[发明专利]基于迁移学习的压缩机故障诊断方法及系统

说明书

本发明公开了基于迁移学习的压缩机故障诊断方法及系统，诊断方法过程包括：利用压缩机气缸内热力过程的数学模型生成故障模拟p‑V图，形成仿真数据集，并利用仿真数据集对网络模型进行训练，得到预训练卷积神经网络；对收集的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二值化p‑V图，对其进行整合，形成真实数据集；利用真实数据集对预训练卷积神经网络进行参数微调，得到用于故障诊断的迁移卷积神经网络；将压缩机实时工作循环的二值数字图像输入上述迁移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，达到故障诊断的目的。

技术领域

本发明属于压缩机技术领域，具体涉及基于迁移学习的压缩机故障诊断方法及系统。

背景技术

石油化工行业是重要产业，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。

往复式压缩机的零件多，运动关系复杂，工况范围广，导致其故障形式多样，进而为往复机的人工故障诊断造成了困难，因此对往复式压缩机的自动诊断技术进行探究，是迫不及待的。得益于人工智能技术的发展，目前机器学习算法已广泛应用于各类机械故障自动化诊断中，但机器学习模型的分类精度高度依赖于样本数据的数量，而工程中大多数情况下，无法为机器学习模型提供足量的故障样本数据，这就给机器学习模型在工程中的应用增加了难度。并且，针对类型相同但型号不同的机器，通过大量训练掌握的知识，在不同机器学习模型之间不能共享，也会造成数据资源的浪费，同时也会增加计算资源的浪费。

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迁移学习的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：

基于迁移学习的压缩机故障诊断方法，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。

优选的，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。

优选的，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。

优选的，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。