离心压缩机的故障诊断方法以及设备

1.本技术涉及故障诊断领域，尤其涉及一种离心压缩机的故障诊断方法以及设备。


背景技术：

2.近年来，离心压缩机被广泛应用在化工厂、炼油厂等工业生产单位，其已经成为压缩及输送各类气体的主要设备。离心压缩机发生故障导致停机会造成重大经济损失，因此，在故障导致停机之前，对离心压缩机进行故障诊断非常重要。
3.在当前技术中，对离心压缩机进行故障诊断主要通过传感器获取离心压缩机的监测数据，通过分析设备分析离心压缩机的故障原因。但是当前的故障诊断方法监测的数据是随机的，且故障原因和监测数据之间无直接的一一对应的关系。
4.也就是说，当前技术在对离心压缩机进行故障诊断时，无法获得连续监测数据，且故障原因和监测数据之间无一一对应关系，导致故障诊断结果准确率低。


技术实现要素：

5.本技术提供一种离心压缩机的故障诊断方法以及设备，用于解决在对离心压缩机进行故障诊断时，无法获得连续监测数据，且故障原因和监测数据之间无一一对应关系，导致故障诊断结果出现准确率低的问题。
6.第一方面，本技术提供一种离心压缩机的故障诊断方法，所述方法包括：
7.实时获取离心压缩机的目标参数的当前数值和至少一个原因参数的当前数值，其中，所述原因参数的数值变化会引起所述目标参数的变化；
8.若确定所述目标参数的当前数值位于所述目标参数的正常范围之外，且存在至少一个当前数值位于原因参数的正常范围之外的原因参数，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息；
9.使用所述原因参数的当前数值查询第一原因数据库获得第二故障原因信息，对所述第一故障原因信息和所述第二故障原因信息进行融合，获得第三故障原因信息。
10.第二方面，本技术通过一种离心压缩机的故障诊断装置，所述装置包括：
11.获取模块，用于实时获取离心压缩机的目标参数的当前数值和至少一个原因参数的当前数值，其中，所述原因参数的数值变化会引起所述目标参数的变化；
12.处理模块，用于若确定所述目标参数的当前数值位于目标参数的正常范围之外，且存在至少一个当前数值位于原因参数的正常范围之外的原因参数，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息；
13.所述处理模块，还用于使用所述原因参数的当前数值查询第一原因数据库获得第二故障原因信息，对所述第一故障原因信息和所述第二故障原因信息进行融合，获得第三故障原因信息。
14.第三方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接
的存储器；
15.所述存储器存储计算机执行指令；
16.所述处理器执行所述存储器存储的计算机执行指令，以实现第一方面所述的故障诊断方法。
17.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面所述的故障诊断方法。
18.第五方面。本技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的故障诊断方法。
19.本技术提供一种离心压缩机的故障诊断方法以及设备，确定反应离心压缩机故障的目标参数和引起目标参数变化的原因参数，实时获取目标参数的当前数值和至少一个原因参数的当前数值，解决了当前技术无法获得连续监测数据的技术问题；若确定目标参数的当前数值位于目标参数的正常范围之外，说明离心压缩机发生故障，确定存在至少一个当前数值位于原因参数的正常范围之外的原因参数，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息；使用原因参数的当前数值查询第一原因数据库获得第二故障原因信息，对第一故障原因信息和第二故障原因信息进行融合，获得第三故障原因信息，完成对离心压缩机的故障诊断。解决了在对离心压缩机进行故障诊断时，无法获得连续监测数据，且故障原因和监测数据之间无一一对应关系，导致故障诊断结果出现准确率低的问题。
附图说明
20.为了更清楚地说明本技术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一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1为本技术提供的离心压缩机的故障诊断方法的应用场景示意图；
22.图2为本技术提供的离心压缩机的故障诊断方法实施例一的流程示意图；
23.图3为本技术提供的离心压缩机的故障诊断方法实施例二的流程示意图；
24.图4为本技术提供的离心压缩机的故障诊断方法实施例三的流程示意图；
25.图5为本技术提供的离心压缩机的故障诊断装置实施例的结构示意图；
26.图6为本技术提供的一种电子设备的结构示意图；
27.图7是本技术提供的循环神经网络的结构示意图；
28.图8是本技术提供的循环神经网络的示意图；
29.图9为本技术提供的多元线性回归模型的示意图；
30.图10为本技术提供的多元线性回归模型的示意图；
31.图11为本技术提供的多元线性回归模型的示意图；
32.图12为本技术提供的多元线性回归模型的示意图；
33.图13为本技术提供的长短期记忆网络的结构示意图；
34.图14为本技术提供的长短期记忆网络的结构示意图；
35.图15为本技术提供的反向传播神经网络的结构示意图。
具体实施方式
36.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在根据本实施例的启示下作出的所有其他实施例，都属于本技术保护的范围。
37.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
38.首先对本技术所涉及的名词进行解释：
39.反向传播神经网络(back propagation neural network，简称bpnn)：是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。反向传播神经网络主要由输入层、隐含层和输出层三层基本结构组成，每一层神经网络由多个神经元组成，层与层之间的神经元互相关联，层内之间的神经元不会互相关联。
40.循环神经网络(recurrent neural network，简称rnn)，是用来处理序列数据，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。图7是本技术提供的循环神经网络的结构示意图，主要有输入层，隐藏层，输出层组成。图8是本技术提供的循环神经网络的结构示意图，如图8所示，t-1，t，t 1表示时间序列，x表示输入的样本，s
t
表示样本在时间t处的的记忆，s
t
＝f(ws
t-1
ux
t
)，w表示输入的权重，u表示此刻输入的样本的权重，v表示输出的样本权重。在t＝1时刻，一般初始化输入s0＝0，随机初始化w，u，v进行下面的公式计算：
41.h1＝ux1 ws042.s1＝f(h1)
43.o2＝g(vs2)
44.其中，f和g均为激活函数，f可以是tanh，relu，sigmoid等激活函数，g通常是softmax也可以是其他。
45.此时的状态s1作为时刻1的记忆状态将参与下一个时刻的预测活动，也就是：
46.h2＝ux2 ws147.s1＝f(h1)
48.o1＝g(vs1)
49.以此类推，最终的输出值为：
50.h
t
＝ux
t
ws
t-1
51.s
t
＝f(h
t
)
52.o
t
＝g(vs
t
)
53.长短期记忆网络(long short-term memory，简称lstm)，是一种时间循环神经网络，是为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。lstm是根据门的使用规则让信息有选择地影响循环神经网络每个时刻的状态，进而控制记忆信息的写入，解决循环神经网络的梯度弥散以及梯度爆炸问题。
54.近年来，离心压缩机被广泛应用在化工厂、炼油厂等工业生产单位，其已经成为压缩及输送各类气体的主要设备。相比于活塞式的压缩机，离心压缩机具有机组规范较小、占用空间较少、结构紧凑简洁、重量较轻、气量较大等显著优点。此外，离心压缩机组件的摩擦损耗较少，维护保养费用较低，有利于设备保持较长的使用寿命。但由于设备投资大，生产过程复杂，机械装备故障停机会造成重大经济损失或人员伤亡，因此，在离心压缩机故障停机之前，对离心压缩机进行故障诊断非常重要。由于机器本身及其损失的产品成本太高，因此需要在离心压缩机故障导致停机之前确定故障原因，故需要通过日常的监测机器数据来防止机器故障导致停机。
55.目前离心压缩机故障诊断技术主要通过传感器获取离心压缩机的监测数据，通过分析设备分析离心压缩机的故障原因。但是当前的故障诊断方法的监测数据是随机的，不能全面的显示监测数据的动态变化过程，不能记录分析监测数据的发展趋势，需要借助技术人员的经验进行分析判断，效率较低且智能化程度较差；故障原因与监测数据之间无直接的一一对应的关系，误诊和错诊概率较大，故障诊断结果准确率低。
56.针对现有技术存在的问题，发明人在对离心压缩机的故障诊断方法进行研究的过程中发现，如果确定反应离心压缩机故障的目标参数和引起目标参数变化的原因参数，实时获取离心压缩机的各项参数的当前数值，可以保证全面显示监测数据的动态变化。若确定目标参数的当前数值位于目标参数的正常范围之外，且存在至少一个当前数值位于原因参数的正常范围之外的原因参数，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息；使用原因参数的当前数值查询第一原因数据库获得第二故障原因信息，对第一故障原因信息和第二故障原因信息进行融合，获得第三故障原因信息，完成对离心压缩机的故障诊断。可以解决在对离心压缩机进行故障诊断时，无法获得连续监测数据，且故障原因和监测数据之间无一一对应关系，导致故障诊断结果准确率低的问题。使用参数预测模型对至少一个原因参数的当前数值进行预测，获得至少一个原因参数的未来数值，根据故障诊断模型对处于原因参数的正常范围之
外的原因参数的未来数值进行处理，获得第五故障原因信息；使用原因参数的未来数值查询第一原因数据库获得第六故障原因信息，对第五故障原因信息和第六故障原因信息进行融合，获得七故障原因信息，可以完成对离心压缩机的故障的预测，提前采取应对措施，避免离心压缩机故障。在利用参数预测模型预测原因参数的未来数值时，考虑使用循环神经网络，但循环神经网络存在梯度弥散以及梯度爆炸问题，因此可以采用长短期记忆网络预测原因参数的未来数值，以解决循环神经网络的梯度弥散以及梯度爆炸问题。基于上述发明构思，设计了本技术中的离心压缩机的故障诊断方案。
57.下面对本技术的离心压缩机的故障诊断方案进行详细的说明。
58.图1为本技术提供的离心压缩机的故障诊断方法的应用场景示意图，如图1所示，该应用场景可以包括：离心压缩机101、传感器102和故障诊断系统103。
59.示例性的，在图1所示的应用场景中，与离心压缩机101连接的传感器102实时获取离心压缩机的目标参数的当前数值和至少一个原因参数的当前数值，传感器102实时向故障诊断系统103发送离心压缩机的目标参数的当前数值和至少一个原因参数的当前数值，其中，原因参数的数值变化会引起目标参数的变化；若故障诊断系统103确定目标参数的当前数值位于目标参数的正常范围之外，且存在至少一个当前数值位于原因参数的正常范围之外的原因参数，故障诊断系统103使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息；故障诊断系统103使用原因参数的当前数值查询第一原因数据库获得第二故障原因信息，故障诊断系统103对第一故障原因信息和第二故障原因信息进行融合，获得第三故障原因信息。若故障诊断系统103确定目标参数的当前数值位于目标参数的正常范围之内，且全部原因参数的当前数值均位于原因参数的正常范围之内，则故障诊断系统103使用参数预测模型对至少一个原因参数的当前数值进行预测，获得至少一个原因参数的未来数值；当存在至少一个未来数值处于原因参数的正常范围之外的原因参数时，故障诊断系统103使用故障诊断模型对处于原因参数的正常范围之外的原因参数的未来数值进行处理，获得第五故障原因信息；故障诊断系统103使用原因参数的未来数值查询第一原因数据库获得第六故障原因信息，对第五故障原因信息和第六故障原因信息进行融合，获得七故障原因信息，完成对故障的预测。
60.基于上述过程，可以实时获取目标参数的当前数值和至少一个原因参数的当前数值，解决当前技术无法获得连续监测数据的技术问题；若确定目标参数的当前数值位于目标参数的正常范围之外，说明离心压缩机发生故障，确定存在至少一个当前数值位于原因参数的正常范围之外的原因参数，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息；使用原因参数的当前数值查询第一原因数据库获得第二故障原因信息，对第一故障原因信息和第二故障原因信息进行融合，获得第三故障原因信息，完成对离心压缩机的故障诊断。解决了在对离心压缩机进行故障诊断时，无法获得连续监测数据，且故障原因和监测数据之间无一一对应关系，导致故障诊断结果出现准确率低的问题。根据参数预测模型对至少一个原因参数的当前数值进行预测，获得至少一个原因参数的未来数值，使用故障诊断模型对原因参数的未来数值进行分析处理，完成对离心压缩机故障的预测。
61.需要说明的是，图1仅是本技术实施例提供的一种应用场景的示意图，本技术实施例不对图1中包括的各种设备的实际形态进行限定，也不对图1中设备之间的交互方式进行
限定，在方案的具体应用中，可以根据实际需求设定。
62.下面，通过具体实施例对本技术的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
63.图2为本技术提供的离心压缩机的故障诊断方法实施例一的流程示意图。参见图2，该故障诊断方法具体包括以下步骤：
64.步骤s201：实时获取离心压缩机的目标参数的当前数值和至少一个原因参数的当前数值。
65.其中，原因参数的数值变化会引起目标参数的变化。
66.可选地，目标参数包括温度；原因参数包括离心压缩机的转速、离心压缩机的轴位移以及离心压缩机的轴振动。
67.具体地，离心压缩机为动力机械设备，设备运行过程会引起温度变化，因此选择温度作为因变量。利用相关系数进行变量间线性关系的分析。计算样本相关系数r，相关系数r＞0，正的线性相关关系；r＜0，负的线性相关关系；r＝1，完全正相关；r＝-1，完全负相关；r＝0，不相关。|r|＞0.8，较强的线性关系；|r|＜0.3，线性关系较弱。
68.表1为相关性分析表格，在表1中，**表示双尾在0.01级别，表示相关性显著。根据表1相关性分析的计算数据可看出，离心压缩机温度与转速、轴位移和轴振动均存在较强相关性，因此选择转速、轴位移和轴振动为自变量。可以理解地，在可获取参数增多的情况下，可以增加或者优化自变量。
69.表1相关性分析
[0070][0071]
步骤s202：若确定目标参数的当前数值位于目标参数的正常范围之外，且存在至
少一个当前数值位于原因参数的正常范围之外的原因参数，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息。
[0072]
可选地，当目标参数包括温度，原因参数包括离心压缩机的转速、离心压缩机的轴位移以及离心压缩机的轴振动时，在若确定目标参数的当前数值位于目标参数的正常范围之外，且存在至少一个当前数值位于原因参数的正常范围之外的原因参数，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息之前，确定当前温度是否位于正常温度范围之内；若确定当前温度位于正常温度范围之外，则依次遍历离心压缩机的当前转速、当前轴位移以及当前轴振动是否位于对应的原因参数的正常范围之外；确定位于原因参数的正常范围之外的原因参数。
[0073]
可选地，若确定当前温度位于正常温度范围之外，且离心压缩机的当前转速、当前轴位移以及当前轴振动中至少一个原因参数的当前数值位于对应的原因参数的正常范围之外，使用已训练的神经网络模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息。
[0074]
可以理解地，若确定目标参数的当前数值位于目标参数的正常范围之外，且全部原因参数的当前数值均位于原因参数的正常范围之内，使用目标参数的当前数值查询第二原因数据库获得第四故障原因信息。
[0075]
具体地，第二原因数据库中包括超出目标参数的正常范围之外的目标参数的当前数值与故障原因信息的对应关系，根据目标参数的当前数值和第二原因数据库确定获得目标参数的当前数值对应的第四故障原因信息，完成对离心压缩机的故障诊断。
[0076]
可选地，可以基于离心压缩机的历史数据获得温度的正常范围的数据，可以在实验室利用真实设备进行加速实验或者破环性实验获得温度的正常范围的数据，也可以通过机理分析、模型构建获得温度的正常范围的数据，本实施例对温度的正常范围的数据的获取方式不做限定。
[0077]
可选地，可以基于离心压缩机的历史数据获得离心压缩机的转速、离心压缩机的轴位移以及离心压缩机的轴振动的正常范围的数据，可以在实验室利用真实设备进行加速实验或者破环性实验获得离心压缩机的转速、离心压缩机的轴位移以及离心压缩机的轴振动的正常范围的数据，也可以通过机理分析、模型构建获得离心压缩机的转速、离心压缩机的轴位移以及离心压缩机的轴振动的正常范围的数据，本实施例对离心压缩机的转速、离心压缩机的轴位移以及离心压缩机的轴振动的正常范围的数据的获取方式不做限定。
[0078]
具体地，通过模型构建获得离心压缩机的转速、离心压缩机的轴位移以及离心压缩机的轴振动的正常范围的数据，包括：
[0079]
根据相关性分析确定温度与转速、轴位移和轴振动存在相关性关系，确定多元线性回归模型，根据多元线性回归模型对参数进行拟合，确定离心压缩机的转速、离心压缩机的轴位移以及离心压缩机的轴振动的正常范围的数据。
[0080]
具体地，确定多元线性回归模型的过程如下：
[0081]
a1：对自变量之间的多重共线性进行判别。
[0082]
多重共线性是指解释变量之间存在线性相关关系的现象。测度多重共线性一般有以下方式：容忍度，取值范围在0-1之间，越接近0表示多重共线性越强，越接近1表示多重共线性越弱；方差膨胀因子，是容忍度的倒数，方差膨胀因子越大多重共线性越强，当方差膨
胀因子大于等于10时，说明存在严重的多重共线性。
[0083]
表2为系数表格，根据表2可以看出转速的容忍度为0.640，方差膨胀因子为1.561；轴振动的容忍度为0.909，方差膨胀因子为1.101；轴位移的容忍度为0.622，方差膨胀因子为1.608，三个自变量均不存在较强的多重共线性。
[0084]
a2：推导多元线性回归模型。
[0085]
根据表2中未标准化的系数可以推导出多元线性回归的模型为：
[0086]
y＝44.286 0.001x1 0.259x2 157.531x3[0087]
表2系数
[0088][0089]
a3：确定多元线性回归模型。
[0090]
表3模型摘要
[0091]
模型rr2调整后r2标准估算的错误1.962a.926.925.143183
[0092]
表3为模型摘要表格。根据表3中r2值可以看出该多元回归模型拟合度较好，能在很大程度上反映因变量和自变量之间的关系。图9为本技术提供的多元线性回归模型的示意图。由图9可以看出，因变量近似服从均值为零的正态分布，说明随机误差项是随机的，可以认为多元线性回归对随机误差有比较好的拟合。图10为本技术提供的多元线性回归模型的示意图。由图10可以看出，散点大多分布在45度的直线上，故可认为标准化残差近似服从标准正态分布。残差存在一定的偏态，但是偏态很小，对回归结果的稳定性不会造成影响。图11为本技术提供的多元线性回归模型的示意图。由图11可以看出，随y的增大,标准化残差无明显变化规律,说明无异方差现象，多元线性回归对自变量和因变量之间的关系有较好的拟合。
[0093]
经上述判别，认为该多元回归分析模型拟合度很好，且不存在多重共线性，因此可以认为该多元回归模型能够反映离心压缩机温度与转速、轴位移和轴振动之间的关系。
[0094]
a4：验证多元线性回归模型。
[0095]
对多元回归分析模型的验证分析如下：
[0096]
示例性地，图12为本技术提供的多元线性回归模型的示意图，从图12可以看出，利用拟合曲线所计算的结果和实际变化趋势基本一致，离心压缩机发生故障后，温度上升，温度上升至一定值后，会导致连锁停机；在这个过程中，自变量相关参数也会发生变化，通过数据分析，可以快速定位可能出现问题的环节，也可以对故障进行提前预判并处置。
[0097]
本步骤提供的离心压缩机的故障诊断方法，在确定目标参数的当前数值位于目标
参数的正常范围之外，且存在至少一个当前数值位于原因参数的正常范围之外的原因参数时，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息，提高了确定第一故障原因信息的效率和准确率。
[0098]
步骤s203：使用原因参数的当前数值查询第一原因数据库获得第二故障原因信息，对第一故障原因信息和第二故障原因信息进行融合，获得第三故障原因信息。
[0099]
使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息后，使用原因参数的当前数值查询第一原因数据库获得第二故障原因信息。第一原因数据库中包含故障原因信息和原因参数的数值的对应关系，可以理解地，一个原因参数的数值可以对应一个故障原因信息，也可以对应多个故障原因信息，一个故障原因信息可以对应一个原因参数的一个数值，可以对应多个不同原因参数的数值，也可以对应一个原因参数的多个不同数值。
[0100]
对第一故障原因信息和第二故障原因信息进行融合，获得第三故障原因信息。
[0101]
举例来说，使用原因参数的当前数值查询第一原因数据库获得的第二故障原因信息中包含多个信息，示例性地，第二故障信息包含转子不平衡和转子弯曲。使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得的第一故障原因信息中包含多个信息，对第一故障原因信息和第二故障原因信息进行融合，获得第三故障原因信息为转子不平衡。
[0102]
可选地，获得第三故障原因信息后，根据应对措施数据库和故障原因的对应关系，确定应对措施。
[0103]
本实施例提供的离心压缩机的故障诊断方法，实时获取目标参数的当前数值和至少一个原因参数的当前数值，解决了当前技术无法获得连续监测数据的技术问题；若确定目标参数的当前数值位于目标参数的正常范围之外，说明离心压缩机发生故障，确定存在至少一个当前数值位于原因参数的正常范围之外的原因参数，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息；使用原因参数的当前数值查询第一原因数据库获得第二故障原因信息，对第一故障原因信息和第二故障原因信息进行融合，获得第三故障原因信息，完成对离心压缩机的故障诊断。解决了在对离心压缩机进行故障诊断时，无法获得连续监测数据，且故障原因和监测数据之间无一一对应关系，导致故障诊断结果准确率低的问题。
[0104]
下面采用图3所示的实施例对离心压缩机的故障预测的一种实现方式进行详细的说明。
[0105]
图3为本技术提供的离心压缩机的故障诊断方法实施例二的流程示意图；
[0106]
步骤s301：若确定目标参数的当前数值位于目标参数的正常范围之内，且全部原因参数的当前数值均位于原因参数的正常范围之内，则使用参数预测模型对至少一个原因参数的当前数值进行预测，获得至少一个原因参数的未来数值。
[0107]
若确定目标参数的当前数值位于目标参数的正常范围之内，且全部原因参数的当前数值均位于原因参数的正常范围之内，说明当前时刻离心压缩机并未出现故障，则使用参数预测模型对至少一个原因参数的当前数值进行预测，获得至少一个原因参数的未来数值。
[0108]
可选地，参数预测模型可以为预先经过训练的长短期记忆网络。
[0109]
下面对神经网络模型的一种训练方法进行说明。
[0110]
图13为本技术提供的长短期记忆网络的结构示意图，如图13所示，包括：遗忘门、输入门、输出门。
[0111]
b1：确定遗忘门的输出。
[0112]
遗忘门决定对哪些无用信息进行抛弃。
[0113]ft
＝σ(wf·
[h
t-1
，x
t
] bf)
[0114]
式中wf为遗忘门的权重系数矩阵；h
t-1
为上一时刻的输出；x
t
为当前时刻的输入；bf为遗忘门的偏置；[h
t-1
，x
t
]表示将上一时刻的输出与当前时刻的输入连接成一个向量；是sigmoid函数；f
t
为遗忘门的输出，是0到1之间的实数。
[0115]
b2：综合遗忘门与输入门，对当前输入的单元状态进行按元素相乘再求和的计算。
[0116]it
＝σ(wi·
[h
t-1
，x
t
] bi)
[0117]ct
′
＝tanh(wc·
[h
t-1
，x
t
] bc)
[0118]ct
＝f
t
⊙ct-1
i
t
⊙ct
′
[0119]
式中wi为输入门的权重系数矩阵；bi为输入门的偏置；i
t
为控制输入比重部分的输出；wc为当前单元状态的权重系数矩阵；bc为计算当前单元状态时的偏置；tan h是双曲正切运算；c
t
′
为当前输入的单元状态；c
t
为当前时刻的单元状态。
[0120]
b3：输出门基于遗忘门与输入门得到当前最新的状态c
t
，输出门根据c
t
、h
t-1
和x
t
共同计算当前时刻的输出。
[0121]ot
＝σ(wo·
[h
t-1
，x
t
] bo)
[0122]ht
＝o
t
⊙
tanh(c
t
)
[0123]
式中wo为输出门的权重系数矩阵；bo为输出门的偏置；o
t
为输出门的输出；h
t
为最终输出。
[0124]
示例性地，图14为本技术提供的长短期记忆网络的结构示意图，如图14所示，将连续n个时刻的转速的数据值作为参数预测模型的输入，将t 1时刻的转速数据值y(t 1)作为输出，获得原因参数转速的未来数值。
[0125]
采用adam算法优化了长短期记忆网络，adam既可以对学习率进行自适应调节，又可以利用历史动量加快收敛速度。adam算法在计算时，需要的内存更少，收敛速度快。方法的更新规则如下：
[0126]et
(g2)＝β2e
t-1
(g2) (1-β2)(g(w
t
)
⊙
g(w
t
)
[0127]et
(g)＝β
tet-1
(g) (1-β1)(g(w
t
)
⊙
g(w
t
)
[0128][0129]
更新后的权值：
[0130][0131]
其中，β1、β2是[0，1]之间的可变参数，梯度向量g的一阶矩为e
t
(g)，二阶矩为e
t
(g2)。
[0132]
重复上述步骤，直到误差小于规定值时，训练完成。
[0133]
训练后的循环神经网络可以用于预测转速、轴位移和轴振动的未来数值。
[0134]
步骤s302：当存在至少一个未来数值处于原因参数的正常范围之外的原因参数时，使用故障诊断模型对处于原因参数的正常范围之外的原因参数的未来数值进行处理，获得第五故障原因信息。
[0135]
当根据参数预测模型获得原因参数的未来数值，确定存在至少一个未来数值处于原因参数的正常范围之外的原因参数时，使用故障诊断模型对处于原因参数的正常范围之外的原因参数的未来数值进行处理，获得第五故障原因信息。
[0136]
根据故障诊断模型对处于原因参数的正常范围之外的原因参数的未来数值进行处理，获得第五故障原因信息的过程和实施例一中步骤s202相同，在此不再赘述。
[0137]
步骤s303：使用原因参数的未来数值查询第一原因数据库获得第六故障原因信息，对第五故障原因信息和第六故障原因信息进行融合，获得七故障原因信息。
[0138]
使用原因参数的未来数值查询第一原因数据库获得第六故障原因信息，对第五故障原因信息和第六故障原因信息进行融合，获得七故障原因信息的过程与实施例一中步骤s203相同，在此不再赘述。
[0139]
可选地，获得七故障原因信息后，根据应对措施数据库和故障原因的对应关系，确定应对措施，在可能发生故障时，及时采取预防措施。
[0140]
本实施例提供的离心压缩机的故障诊断方法，通过如下步骤执行，若确定目标参数的当前数值位于目标参数的正常范围之内，且全部原因参数的当前数值均位于原因参数的正常范围之内，则使用参数预测模型对至少一个原因参数的当前数值进行预测，获得至少一个原因参数的未来数值。解决了当前技术无法获得未来监测数据的技术问题；当存在至少一个未来数值处于原因参数的正常范围之外的原因参数时，使用故障诊断模型对处于原因参数的正常范围之外的原因参数的未来数值进行处理，获得第五故障原因信息。使用原因参数的未来数值查询第一原因数据库获得第六故障原因信息，对第五故障原因信息和第六故障原因信息进行融合，获得七故障原因信息，完成对离心压缩机的故障。获得七故障原因信息后，根据应对措施数据库和故障原因的对应关系，确定应对措施，在可能发生故障时，及时采取预防措施，以减小未来离心压缩机发生故障的概率，保障了离心压缩机的安全运行。
[0141]
下面采用图4所示的实施例对实施一步骤s202中“用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息”的过程进行详细的说明。
[0142]
图4为本技术提供的离心压缩机的故障诊断方法实施例三的流程示意图；
[0143]
步骤s401：训练故障诊断模型。
[0144]
可选的，故障诊断模型可以为神经网络模型，比如反向传播神经网络模型，深度神经网络模型，双向神经网络模型。
[0145]
图15为本技术提供的反向传播神经网络的结构示意图，如图15所示，i为神经网络的输入层，j为神经网络的隐含层，k为神经网络的输出层；a1，a2，
……
，am为输入神经网络的原始数据，对于转速来说一般检测转速峰值、相位、频谱等；b1，b2，
……
，bn为神经网络的输出数据，c1，c2，
……
，cn为期望输出值，一般为转速异常的原因，如转子不平衡、转子轴系不对中、转子弯曲等原因；w
ij
、w
jk
分别为输入层-隐含层的神经元、隐含层-输出层的神经元之间的权重；e为期望输出值与实际输出值之间的误差。
[0146]
下面以反向传播神经网络模型为例，对故障诊断模型的一种训练方法进行说明。
[0147]
c1：确定输入神经网络的原始数据类型。
[0148]
确定各层神经元个数；对于转速异常原因的判别常用3层bp神经网络，隐含层神经元个数l与输入层神经元个数m的关系近似为：l＝2m 1；确定初始的权重w
ij
、w
jk
；选择合适的层间作用函数，一般为sigmoid函数：
[0149]
c2：确定隐含层的输出值。
[0150][0151]
(i＝1，2，......，m，j＝1，2，......，l)，其中gj为输入层与隐含层之间的阈值偏置。
[0152]
c3：确定输出层的输出值。
[0153][0154]
(j＝1，2，......，l，k＝1，2，......，n)，其中gk为输入层与隐层之间的阈值偏置。
[0155]
c4：计算期望值与实际输出值之间的误差。
[0156][0157]
c5：将误差逆向反馈至反向传播神经网络，得到更新后的权值。
[0158]
δk＝(c
k-bk)bk(1-bk)
[0159][0160]wjk
＝w
jk
θ(c
k-bk)bk[0161]
c6：确定更新后的阈值偏置。
[0162][0163]gk
＝gk θ(c
k-bk)
[0164]
重复上述步骤，直到误差小于规定值时，训练完成，最终确定已训练的神经网络模型。
[0165]
步骤s402：获得位于原因参数的正常范围之外的原因参数的当前数值。
[0166]
离心压缩机的当前转速、当前轴位移以及当前轴振动中至少一个原因参数的当前数值位于对应的原因参数的正常范围之外，获得位于原因参数的正常范围之外的原因参数的当前数值。
[0167]
步骤s403：用已训练的故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息。
[0168]
示例性地，当确定当前温度位于正常温度范围之外，且转速的当前数值位于转速的正常范围之外时，以转速峰值、相位、频谱作为反向传播神经网络模型的输入值，以转速异常的原因作为输出值，进行分析处理，获得第一故障原因信息。
[0169]
示例性地，转速异常原因包括转子不平衡、转子轴系不对中、转子弯曲三种原因。表4为输出数据和异常原因判别结果表格，反向传播神经网络模型的输出值与对应的异常
原因如表4所示。
[0170]
表4输出数据和异常原因判别结果
[0171]
bp神经网络输出数据异常原因判别结果100转子不平衡010转子轴系不对中001转子弯曲
[0172]
下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
[0173]
图5为本技术提供的离心压缩机的故障诊断装置实施例的结构示意图；如图5所示，该故障诊断装置50包括：
[0174]
获取模块51，用于实时获取离心压缩机的目标参数的当前数值和至少一个原因参数的当前数值，其中，原因参数的数值变化会引起目标参数的变化；
[0175]
处理模块52，用于若确定目标参数的当前数值位于目标参数的正常范围之外，且存在至少一个当前数值位于原因参数的正常范围之外的原因参数，使用故障诊断模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息；
[0176]
处理模块52，还用于使用原因参数的当前数值查询第一原因数据库获得第二故障原因信息，对第一故障原因信息和第二故障原因信息进行融合，获得第三故障原因信息。
[0177]
进一步地，目标参数包括温度；原因参数包括离心压缩机的转速、离心压缩机的轴位移以及离心压缩机的轴振动。
[0178]
进一步地，处理模块52，还用于：
[0179]
确定当前温度是否位于正常温度范围之内；
[0180]
若确定当前温度位于正常温度范围之外，则依次遍历离心压缩机的当前转速、当前轴位移以及当前轴振动是否位于对应的原因参数的正常范围之外；确定位于原因参数的正常范围之外的原因参数。
[0181]
进一步地，处理模块52，还用于若确定当前温度位于正常温度范围之外，且离心压缩机的当前转速、当前轴位移以及当前轴振动中至少一个原因参数的当前数值位于对应的原因参数的正常范围之外时，使用已训练的神经网络模型对位于原因参数的正常范围之外的原因参数的当前数值进行分析处理，获得第一故障原因信息。
[0182]
进一步地，处理模块52，还用于若确定目标参数的当前数值位于目标参数的正常范围之外，且全部原因参数的当前数值均位于原因参数的正常范围之内，使用目标参数的当前数值查询第二原因数据库获得第四故障原因信息。
[0183]
进一步地，处理模块52，还用于：
[0184]
若确定目标参数的当前数值位于目标参数的正常范围之内，且全部原因参数的当前数值均位于原因参数的正常范围之内，则使用参数预测模型对至少一个原因参数的当前数值进行预测，获得至少一个原因参数的未来数值；
[0185]
当存在至少一个未来数值处于原因参数的正常范围之外的原因参数时，使用故障诊断模型对处于原因参数的正常范围之外的原因参数的未来数值进行处理，获得第五故障原因信息；
[0186]
使用原因参数的未来数值查询第一原因数据库获得第六故障原因信息，对第五故障原因信息和第六故障原因信息进行融合，获得七故障原因信息。
[0187]
本实施例提供的离心压缩机的故障诊断装置，用于执行前述任一方法实施例中的技术方案，其实现原理和技术效果类似，在此不再赘述。
[0188]
图6为本技术提供的一种电子设备的结构示意图。如图6所示，电子设备60包括处理器61和存储器62。
[0189]
其中，存储器62用于存储处理器可执行的计算机指令；
[0190]
处理器61在执行计算机指令时实现上述实施例中方法中的各个步骤。具体可以参见前述方法实施例中的相关描述。
[0191]
可选地，上述存储器62既可以是独立的，也可以跟处理器61集成在一起。当存储器62独立设置时，该电子设备还包括总线，用于连接存储器62和处理器61。
[0192]
本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，当处理器执行计算机指令时，实现上述实施例中方法中的各个步骤。
[0193]
本技术实施例还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现上述实施例中方法中的各个步骤。
[0194]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0195]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。