一种电驱离心式压缩机状态监测方法技术

本公开涉及压缩机技术领域，具体涉及一种电驱离心式压缩机状态监测方法

【技术实现步骤摘要】
一种电驱离心式压缩机状态监测方法、系统及电子设备


[0001]本公开涉及压缩机
，具体涉及一种电驱离心式压缩机状态监测方法
、
系统及电子设备
。

技术介绍

[0002]离心式压缩机是石油化工常用的工业机械，用于工业气体的压缩输送
。
离心式压缩机的可靠性非常重要，一次事故停机可能造成巨大损失
。
因此，对于离心式压缩机的状态监测是工业生产中的重要环节
。
[0003]传统离心式压缩机的监测方式为通过气动信号如压缩机进排气的流量和气压进行检测，需要用到大量的传感器
。
随着电机技术的发展和电驱离心式压缩机的普及，需要一种新的针对电驱离心式压缩机的监测方法，减少传感器的数量，降低监测成本
。

技术实现思路

[0004]为了解决相关技术中的问题，本公开实施例提供一种电驱离心式压缩机状态监测方法
、
系统
、
电子设备可读存储介质
。
[0005]第一方面，本公开实施例中提供了一种电驱离心式压缩机状态监测方法，包括：
[0006]实时获取所述电驱离心式压缩机的相电流参数和转速参数；所述相电流参数包括相电流波动幅值和相电流频率；所述转速参数包括转速数值
、
转速变化频率和转速变化幅值；
[0007]将所述相电流参数输入训练好的第一神经网络模型，得到所述电驱离心式压缩机的第一当前状态信息；所述第一当前状态信息包括所述电驱离心式压缩机处于运行状态的第一概率值组，所述运行状态包括运行正常
、
旋转不稳定
、
旋转脱流和喘振；
[0008]将所述转速参数输入训练好的第二神经网络模型，得到所述电驱离心式压缩机的第二当前状态信息；所述第二当前状态信息包括所述电驱离心式压缩机处于运行状态的第二概率值组；
[0009]根据所述第一概率值组和第二概率值组确定状态概率值组；
[0010]根据所述状态概率值组中的概率值和对应的所述运行状态，确定所述电驱离心式压缩机的实时运行状态
。
[0011]根据本公开的实施例，在将所述相电流参数输入训练好的第一神经网络模型之前，所述方法还包括：
[0012]将所述转速参数和相电流参数进行短时傅里叶变换处理；所述短时傅里叶变换的时间窗口设为
0.5
秒
。
[0013]根据本公开的实施例，所述训练好的第一神经网络模型通过以下方式建立：
[0014]获取所述相电流参数及对应的运行状态的训练集和测试集；
[0015]根据所述相电流参数和所述对应的运行状态的训练集，训练初始第一神经网络模型；
[0016]使用所述相电流参数和所述对应的运行状态的测试集，对所述初始第一神经网络模型进行测试，当所述初始第一神经网络模型的测试误差小于预设误差时，将所述初始第一神经网络模型作为所述训练好的第一神经网络模型，否则继续根据所述相电流参数和所述对应的运行状态的训练集，训练所述初始第一神经网络模型
[0017]根据本公开的实施例，所述预设训练好的第二神经网络模型通过以下方式建立：
[0018]获取所述转速参数及对应的运行状态的训练集和测试集；
[0019]根据所述转速参数和所述对应的运行状态的训练集，训练初始第二神经网络模型；
[0020]使用所述转速参数和所述对应的运行状态的测试集，对所述初始第二神经网络模型进行测试，当所述初始第二神经网络模型的测试误差小于预设误差时，将所述初始第二神经网络模型作为所述训练好的第二神经网络模型，否则继续根据所述转速参数和所述对应的运行状态的训练集，训练所述初始第二神经网络模型当所述初始第二神经网络模型根据所述相电流参数和所述对应的运行状态的测试集的测试误差小于预设训练好误差，确定所述第二神经网络模型
。
[0021]根据本公开的实施例，所述方法还包括：
[0022]当所述实时运行状态为旋转不稳定
、
旋转脱流
、
喘振中的一种或多种时，发出告警信息并显示所述实时运行状态
。
[0023]根据本公开的实施例，将所述根据所述第一概率值组和第二概率值组求和，确定状态概率值组，包括：
[0024]将所述第一概率值组与第一权重参数进行相乘，获得第一权重概率值组；
[0025]将所述第二概率值组与第二权重参数进行相乘，获得第二权重概率值组；
[0026]将所述第一权重概率值组合所述第二权重概率值组求和，确定状态概率值组
。
[0027]第二方面，本公开实施例中提供了一种电驱离心式压缩机状态监测系统，包括：
[0028]电机控制器，被配置为实时获取所述电驱离心式压缩机的相电流参数和转速参数；所述相电流参数包括相电流波动幅值和相电流频率；所述转速参数包括转速数值
、
转速变化频率和转速变化幅值；
[0029]主控计算机，被配置为将所述相电流参数输入训练好的第一神经网络模型，得到所述电驱离心式压缩机的第一当前状态信息；所述第一当前状态信息包括所述电驱离心式压缩机发生运行状态的第一概率值组，所述运行状态包括运行正常
、
旋转不稳定
、
旋转脱流和喘振；将所述转速参数输入训练好的第二神经网络模型，得到所述电驱离心式压缩机的第二当前状态信息；所述第二当前状态信息包括所述电驱离心式压缩机发生运行状态的第二概率值组；将所述第一概率值组和第二概率值组求和，确定状态概率值组；根据所述状态概率值组中的概率值和对应的所述运行状态，确定所述电驱离心式压缩机的实时运行状态
。
[0030]根据本公开的实施例，所述系统还包括：
[0031]告警模块，被配置为当所述实时运行状态为旋转不稳定
、
旋转脱流
、
喘振中的一种或多种时，发出告警信息并显示所述实时运行状态
。
[0032]第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储计算机指令，其中，所述计算机指令被所述处理器执行以实现如第一方面
任一项所述的方法
。
[0033]第四方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面所述的方法
。
[0034]根据本公开实施例提供的技术方案，可以根据电驱离心式压缩机更容易检测的转速和相电流变化，确定压缩机的工作状态，无需大量气压感应器，简化了监测手段，降低监测成本
。
[0035]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开
。
附图说明
[0036]结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征
、
目的和优点将变得更加明显...

【技术保护点】

【技术特征摘要】
1.
一种电驱离心式压缩机状态监测方法，其特征在于，包括：实时获取所述电驱离心式压缩机的相电流参数和转速参数；所述相电流参数包括相电流波动幅值和相电流频率；所述转速参数包括转速数值
、
转速变化频率和转速变化幅值；将所述相电流参数输入训练好的第一神经网络模型，得到所述电驱离心式压缩机的第一当前状态信息；所述第一当前状态信息包括所述电驱离心式压缩机处于运行状态的第一概率值组，所述运行状态包括运行正常
、
旋转不稳定
、
旋转脱流和喘振；将所述转速参数输入训练好的第二神经网络模型，得到所述电驱离心式压缩机的第二当前状态信息；所述第二当前状态信息包括所述电驱离心式压缩机处于运行状态的第二概率值组；根据所述第一概率值组和第二概率值组确定状态概率值组；根据所述状态概率值组中的概率值和对应的所述运行状态，确定所述电驱离心式压缩机的实时运行状态
。2.
根据权利要求1所述的电驱离心式压缩机状态监测方法，其特征在于，在将所述相电流参数输入训练好的第一神经网络模型之前，所述方法还包括：将所述转速参数和相电流参数进行短时傅里叶变换处理；所述短时傅里叶变换的时间窗口设为
0.5
秒
。3.
根据权利要求1所述的电驱离心式压缩机状态监测方法，其特征在于，所述训练好的第一神经网络模型通过以下方式建立：获取所述相电流参数及对应的运行状态的训练集和测试集；根据所述相电流参数和所述对应的运行状态的训练集，训练初始第一神经网络模型；使用所述相电流参数和所述对应的运行状态的测试集，对所述初始第一神经网络模型进行测试，当所述初始第一神经网络模型的测试误差小于预设误差时，将所述初始第一神经网络模型作为所述训练好的第一神经网络模型，否则继续根据所述相电流参数和所述对应的运行状态的训练集，训练所述初始第一神经网络模型
。4.
根据权利要求1所述的电驱离心式压缩机状态监测方法，其特征在于，所述训练好的第二神经网络模型通过以下方式建立：获取所述转速参数及对应的运行状态的训练集和测试集；根据所述转速参数和所述对应的运行状态的训练集，训练初始第二神经网络模型；使用所述转速参数和所述对应的运行状态的测试集，对所述初始第二神经网络模型进行测试，当所述初始第二神经网络模型的测试误差小于预设误差时，将所述初始第二神经网络模型作为所述训练好的第二神经网络模型，否则继续根据所述转速参数和所述对应的运行状态的训练集，训练所述初始第二神经...

【专利技术属性】
技术研发人员：唐启辉，刘佳龙，
申请(专利权)人：北京普瑞浩特能源科技有限公司，
类型：发明
国别省市：