[发明专利]基于大数据的压缩机故障诊断方法

权利要求书

1.一种基于大数据的压缩机故障诊断方法，其特征在于，包括以下步骤：

专家经验/机理相关贝叶斯网络搭建，包括通过收集专家经验对BOG压缩机的故障模式进行故障识别，依据故障识别的结果建立BOG压缩机的故障知识库；依据故障知识库中的故障表现建立故障模式与故障表现之间互相推理的贝叶斯网络模型；依据所建立的贝叶斯网络模型，对设备的在线参数进行推理分析，得到设备每种故障模式的可能发生的概率并输出显示，对故障概率超过指定阈值的故障模式给出相应的报警信号；

数据驱动网络搭建，包括将压缩机振动数据处理为可操作化数据，将所有采样点振动数据绘制相关图，将所有采样点的振动数据的90％位数-10％位数绘制相关图，初步分析故障特征；对相关振动信号进行合理降噪，将振动信号进行降噪之后，利用三层小波包分析，将原本的每个采样时间点的时域波形分解为八个频段的振动信号，进行各个频段的能量占比分析，将故障时间段的能量占比分析与正常时间段的能量占比分析进行比对，利用三层小波包分析及能量占比分析寻找出可供预测压缩机故障的特征参数，用能量占比的差异进行逻辑回归模型的训练，进而构建相关网络利用逻辑回归进行故障预测。

2.如权利要求1所述的基于大数据的压缩机故障诊断方法，其特征在于，每一条故障知识包含故障部件、故障模式、故障表现参数以及故障机理。

3.如权利要求2所述的基于大数据的压缩机故障诊断方法，其特征在于，由故障知识库共整理得到故障模式和故障表现参数，作为建立贝叶斯网络的故障节点。

4.如权利要求1至3任一所述的基于大数据的压缩机故障诊断方法，其特征在于，贝叶斯网络模型的架构建立流程包括：

初始化网络的节点；

依据故障知识条，将故障模式节点与故障表现参数节点之间建立联系；

依据以上算法流程，建立压缩机的“故障——征兆”贝叶斯网络模型的基本架构；

计算各故障模式下的故障表现参数的联合概率，为计算联合概率分布，将故障模式和故障表现参数进行离散化处理；

依据专家经验将参数的具体表现转化为概率分布输入贝叶斯网络结构中。

5.如权利要求1所述的基于大数据的压缩机故障诊断方法，其特征在于，依据所建立的贝叶斯网络模型，对设备的在线参数进行推理分析包括在线监测数据模糊处理。

6.如权利要求5所述的基于大数据的压缩机故障诊断方法，其特征在于，所述在线监测数据模糊处理包括将各个故障的表现参数模糊处理后输入到贝叶斯网络中，处理流程包括：

统计压缩机正常运行历史数据中各个参数的均值和方差；

假设各个故障表现参数服从正态分布，将其标准化；

标准化后参数的数值区间与参数分布区间相对应。