一种基于神经网络算法的往复式压缩机故障诊断系统及方法技术方案

本发明专利技术公开了一种基于神经网络算法的往复式压缩机故障诊断系统及方法，包括现场通讯模块、数据采集模块、基于神经网络的仿真模块、基于标准故障特征的专家系统模块、故障诊断主机及上位机。本发明专利技术利用神经网络算法，结合实测的压缩机系统状态参数，得到压缩机各工况下的仿真模型；通过改变系统参数模拟压缩机故障计算得到标准故障特征，压缩机出现运转异常后，通过和标准故障特征对比，可准确定位故障部位并给出排除方法；本发明专利技术诊断成功率较高，且不需高精度设备实时监测分析，降低了诊断成本。

A Fault Diagnosis System and Method for Reciprocating Compressor Based on Neural Network

The invention discloses a fault diagnosis system and method for reciprocating compressor based on neural network algorithm, including field communication module, data acquisition module, simulation module based on neural network, expert system module based on standard fault characteristics, fault diagnosis host and upper computer. The present invention uses the neural network algorithm and combines the measured compressor system state parameters to obtain the simulation model under each working condition of the compressor; through changing the system parameters to simulate the calculation of the compressor fault, the standard fault characteristics are obtained; after the compressor has abnormal operation, the fault location can be accurately located and the troubleshooting method can be given by comparing with the standard fault characteristics; and the diagnosis success rate of the present invention is also given. It is high, and does not need high-precision equipment real-time monitoring and analysis, which reduces the cost of diagnosis.

【技术实现步骤摘要】
一种基于神经网络算法的往复式压缩机故障诊断系统及方法
本专利技术涉及设备的故障诊断
，具体的说是涉及到一种基于神经网络算法的往复式压缩机的故障诊断系统及方法。
技术介绍
往复式压缩机作为油气田运输的核心设备，其稳定性、可靠性和安全性有着非常重要的意义。因为压缩机结构比较复杂，零部件较多，装配复杂，有时候会出现使用同一套图纸生产的往复式压缩机在现场运行出现不同运行特性的情况，因此很难对压缩机构建准确的整体数学仿真模型，所以当故障征兆出现时，如何通过故障诊断减少因压缩机故障造成的直接或间接损失，一直是压缩机行业的一个重要课题。目前主流的检测方法有振动检测、热力参数检测、应力应变检测等等，然而以上检测只针对压缩机特定的故障进行检测判断，而无法对压缩机整体的、系统的状态进行比较和判断。目前也有一些发动机设备的故障诊断系统采用在线实时监测发动机的动力学及振动特性参数进行故障诊断，但由于没有进行热动力学模型的修正，且采用的是在时频域信号中监测故障特征谱的方法，较容易出现误报的情况，最终造成技术人员大多只能借助经验对引起故障的原因进行处理，耗时耗力也比较容易出错。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术存在的不足，提供一种基于神经网络算法的往复式压缩机故障诊断系统及方法，可准确定位故障部位并给出排除方法。本专利技术是通过以下技术方案来实现：一种基于神经网络算法的往复式压缩机故障诊断系统，包括现场通讯模块、数据采集模块、基于神经网络的仿真模块、基于标准故障特征的专家系统模块、故障诊断主机及上位机；所述数据采集模块用于获取压缩机各个零部件的特性参数并发送至基于神经网络的仿真模块；所述现场通讯模块用于从PLC监控系统获取压缩机的实时运行参数并发送至基于神经网络的仿真模块；所述基于神经网络的仿真模块根据压缩机设计数据和压缩机正常工作期间数据采集模块采集的各个零部件的特性参数及现场通讯模块获取的实时运行参数，建立压缩机的数学仿真模型并保存至专家系统模块；通过改变数学仿真模型中有关故障部位参数，模拟压缩机不同部位各种故障来获得故障数据特征并保存至专家系统模块；所述专家系统模块包括综合数据库和专家知识库，综合数据库包含压缩机的数学仿真模型和故障数据特征；专家知识库包含故障的判断准则及针对各种故障的处理方法；所述故障诊断主机用于用户读取故障诊断过程、结果及排除措施；所述上位机用于开发者读取、添加和修改基于神经网络的仿真模块和专家系统模块。优选的，所述数据采集模块包括温度传感器、压力传感器、应变片传感器、振动传感器和电涡流传感器。优选的，所述专家系统模块还包括推理机，推理机用于运用控制策略寻找适用的故障的判断准则。优选的，综合数据库和专家知识库能被读取、添加及修改。优选的，现场通信模块支持Modbus协议、TCP/IP协议和CAN总线通信协议。一种基于神经网络算法的往复式压缩机故障诊断方法，包括如下步骤：S1、通过数据采集模块获取压缩机各个零部件的特性参数，并发送给基于神经网络的仿真模块；S2、通过现场通讯模块获取压缩机PLC监控系统的实时运行参数，并发送给基于神经网络的仿真模块；S3、基于神经网络的仿真模块进行模拟仿真：压缩机装配及试车阶段，神经网络的仿真模块采用压缩机设计数据、数据采集模块采集的压缩机各个零部件的特性参数和压缩机实时运行参数，经过滤波去除噪声后，建立压缩机的理想热力学方程、理想动力学方程和理想振动力学方程，得到压缩机的理想数学模型；压缩机加载运行阶段，向理想数学模型中输入现场通讯模块采集的实时运行参数，结合BP神经网络方法和结构动力学修改，建立压缩机的仿真热力学模型、仿真动力学模型及仿真振动力学模型，得到压缩机的仿真数学模型，并将建立的仿真数学模型保存至专家系统模块；通过神经网络算法迭代改变仿真数学模型中不同的有关故障部位参数，模拟压缩机不同部位各种故障来获得故障数据特征并保存至专家系统模块；S4、故障诊断：当出现故障征兆时，现场通讯模块获取的压缩机的实时运行参数作为待匹配的故障数据特征，待匹配的故障数据特征与专家系统模块中保存的故障数据特征根据专家知识库中的故障判断准则进行判断是否匹配；如果匹配成功，实现故障诊断，并给出对应专家意见；如果匹配不成功，通过神经网络算法迭代修改压缩机仿真数学模型的有关故障部位参数，直到模拟出的故障数据特征与待匹配的故障数据特征匹配成功，再调出专家知识库中此故障的排除方法，完成故障诊断，并将模拟出的故障数据特征存入专家系统模块。优选的，步骤S1具体为：在机组进行加工装配时，通过数据采集模块对气缸、中体、机身、缸头支撑、中体支撑、缓冲罐和洗涤罐进行测试，读取固有频率、模态振型和阻尼比参数，机组在试车阶段，读取压缩机加速度、位移、力和力矩，机组在现场安装调试成功后，通过数据采集模块对压缩机进行空载、加载、不同进气压力下及不同排量下的运转测试，并记录各部件的运行参数。优选的，步骤S3中，仿真数学模型的建立方法具体为：建立理想热力学方程为：P＝f(n,q,T,T1,k,B,r1,r2,p1,p2,z,Q,t)，建立完成后将各级的热力学方程联立组成方程组计算，计算完成后输出动态压力值P供动力学计算及振动力学计算使用，令f(P)为机组理想热力学数学模型，则输出f(P)供神经网络使用；建立理想动力学方程为：W＝f(n,m,t,l,p1,p2,r2,c,P,z1)，建立完成后输出扭矩值W供振动力学计算使用，令f(W)为理想动力学数学模型，则输出f(W)供神经网络使用；f(P)和f(W)结合BP神经网络方法，输入现场通讯模块获取的实时运行参数，迭代优化拟合参数z和z1，建立压缩机仿真热力学模型及仿真动力学模型；建立理想振动力学方程：V＝f(M,C,K,P,W,t)，令f(V)为理想振动力学数学模型，结合有限元分析及现场通讯模块获取的实时运行参数进行结构动力学修改，令f(V)’为SDM修改后的仿真振动力学模型，则输出f(V)’供神经网络和专家系统使用；其中，n为压缩机转速，Q为排气量，q为余隙容积，t为时间，T为进气温度，T1为排气温度，k为气体绝热指数，B为气缸单位时间与外界热交换值，r1为某级气缸直径值，r2为曲轴回转半径，p1为进气压力，p2为排气压力，Q为气体排量，z为热力学拟合参数，P为气缸内的瞬态压力，m为往复惯性质量力，l为压缩机列数，c为滑动摩擦阻尼，z1为动力学拟合参数，W为电机输出瞬态扭矩值，M为压缩机各个零部件的质量矩阵，C为压缩机各个零部件的阻尼矩阵，K为压缩机各个零部件的刚度矩阵。进一步的，在建立仿真振动力学模型时，先对压缩机模型进行离散分解成各子结构，然后通过有限元仿真得出各子结构的主模态及约束模态，乘以变换矩阵，得到模态空间的缩聚刚度矩阵和缩聚质量矩阵，通过与实测压缩机各子结构的模态数据对比，进行基于有限元分析和实验模态的结构动力学修改，然后组合得到整机的模态空间的质量矩阵、刚度矩阵及阻尼矩阵，引入广义力进行机组耦合分析，提取压缩机相应部位的加速度、位移、力和力矩。优选的，步骤S3中，滤波采用卡尔曼滤波。与现有技术相比，本专利技术具有以下有益的技术效果：1、本专利技术采用神经网络算法结合现场安装调试时实测数据对压缩机模型的热、动力学数学模型进行拟合优化，本文档来自技高网...

【技术保护点】
1.一种基于神经网络算法的往复式压缩机故障诊断系统，其特征在于：包括现场通讯模块、数据采集模块、基于神经网络的仿真模块、基于标准故障特征的专家系统模块、故障诊断主机及上位机；所述数据采集模块用于获取压缩机各个零部件的特性参数并发送至基于神经网络的仿真模块；所述现场通讯模块用于从PLC监控系统获取压缩机的实时运行参数并发送至基于神经网络的仿真模块；所述基于神经网络的仿真模块根据压缩机设计数据和压缩机正常工作期间数据采集模块采集的各个零部件的特性参数及现场通讯模块获取的实时运行参数，建立压缩机的数学仿真模型并保存至专家系统模块；通过改变数学仿真模型中有关故障部位参数，模拟压缩机不同部位各种故障来获得故障数据特征并保存至专家系统模块；所述专家系统模块包括综合数据库和专家知识库，综合数据库包含压缩机的数学仿真模型和故障数据特征；专家知识库包含故障的判断准则及针对各种故障的处理方法；所述故障诊断主机用于用户读取故障诊断过程、结果及排除措施；所述上位机用于开发者读取、添加和修改基于神经网络的仿真模块和专家系统模块。

【技术特征摘要】
1.一种基于神经网络算法的往复式压缩机故障诊断系统，其特征在于：包括现场通讯模块、数据采集模块、基于神经网络的仿真模块、基于标准故障特征的专家系统模块、故障诊断主机及上位机；所述数据采集模块用于获取压缩机各个零部件的特性参数并发送至基于神经网络的仿真模块；所述现场通讯模块用于从PLC监控系统获取压缩机的实时运行参数并发送至基于神经网络的仿真模块；所述基于神经网络的仿真模块根据压缩机设计数据和压缩机正常工作期间数据采集模块采集的各个零部件的特性参数及现场通讯模块获取的实时运行参数，建立压缩机的数学仿真模型并保存至专家系统模块；通过改变数学仿真模型中有关故障部位参数，模拟压缩机不同部位各种故障来获得故障数据特征并保存至专家系统模块；所述专家系统模块包括综合数据库和专家知识库，综合数据库包含压缩机的数学仿真模型和故障数据特征；专家知识库包含故障的判断准则及针对各种故障的处理方法；所述故障诊断主机用于用户读取故障诊断过程、结果及排除措施；所述上位机用于开发者读取、添加和修改基于神经网络的仿真模块和专家系统模块。2.根据权利要求1所述的基于神经网络算法的往复式压缩机故障诊断系统，其特征在于：所述数据采集模块包括温度传感器、压力传感器、应变片传感器、振动传感器和电涡流传感器。3.根据权利要求1或2所述的基于神经网络算法的往复式压缩机故障诊断系统，其特征在于：所述专家系统模块还包括推理机，推理机用于运用控制策略寻找适用的故障的判断准则。4.根据权利要求1或2所述的基于神经网络算法的往复式压缩机故障诊断系统，其特征在于：综合数据库和专家知识库能被读取、添加及修改。5.根据权利要求1或2所述的基于神经网络算法的往复式压缩机故障诊断系统，其特征在于：现场通信模块支持Modbus协议、TCP/IP协议和CAN总线通信协议。6.一种基于神经网络算法的往复式压缩机故障诊断方法，其特征在于，包括如下步骤：S1、通过数据采集模块获取压缩机各个零部件的特性参数，并发送给基于神经网络的仿真模块；S2、通过现场通讯模块获取压缩机PLC监控系统的实时运行参数，并发送给基于神经网络的仿真模块；S3、基于神经网络的仿真模块进行模拟仿真：压缩机装配及试车阶段，神经网络的仿真模块采用压缩机设计数据、数据采集模块采集的压缩机各个零部件的特性参数和压缩机实时运行参数，经过滤波去除噪声后，建立压缩机的理想热力学方程、理想动力学方程和理想振动力学方程，得到压缩机的理想数学模型；压缩机加载运行阶段，向理想数学模型中输入现场通讯模块采集的实时运行参数，结合BP神经网络方法和结构动力学修改，建立压缩机的仿真热力学模型、仿真动力学模型及仿真振动力学模型，得到压缩机的仿真数学模型，并将建立的仿真数学模型保存至专家系统模块；通过神经网络算法迭代改变仿真数学模型中不同的有关故障部位参数，模拟压缩机不同部位各种故障来获得故障数据特征并保存至专家系统模块；S4、故障诊断：当出现故障征兆时，现场通讯模块获取的压缩机的实时运行参数作为待匹配的故障数据特征，待匹配的故障数据特征与专家系统模块中保存的故障数据特征根据专家知识库中的故障判断准则进行判断是否匹配；如果匹配成功，实现故障诊断，并...

【专利技术属性】
技术研发人员：叶君超，余小玲，吕倩，侯小兵，范诗怡，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61