[发明专利]一种基于叶尖间隙和轴承振动的压缩机故障诊断方法

说明书

本发明涉及机械装备的健康监测领域，公开了一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，包括离线训练阶段和在线诊断阶段；其中离线训练阶段是通过调取压缩机中叶尖间隙和轴承振动的历史数据，以及对应的故障类别；训练并获得使适应度值最大的新去噪自编码器；再建立映射模型；其中在线诊断是获取最新的压缩机中叶尖间隙和轴承振动的新数据，新数据通过新去噪自编码器处理，再通过映射模型输出故障类别；本发明利用叶尖间隙和轴承振动的特征，通过黑寡妇算法优化的去噪自编码器进行降维和去噪，并通过神经网络实现压缩机的故障诊断，准确率高，计算量小。

技术领域

本发明涉及机械装备的健康监测领域，具体讲是一种基于叶尖间隙和轴承振动的压缩机故障诊断方法。

背景技术

压缩机是动力系统中最为关键的设备，由于其对加工制造精度、安装调试、工作环境以及设备维护等方面都有极高的要求，同时具有变速、变载荷、持久工作等特点，因此压缩机是动力系统中最容易发生故障的设备。压缩机能否正常运行会对整个动力系统的运行状况产生重要的影响，不仅影响试验质量，进而影响工作进度，还会造成巨大的经济财产损失，甚至是危及工人的人身安全。

现有的方法主要是振动信号分析法，但仅通过振动信号较难诊断更多的压缩机故障。

发明内容

因此，为了解决上述不足，本发明在此提供一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，利用叶尖间隙和轴承振动的特征，通过黑寡妇算法优化的去噪自编码器进行降维和去噪，并通过神经网络实现压缩机的故障诊断。

具体的，一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，包括离线训练阶段和在线诊断阶段：

其中离线训练阶段是通过调取压缩机中叶尖间隙和轴承振动的历史数据，以及对应的故障类别；训练并获得使适应度值最大的新去噪自编码器；再建立映射模型；

其中在线诊断是获取最新的压缩机中叶尖间隙和轴承振动的新数据，新数据通过新去噪自编码器处理，再通过映射模型输出故障类别。

发明具有如下优点：

本发明利用叶尖间隙和轴承振动的特征，通过黑寡妇算法优化的去噪自编码器进行降维和去噪，能够降低外界扰动，为后期诊断提供更可靠的数据，并通过神经网络实现压缩机的故障诊断。

附图说明

图1是本发明的流程示意图，在该图中虚线箭头是在线流程，实线箭头是离线流程；

图2是从去噪自编码器中获取抽象特征的示意图；

图3是通过神经网络建立特征和对应的故障类别之间的映射模型的示意图。

具体实施方式

下面将结合附图1对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，该方法包括离线训练阶段和在线诊断阶段；

其中离线训练阶段如下：

步骤101、通过调取压缩机中叶尖间隙和轴承振动的历史数据，以及对应的故障类别；

步骤102、提取数据的时域、频域和时频域的特征，并通过去噪自编码器对特征进行降维和去噪，得到特征；

步骤103、以特征和特征中特征之差的平方和的倒数为适应度值，通过黑寡妇算法优化去噪自编码器中的参数，从而获得使适应度值最大的去噪自编码器；优选的，适应度值，其中，为特征或的个数。