【技术实现步骤摘要】
本申请涉及制冷设备维护，特别涉及一种制冷设备故障预测诊断方法、装置及系统。
技术介绍
1、制冷设备包括制冷压缩机、冰机等机器设备，制冷压缩机是工业生产中不可或缺的动力源，制冷压缩机在长时间运行过程中，由于正常磨损、过载、不当维护或操作失误等原因，可能会造成设备性能下降、效率降低、突发故障等问题，严重时导致生产中断影响企业效益，因此，实施有效的设备振动监测以及故障预警成为保障设备正常运行的关键。
2、在传统制冷系统故障预测方案中，采集制冷压缩机的振动信号，通过一般算法模型对振动特征进行异常检测、故障诊断、并进行故障定位，但一般算法模型的训练往往依赖于正常健康样本和异常故障样本实现，而在制冷设备的实际使用过程中异常故障样本难以获取，因此，采用一般算法模型对振动特征进行异常诊断会由于异常故障样本的匮乏而导致检测精度不高，故障预测不准，无法在实际的预警维护中起到积极作用。
技术实现思路
1、本申请实施例提供一种制冷设备故障预测诊断方法、装置及系统，不依赖于异常故障样本对算法模型进行训练，能够对制冷设备进行较为精准的故障预判性诊断，有利于制冷设备的检修以及维护。
2、第一方面，本申请实施例提供了一种制冷设备故障预测诊断方法，该方法包括如下步骤：采集制冷设备各工况下各关键部件的振动信号和工况信号，分别对振动信号中的原始振动特征数据以及工况信号中的原始工况数据进行预处理，获得振动特征数据和工况数据；
3、将所述振动特征数据和所述工况数据对齐，根据所述工况数据划
4、基于每一工况，获取制冷设备的历史健康振动数据，采用所述历史健康振动数据和待测的所述振动特征数据构建并训练故障诊断模型，通过训练好的所述故障诊断模型对对应工况的所述振动特征数据进行异常诊断，获得异常故障点，包括：基于每一工况，获取制冷设备的历史健康振动数据，采用所述历史健康振动数据训练初始ocsvm模型，确定最优字典矩阵和稀疏表示矩阵，将对应工况的待测的振动特征数据输入至所述初始ocsvm模型，基于待测的所述振动特征数据更新稀疏表示矩阵，其中，所述初始ocsvm模型的多核混合核函数为高斯核函数和线性核函数融合获得；基于多核混合核函数，通过所述最优字典矩阵和更新后的所述稀疏表示矩阵重构初始ocsvm模型以获得故障诊断模型；基于所述故障诊断模型的决策边界，计算每一所述振动特征数据的异常检测得分，根据异常检测得分对初始异常检测阈值进行调整获得动态阈值；将所述异常检测得分大于所述动态阈值的振动特征数据作为异常故障点；针对每一工况下的所述异常故障点，采用频谱分析方法进行故障定位分析，获得与各工况对应的故障定位信息，生成制冷设备的维修工单并展示。
5、第二方面，本申请实施例提供了一种制冷设备故障预测诊断装置，包括：
6、信号采集处理模块，用于采集制冷设备各工况下各关键部件的振动信号和工况信号，分别对振动信号中的原始振动特征数据以及工况信号中的原始工况数据进行预处理，获得振动特征数据和工况数据；
7、工况划分模块，用于将所述振动特征数据和所述工况数据对齐，根据所述工况数据划分工况，将每一工况下的所述振动特征数据进行归类，得到多组故障诊断数据集；
8、异常检测模块，用于基于每一工况，获取制冷设备的历史健康振动数据，采用所述历史健康振动数据和待测的所述振动特征数据构建并训练故障诊断模型，通过训练好的所述故障诊断模型对对应工况的所述振动特征数据进行异常诊断，获得异常故障点；
9、故障诊断模块，用于针对每一工况下的所述异常故障点，采用频谱分析方法进行故障定位分析，获得与各工况对应的故障定位信息，生成制冷设备的维修工单并展示。
10、其中，所述异常检测模块，包括：
11、数据获取单元，用于基于每一工况，获取制冷设备的历史健康振动数据，采用所述历史健康振动数据训练初始ocsvm模型，确定最优字典矩阵和稀疏表示矩阵，将对应工况的待测的振动特征数据输入至所述初始ocsvm模型，基于待测的所述振动特征数据更新稀疏表示矩阵，其中，所述初始ocsvm模型的多核混合核函数为高斯核函数和线性核函数融合获得；
12、模型重构单元，用于基于多核混合核函数，通过所述最优字典矩阵和更新后的所述稀疏表示矩阵重构初始ocsvm模型以获得故障诊断模型；
13、阈值调整单元，用于基于所述故障诊断模型的决策边界，计算每一所述振动特征数据的异常检测得分，根据异常检测得分对初始异常检测阈值进行调整获得动态阈值；
14、故障点检测单元，用于将所述异常检测得分大于所述动态阈值的振动特征数据作为异常故障点；
15、第三方面，本申请实施例还提供了一种制冷设备故障预测诊断系统，包括：振动传感器，用于采集制冷设备各工况下的振动信号；工况传感器，用于采集制冷压缩机各工况下的工况信号；服务器，用于基于所述振动信号和所述工况信号，采用如上实施例记载的制冷设备故障预测诊断方法，对制冷设备进行预测性故障诊断。
16、在本申请实施例中，在复杂工况下对制冷设备的制冷压缩机进行振动检测以及运行状态检测，以获取振动信号和工况信号，基于预处理后的振动特征数据和工况数据进行工况划分并联合进行故障诊断，消除了不同工况之间的多种振动特征之间的干扰，减少不同工况之间正常振动特征的误判，提高故障诊断准确度；并且，基于每一工况的历史健康振动数据构建并训练故障诊断模型，通过训练好的故障诊断模型对各工况下的振动特征数据进行异常诊断，在模型训练时仅采用正样本的训练方式，能够避免由于异常故障样本匮乏而带来精度不高的难题，更有利于制冷设备的检修以及维护。
17、进一步的，故障诊断模型由ocsvm模型进行改进获得，能够延续ocsvm模型的优势提高特征的表达能力，增强模型鲁棒性，更好地适应不同工况的数据分布；同时，基于多核函数进行融合的故障诊断模型能够更全面的特征表达，提供更全面和多样化的特征表达能力，能够适应不同数据类型分布的振动和工况数据，降低故障诊断模型对单一函数的依赖性，使得模型更加稳健和鲁棒。
18、进一步的，在异常故障点诊断时，摒弃固定阈值比对，而采用动态阈值进行比对，且动态阈值可灵活调整，能够使得模型更好的适应制冷压缩机的振动数据和工况数据的实时变化，提高了算法的实时性和准确性，降低误报率。
19、进一步的，能够通过维修工单反馈信息更新制冷设备的健康振动数据，通过更新后的健康振动数据对故障诊断模型进行迭代式训练，不断修正异常检测阈值，使得故障诊断模型能够随着使用时间的推移而更加精准预判故障点。
本文档来自技高网...【技术保护点】
1.制冷设备故障预测诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的制冷设备故障预测诊断方法，其特征在于，所述基于每一工况，获取制冷设备的历史健康振动数据，采用所述历史健康振动数据训练初始OCSVM模型，确定最优字典矩阵和稀疏表示矩阵，将对应工况的待测的振动特征数据输入至所述初始OCSVM模型，基于待测的所述振动特征数据更新稀疏表示矩阵，包括：
3.根据权利要求2所述的制冷设备故障预测诊断方法，其特征在于，所述基于多核混合核函数，通过所述最优字典矩阵和更新后的所述稀疏表示矩阵重构初始OCSVM模型以获得故障诊断模型，包括：
4.根据权利要求3所述的制冷设备故障预测诊断方法，其特征在于，所述基于所述故障诊断模型的决策边界，计算每一所述振动特征数据的异常检测得分，根据异常检测得分对初始异常检测阈值进行调整获得动态阈值，包括：
5.根据权利要求1所述的制冷设备故障预测诊断方法，其特征在于，所述针对每一工况下的所述异常故障点，采用频谱分析方法进行故障定位分析，获得与各工况对应的故障定位信息，生成制冷设备的维修工单并展示，包括：
6.根据权利要求1所述的制冷设备故障预测诊断方法，其特征在于，还包括步骤：
7.根据权利要求1所述的制冷设备故障预测诊断方法，其特征在于，所述振动信号由安装于制冷压缩机上的振动传感器采集获得；所述工况信号由安装于制冷压缩机上的工况传感器采集获得。
8.制冷设备故障预测诊断装置，其特征在于，包括：
9.制冷设备故障预测诊断系统，其特征在于，包括：
...【技术特征摘要】
1.制冷设备故障预测诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的制冷设备故障预测诊断方法，其特征在于，所述基于每一工况，获取制冷设备的历史健康振动数据，采用所述历史健康振动数据训练初始ocsvm模型，确定最优字典矩阵和稀疏表示矩阵，将对应工况的待测的振动特征数据输入至所述初始ocsvm模型，基于待测的所述振动特征数据更新稀疏表示矩阵，包括：
3.根据权利要求2所述的制冷设备故障预测诊断方法，其特征在于，所述基于多核混合核函数，通过所述最优字典矩阵和更新后的所述稀疏表示矩阵重构初始ocsvm模型以获得故障诊断模型，包括：
4.根据权利要求3所述的制冷设备故障预测诊断方法，其特征在于，所述基于所述故障诊断模型的决策边界，计算每一所述振动特...
【专利技术属性】
技术研发人员：许跃华，冯宇晟，朱旻，马百腾，
申请(专利权)人：上海辉度智能系统有限公司，
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。