[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

说明书

技术领域

本发明关于天然气储存设备技术领域，特别是关于储气库安全工程技术领域技术，具体的讲是一种储气库注采压缩机组自适应故障诊断的方法及设备。

背景技术

随着储气库建设和投入使用数量的不断增加，越来越多的专家学者开始关注储气库的安全运行，研究储气库注采压缩机组故障诊断方法，并开发出一些压缩机组状态监测与故障诊断软硬件系统。由于储气库在注采气过程中储气库内压力是不断变化的，另外根据需要的注采气量的不同，储气库来气压力和流量也是变化的，这导致储气库注采压缩机的进出口压力和工作流量也是在不断变化的。而现有的储气库压缩机组故障诊断方法模型基本上都是根据单一工况建立的，对特定工况下的压缩机组故障识别精度较高，但对于其他工况下的压缩机组故障识别精度则比较低。

此外，为了提高诊断方法的故障识别精度，往往需要大量的样本数据对建立的诊断模型进行训练，但大量的样本数据必定会导致训练时间的增加，降低了诊断方法的快速性。

因此，为了提高故障诊断方法不同工况下的故障识别精度，缩短诊断模型训练的时间，智能储气库注采压缩机组故障诊断方法是本领域亟待解决的难题，且需满足：

（1）诊断方法能够适应不同工况条件，对不同工况下的储气库注采压缩机组故障都能得到较高的识别精度；

（2）对大样本数据具有较快的训练速度，防止因样本数据的增加导致诊断模型训练时间的明显增加。

发明内容

为了克服现有技术存在的上述问题，本发明提供了一种储气库注采压缩机组自适应故障诊断的方法及设备，通过将自组织竞争网络和概率神经网络合理组合，建立一个多网络组合式压缩机故障诊断方法，有效的提高储气库注采压缩机组变工况条件下的故障诊断精度，以及缩短诊断模型的训练时间。

本发明的目的之一是，提供一种储气库注采压缩机组自适应故障诊断的方法，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。

本发明的目的之一是，提供了一种储气库注采压缩机组自适应故障诊断的设备，包括：振动信号采集装置，用于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；能量特征值提取装置，用于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；待诊断特征向量确定装置，用于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；模型训练装置，用于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；初步模式确定装置，用于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；模型获取装置，用于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；精确识别装置，用于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。

本发明的有益效果在于，提供了一种储气库注采压缩机组自适应故障诊断的方法及设备，与现有技术相比，（1）相对于单一诊断方法，通过将多个诊断网络组合后，故障识别精度明显提高，解决了单一方法诊断精度低的问题；（2）组合后的网络具有了自组织竞争网络方法的自适应诊断能力和概率神经网络方法的快速诊断能力的优点，实现了诊断方法对于储气库注采变工况下的压缩机组故障的准确快速识别，解决了对储气库注采变工况下压缩机组故障快速精确识别的难题。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种储气库注采压缩机组自适应故障诊断的方法的流程图；

图2为图1中的步骤S102的具体流程图；

图3为图1中的步骤S104的具体流程图；