基于深度学习的空压机多阀门故障诊断方法及系统技术方案

本发明专利技术提供一种基于深度学习的空压机多阀门故障诊断方法及系统，将空压机的各个阀门均连接计算机，计算机采集当前阀门工作参数，将当前阀门工作参数输入至控制中心，通过深度学习方式判断当前故障类型，能够对空压机运行过程实现实时监控。通过深度学习的方式得到空压机各阀门正常工作条件下的工作参数，并且能够根据参数的不同判断当前空压机故障类型，当空压机出现故障时，能够及时发现并进行预警提示，防止空压机运行过程中缺乏监管出现重大问题影响生产甚至危害安全，给煤矿开采工作造成安全隐患并带来经济损失，提高空压机运行过程的安全性与可靠性，解决了空压机多阀门故障诊断的难题。断的难题。

【技术实现步骤摘要】
基于深度学习的空压机多阀门故障诊断方法及系统


[0001]本专利技术属于可靠性诊断
，具体涉及一种基于深度学习的空压机多阀门故障诊断方法。

技术介绍

[0002]目前，在煤炭行业中，空压机作为非常重要的气流供给装置，其工作的可靠性对系统整体工作的影响非常重要，每个空压机安装有多个阀门，阀门在工作过程中可能会出现故障，影响空压机正常运行，造成生产停滞，影响生产效率，造成经济损失。
[0003]空压机自身带有若干个不同的阀门，在现有技术中仅能监测当前空压机的运行异常，难以判断空压机是否存在阀门故障，以及故障类型与故障阀门具体位置，导致空压机存在故障运行的现象比较严重，当空压机出现不加载、不卸载情况会造成空压机压力过大还存在泄露问题，会严重影响空压机生产安全。

技术实现思路

[0004]基于上述问题，本专利技术提出一种基于深度学习的空压机多阀门故障诊断方法，包括：
[0005]步骤1：采集空压机不同工作状态下各个阀门的运行状态参数以及对应的故障类型，构建样本集；具体表述为：
[0006]步骤1.1：启动空压机，采集空压机正常运行时所有阀门的运行状态参数；
[0007]步骤1.2：调节空压机工作状态，再次采集空压机上各个阀门的运行状态参数，不断调整空压机的工作状态，采集空压机的各个阀门在不同工作状态下的运行状态参数；
[0008]步骤1.3：选取部分阀门关闭，采集当前空压机上各个阀门的运行状态参数；随机选取若干阀门关停，持续采集空压机上各个阀门的运行状态参数；r/>[0009]步骤1.4：加大空压机工作负载，至空压机达到过载状态，采集空压机过载状态下各处阀门的运行状态参数，调节空压机过载类型与故障状态，持续采集空压机过载条件下各处阀门的运行状态参数；
[0010]步骤1.5：调节空压机冷却系统，降低空压机冷却系统工作功率，采集空压机过热条件下各个阀门的运行状态参数，不断调节空压机冷却系统工作功率，使空压机冷却系统处于不同的过热幅度，持续采集空压机当前工作状态下各处阀门的运行状态参数；
[0011]步骤1.6：更换部分磨损部件，针对空压机出现供气不足、振动过大、噪声过大等不同故障现象，采集不同故障类型下空压机各个阀门的运行状态参数；
[0012]步骤1.7：根据步骤1.1～步骤1.6采集的阀门运行状态参数以及对应的空压机运行状态，建立包含空压机工作状态、故障类型与对应阀门运行状态参数之间的样本数据，形成样本集；
[0013]步骤2：构建基于深度学习的故障监测模型，利用样本集对模型进行训练；具体表述为：
[0014]步骤2.1：输入空压机各个阀门出现故障情况下的运行状态参数，根据阀门故障下的运行状态参数实现深度学习模型的学习过程；
[0015]步骤2.2：选取空压机单个阀门故障的运行状态参数输入深度学习模型，依次更换出现故障的阀门，保证所有阀门出现故障时的运行状态参数均输入深度学习模型，且深度学习模型均能够完成识别，进行深度学习模型的单层训练过程；
[0016]步骤2.3：选取空压机任意数量任意位置的阀门出现故障的运行状态参数输入深度学习模型，选取多组不同阀门不同运行状态参数输入深度学习模型，且深度学习模型能够完成识别，进行深度学习模型的多层训练过程；
[0017]步骤2.4：继续进行训练，采集空压机实际工作中阀门的运行状态参数，调节空压机阀门工作状态，利用步骤2.3训练后的深度学习模型识别并采集当前运行状态参数与其对应的故障类型，进行深度学习的强化训练过程，经强化训练后得到故障检测模型。
[0018]步骤3：利用训练后的故障监测模型监测空压机的当前工作状态。
[0019]针对每个空压机，采集该空压机上各个阀门的运行状态参数以及对应的空压机运行状态，构建样本集，用于训练深度学习模型作为该空压机的故障监测模型。
[0020]一种基于深度学习的空压机多阀门故障诊断系统，每台空压机上安装有多个阀门，所述系统包括计算机、控制中心，阀门与计算机电连接，计算机与控制中心无线连接；
[0021]所述计算机用于采集每个空压机上阀门的运行状态参数，并传输给控制中心；
[0022]所述控制中心用于构建基于深度学习模型的故障监测模型。
[0023]本专利技术的有益效果是：
[0024]本专利技术提出了一种基于深度学习的空压机多阀门故障诊断方法及系统，将各个阀门的运行参数特征储存于系统计算机中，采用一一对应的阀门与计算机关系，能够确保各阀门参数信息独立传递，不发生干涉对信息的传递带来影响；另一方面，阀门与计算机一一对应的形式，系统计算机接收计算机数据时可以根据数据情况判断当前阀门位置，节约数据处理时间，并且降低数据传递过程的干扰，提高数据传递过程的可靠性，防止由于数据处理过程中存在的噪声影响数据可靠性。系统计算机根据接收信号情况，根据数据信息判断当前当前空压机工作情况，若空压机出现故障将向技术中心报告空压机故障类型与故障阀门位置，避免由于监测不足带来安全隐患，为基于深度学习的空压机多阀门故障诊断系统的设计开创了一种新思路。
附图说明
[0025]图1为本专利技术中基于深度学习的空压机多阀门故障诊断系统原理图。
[0026]图2为本专利技术中深度学习模型训练示意图，其中图(a)～(d)均为随机选取部分阀门故障、部分阀门正常的示意图，这里仅为示意训练过程的随机异常选取，实际训练过程设置阀门故障情况与训练次数远大于4次。
[0027]图3为本专利技术中基于深度学习的空压机多阀门故障诊断方法原理图。
具体实施方式
[0028]下面结合附图和具体实施实例对专利技术做进一步说明。本实施例提供一种基于深度学习的空压机多阀门故障诊断方法及系统，构建空压机多个阀门松动时的故障检测与诊断
自训练模型，确保空压机能够自动、有效地控制在标准压力指标下高效作业。
[0029]本实施例基于深度学习模型在线判断阀门故障类型，深度学习模型的搭建过程如下：
[0030]1)数据集的建立。选取大量且各类故障状态比例相同的空压机阀门运行状态参数，建立空压机阀门运行状态参数数据集，数据集包含空压机阀门工作正常情况下的各类参数与故障情况的各类参数；
[0031]2)模型的训练与测试。构建两个数据集，其中一个为训练集，一个为测试集，将空压机阀门运行状态参数输入，其中有任意个阀门运行状态参数为故障状态，另外任意个阀门运行状态参数为正常状态，训练集中包含大量此类数据，均进行输入，接着，将测试集中数据进行输入，训练集数据与测试集数据无重合，即检验当前模型识别精度，还能够将测试集数据输入模型，对模型包含的数据集进行扩充，进一步强化数据集。
[0032]3)训练模型的评估。输入空压机运行状态参数，将出现错误的运行状态参数集进行记录，并且根据出现错误的数据对模型进行改进与强化，强化工作完成后再选取运行状态参数进行输入，利用训练模型进行识别，记录当前识别结果与输入参数，得到正确识别的数量，计算识别精度。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的空压机多阀门故障诊断方法，其特征在于，包括：步骤1：采集空压机不同工作状态下各个阀门的运行状态参数以及对应的故障类型，构建样本集；步骤2：构建基于深度学习的故障监测模型，利用样本集对模型进行训练；步骤3：利用训练后的故障监测模型监测空压机的当前工作状态。2.根据权利要求1所述的一种基于深度学习的空压机多阀门故障诊断方法，其特征在于，所述步骤1具体表述为：步骤1.1：启动空压机，采集空压机正常运行时所有阀门的运行状态参数；步骤1.2：调节空压机工作状态，再次采集空压机上各个阀门的运行状态参数，不断调整空压机的工作状态，采集空压机的各个阀门在不同工作状态下的运行状态参数；步骤1.3：选取部分阀门关闭，采集当前空压机上各个阀门的运行状态参数；随机选取若干阀门关停，持续采集空压机上各个阀门的运行状态参数；步骤1.4：加大空压机工作负载，至空压机达到过载状态，采集空压机过载状态下各处阀门的运行状态参数，调节空压机过载类型与故障状态，持续采集空压机过载条件下各处阀门的运行状态参数；步骤1.5：调节空压机冷却系统，降低空压机冷却系统工作功率，采集空压机过热条件下各个阀门的运行状态参数，不断调节空压机冷却系统工作功率，使空压机冷却系统处于不同的过热幅度，持续采集空压机当前工作状态下各处阀门的运行状态参数；步骤1.6：更换部分磨损部件，针对空压机出现不同故障现象，采集不同故障类型下空压机各个阀门的运行状态参数；步骤1.7：根据步骤1.1～步骤1.6采集的阀门运行状态参数以及对应的空压机运行状态，建立包含空压机工作状态、故障类型与对应阀门运行状态参数之间的样本数据，形成样...

【专利技术属性】
技术研发人员：田莹，顾颉颖，刘波，王海舰，刘思远，张强，张赫哲，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：