[發明專利]往復壓縮機故障診斷優化方法及裝置

在審

• 申請號: 201910623216.6
• 申請日: 2019-07-11
• 公開（公告）號: CN110412872A
• 公開（公告）日: 2019-11-05
• 發明（設計）人: 段禮祥;劉洋;袁壯;王秀禮
• 申請（專利權）人: 中國石油大學(北京)
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 王天堯;任默聞

1.一種往復壓縮機故障診斷優化方法，其特征在于，包括：

確定待訓練的故障診斷優化模型中參數的最優值；

根據待訓練的故障診斷優化模型中參數的最優值，訓練故障診斷優化模型，獲得訓練后的故障診斷優化模型；

在選取往復壓縮機的振動信號后，將往復壓縮機的振動信號輸入至訓練后的故障診斷優化模型，獲得往復壓縮機的故障診斷結果。

2.如權利要求1所述的往復壓縮機故障診斷優化方法，其特征在于，確定待訓練的故障診斷優化模型中參數的最優值，包括：

獲得待訓練的故障診斷優化模型中參數的取值范圍；

根據待訓練的故障診斷優化模型中參數的取值范圍，采用遺傳算法確定待訓練的故障診斷優化模型中參數的最優值。

3.如權利要求2所述的往復壓縮機故障診斷優化方法，其特征在于，根據待訓練的故障診斷優化模型中參數的取值范圍，采用遺傳算法確定待訓練的故障診斷優化模型中參數的最優值，包括：

確定遺傳算法的運行參數和適應度函數；

對待訓練的故障診斷優化模型中參數的取值范圍進行編碼，產生初始種群；

根據遺傳算法的運行參數對初始種群，循環執行以下步驟，直至循環次數達到設定遺傳代數，輸出最新的種群數：對初始種群進行選擇、交叉和變異操作，獲得滿足適應度函數的新種群；將新種群替換初始種群；

對最新的種群進行解碼，獲得待訓練的故障診斷優化模型中參數的最優值。

4.如權利要求1所述的往復壓縮機故障診斷優化方法，其特征在于，根據待訓練的故障診斷優化模型中參數的最優值，訓練故障診斷優化模型，獲得訓練后的故障診斷優化模型，包括：

獲取往復壓縮機的歷史振動信號；

將往復壓縮機的歷史振動信號分成訓練數據集和測試數據集；

提取訓練數據集的特征向量；

根據待訓練的故障診斷優化模型中參數的最優值，利用訓練數據集的特征向量訓練故障診斷優化模型，獲得訓練后的故障診斷優化模型。

5.如權利要求4所述的往復壓縮機故障診斷優化方法，其特征在于，在根據待訓練的故障診斷優化模型中參數的最優值，訓練故障診斷優化模型，獲得訓練后的故障診斷優化模型之后，還包括：

利用測試數據集對訓練后的故障診斷優化模型的準確率進行驗證，獲得滿足預設準確率的故障診斷優化模型；

在選取往復壓縮機的振動信號后，將往復壓縮機的振動信號輸入至訓練后的故障診斷優化模型，獲得往復壓縮機的故障診斷結果，包括：

在選取往復壓縮機的振動信號后，將往復壓縮機的振動信號輸入至滿足預設準確率的故障診斷優化模型，獲得往復壓縮機的故障診斷結果。

6.如權利要求1所述的往復壓縮機故障診斷優化方法，其特征在于，故障診斷優化模型采用堆棧降噪自編碼神經網絡模型。

7.如權利要求5所述的往復壓縮機故障診斷優化方法，其特征在于，在將往復壓縮機的振動信號輸入至訓練后的故障診斷優化模型，獲得往復壓縮機的故障診斷結果之前，還包括：

對選取的往復壓縮機的振動信號進行預處理；

將往復壓縮機的振動信號輸入至滿足預設準確率的故障診斷優化模型，獲得往復壓縮機的故障診斷結果，包括：

將預處理后的往復壓縮機的振動信號輸入至滿足預設準確率的故障診斷優化模型，獲得往復壓縮機的故障診斷結果。

8.一種往復壓縮機故障診斷優化裝置，其特征在于，包括：

模型參數確定模塊，用于確定待訓練的故障診斷優化模型中參數的最優值；

訓練模塊，用于根據待訓練的故障診斷優化模型中參數的最優值，訓練故障診斷優化模型，獲得訓練后的故障診斷優化模型；

診斷模塊，用于在選取往復壓縮機的振動信號后，將往復壓縮機的振動信號輸入至訓練后的故障診斷優化模型，獲得往復壓縮機的故障診斷結果。

9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7任一所述方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有執行權利要求1至7任一所述方法的計算機程序。