一种基于机器学习的压缩机状态监测方法及系统与流程

摘要: 本发明涉及压缩机状态监测,尤其涉及一种基于机器学习的压缩机状态监测方法及系统。背景技术:1、压缩机状态监测技术领域包含对压缩机设备运行状态进行远程监控与控制的技...
一种基于机器学习的压缩机状态监测方法及系统与流程

本发明涉及压缩机状态监测,尤其涉及一种基于机器学习的压缩机状态监测方法及系统。

背景技术:

1、压缩机状态监测技术领域包含对压缩机设备运行状态进行远程监控与控制的技术内容。该技术领域的核心内容包括对压缩机关键运行参数和用户数据的采集、分析与管理,涉及对易耗件使用周期的监测、状态趋势的评估以及潜在隐患的识别。整体技术体系包括实时数据采集、数据分析处理、使用周期计算和状态预警,通过对振动、压力、温度等运行参数的监控,实现对设备运行状态的系统性评估和风险判断,并为维护和管理提供数据支持。

2、其中,一种基于机器学习的压缩机状态监测方法及系统是指利用机器学习算法对压缩机采集的运行数据进行分析处理,以监测和识别设备状态的方法及系统。该主题针对的技术事项涵盖对压缩机振动信号、压力信号、温度信号及用户使用数据的采集、特征提取和数值编码,通过训练分类模型对设备状态进行识别,并基于数据分析计算易耗件使用周期和更换频率。具体完成方式包括将采集的数据输入监督式学习算法进行模式识别,对不同运行状态和使用状态的数据特征进行标记和分类,并通过趋势分析和概率计算生成可供远程监控和在线提醒的结构化信息,用于提示用户进行必要的设备检查和维护。

3、现有压缩机状态监测多采用固定特征权重与单窗口分析方式,难以反映不同工况下振动、温度及压力参数影响程度的变化,局部频段异常易被平均化处理,导致早期磨损等弱异常难以及时识别,现有方法缺少连续时间窗口变化累积分析,短时冲击与持续退化易混淆,误报警与漏报警并存,多参数之间缺少时间关联分析时,无法识别温度、压力与振动同步恶化过程,早期性能衰减难以及时预警,增加突发停机与维护滞后风险。

技术实现思路

1、为了解决现有技术存在的技术问题,本发明实施例提供了一种基于机器学习的压缩机状态监测方法及系统。所述技术方案如下:

2、一种基于机器学习的压缩机状态监测方法,包括以下步骤:

3、s1:采集压缩机振动、温度、压力连续时序数据,在时间窗口内施加微幅扰动并转换至频域,比较各频段能量变化幅度,按预设能量变化幅度阈值赋予增幅或减幅权重,生成动态传感器加权系数;

4、s2:基于动态传感器加权系数融合振动、温度和压力特征,形成融合特征编码,利用机器学习模型预测窗口状态标签,构建状态轨迹,结合连续变化累积值阈值划分连续模式与偏离模式,得到融合状态轨迹模式;

5、s3:基于融合状态轨迹模式,对温度、振动及压力参数变化方向进行时间对齐,识别加速退化段和稳定段,比较相邻窗口各参数变化情况,结合预设连续退化窗口数量条件,标记退化状态,生成退化状态标识;

6、s4:根据退化状态标识顺序遍历各时间窗口,统计退化状态连续出现次数,按预设出现数量条件划分高等级预警和正常等级,形成寿命变化预警指标。

7、作为本发明的进一步方案,所述监测方法还包括s5,具体为:

8、s5:基于融合状态轨迹模式、退化状态标识及寿命变化预警指标,按时间窗口依次判断预警等级、退化状态标识和模式类型,标记对应运行状态,汇总生成最终压缩机状态监测结果。

9、作为本发明的进一步方案,所述s1的获取步骤为:

10、s101:获取压缩机振动传感器、温度传感器及压力传感器采集连续时序数据,按时间窗口截取各传感器信号,对同一窗口采样序列施加微幅扰动,并将扰动后信号转换至频域,生成频域响应序列;

11、s102:基于所述频域响应序列,调用扰动前后信号频域状态,对相同频段内振动、温度及压力信号能量变化幅度进行比较,按能量变化幅度排列频段响应位置,得到频段能量排序量;

12、s103:根据所述频段能量排序量,调用预设能量变化幅度阈值,对各传感器信号能量变化幅度进行判断,向超出能量变化幅度阈值信号赋予增幅权重,向未超出能量变化幅度阈值信号赋予减幅权重,生成动态传感器加权系数。

13、作为本发明的进一步方案,所述s2的获取步骤为:

14、s201:基于所述动态传感器加权系数,调用振动、温度、压力特征及增幅权重、减幅权重,按同一时间窗口调整特征幅度,并按窗口顺序拼接为编码序列,生成融合特征编码;

15、s202:调用所述融合特征编码,按连续时间窗口顺序读取各窗口编码状态,将每个窗口内振动、温度、压力融合编码输入机器学习模型进行状态标签预测,并将窗口编号与预测标签顺序排列,得到窗口状态标签序列;

16、s203:基于所述窗口状态标签序列,调用相邻时间窗口状态标签,按后一窗口标签序位相对前一窗口标签序位标记变化方向,依据标签序位间隔确定变化幅度,将变化方向一致且窗口编号连续的标签变化幅度按时间顺序累计,生成连续变化累积值;

17、s204:根据所述连续变化累积值,调用设定连续变化累积值阈值,判断各时间段连续变化累积值,将未超过连续变化累积值阈值段判定为连续模式,将超过连续变化累积值阈值段标记为偏离模式,汇总时间段的模式归属,建立融合状态轨迹模式。

18、作为本发明的进一步方案,所述s3的获取步骤为:

19、s301:基于所述融合状态轨迹模式及对应时间窗口内温度、振动、压力特征,按采样时刻对齐三类参数变化方向,将方向一致参数达到两项的时间段划为加速退化段,否则划为稳定段,生成退化区间标记;

20、s302:调用所述退化区间标记,遍历加速退化段内连续时间窗口,记录各窗口温度、振动、压力变化方向及变化幅度,按窗口编号整理参数变化内容,得到窗口参数变化记录;

21、s303:基于所述窗口参数变化记录,调用相邻时间窗口参数变化内容,比较前后窗口温度、振动、压力变化方向及变化幅度,将方向一致且幅度同向延续的窗口归入同一退化片段,形成连续退化段特征;

22、s304:根据所述连续退化段特征,调用设定退化窗口数量条件,判断各退化片段内连续窗口数量,将达到退化窗口数量条件的时间段标记为退化状态,将未达到退化窗口数量条件的时间段标记为非退化状态,生成退化状态标识。

23、作为本发明的进一步方案,所述s4的获取步骤为:

24、s401:根据所述退化状态标识对各时间窗口进行顺序遍历,调用时间窗口编号与对应退化状态标识,针对相邻窗口退化状态是否连续出现执行判断,将退化状态相连窗口划入同一时间段,并记录当前时间段内退化状态连续出现数量,生成退化连续记录;

25、s402:调用所述退化连续记录,根据预设出现数量条件,针对各退化状态连续时间段内连续出现数量执行判断,将达到预设出现数量条件的时间段标记为高等级预警,将未达到预设出现数量条件的时间段标记为正常等级,得到预警等级标记;

26、s403:基于所述预警等级标记,调用各时间段对应时间窗口编号,针对每一时间窗口所属时间段执行匹配,将高等级预警或正常等级赋值至对应时间窗口,并按时间窗口顺序排列预警等级归属,形成寿命变化预警指标。

27、作为本发明的进一步方案,所述s5的获取步骤为:

28、s501:基于所述融合状态轨迹模式、退化状态标识及寿命变化预警指标,按时间窗口判断预警等级,将高等级预警对应窗口标记为高风险状态,保留正常等级对应窗口及退化状态标识,生成预警状态归属;

29、s502:调用所述预警状态归属及退化状态标识,判断正常等级窗口内退化状态标识,将退化状态对应窗口标记为退化运行状态,并关联非退化状态对应时间窗口与融合状态轨迹模式中的同一窗口编号,得到退化状态归属;

30、s503:基于所述退化状态归属,调用融合状态轨迹模式中当前窗口模式类型,判断非退化状态窗口内模式类型,将偏离模式对应窗口标记为异常运行状态,将连续模式对应窗口标记为正常运行状态,获取模式状态归属;

31、s504:根据所述预警状态归属、退化状态归属及模式状态归属,调用各时间窗口对应状态结果,按时间顺序汇总各窗口状态,形成整体压缩机状态,生成最终压缩机状态监测结果。

32、一种基于机器学习的压缩机状态监测系统,所述系统包括:

33、传感器扰动赋权模块:采集压缩机振动、温度、压力连续时序数据,在时间窗口内施加微幅扰动并转换至频域,比较各频段能量变化幅度,按预设能量变化幅度阈值赋予增幅或减幅权重,生成动态传感器加权系数;

34、多源特征融合判别模块:基于动态传感器加权系数融合振动、温度和压力特征,形成融合特征编码,利用机器学习模型预测窗口状态标签,构建状态轨迹,结合连续变化累积值阈值划分连续模式与偏离模式,得到融合状态轨迹模式;

35、退化段识别模块:基于融合状态轨迹模式,对温度、振动及压力参数变化方向进行时间对齐,识别加速退化段和稳定段,比较相邻窗口各参数变化情况,结合预设连续退化窗口数量条件,标记退化状态,生成退化状态标识;

36、寿命预警分级模块:根据退化状态标识顺序遍历各时间窗口,统计退化状态连续出现次数,按预设出现数量条件划分高等级预警和正常等级,形成寿命变化预警指标;

37、运行状态归类模块:基于融合状态轨迹模式、退化状态标识及寿命变化预警指标,按时间窗口依次判断预警等级、退化状态标识和模式类型,标记对应运行状态,汇总生成最终压缩机状态监测结果。

38、本发明实施例提供的技术方案带来的有益效果至少包括:

39、本发明中,通过在时间窗口内对振动、温度及压力信号施加微扰并转换为频域响应向量,根据不同频段对运行状态的敏感度动态调整特征权重,提升异常频段占比并抑制弱关联信号,减少多参数分析中的特征淹没,结合连续时间窗口变化方向、变化幅度及多参数时间对齐结果,区分短时扰动与持续退化状态,实现退化阶段连续识别,连续异常时长与预警等级关联后,可形成风险分层预警,提高复杂工况下的状态识别精度与维护决策针对性。