[发明专利]一种海洋平台空气压缩机故障诊断方法

说明书

本发明提供一种海洋平台空气压缩机故障诊断方法，属于海洋工程装备故障诊断技术领域。该方法首先将海洋平台空气压缩机的监测信号划分为温度信号、压力信号和机械信号三类，分别在海洋平台空气压缩机信号采集点安装数据传感器对工作信号进行采集。数据处理阶段使用线性滤波方法卡尔曼滤波，实现多传感器数据融合，并将融合后数据进一步划分为训练集、验证集与测试集。在对藤式贝叶斯分类器进行逻辑构建之后，通过训练集数据对似然概率控制参数进行优化，最终得到完整的海洋平台空气压缩机故障诊断方法，导入实测数据后可实现故障诊断。

技术领域

本发明涉及一种海洋平台空气压缩机故障诊断方法，属于海洋工程装备故障诊断技术领域。

背景技术

伴随人类社会的迅速发展，人类对油气资源的需求的急剧增加，油气开采规模的也日益扩大，并呈现出由路向海的发展趋势。海上油气开采以海洋平台为主要载体，其系统设计复杂且连接紧密，设备种类繁多，在海上恶劣的工作环境下，极易出现不同类型的故障模式，在设备系统的关联性影响下，一种故障模式很可能会扩展出其他类型的故障模式，从而使平台的生产安全性受到影响，严重时会给整个平台造成重大的经济和人员损失，而针对海洋平台系统设备故障诊断方法的提出和应用极大的缓解了上述问题。

海洋平台空气压缩机作为海洋平台仪器仪表系统、起动空气系统、气动控制系统等系统设备的动力源，是保证油气开采生产正常进行、系统控制与安全保护顺利进行的重中之重。由于处在“链式反应”的顶端，一旦空气压缩机发生故障，会对整个平台会造成最大化负面影响，故作为海洋平台设备故障诊断的核心对象之一，海洋平台空气压缩机的运行过程信号采集、故障诊断和故障排除等工作对于平台的长期稳定安全生产具有极为重要的意义。

在故障诊断领域已有较多的方法被应用到实际生产过程中，并取得较为丰厚的成果，其中故障诊断信号方面有关学者提出使用模糊逻辑推理(FLR,Fuzzy LogicReasoning)、经验模态分解(EMD,Empirical Mode Decomposition)等方法；在故障信号分析方面提出采用数学模型法、朴素贝叶斯分类等方法。但上述方法都存在一定的缺点，存在原始数据处理效率低下、信号分析建模困难等问题，极大地限制了故障信号采集的保真度和故障诊断精度，增加了误诊率，为设备后期维护与健康管理带来诸多不确定性。近年来，机器学习(Machine Learning)与数字信号处理技术的发展应用为故障诊断的发展提供了新的方向：新的数字数字处理技术在故障诊断的前期阶段提出了避免失真干扰、数据流整合带来等优化的解决途径，机器学习(Machine Learning)技术为故障诊断模型的执行效率和执行精度添加了更为强劲的算法助力。

海洋工程装备故障诊断的发展可以借助机器学习(Machine Learning)技术的产业辐射效应，快速融合适合自身的实践体系，并不断优化故障诊断效率和精度，提高诊断模型的适应性、易维护性。这对于快速精确定位海工设备故障模式、避免产生系统设备关联性故障危害，保障海洋平台正常生产工作安全具有重大现实意义。

发明内容

本发明的目的是为了解决海洋平台空气压缩机运行过程中存在的故障问题而提供一种海洋平台空气压缩机故障诊断方法。

本发明的目的是这样实现的：步骤一：对海洋平台空气压缩机工作信号进行分类与采集；

步骤二：构建传感器信号时序序列、故障种类时序序列并通过卡尔曼滤波实现多传感器数据融合；

步骤三：对原始融合数据集进行集合划分与标准化处理；

步骤四：构建基于藤式贝叶斯分类器的故障诊断模型；

步骤五：将训练集经由输入层导入训练层；

步骤六：通过验证集进行似然函数的控制参数循环更新测试；

步骤七：使用满足精度要求的模型进行海洋平台空气压缩机故障诊断；

步骤八：基于空气压缩机故障信号种类与位置的模型后期维护。