[发明专利]基于大数据的压缩机故障诊断方法

说明书

本发明公开了一种基于大数据的压缩机故障诊断方法，包括以下步骤：专家经验/机理相关贝叶斯网络搭建；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，进而构建相关网络利用逻辑回归进行故障预测。

技术领域

本发明属于机械设备故障诊断技术领域，具体涉及一种基于大数据的压缩机故障诊断方法。

背景技术

在科技高速发展的前提下，各行各业均采用先进工业设备以提高工厂制造效率及产品质量。总体来看，工业将朝着信息化、自动化、智能化的路途不断向前发展。在工业4.0的发展过程中，对于设备可靠性提出了更高的挑战，也对机械设备的维修及时性提出了更高的要求。对于工厂而言，某台关键设备的突发故障意味着生产线效率的大幅度下降和生产成本的大幅度提高。从这个角度看来，对于设备的故障诊断以及预测是工业发展过程中十分关键的技术。

压缩机通常是炼油及化工企业的关键设备。如果能在设备运行过程中，及时准确地捕捉设备异常信息从而在早期对可能故障状态进行预警，可以提前分析对策从而避免故障突发，并且也能提高专业人员监测压缩机运行状况的效率。以此看来，压缩机对于工业生产有重要的意义，并且对于压缩机的故障诊断及预测能够有助于提高工厂的生产效率。

压缩机故障大致分为两类。一类与流体性质相关，是热力性能故障。此类故障常见表现是压缩机工作的时候排气量不足并且排气压力出现异常、温度出现异常以及各级之间压力和温度出现异常等现象。另一类与机械性质相关，是机械功能故障。此类故障常见表现是压缩机运行时出现异常的响声、振动以及过热等现象。一般来说，热力性能故障可利用工艺过程的一些监测参数(比如各级吸气温度、排气温度以及压力参数等)进行判断，而对于机械功能类型的故障来说主要参考振动信号的监测分析。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于大数据的压缩机故障诊断方法，用于提升压缩机故障诊断和预警的准确率。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于大数据的压缩机故障诊断方法，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。

优选地，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。

优选地，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。

优选地，贝叶斯网络模型的架构建立流程包括：