一种基于神经网络的往复式压缩机故障诊断方法专利检索-人工神经网络人工智能专利检索查询-专利查询网

一种基于神经网络的往复式 压缩机故障诊断方法

阅读：551发布：2020-05-12

专利汇可以提供一种基于神经网络的往复式压缩机故障诊断方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于神经网络的往复式压缩机故障诊断方法，该方法将人工神经网络用于往复式压缩机的故障分类，可以实现往复式压缩机故障的智能诊断。本发明的方法利用振动信号、物理相位信号、动态压力信号、各级温度信号、各阀温度信号、流量信号、电机电流信号从多个角度对往复式压缩机运行状态进行特征提取，再结合神经网络，实现对故障模式的准确记忆。本发明的方法对往复式压缩机故障进行自动诊断，具有广阔的工业应用前景。，下面是一种基于神经网络的往复式压缩机故障诊断方法专利的具体信息内容。

权利要求

1.一种基于神经网络的往复式压缩机故障诊断方法，其特征在于：该方法包括如下步骤：
步骤1、采集往复式压缩机的运行状态信号，这些运行状态信号包括：振动信号、物理相位信号、动态压力信号、各级温度信号、各阀温度信号、流量信号、电机电流信号；
步骤2、对步骤1采集的信号进行处理，提取故障信号的特征；
步骤3、利用步骤2提取的故障特征，结合故障类型，建立样本库；
所述的样本库，由众多样本组成，每一个样本都有一个样本标签，多个样本可以对应一个相同的标签；
步骤4、构建人工神经网络；
所述的神经网络由输入层、隐含层和输出层组成；
步骤5、对构建的神经网络进行训练，记忆往复式压缩机的故障模式；
步骤6、利用训练的神经网络，对往复式压缩机的故障信号进行故障识别，给出识别结果。
2.根据权利要求1所述的一种基于神经网络的往复式压缩机故障诊断方法，其特征在于，所述的步骤1中，所述的振动信号，包含一个或多个通道的振动传感器测取的振动信号；
所述的物理相位信号，包括旋转轴键相传感器测取的脉冲信号；所述的动态压力信号包括各级气缸动态压力传感器测取的动态压力信号；所述的各级温度信号包括各级压缩进出口温度传感器测取的温度信号；所述的各阀温度信号包括各级气缸进出口气阀温度传感器测取的温度信号；所述的流量信号包括各级流量传感器测取的流量信号。
3.根据权利要求1所述的一种基于神经网络的往复式压缩机故障诊断方法，其特征在于，所述的步骤2中，所述的信号处理，对振动信号进行包络分析、傅里叶变换处理、短时傅里叶处理、小波分析处理、EMD处理和统计信号处理，提取包络谱特征、频谱特征和时域统计特征；对物理相位信号，提取相位特征；对动态压力信号、各级温度信号、各阀温度信号、流量信号、电机电流信号，进行归一化处理，得到动态压力特征、示功图特征、温度特征、流量特征和电机电流特征。

说明书全文

一种基于神经网络的往复式压缩机故障诊断方法

技术领域

[0001] 本发明涉及模式识别和故障检测领域，尤其涉及一种基于神经网络的往复式压缩机故障诊断方法。

背景技术

[0002] 往复式压缩机是一大类通用机械设备，以往复运动为主，在工程实际中有着广泛的应用。由于运动件的复杂性以及在运转中激励源众多等原因，导致往复式压缩机的故障诊断非常困难。劣度是识别往复式压缩机故障的一种典型指标，但仅靠劣度往往不能准确的判定是何类故障。

[0003] 随着计算机技术、信号处理技术和人工智能的快速发展，往复式压缩机的智能故障诊断开始受到关注。目前往复式压缩机故障诊断正朝网络化、智能化方向发展。因此，将人工智能的最新技术应用到往复式压缩机的故障诊断已成为重要方向。利用信息融合技术，实现往复式压缩机故障的智能诊断已成为往复式压缩机故障诊断领域面临的新问题。

发明内容

[0004] 针对往复式压缩机故障的智能诊断问题，本发明公开了一种基于神经网络的往复式压缩机故障诊断方法，该方法将神经网络用于往复式压缩机的故障识别，进而实现对往复式压缩机故障的智能诊断。

[0005] 为了实现上述目的，本发明的具体方案如下：

[0006] 步骤1、采集往复式压缩机的运行状态信号，这些运行状态信号包括：振动信号、物理相位信号、动态压力信号、各级温度信号、各阀温度信号、流量信号、电机电流信号；

[0007] 步骤2、对步骤1采集的信号进行处理，提取故障信号的特征；

[0008] 步骤3、利用步骤2提取的故障特征，结合故障类型，建立样本库；

[0009] 步骤4、构建人工神经网络；

[0010] 步骤5、对构建的神经网络进行训练，记忆往复式压缩机的故障模式；

[0011] 步骤6、利用训练的神经网络，对往复式压缩机的故障信号进行故障识别，给出识别结果。

[0012] 有益效果

[0013] 本发明的方法将人工神经网络用于往复式压缩机的故障分类，可以实现往复式压缩机故障的智能诊断。本发明的方法利用振动信号、物理相位信号、动态压力信号、各级温度信号、各阀温度信号、流量信号、电机电流信号从多个角度对往复式压缩机运行状态进行特征提取，再结合神经网络，可以实现对故障模式的准确记忆。本发明的方法对往复式压缩机故障进行自动诊断，具有广阔的工业应用前景。附图说明

[0014] 图1为本发明的一种基于神经网络的往复式压缩机故障诊断方法的流程图；

具体实施方式

[0015] 下面结合附图对本发明做详细介绍，需要指出的是以下介绍是为了更好的理解本发明的过程，而不是对本发明起约束作用。

[0016] 本发明的目的是提供一种基于神经网络的往复式压缩机故障诊断方法，利用神经网络实现往复式压缩机故障的智能诊断，具有广阔的工业应用前景。

[0017] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0018] 图1为本发明实施例基于神经网络的往复式压缩机故障诊断方法的流程图。如图1所示，一种基于神经网络的往复式压缩机故障诊断方法，所述往复式压缩机故障诊断方法包括：

[0019] 步骤1、采集往复式压缩机的运行状态信号，这些运行状态信号包括：振动信号、物理相位信号、动态压力信号、各级温度信号、各阀温度信号、流量信号、电机电流信号；

[0020] 所述的振动信号，包含一个或多个通道的振动传感器测取的振动信号；所述的物理相位信号，包括旋转轴键相传感器测取的脉冲信号；所述的动态压力信号包括各级气缸动态压力传感器测取的动态压力信号；所述的各级温度信号包括各级压缩进出口温度传感器测取的温度信号；所述的各阀温度信号包括各级气缸进出口气阀温度传感器测取的温度信号；所述的流量信号包括各级流量传感器测取的流量信号；

[0021] 步骤2、对步骤1采集的信号进行处理，提取故障信号的特征；

[0022] 所述的信号处理，对振动信号进行包络分析、傅里叶变换处理、短时傅里叶处理、小波分析处理、EMD处理和统计信号处理，提取包络谱特征、频谱特征和时域统计特征；对物理相位信号，提取相位特征；对动态压力信号、各级温度信号、各阀温度信号、流量信号、电机电流信号，进行归一化处理，得到动态压力特征、示功图特征、温度特征、流量特征和电机电流特征；

[0023] 步骤3、利用步骤2提取的故障特征，结合故障类型，建立样本库；

[0024] 所述的样本库，由众多样本组成，每一个样本都有一个样本标签，多个样本可以对应一个相同的标签；

[0025] 步骤4、构建人工神经网络；

[0026] 所述的神经网络由输入层、隐含层和输出层组成；

[0027] 步骤5、对构建的神经网络进行训练，记忆往复式压缩机的故障模式；

[0028] 步骤6、利用训练的神经网络，对往复式压缩机的故障信号进行故障识别，给出识别结果。

[0029] 上述虽然结合附图对本发明的实施步骤进行说明，但并非对本发明的限制。凡是在本发明方案的基础上所做的修改，都在本发明的保护范围内。

标题	发布/更新时间	阅读量
用于矫正诊断的牙科影像分析方法及利用其的装置	2020-05-08	732
一种智慧园区多能协同供电方法及其系统、终端设备	2020-05-14	469
基于人工神经网络的电力工程造价预测模型	2020-05-14	704
一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法	2020-05-14	555
一种供冷/热管网水力失调的控制方法及系统	2020-05-13	194
基于双神经网络的睡眠呼吸声检测方法及系统	2020-05-13	353
考虑风电不确定性的配电网概率潮流获取方法、装置	2020-05-08	889
用于图像数据的语义分割的方法和设备	2020-05-14	297
一种基于大数据技术的市场评估分析方法	2020-05-12	634
一种信号分类的方法和设备	2020-05-12	210

一种基于神经网络的往复式压缩机故障诊断方法

一种基于神经网络的往复式压缩机故障诊断方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：