一种基于振动检测的空压机故障诊断方法与装置制造方法及图纸

本发明专利技术公开了一种基于振动检测的空压机故障诊断方法与装置，属于机械振动的测量与应用技术领域，包括：故障模型训练，包括：（

【技术实现步骤摘要】
一种基于振动检测的空压机故障诊断方法与装置


[0001]本专利技术属于机械振动的测量与应用
，具体地说，涉及一种基于振动检测的空压机故障诊断方法与装置
。

技术介绍

[0002]空压机（
Air Compressor
）是一种能够将空气压缩并储存起来的设备，它通过电动机驱动，将大气中的空气吸入，并通过压缩提高空气的压力
。
空压机可以产生高压空气供应给各种工业设备进行使用
。
空压机的主要作用包括：提供动力源：空压机是许多工业设备和工艺过程所必需的动力源之一
。
它们为各种设备和机械提供动力，如气动工具
、
涂装设备
、
打印机
、
喷枪
、
钻机
、
冲床等
。
压缩空气储存：空压机将空气压缩并储存到压缩空气储罐中，以便在需要时提供稳定的压缩空气供应
。
这种储存方式可以调节气体压力和流量，以满足不同设备和工艺的需求
。
供应干燥的空气：通过降低空气的湿度和含水量，空压机可以提供干燥的空气
。
干燥的空气对于某些应用非常重要，例如精密仪器
、
电子设备
、
制药工业和食品加工等
。
控制系统运行：空压机可以控制许多工业系统的运行，例如气动控制系统
、
气动输送系统和自动化生产线
。
它们能够根据需要提供稳定的空气压力，并实现各种操作和控制功能
。
[0003]随着我国工业发展，空压机这类工业设备故障检测主要依赖传统的人工巡视运维方式，通过人工进行设备观察听诊，判断设备故障，将不能满足大量设备运维要求，但是这类设备一旦因故障引起非计划停机，将引发巨大的业务和经济损失
。
所以，当前急需快速
、
稳定的设备运行状态监测和故障诊断方法来满足当前设备运维的发展
。
[0004]本
技术介绍
所公开的上述信息仅仅用于增加对本申请
技术介绍
的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术
。

技术实现思路

[0005]本专利技术针对现有技术中空压机通过人工进行观察听诊的方式可靠性差，效率低的技术问题，提出了一种基于振动检测的空压机故障诊断方法，可以解决上述问题
。
[0006]为实现上述专利技术目的，本专利技术采用下述技术方案予以实现：一种基于振动检测的空压机故障诊断方法，包括：故障模型训练步骤，包括：（
11
）
、
获取空压机的原始工况信息的历史数据，所述原始工况信息至少包括轴承振动信号
、
供电主电流信号
、
主机转速信号
、
空气吸入温度
、
润滑油温
、
以及气缸压力信号的任意组合；（
12
）
、
历史数据预处理，将所述供电主电流信号
、
主机转速信号
、
空气吸入温度
、
润滑油温
、
气缸压力信号进行时序对齐，形成设定时间范围内的信号序列，将轴承振动信号进行傅里叶变换，得到振动频谱信号，将供电主电流信号进行傅里叶变换，得到电流频谱信号；
（
13
）
、
对预处理的历史数据进行打标，标记出正常数据和异常数据，且对异常数据标注出故障类型，形成样本数据；（
14
）
、
将所述正常数据的样本数据进行训练，形成可对采集数据集进行分析的设备健康分析模型，所述设备健康分析模型输出健康特征值；（
15
）
、
将所述正常数据的样本数据分别与各故障类型的样本数据融合构建故障训练集，分别将各故障训练集进行训练，得到相应的故障诊断模型，所述故障诊断模型的输出为相应故障类型的诊断特征值；（
16
）
、
训练空压机故障诊断整体模型，将健康特征值和各诊断特征值作为故障特征输入至空压机故障诊断整体模型，空压机故障诊断整体模型对输入诊断特征值进行赋权，得到加权故障数据特征，将加权故障数据特征与健康特征值进行赋权，得到所述空压机故障诊断整体模型的加权数据特征；故障在线诊断步骤，包括：获取空压机的原始工况信息的实时数据，并进行预处理后输入至所述空压机故障诊断整体模型，所述空压机故障诊断整体模型输出故障诊断结果，所述故障诊断结果包括正常和异常，当为异常时，还包括输出故障类型
。
[0007]在有的实施例中，训练空压机故障诊断整体模型步骤中，还包括对故障诊断模型的权值进行损失补偿的步骤，包括：计算当前损失函数的损失值；判断所述损失值是否高于上限阈值，若所述损失值高于上限阈值，则将当前损失函数的损失值调整为故障诊断模型的权值，并进行下一轮的数据训练；若所述损失值低于上限阈值，则继续判断所述损失值是否低于下限阈值，若是，则根据当前损失函数的损失值调整故障诊断模型的偏置，并进行下一轮的数据训练；若所述损失值在上限阈值和下限阈值之间，则故障诊断模型的训练完成
。
[0008]在有的实施例中，损失函数的损失值分别与当前训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失
、
最近一次训练将正常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失，最近一次将异常频谱数据输入到故障诊断模型时的目标值与输出的实际值之间的损失呈正相关
。
[0009]在有的实施例中，损失函数的损失值的计算方法为：
;
其中，为第次训练的损失函数的损失值，为第次训练的目标值，为第次训练时故障诊断模型输出的实际值，为离第次训练最近一次将正常频谱数据输入到故障诊断模型时的目标值，为离第次训练最近一次将正常频谱数据输入到故障诊断模型时输出的实际值，为离第次训练最近一次将异常频谱数据输入到故障诊断模型时的目标值，为离第次训练最近一次将异常频谱数据输入到故障诊断模型时故障诊断模型输出的实际值
。
[0010]在有的实施例中，使用深度学习训练模型进行机器学习的方法分别训练所述设备健康分析模型和故障诊断模型
。
[0011]在有的实施例中，故障在线诊断步骤中，所述空压机故障诊断整体模型输出各类型的故障的诊断特征值，分别将所输出的诊断特征值与预设阈值进行比较判断，当所输出的诊断特征值超过预设阈值时诊断为具有该类型的故障
。
[0012]在有的实施例中，故障在线诊断步骤中，还包括判断故障概率的步骤，当空压机故障诊断整体模型所输出的诊断特征值超出预设阈值越多，其所对应的故障类型的故障概率越大，当判断出多种故障类型时，按照故障概率从高到低将故障类型输出
。
[0013]在有的实施例中，所述故障类型包括压缩机故障
、
冷却系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于振动检测的空压机故障诊断方法，其特征在于，包括：故障模型训练步骤，包括：（
11
）
、
获取空压机的原始工况信息的历史数据，所述原始工况信息至少包括轴承振动信号
、
供电主电流信号
、
主机转速信号
、
空气吸入温度
、
润滑油温
、
以及气缸压力信号的任意组合；（
12
）
、
历史数据预处理，将所述供电主电流信号
、
主机转速信号
、
空气吸入温度
、
润滑油温
、
气缸压力信号进行时序对齐，形成设定时间范围内的信号序列，将轴承振动信号进行傅里叶变换，得到振动频谱信号，将供电主电流信号进行傅里叶变换，得到电流频谱信号；（
13
）
、
对预处理的历史数据进行打标，标记出正常数据和异常数据，且对异常数据标注出故障类型，形成样本数据；（
14
）
、
将所述正常数据的样本数据进行训练，形成可对采集数据集进行分析的设备健康分析模型，所述设备健康分析模型输出健康特征值；（
15
）
、
将所述正常数据的样本数据分别与各故障类型的样本数据融合构建故障训练集，分别将各故障训练集进行训练，得到相应的故障诊断模型，所述故障诊断模型的输出为相应故障类型的诊断特征值；（
16
）
、
训练空压机故障诊断整体模型，将健康特征值和各诊断特征值作为故障特征输入至空压机故障诊断整体模型，空压机故障诊断整体模型对输入诊断特征值进行赋权，得到加权故障数据特征，将加权故障数据特征与健康特征值进行赋权，得到所述空压机故障诊断整体模型的加权数据特征；故障在线诊断步骤，包括：获取空压机的原始工况信息的实时数据，并进行预处理后输入至所述空压机故障诊断整体模型，所述空压机故障诊断整体模型输出故障诊断结果，所述故障诊断结果包括正常和异常，当为异常时，还包括输出故障类型
。2.
根据权利要求1所述的基于振动检测的空压机故障诊断方法，其特征在于，训练空压机故障诊断整体模型步骤中，还包括对故障诊断模型的权值进行损失补偿的步骤，包括：计算当前损失函数的损失值；判断所述损失值是否高于上限阈值，若所述损失值高于上限阈值，则将当前损失函数的损失值调整为故障诊断模型的权值，并进行下一轮的数据训练；若所述损失值低于上限阈值，则继续判断所述损失值是否低于下限阈值，若是，则根据当前损失函数的损失值调整故障诊断模型的偏置，并进行下一轮的数据训练；若所述损失值在上限阈值和下限阈值之间，则故障诊断模型的训练完成
。3.
根据权利要求2所述的基于振动检测的空压机故障诊...

【专利技术属性】
技术研发人员：董琪，李俊峰，陈钊，
申请(专利权)人：青岛埃恩斯信息技术科技有限公司，
类型：发明
国别省市：