【技术实现步骤摘要】
本专利技术涉及故障数据处理领域，更具体地说，本专利技术涉及往复式天然气压缩机故障诊断系统。
技术介绍
1、往复式压缩机是一种重要的气体输送设备，广泛应用于石油、天然气、化工等行业。它通过往复运动将低压气体压缩至高压，在工业生产中起着至关重要的作用。然而，由于其复杂的机械结构和苛刻的工作环境，往复式压缩机在运行过程中容易出现诸如阀门故障、活塞磨损和轴承损坏等问题。故障的及时诊断和有效维护对于避免设备损坏、减少停机时间和降低维护成本具有重要意义。因此，研究和开发高效的故障诊断技术对于提升往复式压缩机的安全性和可靠性至关重要。
2、现有的故障诊断技术主要依赖于振动信号、压力信号等物理量的分析。这些方法通常采用数据采集、特征提取、模式识别等步骤，通过建立正常状态与故障状态之间的判别模型，实现对设备健康状态的监测和故障类型的识别。近年来，随着人工智能技术的发展，机器学习和深度学习方法被广泛应用于故障诊断中。这些方法通过大数据分析和智能算法，能够自动从复杂的信号数据中提取故障特征，并进行分类和预测，提高了诊断的准确性和效率。
3、文献1（fault diagnosis of a reciprocating compressor air valve basedon deep learning, 2020）中，研究人员提出了一种基于深度学习的往复式压缩机空气阀故障诊断方法。该方法首先通过单通道振动信号采集往复式压缩机的运行数据，然后利用一维卷积神经网络（1-dcnn）对故障特征进行学习，并与传统的特征提取方法进行比较。研
4、文献2（a new method for reciprocating compressor fault diagnosis basedon indicator diagram feature extraction, 2023）中，研究人员针对往复式压缩机的关键部件，如阀门、活塞环和填料，提出了一种基于指示图特征提取的故障诊断方法。该方法通过采集反映气缸内热力过程的指示图数据，提取平均吸气压力、平均排气压力、指示图面积和重心坐标等具有明确物理意义的特征值，并建立不同状态下的特征阈值数据库。在诊断过程中，通过比较提取特征与阈值的偏差来判断压缩机的健康状态。实验结果表明，该方法能够以98.3%的准确率判断压缩机的故障状态，且在识别单个和多个故障部件时分别达到86.86%的准确率。然而，由于不同故障对特征的影响存在相似性，导致在某些情况下诊断准确性较低。
5、虽然文献2在特征提取和故障分类方面取得了一定的进展，但仍存在一些局限性。例如，该方法仅针对指示图特征进行分析，未能综合考虑其他多源数据，如振动信号、温度信号和设备运行历史记录等；因此，当压缩机在复杂工况下运行时，可能会出现特征提取不全或诊断不准确的情况；此外，文献2中的方法在多故障状态下的识别精度有限，难以对多重故障进行准确区分和严重度评估。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术提供了往复式天然气压缩机故障诊断系统，通过数据采集、预处理和特征提取，构建多层次知识图谱，并利用深度学习模型进行故障诊断、预测和严重度评估，结合维护决策和预警模块，实现压缩机故障的全面监测和智能维护管理。有效解决了现有技术中仅依赖单一数据源和特征提取导致诊断不准确的问题，提高了多故障识别和维护管理的智能化水平。
2、为实现上述目的，本专利技术提供如下技术方案：
3、往复式天然气压缩机故障诊断系统，包括数据采集模块、数据预处理模块、特征提取模块、知识图谱构建模块、故障分析模块、维护决策模块、预警模块和人机交互模块，所述数据采集模块分别与所述数据预处理模块和所述人机交互模块相连接，所述数据预处理模块与所述特征提取模块相连接，所述特征提取模块分别与所述知识图谱构建模块和所述故障分析模块相连接，所述知识图谱构建模块与所述故障分析模块双向连接，所述知识图谱构建模块分别与所述维护决策模块和所述人机交互模块相连接，所述故障分析模块分别与所述预警模块和所述人机交互模块相连接，所述预警模块与所述人机交互模块相连接；所述知识图谱构建模块用于基于历史故障数据、维护记录和设备运行参数构建压缩机故障-症状-原因-维护措施的多层次知识图谱，并根据诊断结果和预测结果动态调整节点权重和关系路径；
4、所述故障分析模块用于综合分析压缩机的故障信息，包含故障诊断单元、故障预测单元和故障严重度评估单元；其中，故障诊断单元用于将特征提取模块提供的时域特征、频域特征和时频域特征输入深度置信网络模型中进行特征学习与故障分类，输出故障诊断结果；所述故障预测单元用于基于长短期记忆网络算法将时域特征和时频域特征作为输入对未来故障进行预测，并对其预测准确率进行评估，其公式为：；
5、式中，为预测准确率评估值，为实际故障发生时间，为预测的故障发生时间，为最大允许时间误差，为时间权重函数；
6、故障严重度评估单元用于基于知识图谱中的节点信息提取与故障相关的因子，并通过计算这些因子生成故障的严重度值，评估当前故障对设备运行的综合影响，其中，故障严重度的计算公式为：；
7、式中，为故障严重度，为故障影响因子，为故障概率因子，为故障扩展因子，为故障容忍时间。
8、作为本专利技术进一步的方案，数据采集模块用于实时采集往复式天然气压缩机的运行参数，所述运行参数包括压缩机气缸压力、气缸温度、曲轴转速、振动信号、轴承温度、润滑油压力、进气压力、排气压力；所述数据采集模块采用分布式数据采集架构，包括现场数据采集单元和一个中央数据处理单元，现场数据采集单元安装在压缩机各关键部位，通过工业总线与中央数据处理单元通信；每个现场数据采集单元包含传感器，用于采集运行参数。
9、作为本专利技术进一步的方案，数据采集模块还用于大数据分析平台中下载设备在过去一段时间内的运行参数、历史故障数据及其对应的维护记录；数据预处理模块用于对所述数据采集模块采集的运行参数进行滤波、去噪和归一化处理。
10、作为本专利技术进一步的方案，特征提取模块用于从预处理后的运行参数中提取故障特征，所述故障特征包括时域特征、频域特征和时频域特征；所述特征提取模块提取的时域特征包括均值、方差、峰值因子、脉冲因子、裕度因子、波形因子、信号能量、峰值、均方根值、信噪比；所述频域特征包括主频、边频带、谐波成分、功率谱密度、频率中心、频率方差、频带能量比、谐波失真度；所述时频域特征包括小波包分解系数、经验模态分解的固有模态函数、瞬时频率、瞬时幅值、时频谱、时频能量分布、时频分辨率可变的时频表示。
11、作为本专利技术进一步的方案，所本文档来自技高网...
【技术保护点】
1.往复式天然气压缩机故障诊断系统，包括数据采集模块、数据预处理模块、特征提取模块、知识图谱构建模块、故障分析模块、维护决策模块、预警模块和人机交互模块，其特征在于，所述数据采集模块分别与所述数据预处理模块和所述人机交互模块相连接，所述数据预处理模块与所述特征提取模块相连接，所述特征提取模块分别与所述知识图谱构建模块和所述故障分析模块相连接，所述知识图谱构建模块与所述故障分析模块双向连接，所述知识图谱构建模块分别与所述维护决策模块和所述人机交互模块相连接，所述故障分析模块分别与所述预警模块和所述人机交互模块相连接，所述预警模块与所述人机交互模块相连接；所述知识图谱构建模块用于基于历史故障数据、维护记录和设备运行参数构建压缩机故障-症状-原因-维护措施的多层次知识图谱，并根据诊断结果和预测结果动态调整节点权重和关系路径；
2.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，数据采集模块用于实时采集往复式天然气压缩机的运行参数，所述运行参数包括压缩机气缸压力、气缸温度、曲轴转速、振动信号、轴承温度、润滑油压力、进气压力、排气压力；所述数据采集模块采用分布式
3.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，数据采集模块还用于大数据分析平台中下载设备在过去一段时间内的运行参数、历史故障数据及其对应的维护记录；数据预处理模块用于对所述数据采集模块采集的运行参数进行滤波、去噪和归一化处理。
4.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，特征提取模块用于从预处理后的运行参数中提取故障特征，所述故障特征包括时域特征、频域特征和时频域特征；所述特征提取模块提取的时域特征包括均值、方差、峰值因子、脉冲因子、裕度因子、波形因子、信号能量、峰值、均方根值、信噪比；所述频域特征包括主频、边频带、谐波成分、功率谱密度、频率中心、频率方差、频带能量比、谐波失真度；所述时频域特征包括小波包分解系数、经验模态分解的固有模态函数、瞬时频率、瞬时幅值、时频谱、时频能量分布、时频分辨率可变的时频表示。
5.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，所述知识图谱构建模块包括以下步骤：
6.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，所述故障诊断单元基于从特征提取模块获得的时域特征、频域特征和时频域特征，利用多源数据融合算法进行特征融合处理，并利用融合处理后的特征数据，构建深度置信网络模型，进行故障类型分类，其中，对所述深度置信网络的故障诊断准确率进行评估，其计算公式为：；
7.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，所述故障预测单元用于基于历史故障数据和当前运行参数预测未来发生的故障，所述故障预测模块采用长短期记忆网络模型进行故障预测，对从特征提取模块获得的时域特征和时频域特征进行处理，并将这些特征数据作为长短期记忆网络模型的输入，进行历史数据的时间序列学习和模式识别，预测未来压缩机发生的故障类型及故障发生的时间。
8.根据权利要求1-7任一项所述的往复式天然气压缩机故障诊断系统，其特征在于，根据故障诊断单元和故障预测单元的分析结果，对知识图谱中的节点权重和关系路径进行动态调整，包括以下步骤：
9.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，所述故障影响因子表示当前故障对压缩机运行参数的偏离程度；所述故障概率因子表示在当前运行状态下，特定故障类型发生的概率；所述故障扩展因子表示当前故障对压缩机其他部件的潜在影响；所述故障容忍时间表示从当前故障状态到设备必须停机维修的时间间隔。
10.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，所述维护决策模块用于通过匹配当前知识图谱中当前原因节点与维护措施节点的关联关系，确定相应的维护措施，当故障严重度超过设定优先级阈值时，触发知识图谱中的维护措施，根据设备当前状态和历史维护记录生成维护计划，并将故障数据和维护记录上传至大数据分析平台；所述预警模块用于根据故障分析模块输出的生成的诊断和预测结果生成预警信息；所述人机交互模块，用于显示压缩机运行状态、故障诊断结果和预警信息，并通过人机交互模块将知识图谱进行可视化展示，允许用户查看各节点及其关系的详细信息，并对节点和关系路径进行手动编辑和维护。
...【技术特征摘要】
1.往复式天然气压缩机故障诊断系统，包括数据采集模块、数据预处理模块、特征提取模块、知识图谱构建模块、故障分析模块、维护决策模块、预警模块和人机交互模块，其特征在于，所述数据采集模块分别与所述数据预处理模块和所述人机交互模块相连接，所述数据预处理模块与所述特征提取模块相连接，所述特征提取模块分别与所述知识图谱构建模块和所述故障分析模块相连接，所述知识图谱构建模块与所述故障分析模块双向连接，所述知识图谱构建模块分别与所述维护决策模块和所述人机交互模块相连接，所述故障分析模块分别与所述预警模块和所述人机交互模块相连接，所述预警模块与所述人机交互模块相连接；所述知识图谱构建模块用于基于历史故障数据、维护记录和设备运行参数构建压缩机故障-症状-原因-维护措施的多层次知识图谱，并根据诊断结果和预测结果动态调整节点权重和关系路径；
2.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，数据采集模块用于实时采集往复式天然气压缩机的运行参数，所述运行参数包括压缩机气缸压力、气缸温度、曲轴转速、振动信号、轴承温度、润滑油压力、进气压力、排气压力；所述数据采集模块采用分布式数据采集架构，包括现场数据采集单元和一个中央数据处理单元，现场数据采集单元安装在压缩机各部位，通过工业总线与中央数据处理单元通信；每个现场数据采集单元包含传感器，用于采集运行参数。
3.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，数据采集模块还用于大数据分析平台中下载设备在过去一段时间内的运行参数、历史故障数据及其对应的维护记录；数据预处理模块用于对所述数据采集模块采集的运行参数进行滤波、去噪和归一化处理。
4.根据权利要求1所述的往复式天然气压缩机故障诊断系统，其特征在于，特征提取模块用于从预处理后的运行参数中提取故障特征，所述故障特征包括时域特征、频域特征和时频域特征；所述特征提取模块提取的时域特征包括均值、方差、峰值因子、脉冲因子、裕度因子、波形因子、信号能量、峰值、均方根值、信噪比；所述频域特征包括主频、边频带、谐波成分、功率谱密度、频率中心、频率方差、频带能量比、谐波失真度；所述时频域特征包括小波包分解系数、经验模态分解的固有模态函数、瞬时频率、瞬时幅值、时频谱、时频能量分布、时频分辨率...
【专利技术属性】
技术研发人员：高同含，李洪亮，
申请(专利权)人：华油蓝海油气技术开发有限公司，
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。