本申请涉及一种压缩机在线监测及诊断方法、装置、设备以及存储介质。所述方法包括：采集压缩机设备的振动信号及运行数据；采用故障识别分析模型从振动信号和运行数据中提取压缩机设备的特征信息；将提取的特征信息与故障模式数据库进行比对，根据对比结果对压缩机设备进行故障模式分析，得到压缩机设备的故障模式分类结果，将特征信息和故障模式分类结果上传至专家诊断系统；专家诊断系统基于特征信息和故障模式分类结果，利用深度学习数据分析模型对压缩机设备进行故障诊断和健康状态预测，生成压缩机设备的故障诊断结论。本申请实施例可以更全面准确地进行螺杆式压缩机的振动监测和故障诊断，提高故障预测精度以及压缩机设备的稳定性和可靠性。备的稳定性和可靠性。备的稳定性和可靠性。
【技术实现步骤摘要】
一种压缩机在线监测及诊断方法、装置、设备及存储介质
[0001]本申请属于能源动力
，特别涉及一种压缩机在线监测及诊断方法、装置、设备以及存储介质。
技术介绍
[0002]压缩机是工业生产中的一种通用类设备，其稳定性和可靠性对于生产的连续进行至关重要。在使用过程中的可靠性问题，不仅会影响到设备的正常运行，还可能导致设备损坏。特别是螺杆式压缩机在超导加速器等大科学装置上的应用，如果压缩机故障通常会带来整个科学装置瘫痪的严重事故。
[0003]目前已有一些螺杆式压缩机振动监测的解决方案，但传统的振动监测方案忽略了高频振动冲击对设备磨损和疲劳方面的影响，也未考虑气体动力学和转子动力学等特征因素。同时，国标的振动烈度数值且没有对应振动频率，并不适用于具有高频信号的能量冲击的螺杆式压缩机。另外，现有的振动监测方案通常只关注数据采集和简单模型分析，功能和模型较为单一，无法满足实际需要，且存在精度不高、诊断不准确及时等问题，在实际工程中应用较少，不能有效指导螺杆转子技术的优化开发以及提高螺杆式压缩机的可靠性。
技术实现思路
[0004]本申请提供了一种压缩机在线监测及诊断及诊断分析方法、装置、设备以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
[0005]为了解决上述问题，本申请提供了如下技术方案：一种压缩机在线监测及诊断方法，包括：采集压缩机设备的振动信号及运行数据；采用故障识别分析模型从所述振动信号和运行数据中提取压缩机设备的特征信息，所述特征信息包括气体动力学特征和转子动力学特征；将提取的特征信息与故障模式数据库进行比对，根据对比结果对所述压缩机设备进行故障模式分析，得到所述压缩机设备的故障模式分类结果，并将所述特征信息和故障模式分类结果上传至专家诊断系统；所述专家诊断系统基于特征信息和故障模式分类结果，利用深度学习数据分析模型对所述压缩机设备进行故障诊断和健康状态预测，并结合疲劳失效数学模型预测故障原因以及故障演化趋势，生成所述压缩机设备的故障诊断结论。
[0006]本申请实施例采取的技术方案还包括：所述采集压缩机设备的振动信号及运行数据具体为：通过数据采集装置对压缩机设备的振动信号进行实时采集，并实时获取压缩机设备的运行数据，所述数据采集装置为振动传感器、速度传感器或位移传感器，所述运行数据包括压缩机设备的气路和油路的压力及温度数据。
[0007]本申请实施例采取的技术方案还包括：所述采集压缩机设备的振动信号及运行数
据之后，还包括：采用低通滤波和AD转换将所述振动信号转化为数字信号，并将所述数字信号和运行数据上传至云服务平台。
[0008]本申请实施例采取的技术方案还包括：所述采用故障识别分析模型从所述振动信号和运行数据中提取压缩机设备的特征信息具体为：通过所述云服务平台接收压缩机设备的数字信号和运行数据，对所述数字信号和运行数据进行预处理后，通过所述故障识别分析模型基于大数据库故障分析模式对所述数字信号和运行数据进行深度学习和模式识别，提取出所述压缩机设备的气体动力学特征和转子动力学特征；其中，所述故障识别分析模型通过大数据库和分类样本模型库训练得到。
[0009]本申请实施例采取的技术方案还包括：所述将提取的特征信息与故障模式数据库进行比对，根据对比结果对所述压缩机设备进行故障模式分析，得到所述压缩机设备的故障模式分类结果之后，还包括：根据所述故障模式分析结果形成日志文件和参数历史曲线，并将故障模式归入所述云服务平台的大数据档案库。
[0010]本申请实施例采取的技术方案还包括：所述专家诊断系统基于特征信息和故障模式分类结果，利用深度学习数据分析模型对所述压缩机设备进行故障诊断和健康状态预测，并结合疲劳失效数学模型预测故障原因以及故障演化趋势，生成所述压缩机设备的故障诊断结论具体为：通过专家诊断系统接收特征信息和故障模式分类结果，并利用大数据库故障模式对压缩机设备的本征频率辨识、运行和调控策略分析、诱发故障模式的因素分解、油膜的形成和演变过程、转子热态变形和间隙的变化、气体工质脉动机理进行分析，并建立疲劳失效数学模型，利用疲劳失效数学模型根据振动信号的时域波形、频域特征与故障模式和因素的关联性分析方法预测故障原因以及故障演化趋势，生成所述压缩机设备的故障诊断结论；所述故障诊断结论包括机械类故障、运行类故障或控制类故障。
[0011]本申请实施例采取的技术方案还包括：所述生成所述压缩机设备的故障诊断结论之后，还包括：根据所述故障诊断结论向压缩机设备返回故障解决策略。
[0012]本申请实施例采取的另一技术方案为：一种压缩机在线监测及诊断装置，包括：数据采集模块：用于采集压缩机设备的振动信号及运行数据；特征提取模块：用于采用故障识别分析模型从所述振动信号和运行数据中提取压缩机设备的特征信息，所述特征信息包括气体动力学特征和转子动力学特征；故障识别模块：用于将提取的特征信息与故障模式数据库进行比对，根据对比结果对所述压缩机设备进行故障模式分析，得到所述压缩机设备的故障模式分类结果，并将所述特征信息和故障模式分类结果上传至专家诊断系统；故障诊断模块：用于所述专家诊断系统基于特征信息和故障模式分类结果，利用深度学习数据分析模型对所述压缩机设备进行故障诊断和健康状态预测，并结合疲劳失效数学模型预测故障原因以及故障演化趋势，生成所述压缩机设备的故障诊断结论。
[0013]本申请实施例采取的又一技术方案为：一种设备，所述设备包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现所述压缩机在线监测及诊断方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以控制压缩机在线监测及诊断方法。
[0014]本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述压缩机在线监测及诊断方法。
[0015]相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的压缩机在线监测及诊断方法、装置、设备以及存储介质基于大数据库故障模式分析进行深度学习和模式识别，可以更真实全面准确地考虑气体动力学和转子动力学特征，并通过数据库优化分析提高转子型线设计、转子动力学设计等，实现更准确、及时且高效的螺杆式压缩机振动信号在线监测和故障诊断，在提高螺杆式压缩机稳定性和可靠性的同时，延长其免维护周期。本申请实施例全面考虑了故障模式及其发生的机理、工质、转子型线、气体动力学、转子动力学、等因素，可以更全面准确地进行螺杆式压缩机的振动监测和故障诊断，提高了故障预测精度以及压缩机设备的稳定性和可靠性。
附图说明
[0016]图1是本申请实施例的压缩机在线监测及诊断方法的流程图；图2是本申请实施例的专家诊断系统基本模块构成示意图；图3是本申请实施例在实验中的应用结果示意图；图4是本申请实施例在实验中振动波形上的削峰及其量化分析示意图；图5为本申请实施例的压缩机在线监测及诊断装置结构示意图；图6为本申请实施例的设备结构示意图；图7为本申请实施例的存储介质的结构示本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种压缩机在线监测及诊断方法，其特征在于，包括：采集压缩机设备的振动信号及运行数据；采用故障识别分析模型从所述振动信号和运行数据中提取压缩机设备的特征信息，所述特征信息包括气体动力学特征和转子动力学特征；将提取的特征信息与故障模式数据库进行比对，根据对比结果对所述压缩机设备进行故障模式分析，得到所述压缩机设备的故障模式分类结果，并将所述特征信息和故障模式分类结果上传至专家诊断系统；所述专家诊断系统基于特征信息和故障模式分类结果，利用深度学习数据分析模型对所述压缩机设备进行故障诊断和健康状态预测，并结合疲劳失效数学模型预测故障原因以及故障演化趋势，生成所述压缩机设备的故障诊断结论。2.根据权利要求1所述的压缩机在线监测及诊断方法，其特征在于，所述采集压缩机设备的振动信号及运行数据具体为：通过数据采集装置对压缩机设备的振动信号进行实时采集，并实时获取压缩机设备的运行数据，所述数据采集装置为振动传感器、速度传感器或位移传感器，所述运行数据包括压缩机设备的气路和油路的压力及温度数据。3.根据权利要求2所述的压缩机在线监测及诊断方法，其特征在于，所述采集压缩机设备的振动信号及运行数据之后，还包括：采用低通滤波和AD转换将所述振动信号转化为数字信号，并将所述数字信号和运行数据上传至云服务平台。4.根据权利要求3所述的压缩机在线监测及诊断方法，其特征在于，所述采用故障识别分析模型从所述振动信号和运行数据中提取压缩机设备的特征信息具体为：通过所述云服务平台接收压缩机设备的数字信号和运行数据，对所述数字信号和运行数据进行预处理后，通过所述故障识别分析模型基于大数据库故障分析模式对所述数字信号和运行数据进行深度学习和模式识别，提取出所述压缩机设备的气体动力学特征和转子动力学特征；其中，所述故障识别分析模型通过大数据库和分类样本模型库训练得到。5.根据权利要求4所述的压缩机在线监测及诊断方法，其特征在于，所述将提取的特征信息与故障模式数据库进行比对，根据对比结果对所述压缩机设备进行故障模式分析，得到所述压缩机设备的故障模式分类结果之后，还包括：根据所述故障模式分析结果形成日志文件和参数历史曲线，并将故障模式归入所述云服务平台的大数据档案库。6.根据权利要求1至5任一项所述的压缩机在线监测及诊断方法，其特征在于，所述专家诊断系统基于...
【专利技术属性】
技术研发人员：胡忠军，王炳明，龚领会，刘立强，
申请(专利权)人：中国科学院理化技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。