[发明专利]基于迁移学习的压缩机故障诊断方法及系统

权利要求书

1.基于迁移学习的压缩机故障诊断方法，其特征在于，包括如下过程：

利用往复式压缩机气缸内热力过程的数学模型，模拟生成预设数量的包含压缩机故障状态下的p-V图，对该p-V图进行整合，形成仿真数据集；

利用所述仿真数据集对卷积神经网络进行训练，得到预训练的卷积神经网络；

对真实故障情况下的气缸内动态压力数据进行数据预处理和图像处理，得到真实故障情况下的二值化p-V图，对该二值化p-V图进行整合，形成真实数据集；

利用所述真实数据集对所述预训练的卷积神经网络进行参数调整，得到用于压缩机故障诊断的迁移卷积神经网络；

对实时监测系统采集的压缩机气缸内的动态压力数据进行所述数据预处理和图像处理，得到压缩机每个工作循环的二值数字图像；

利用迁移卷积神经网络对所述二值数字图像进行处理，根据预设的迁移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，实现对压缩机的故障诊断。

2.根据权利要求1所述的基于迁移学习的压缩机故障诊断方法，其特征在于，往复式压缩机气缸内热力过程的数学模型包括：压缩机的几何模型、气体状态方程、进/排气阀运动模型、进/排气阀的流量模型、活塞环的泄露模型、热交换模型以及活塞的运动模型。

3.根据权利要求1所述的基于迁移学习的压缩机故障诊断方法，其特征在于，压缩机气缸内热力过程的数学模型所模拟的压缩机参数与需要进行故障诊断的压缩机参数不同。

4.根据权利要求1所述的基于迁移学习的压缩机故障诊断方法，其特征在于，真实故障情况下的气缸内动态压力数据通过对需要进行故障诊断的压缩机进行故障模拟实验或者调取历史运行数据获得。

5.根据权利要求1所述的基于迁移学习的压缩机故障诊断方法，其特征在于，所述卷积神经网络包括三个卷积模块和一个全连接层模块。其中每个卷积模块包含一个卷积层，一个池化层和一个ReLu激活函数层。全连接层模块包含三个全连接层和一个softmax输出层。

6.根据权利要求5所述的基于迁移学习的压缩机故障诊断方法，其特征在于，所述迁移卷积神经网络中，全连接层和Softmax输出层的输出尺寸，由真实数据集包含的压缩机状态类型决定，所述迁移卷积神经网络其余结构与预训练的卷积神经网络结构一致。

7.根据权利要求6所述的基于迁移学习的压缩机故障诊断方法，其特征在于，利用所述真实数据集对所述预训练的卷积神经网络进行参数调整的过程包括：

使用预训练的卷积神经网的卷积模块参数，对迁移卷积神经网络的卷积模块参数进行初始化，并对迁移卷积神经网络的全连接层参数进行随机初始化；随后，使用真实数据集的训练集对迁移卷积神经网络进行训练，训练过程中，迁移卷积神经网络的卷积模块参数保持不变，只对全连接层参数进行迭代更新，直到迁移卷积神经网络在验证集上的计算损失趋于稳定值，训练停止；模型训练过程，通过保留预训练的卷积神经网络卷积层的参数，实现知识的迁移，同时，通过微调全连接层的参数，使迁移后的卷积神经网络能够适应新的分类任务。