一种压缩机组全系统振动监测方法、装置及其电子设备与流程

1.本发明涉及压缩机监测技术领域，更具体地是涉及一种基于映射网络的压缩机组全系统振动监测方法、装置、电子设备、存储介质及其应用。


背景技术：

2.压缩机是将低压气体提升为高压气体的一种从动的流体机械，是制冷系统的心脏。它从吸气管吸入低温低压的制冷剂气体，通过电机运转带动活塞对其进行压缩后，向排气管排出高温高压的制冷剂气体，为制冷循环提供动力，从而实现压缩
→
冷凝(放热)
→
膨胀
→
蒸发(吸热)的制冷循环。
3.压缩机组不同位置振动指标标准不同，以api618标准为例，压缩机组杠头振动标准值不超过18mm/s，缓冲罐管线不超过32mm/s。现有技术中已有不少压缩机组本体部分部位的实时振动监测工作，如杠头、缸盖、曲轴箱等。但目前缓冲罐、工艺管线等重要部位无法实现实时监测，这些部位通常通过定期巡检完成间断式监测，无法从监测值实时评定压缩机全系统振动情况。如需对全系统进行监测，则需将传感器布置在压缩机各部位，进行完整复杂的布线工作以及远程在线系统设计，不仅仅耗时耗力成本巨大，且在这些部位布置实施监测的传感器以及相关线路，不利于压缩机正常运转。


技术实现要素：

4.本发明的目的在于：为了解决上述技术问题，本发明提供一种基于映射网络的压缩机组全系统振动监测方法。本发明使用了灰色关联分析法分析各测点数据之间的关联性，并在此基础上使用基于注意力机制的seq2seq模型，学习训练完成由少数测点到大量测点的映射模型，从而通过少数测点数据即可完成全系统振动监测和评价，不仅能提高数据分析效率，且还可以通过模型对无法实时监测的重要部位进行监测。
5.本发明与其他方法相比，通过模型学习训练后，只需少量关键测点数据，利用关键测点与全部测点之间的映射关系，即可完成压缩机组全系统在线实时振动监测和评价，不需要对压缩机组全系统安装传感器，极大降低成本和监测工作量，满足了压缩机既可以正常运转的要求，又能对缓冲罐、工艺管线等重要部位的振动进行监控。
6.本发明为了实现上述目的具体采用以下技术方案：
7.第一方面，本发明公开了一种基于映射网络的压缩机组全系统振动监测方法，包括：
8.获取压缩机组全系统的m个测点数据；
9.对获取的m个测点数据进行特征提取以及数据处理；
10.分析获取的m个测点数据的关联性，并根据关联性由高到低排列，从最高开始连续确定n个测点特征数据，所述n个测点特征数据为关键测点数据；
11.以关键测点数据为输入、m个数据为输出训练好基于注意力机制的数据关联模型；
12.获取当下时刻n个测点特征数据，对其进行特征提取以及数据处理后输入数据关
联模型，得到m个数据输出。
13.进一步地，所述m个测点数据的种类包括工况数据、压力脉动数据、测点振动加速度值和角速度值；
14.所述对获取的m个测点数据进行特征提取以及数据处理包括如下内容：
15.(1)对采集的压缩机组全系统m个测点数据的测点振动加速度值和角速度值提取均方根特征值：
[0016][0017]
(2)对工况数据、压力脉动数据以及均方根特征值数据采用下述公式进行无量钢化处理：
[0018][0019]
式中：
[0020]
xe表示工况数据/压力脉动数据/均方根值数据；
[0021]
μ为xe数据均值；
[0022]
σ为xe的方差；
[0023]
为无量纲化处理后的数据，xe经由无量纲化处理后得到的数据共为g个参数。
[0024]
进一步地，所述分析获取的m个测点数据的关联性包括：采用灰色关联分析法分析无量纲化处理后的数据即g个参数之间的相关性，根据关联性由高到低排列，从最高开始连续确定n个关联性高的测点数据。
[0025]
进一步地，所述数据的相关性确定采用下述方式：
[0026]
计算k时刻输入数据之间的灰色关联系数ξ
ij
(k)：
[0027][0028]
式中，
[0029]
为第二级最小差；
[0030]
为第二级最大差；
[0031]
ρ为分辨系数，其取值范围为(0，1)；
[0032][0033]
和的灰色关联度r
ij
为：
[0034][0035]
将灰色关联度r
ij
按大小进行排序，由大到小依次选定与g个参数所对应的数据间相关性高的n个测点特征数据。
[0036]
进一步地，所述数据关联模型为seq2seq模型。
[0037]
进一步地，所述seq2seq模型包括：
[0038]
输入层：输入无量钢化处理后的工况数据、压力脉动数据以及均方根特征值数据，共f种数据，其选取的数据长度为k，输入层维度为k
×
f；
[0039]
编码层：编码层采用基于注意力机制的2层rnn，每层设置128个lstm神经单元；给定输入序列x＝(x1,x2,
…
xf,
…
xf)，其中xf(f∈{1,2,
…
,f})是长度为k的列向量输入到隐藏层的编码公式为：hf＝b(h
f-1
,xf)，其中，b是lstm网络的激活函数，hf表示f时隐藏层的向量；rnn依次读完所有序列，并基于注意力机制对隐藏层向量加权求和得到向量cf，向量cf的计算方式如下：
[0040][0041][0042][0043]
其中，va，w，u是待学习的参数；h
f-1
、s
f-1
为上一步隐藏层状态和神经元状态；为f时刻编码器输出向量的权重；
[0044]
解码层：编码层最后输出的向量cf作为解码层的输入，解码层采用2层rnn，每层设置128个lstm神经单元；
[0045]
输出层：解码层的最终输出状态作为输出层为下述公式：
[0046]
ym＝g(y
m-1
,sm,cf)
ꢀꢀꢀꢀ
(8)
[0047]
其中，sm＝f(s
m-1
,y
m-1
,cf)，g、f是lstm的激活函数，y
m-1
为上一时刻m-1的输出。
[0048]
第二方面，本发明公开了一种基于映射网络的压缩机组全系统振动监测装置，包括：
[0049]
数据获取模块：用于获取为关键测点数据的n个测点特征数据的模块；
[0050]
提取和处理模块：对获取的数据进行特征提取以及数据处理；
[0051]
模型获取模块：用于获取训练的好基于注意力机制的数据关联模型；
[0052]
数据输入模块：用于将提取和处理模块处理后的测点数据输入数据关联模型；
[0053]
数据输出模块：用于将数据关联模型的输出进行展示和存储。
[0054]
第三方面，本发明公开了一种电子设备，所述电子设备包括处理器、用于存储程序的存储装置，当所述程序被所述处理器执行，使得处理器实现上述中中任一项所述的监测
方法。
[0055]
第四方面，本发明公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现上述中任一项所述的监测方法。
[0056]
第五方面，本发明公开了基于上述中任一项所述方法在振动监测中的应用。
[0057]
本发明的有益效果如下：
[0058]
1.本发明在实际监测时所需的数据量少且数据精准，并能基于少量的输入数据获得整个压缩机组全系统的监测，与其他方法相比，本发明只需少量关键测点数据，利用关键测点与全部测点之间的映射关系，即可完成压缩机组全系统在线实时振动监测和评价，不需要对压缩机组全系统安装传感器，极大地降低了监测成本和监测工作量，有效地避免了监测用的电子器件故障后维护麻烦、高成本的问题。
[0059]
2.在前期或者试验室中对压缩机组全系统进行数据采集，将现有的缓冲罐、工艺管线等重要部位无法实现实时监测的部位数据连同其他已有的部位的数据一同采集并进行数据关联性分析，训练好基于注意力机制的数据关联模型；然后将获得的模型直接投入到生产现场进行压缩机组全系统的监控，继而无需对投入使用的压缩机组全系统进行缓冲罐、工艺管线等重要部位的传感器布置即可获得这些部位的监测数据，既提升了压缩机组全系统的全面监测性，不受限于压缩机组上无法布置传感器的缓冲罐、工艺管线等这类结构，又能通过较少的关键测点来获得全部测点的数据，耗时短、成本得到有效控制，且不会影响压缩机正常运转。
附图说明
[0060]
图1是本发明的流程示意图；
[0061]
图2是基于注意力机制的seq2seq模型示意图；
[0062]
图3是装置的结构示意图。
具体实施方式
[0063]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0064]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
[0065]
实施例1
[0066]
如图1所示，本实施例提供一种基于映射网络的压缩机组全系统振动监测方法，包括：
[0067]
获取压缩机组全系统的m个测点数据；
[0068]
对获取的m个测点数据进行特征提取以及数据处理；
[0069]
分析获取的m个测点数据的关联性，并根据关联性由高到低排列，从最高开始连续确定n个测点特征数据，所述n个测点特征数据为关键测点数据；
[0070]
以关键测点数据为输入、m个数据为输出训练好基于注意力机制的数据关联模型；
[0071]
获取当下时刻n个测点特征数据，对其进行特征提取以及数据处理后输入数据关联模型，得到m个数据输出。
[0072]
本发明基于对压缩机组全系统的所需监测的数据之间的关联性进行分析，分析各测点数据之间的关联性，并在此基础上使用基于注意力机制的模型，学习训练完成由少数测点到大量测点的映射，从而通过少数测点数据即可完成全系统振动监测和评价。
[0073]
本发明在实际监测时所需的数据量少且数据精准，并能基于少量的输入数据获得整个压缩机组全系统的监测，与其他方法相比，本发明只需少量关键测点数据，利用关键测点与全部测点之间的映射关系，即可完成压缩机组全系统在线实时振动监测和评价，不需要对压缩机组全系统安装传感器，极大地降低了监测成本和监测工作量，有效地避免了监测用的电子器件故障后维护麻烦、高成本的问题。
[0074]
同时，在实施时，可在前期或者试验室中对压缩机组全系统进行数据采集，将现有的缓冲罐、工艺管线等重要部位无法实现实时监测的部位数据连同其他已有的部位的数据一同采集并进行数据关联性分析，训练好基于注意力机制的数据关联模型；然后将获得的模型直接投入到生产现场进行压缩机组全系统的监控，继而无需对投入使用的压缩机组全系统进行缓冲罐、工艺管线等重要部位的传感器布置即可获得这些部位的监测数据，既提升了压缩机组全系统的全面监测性，不受限于压缩机组上无法布置传感器的缓冲罐、工艺管线等这类结构，又能通过较少的关键测点来获得全部测点的数据，耗时短、成本得到有效控制，且不会影响压缩机正常运转。
[0075]
实施例2
[0076]
本实施例是在实施例1的基础上，对本发明做出进一步地实施说明。
[0077]
如图1所示，本实施例提供一种基于映射网络的压缩机组全系统振动监测方法，包括：
[0078]
s1、获取压缩机组全系统的m个测点数据，所述m个测点数据的种类包括工况数据、压力脉动数据、测点振动加速度值和角速度值；
[0079]
s2、对获取的m个测点数据进行特征提取以及数据处理，具体内容为：
[0080]
(1)对采集的压缩机组全系统m个测点数据的测点振动加速度值和角速度值提取均方根特征值：
[0081][0082]
此处，为通过传感器来测量各个点位上的振动加速度值和角速度值，并基于频谱分析，得到此点位上的m个振动加速度值和m个角速度值。
[0083]
(2)对工况数据、压力脉动数据以及均方根特征值数据采用下述公式进行无量钢化处理：
[0084][0085]
式中：
[0086]
xe表示工况数据/压力脉动数据/均方根值数据；
[0087]
μ为xe数据均值；
[0088]
σ为xe的方差；
[0089]
为无量纲化处理后的数据，xe经由无量纲化处理后得到的数据共为g个参数。
[0090]
s3、分析获取的m个测点数据的关联性，具体分析内容为：
[0091]
采用灰色关联分析法分析无量纲化处理后的数据即g个参数之间的相关性，根据关联性由高到低排列，从最高开始连续确定n个关联性高的测点数据；
[0092]
所述数据的相关性确定采用下述方式：
[0093]
计算k时刻输入数据之间的灰色关联系数ξ
ij
(k)：
[0094][0095]
式中，
[0096]
为第二级最小差；
[0097]
为第二级最大差；
[0098]
ρ为分辨系数，其取值范围为(0，1)；
[0099][0100]
和的灰色关联度r
ij
为：
[0101][0102]
将灰色关联度r
ij
按大小进行排序，由大到小依次选定与g个参数所对应的数据间相关性高的n个测点特征数据，即根据关联性由高到低排列，从最高开始连续确定n个测点特征数据，所述n个测点特征数据为关键测点数据，n个测点特征数据属于m个测点数据，且n值远远小于m值；
[0103]
s4、以关键测点数据为输入、m个数据为输出训练好基于注意力机制的数据关联模型；所述数据关联模型为seq2seq模型，其具体如图2所示。
[0104]
具体地，seq2seq模型如图2所示，其包括：
[0105]
输入层：输入无量钢化处理后的工况数据、压力脉动数据以及均方根特征值数据，共f种数据，即输入层的最大维度为f，其选取的数据长度为k，输入层维度为k
×
f；
[0106]
编码层：编码层采用基于注意力机制的2层rnn，每层设置128个lstm神经单元；给定输入序列x＝(x1,x2,
…
xf,
…
xf)，其中xf(f∈{1,2,
…
,f})是长度为k的列向量输入到隐藏层的编码公式为：hf＝b(h
f-1
,xf)，其中，b是lstm网
络的激活函数，hf表示f时隐藏层的向量；rnn依次读完所有序列，并基于注意力机制对隐藏层向量加权求和得到向量cf，向量cf的计算方式如下：
[0107][0108][0109][0110]
其中，va，w，u是待学习的参数；h
f-1
、s
f-1
为上一步隐藏层状态和神经元状态；为f时刻编码器输出向量的权重；
[0111]
解码层：编码层最后输出的向量cf作为解码层的输入，解码层采用2层rnn，每层设置128个lstm神经单元；
[0112]
输出层：解码层的最终输出状态作为输出层为下述公式：
[0113]yn
＝g(y
m-1
,sm,cf)
ꢀꢀꢀꢀ
(8)
[0114]
其中，sm＝f(s
m-1
,y
m-1
,cf)，g、f是lstm的激活函数，y
m-1
为上一时刻m-1的输出；最终输出由上一时刻m-1的输出y
m-1
、m时刻隐状态神经元sm以及注意力机制计算得到的向量cf三个要素决定；输出层维度为m
×
p，m为所有测点数据种类数目，p为所选数据长度。
[0115]
压缩机振动监测模型训练：将采集的数据按比例分为训练集和测试集，例如按7:3比例分为训练集和测试集。在模型训练阶段，将训练集中基于相关性挑选出的n个测点特征数据、工况数据、压力脉动数据作为模型输入，将压缩机组全系统m个测点数据作为模型输出，以此作为训练样本训练模型，损失函数为l2，最终得到压缩机振动监测模型，然后以测试集数据做验证。
[0116]
s5、对于需要监测的压缩机组全系统进行监测时，获取当下时刻压缩机组全系统的n个测点特征数据，对其进行特征提取以及数据处理后输入数据关联模型，得到m个数据输出。此处n个测点特征数据的点位与步骤s3中确定的n个测点特征数据的点位一致。
[0117]
本发明在分析压缩机振动监测数据上，基于灰色关联分析法分析监测数据间相关性，并挑选出少数关键测点，之后使用基于注意力机制的seq2seq模型完成少数测点到全部测点的映射，最终实现压缩机组全系统振动在线监测。不仅解决巡检无法实时评定压缩机组振动的问题，还极大降低全面监测压缩机组振动的工作量及成本，推广价值及应用价值高。
[0118]
本发明利用压缩机组已有的少数振动测点和其他监测参数，实现对压缩机组全系统振动实时在线监测和评价，保障机组运行安全，减少工作量、降低成本。
[0119]
上述中，特征提取及数据处理部分还可以采用或增加其他时频域特征提取方法，例如有效值、峭度、峰峰值等。分析数据间相关性也可以改为其他基于距离度量的方法，例如密度聚类方法、动态时间规整等其他基于距离度量方法。建立少数测点到全部测点的映射模型，也可采用基于神经网络或者其他深度学习模型。即本发明的数据的特征提取以及数据处理方式不限、数据的关联分析方法不限、模型也不唯一限定。
[0120]
实施例3
[0121]
本实施例提供一种基于映射网络的压缩机组全系统振动监测装置，如图3所示，其包括：数据获取模块：用于获取为关键测点数据的n个测点特征数据的模块；提取和处理模块：对获取的数据进行特征提取以及数据处理；模型获取模块：用于获取训练的好基于注意力机制的数据关联模型；数据输入模块：用于将提取和处理模块处理后的测点数据输入数据关联模型；数据输出模块：用于将数据关联模型的输出进行展示和存储。
[0122]
本发明提供的压缩机组全系统振动监测装置，在实际监测时所需的数据量少且数据精准，并能基于少量的输入数据获得整个压缩机组全系统的监测，与其他方法相比，本发明只需少量关键测点数据，利用关键测点与全部测点之间的映射关系，即可完成压缩机组全系统在线实时振动监测和评价，不需要对压缩机组全系统安装传感器，极大地降低了监测成本和监测工作量，有效地避免了监测用的电子器件故障后维护麻烦、高成本的问题。
[0123]
实施例4
[0124]
本实施例提供一种电子设备，所述电子设备包括处理器、用于存储程序的存储装置，当所述程序被所述处理器执行，使得处理器实现上述任一项所述的监测方法。处理器可以是一个或多个，存储装置也可以是一个或多个。存储器和处理器优选地采用can总线方式进行连接。
[0125]
实施例5
[0126]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现如上述中任一项所述的监测方法。
[0127]
实施例6
[0128]
上述中所述方法在振动监测中的应用，具体地为采集待监测的系统/设备/装置的所有需要监测点的数据，然后对监测点的数据进行特征提取和无量纲化处理，接着将无量纲化处理得到的数据进行关联分析，然后将分析结果进行关联性高到低排序，从关联性最高开始连续确定一定个数关联性高的测点数据作为测点特征数据，然后以所有的测点特征数据为输入数据，系统/设备/装置上监测点的数据为输入进行模型训练，得到数据关联模型。接着以测点特征数据所在的监测点为系统/设备/装置上的/设备/装置上监测点位，然后其这些点位为输入数据，输入到数据关联模型中，从而得到这类系统/设备/装置的所有需要监测点的数据，继而基于此方法可以将同型号/同类型的系统/设备/装置的监测均满足，降低系统/设备/装置的监测成本。
[0129]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。