[发明专利]一种储气库注采压缩机组自适应故障诊断方法及设备

权利要求书

1.一种储气库注采压缩机组自适应故障诊断的方法，其特征是，所述的方法具体包括：

采集压缩机的振动信号以及所述振动信号对应的时域特征指标；

利用小波包分解能量特征提取方法提取所述振动信号的能量特征值；

根据所述的能量特征值以及所述振动信号对应的时域特征指标组成待诊断特征向量；

对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练；

将所述的待诊断特征向量带入训练后的初步分类自组织竞争网络模型，得到初步模式；

根据所述的初步模式获取对应的训练后的精确分类概率神经网络模型；

根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型。

2.根据权利要求1所述的方法，其特征是，所述的利用小波包分解能量特征提取方法提取所述振动信号的能量特征值具体包括：

对所述的振动信号进行n层小波包分解，得到2n个等间隔频带的信号，所述的n为正整数；

依次确定每个频带上的信号的能量；

根据所述信号的频带大小组成一个能量向量；

对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

3.根据权利要求2所述的方法，其特征是，所述的对初步分类自组织竞争网络模型、精确分类概率神经网络模型进行训练具体包括：

获取数据库中存储的压缩机的已知故障振动信号以及时域特征指标；

利用小波包分解能量特征提取方法提取所述已知故障振动信号的能量特征值；

根据所述的能量特征值以及所述的时域特征指标组成训练样本；

根据所述的训练样本训练所述的初步分类自组织竞争网络模型，得到训练后的初步分类自组织竞争网络模型；

根据训练后的初步分类自组织竞争网络模型得到m个模式，所述的m为已知故障类型数，其为正整数；

把所述训练样本按照所述m个模式进行分组，得到m个样本；

根据所述的m个样本训练所述m个样本对应的m个精确分类概率神经网络模型进行训练，得到训练后的m个精确分类概率神经网络模型进行训练，所述的样本与所述的精确分类概率神经网络模型进行训练一一对应。

4.根据权利要求3所述的方法，其特征是，所述的利用小波包分解能量特征提取方法提取所述已知故障振动信号的能量特征值具体包括：

对所述的已知故障振动信号进行n层小波包分解，得到2ⁿ个等间隔频带的信号，所述的n为正整数；

依次确定每个频带上的信号的能量；

根据所述信号的频带大小组成一个能量向量；

对所述的能量向量进行归一化处理，得到2ⁿ个能量特征值。

5.根据权利要求4所述的方法，其特征是，根据训练后的精确分类概率神经网络模型对初步分类后的待诊断特征向量进行精确识别，得到所述振动信号的故障类型具体包括：

根据巴尔森方法得到概率密度函数估计式；

获取所述训练后的精确分类概率神经网络模型对应的多个故障模式以及多个故障模式对应的训练样本数；

根据所述的概率密度函数估计式分别计算所述待诊断特征向量在每个故障模式下的概率密度函数估计值；

获取所述精确分类概率神经网络模型对应的训练样本总数；

根据所述的训练样本总数、训练样本数确定多个故障模式对应的先验概率；

获取所述的精确分类概率神经网络模型对应的多个故障模式的代价因子；

根据所述待诊断特征向量在每个故障模式下的概率密度函数估计值、先验概率以及代价因子确定所述振动信号的故障类型。