环境中，且该设备结构较为复杂、内部有较多运动部件，一旦故障发生，可能会出现设备整体瘫痪，甚至停产，当故障严重时可能会使危险气体泄露，导致着火、爆炸、人员伤亡等灾难性事故的发生。因此对往复压缩机的故障诊断技术进行研究在社会效益及经济效益方面有着重大意义。

近年来，随着故障识别及诊断技术的逐步成熟，传统故障诊断方法在识别结构复杂设备故障时存在一定的不足之处，而人工智能识别技术在故障识别领域中便得到更加充分的应用。深度学习的基本思想是利用多层神经网络来模拟人脑组织对外界信号的处理，通过在网络中堆叠多层次的深层网络结构，以充分挖掘收集到的信号信息。海量的数据可以通过多种线性和非线性变换进行特征的有效学习，并用于机器的健康状态分类。

基于深度学习的自编码神经网络是数据降维及特征提取问题研究的热点，数据降维能够有效消除无关和冗余信息，提高学习数据内在特征的效率。降噪自编码神经网络(DAE)模型将一定概率分布的噪声添加到原始输入信号中，对噪声进行学习和去除，同时对信号进行重构得到没有被扰乱过的输入信号，从而使得从包含噪声的输入信号中学到的特征鲁棒性更强，对输入信号的泛化能力也有较大提高。将多个DAE进行堆叠得到堆栈降噪自编码神经网络(SDAE)模型。若每一层的DAE编码都能够较好的实现重构效果，则SDAE就可以较好的实现高维特征的降维及深度特征的提取，且提取到的特征具有较强的鲁棒性。但目前将堆栈降噪自编码神经网络模型应用在往复压缩机故障诊断上时的技术不够成熟，故障诊断准确率低。

发明内容

本发明实施例提出一种往复压缩机故障诊断优化方法，用以诊断往复压缩机故障，准确率高，该方法包括：

确定待训练的故障诊断优化模型中参数的最优值；

根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；

在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。

本发明实施例提出一种往复压缩机故障诊断优化装置，用以诊断往复压缩机故障，准确率高，该装置包括：

模型参数确定模块，用于确定待训练的故障诊断优化模型中参数的最优值；

训练模块，用于根据待训练的故障诊断优化模型中参数的最优值，训练故障诊断优化模型，获得训练后的故障诊断优化模型；

诊断模块，用于在选取往复压缩机的振动信号后，将往复压缩机的振动信号输入至训练后的故障诊断优化模型，获得往复压缩机的故障诊断结果。

本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述往复压缩机故障诊断优化方法。

本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述往复压缩机故障诊断优化方法的计算机程序。