[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

说明书

本发明公开了基于卷积神经网络的往复式压缩机故障诊断方法及系统，包括，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。本发明利用卷积神经网络直接对p‑V图图像进行故障诊断，与传统机器学习方法不同，无需人为设计诊断特征，降低了人为因素对诊断结果的影响，在传统机器学习分类器的基础上提高了诊断精度。

技术领域

本发明属于压缩机技术领域，具体涉及基于卷积神经网络的往复式压缩机故障诊断方法及系统。

背景技术

石油化工行业是我国的重要产业，而往复式压缩机是其工艺流程中不可或缺的核心装置，压缩机能否正常运行直接关系到企业的经济效益。有些工艺压缩机的压缩机介质为氢气、乙烯、天然气等易燃易爆的气体，且工作在高压条件下，一旦发生故障可能会造成严重的人员伤亡事故。因此，研究往复式压缩机的故障诊断技术，尽早发现故障异常，并采取相应的防治措施具有重要意义。

然而，往复式压缩机的结构复杂，易损件多，且结构之间的相对运动较多，结构件受力复杂，因此，往复式压缩机的故障具有多样性，且故障之间的关联性强和复杂度高的特点。这就给人工的诊断过程增加了难度，使得诊断过程在时间上不够及时，并且诊断结果的准确性很大程度上依赖于诊断专家的经验学识。若诊断信号成分复杂，加之诊断专家的经验不足，可能还会出现误判的情况。因此减少诊断过程中人工的参与，提高诊断精度是往复压缩机故障诊断的迫切需求。此前，用于往复式压缩机故障诊断的分类器多基于传统的机器学习技术，例如，BP神经网络，支持向量机等。此类分类器的特点是，其分类精度很大程度上依赖于人为设计的特征提取器的效果，这就使得诊断精度受限于特征设计人员的水平。

发明内容

为了克服上述现有技术存在的问题，本发明的目的在于提出一种基于卷积神经网络的往复式压缩机故障诊断方法及系统，能够实现往复式压缩机多类故障的全自动智能诊断。

为了实现上述目的，本发明采用的解决方案是：

基于卷积神经网络的往复式压缩机故障诊断方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。