一种罗茨式压缩机故障诊断方法及系统技术方案

本发明专利技术提供一种罗茨式压缩机故障诊断方法，包括获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；将二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；将多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出故障类别；其中，降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型，罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。实施本发明专利技术，通过去除复杂工况下多传感器融合数据的噪音来改善深度学习模型诊断故障精度，提高了模型在复杂工况故障识别的准确率。高了模型在复杂工况故障识别的准确率。高了模型在复杂工况故障识别的准确率。

【技术实现步骤摘要】
一种罗茨式压缩机故障诊断方法及系统


[0001]本专利技术涉及机械设备故障诊断
，尤其涉及一种罗茨式压缩机故障诊断方法及系统。

技术介绍

[0002]罗茨式压缩机是一种回转式机械，其依靠两个叶轮的相对转动来不断压缩和输送气体。由于其工作特性稳定、容积效率高和适应性强等优点，被广泛应用于电子、石油、钢铁、建材、化工、食品、医疗及造纸等行业领域的蒸发环节中。
[0003]罗茨式压缩机长期在高速、高温等复杂的工况下运行，极易发生损伤故障。常见的罗茨式压缩机故障模式主要有：叶轮、轴承、齿轮、传动轴等关键易损零件损伤，地脚螺栓松动，电机绕组断路、绕组接地或相间短路、转子笼条断条以及异常泄漏等故障模式。罗茨式压缩机工作环境恶劣其结构又比较复杂的特点导致在其运行过程中，极有可能会发生故障。从而造成经济损失，更为严重的会引发安全事故。因此有必要对罗茨式压缩机的工作状态与性能进行监测诊断，以便于及时发现上述几类主要的故障模式，避免事故的发生。
[0004]研究怎样从罗茨式压缩机的复杂信号中得到罗茨式压缩机的故障特征，是罗茨式压缩机故障识别正确与否的重点之一。例如，Susanto等提出了将快速傅里叶与希尔伯特变换结合的方法，可以通过频谱图的分析来判断加工情况，但是此方法人工判断成分比较大，可能会对机器运行的状态有所误判。因此，有研究者提出了利用MLP、SVM、决策树等机器学习方法来识别旋转机械故障的方法，提高了机械故障识别准确度。但是这些机器学习也存在一定的问题，由于模型结构比较简单在处理复杂数据时自学能力比较弱，模型的建立与特征的提取需要分开来独立的去完成。识别复杂工况的故障时准确率比较低。
[0005]目前，深度学习是一种“端到端的模型”，有着很强的自适应学习能力，在挖掘数据潜在特征上有着很强的优势，在故障诊断中得到了广泛的应用。例如，雷亚国将深度学习模型应用于机械装备大数据进行状态监测的方法；又如，吕哲等人提出一种基于生成对抗网络与个性机理模型的旋转机械故障诊断方法；又如，杨胜康等人提出了一种基于多源域深度迁移学习的机械故障诊断方法。
[0006]但是，上述深度学习方法存在以下问题，具体包括：首先是训练集特征比较单一基本采取振动加速度信号作为测试数据，在复杂工况下可能无法达到所要求的识别精度；其次，就是深度学习虽然能在特征提取时能够学习到潜在特征，但是很容易将噪音也当作信号特征来学习。
[0007]由此可见，如何有效的去除复杂工况下多传感器融合数据的噪音，再通过深度学习方法进行故障识别是一个亟待解决的问题。因此，有必要在罗茨式压缩机的故障诊断中使用一种新深度学习方法，可以去除复杂工况下多传感器融合数据的噪音，提高了模型在复杂工况故障识别的准确率。

技术实现思路

[0008]本专利技术实施例所要解决的技术问题在于，提供一种罗茨式压缩机故障诊断方法及系统，通过去除复杂工况下多传感器融合数据的噪音来改善深度学习模型诊断故障精度，提高了模型在复杂工况故障识别的准确率。
[0009]为了解决上述技术问题，本专利技术实施例提供了一种罗茨式压缩机故障诊断方法，所述方法包括以下步骤：
[0010]获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；
[0011]将所述二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；其中，所述降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型；
[0012]将所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出所述罗茨式压缩机的故障类别；其中，所述罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。
[0013]其中，所述多尺度空洞卷积注意力自编码模型包括一个编码器和一个解码器；其中，
[0014]所述编码器是首先将所述二维矩阵作为输入，并给所述二维矩阵加入噪声损坏信号后，用一个线性层加激活函数ReLU对其特征提取，且将提取的特征放入多尺度空洞卷积块来捕获语义特征，进一步将所捕获的语义特征通过分离层分解成查询Queries、键Keys和值Values三个矩阵后，放入三层Transformer块中学习噪音分布特征和信号本身特征；
[0015]所述解码器对所述噪音分布特征和所述信号本身特征进行提取，以得到多尺度信号特征矩阵；其中，所述解码器包括一个用来预测添置的噪音的线性层和一个用来重组信号特征的线性层；所述解码器通过计算噪声预测损失和重构损失的梯度后，使用随机梯度下降的方法向后传播来更新权重。
[0016]其中，所述编码器中的每层Transformer块均由两个子层组成；其中，
[0017]所述两个子层之中一个子层是多头注意力的汇聚，另一个子层是基于位置的前馈网络；其中，所述两个子层之间的计算过程所示为和F
i
和分别表示i层的输入和输出；所述两个子层之间均采用了残差连接，并在残差连接后应用层归一化。
[0018]其中，所述残差网络通过所述多尺度信号特征矩阵作为Resnet的输入，待经过7*7卷积层和批量归一化层的特征提取后，再由3*3的最大池化层提取关键特征，然后用4个残差块再次对特征矩阵进行特征提取，最后用全局平均池化层聚集所有通道的特征后，用全连接层对提取的信号进行分类。
[0019]其中，所述罗茨式压缩机的故障类别包括叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、电机绕组断路、绕组接地与相间短路、转子笼条断条和异常泄漏。
[0020]本专利技术实施例还提供了一种罗茨式压缩机故障诊断系统，包括：
[0021]多信号融合单元，用于获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；
[0022]融合信号去噪单元，用于将所述二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；其中，所述降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型；
[0023]故障类别诊断单元，用于将所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出所述罗茨式压缩机的故障类别；其中，所述罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。
[0024]其中，所述罗茨式压缩机的故障类别包括叶轮故障、轴承故障、齿轮故障、传动轴损伤、地脚螺栓松动、电机绕组断路、绕组接地与相间短路、转子笼条断条和异常泄漏。
[0025]实施本专利技术实施例，具有如下有益效果：
[0026]本专利技术通过基于多尺度空洞卷积注意自编码模型构建的降噪模型具有很强的降噪能力，并与基于残差网络构建的罗茨式压缩机故障分类模型结合，克服了罗茨式压缩机因工作环境复杂导致故障判别的准确率比较低的问题，进一步提升了模型的准确性，从而可以达到去除复杂工况下多传感器融合数据的噪音来改善深度学习模型诊断故障精度，提高了模型在复杂工况故障识别的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种罗茨式压缩机故障诊断方法，其特征在于，所述方法包括以下步骤：获取罗茨式压缩机上由多个传感器所采集到的动力轴的振动信号、电机输入端的电流、压缩机出口压力、压缩机出口流量和液体的温度信号，以形成二维矩阵；将所述二维矩阵导入已训练好的降噪模型中进行降噪，得到降噪后的多尺度信号特征矩阵；其中，所述降噪模型是融合多尺度空洞卷积与注意力的新型自编码模型；将所得到的多尺度信号特征矩阵导入已训练好的罗茨式压缩机故障分类模型中，以诊断出所述罗茨式压缩机的故障类别；其中，所述罗茨式压缩机故障分类模型是加入残差连接的残差网络模型。2.如权利要求1所述的罗茨式压缩机故障诊断方法，其特征在于，所述多尺度空洞卷积注意力自编码模型包括一个编码器和一个解码器；其中，所述编码器是首先将所述二维矩阵作为输入，并给所述二维矩阵加入噪声损坏信号后，用一个线性层加激活函数ReLU对其特征提取，且将提取的特征放入多尺度空洞卷积块来捕获语义特征，进一步将所捕获的语义特征通过分离层分解成查询Queries、键Keys和值Values三个矩阵后，放入三层Transformer块中学习噪音分布特征和信号本身特征；所述解码器对所述噪音分布特征和所述信号本身特征进行提取，以得到多尺度信号特征矩阵；其中，所述解码器包括一个用来预测添置的噪音的线性层和一个用来重组信号特征的线性层；所述解码器通过计算噪声预测损失和重构损失的梯度后，使用随机梯度下降的方法向后传播来更新权重。3.如权利要求2所述的罗茨式压缩机故障诊断方法，其特征在于，所述编码器中的每层Transformer块均由两个子层组成；其中，所述两个子层之中一个子层是多头注意力的汇聚，另一个子层是基于位置的前馈网络；其中，所述两个子层之间的...

【专利技术属性】
技术研发人员：王辉，廖湘渝，张晋瑞，向家伟，司泽田，
申请(专利权)人：温州大学，
类型：发明
国别省市：