[发明专利]基于卷积神经网络的往复式压缩机故障诊断方法及系统

权利要求书

1.基于卷积神经网络的往复式压缩机故障诊断方法，其特征在于，包括如下过程：

对采集到的压缩机气缸内动态压力数据按照压缩机每个循环的工作过程进行预处理，得到压缩机每个工作循环的p-V图；

对压缩机每个工作循环的p-V图进行处理，得到压缩机每个工作循环的二值数字图像；

将压缩机每个工作循环的二值数字图像输入已训练好的卷积神经网络进行计算，得到卷积神经网络的输出；

根据预设的卷积神经网络的输出和压缩机状态之间的映射关系，得到压缩机状态类型；

压缩机每个工作循环的p-V图是一个包括膨胀过程线、进气过程线、压缩过程线和排气过程线的封闭图形；

对压缩机每个工作循环的p-V图依次进行图像裁剪、灰度化和二值化，得到压缩机每个工作循环的二值数字图像；

所述图像裁剪的过程包括：

将每个工作循环的p-V图使用图片裁剪方法进行裁剪，剪裁至只保留压缩机每个工作循环的p-V图的曲线，得到压缩机每个工作循环的裁剪后的p-V图，其中，剪裁的内容包括每个工作循环的p-V图的坐标轴、坐标轴名称、坐标轴刻度和标题。

2.根据权利要求1所述的基于卷积神经网络的往复式压缩机故障诊断方法，其特征在于，对压缩机每个工作循环的p-V图经过图像裁剪的图像进行灰度化的过程包括：

将经过图像剪裁的压缩机每个工作循环的p-V图的红、绿、蓝三原色的颜色分量，通过灰度值的计算方法，转化成一个灰度值，得到压缩机每个工作循环的p-V图的灰度图。

3.根据权利要求1所述的基于卷积神经网络的往复式压缩机故障诊断方法，其特征在于，将经过灰度化的压缩机每个工作循环的p-V图进行二值化的过程包括：

将经过灰度化的压缩机每个工作循环的p-V图的灰度值转化成非0即1的灰度值，得到压缩机每个工作循环的二值数字图像。

4.根据权利要求1所述的基于卷积神经网络的往复式压缩机故障诊断方法，其特征在于，压缩机状态类型包括：正常、进气阀弹簧失效、进气阀裂纹、进气阀断裂、排气阀弹簧失效、排气阀裂纹、排气阀断裂和活塞环磨损。

5.基于卷积神经网络的往复式压缩机故障诊断系统，其特征在于，包括：

预处理模块：用于对采集到的压缩机气缸内动态压力数据按照压缩机每个循环的工作过程进行预处理，得到压缩机每个工作循环的p-V图；压缩机每个工作循环的p-V图是一个包括膨胀过程线、进气过程线、压缩过程线和排气过程线的封闭图形；

图像处理模块：用于对压缩机每个工作循环的p-V图进行处理，得到压缩机每个工作循环的二值数字图像；对压缩机每个工作循环的p-V图进行处理时，对压缩机每个工作循环的p-V图依次进行图像裁剪、灰度化和二值化，得到压缩机每个工作循环的二值数字图像；所述图像裁剪的过程包括：将每个工作循环的p-V图使用图片裁剪方法进行裁剪，剪裁至只保留压缩机每个工作循环的p-V图的曲线，得到压缩机每个工作循环的裁剪后的p-V图，其中，剪裁的内容包括每个工作循环的p-V图的坐标轴、坐标轴名称、坐标轴刻度和标题；

计算模块：用于将压缩机每个工作循环的二值数字图像输入已训练好的卷积神经网络进行计算，得到卷积神经网络的输出；

判断模块：用于根据预设的卷积神经网络的输出和压缩机状态之间的映射关系，得到压缩机状态类型。

6.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任一所述的基于卷积神经网络的往复式压缩机故障诊断方法。

7.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任一所述的基于卷积神经网络的往复式压缩机故障诊断方法。