一种往复压缩机关键部位摩擦磨损状态识别方法及装置与流程

本技术涉及往复压缩机领域，尤其是涉及一种往复压缩机关键部位摩擦磨损状态识别方法及装置。

背景技术：

1、往复压缩机是指通过气缸内活塞的往复式运动使缸体容积周期变化并实现气体的增压和输送的一种设备，属于容积型压缩机。往复压缩机有气缸、活塞与气动控制阀、连杆、曲轴、轴瓦等较多运动部件，其工作流程可以划分为气体膨胀、进行吸气、压缩处理与排出气体四个过程。大型往复压缩机是化工合成、天然气集输等行业的重要设备，也是最主要的能耗设备，在各个工业领域内，发挥着至关重要的作用。声信号检测技术作为一种无源被动式的无损检测技术，兼具可动态实时监控、检测区域面积大、信号处理方法多样、检测过程不影响正常设备工作等技术优势，在往复压缩机故障诊断与状态识别中应用比较广泛。随着人工智能技术的盛行，将声信号与人工智能结合用于识别往复压缩机关键部位摩擦磨损状态的识别成为了各企业和高校的研究热点，但是由于技术尚未完全成熟，还有许多量产问题亟需解决。

2、随着工业智能化的不断发展，对于如何快速有效识别往复压缩机关键部位摩擦磨损状态也成为近年来的热门问题，大部分企业内的工程师集中于解决往复压缩机系统外部问题，内部构件由于关联性强和复杂度高的问题，往依靠工程师们丰富的实战经验解决；而高校又由于缺乏工业生产条件，无法获取工业现场实况与实时数据用于进一步研究，资源的不流通与数据加密性等问题造成这 方面的科技创新进入瓶颈期，目前提出的往复压缩机关键部位摩擦磨损状态识别技术有：（1）人工通过传感器采集的温度、位移、声信号等可视化进行判断，对于人工来说，由于信号的大小、区域、形状不定，分界线模糊等造成信号所对应部件状态难以识别，前期需耗费大量时间经济成本对其进行培训且难以保证人为主观因素的影响。（2）基于油液分析的识别方法。常用的油液分析方法包括:磁塞检查法、油光分析法和油铁谱分析法。目前来看，基于油液分析的诊断方法能够判断的状态类型有限，且进行一次识别需要耗费较长的时间，实时性较差。（3）基于热力参数的识别方法。识别过程中通常需要借助某些特定的工具进行辅助，示功图法就可以视作是基于热力参数识别法的一种应用。利用此种方法对往复压缩机的运行状态进行判断已经有较长时间的历史。但是该方法过度依赖技术人员经验积累，受人为主观意识影响较大，缺乏准确性，不稳定性因素太高。（4）基于振动产生声信号的识别方法。声信号的获取相对比较容易，通过振动产生声信号，有丰富的仪器设备可供选择，由于往复压缩机运行物理特性的动态耦合复杂，对其直接进行状态识别还存在一定难度。通过对时、频域谱的综合分析，结合往复压缩机振动机理，可以判断出往复压缩机各个零部件的工作状态是否正常，并判断是何种状态类型。大多数研究采用基于振动的诊断方法，大量应用各种信号处理技术，通常与人工智能技术相结合，如神经网络。

3、因此，在进行往复压缩机关键部位摩擦磨损状态识别过程中，有必要设计出一套结构简单、效率高并且稳定性高的往复压缩机关键部位摩擦磨损状态识别技术，更有利于实现大面积生产，对往复压缩机的安全长期运转也有所保证。

技术实现思路

1、为了解决上述问题，本技术提供了一种往复压缩机关键部位摩擦磨损状态识别方法及装置。

2、第一方面，本技术提供一种往复压缩机关键部位摩擦磨损状态识别方法，包括：

3、采集声信号并进行提取及预处理，建立样本数据库；

4、建立神经网络模型，通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型；

5、通过样本数据库中的测试数据对所述参数预测模型进行测试；

6、使用参数预测模型对往复压缩机关键部位摩擦磨损状态类型进行预测。

7、可选的，采集声信号进行提取及预处理，建立样本数据库的步骤，具体包括：

8、利用设置于往复压缩机的声发射传感器获取声信号，所述声信号包括往复压缩机不同部位摩擦磨损状态下的声信号及往复压缩机正常运转的声信号；

9、对所获取的声信号进行降噪处理；

10、对降噪处理后的声信号提取其特征参数；

11、将经过处理的声信号的特征参数整理为样本数据集，包括训练集和测试集，建立样本数据库。

12、可选的，所述对降噪处理后的声信号提取其特征参数的步骤，具体包括：

13、对降噪后的声信号分别在频域和时域的空间上进行分析，提取频域特征参数和时域特征参数；

14、将提取的特征参数进行归一化处理。

15、可选的，所述建立神经网络模型的步骤，具体包括：

16、根据样本数据集中数据量大小及类型建立神经网络模型，神经网络模型的输入包括的特征参数为一级进气压力、一级进气温度和末级排气压力，输出包括的特征参数为除输入以外的各级进气压力、进气温度、排气压力和排气温度；

17、对神经网络模型的网络权值和阈值进行编码，设定测试用的阈值范围及基准参数。

18、可选的，所述通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型的步骤，具体包括：

19、基于所述训练集中的特征参数，对所述神经网络模型进行训练；

20、得到参数预测模型，所述参数预测模型包括输入参数、输出参数、输入输出参数之间的映射关系；

21、其中，所述输入参数包括：一级进气压力、一级进气温度和末级排气压力，所述输出参数包括：除输入参数以外的各级进气压力、进气温度、排气压力和排气温度，所述输入参数与输出参数之间的映射关系为：

22、；

23、其中， 、、分别为往复压缩机第j级的排气压力、末级排气压力、一级进气压力，单位为mpa；n为往复压缩机级数；j为当前计算的级数，取值范围[1,n]；、分别为第j级的排气温度、第j级的进气温度，单位为k；为第j级的进气压力，单位为mpa。

24、可选的，所述通过样本数据库中的测试数据对所述参数预测模型进行测试的步骤，具体包括：

25、将测试集中的测试数据输入所述参数预测模型；

26、根据输出参数与往复压缩机关键部位摩擦磨损状态的类型的映射关系，进行模型分类识别测试。

27、可选的，所述进行模型分类识别测试的步骤，具体包括：

28、对所述测试数据进行分类识别；

29、在前向传播过程中计算分类的误差；

30、根据所述阈值范围及基准参数判断所计算的误差是否处于设定范围内；

31、如果超出阈值范围，则返回并调整参数重新进行测试；

32、如果未超出阈值范围，则进行分类准确性逻辑判断，并输出对于往复压缩机关键部位摩擦磨损状态类型的预测结果及对应的分类准确率矩阵。

33、可选的，所述返回并调整参数重新进行测试的步骤，具体包括：

34、将误差从神经网络的输出层向隐藏层传递，利用链式法则计算每个神经元的梯度；

35、基于计算的梯度，对所述参数预测模型的权重和偏置进行更新；

36、等下一批次的测试数据输入后重新进行测试。

37、可选的，所述输出对于往复压缩机关键部位摩擦磨损状态类型的预测结果及对应的分类准确率的步骤，具体包括：

38、输出分类混淆矩阵，其中矩阵行表示真实的分类结果标签，列表示预测的分类结果标签。

39、第二方面，本技术提供一种往复压缩机关键部位摩擦磨损状态识别装置，所述装置包括：

40、数据采集单元，用于采集声信号并进行提取及预处理，建立样本数据库；

41、模型建立单元，用于建立神经网络模型，通过样本数据库中的训练数据对神经网络模型进行训练，得到参数预测模型；

42、模型测试单元，用于通过样本数据库中的测试数据对所述参数预测模型进行测试；

43、状态预测单元，用于使用参数预测模型对往复压缩机关键部位摩擦磨损状态类型进行预测。

44、综上所述，本技术包括以下有益技术效果：

45、本发明能够对往复压缩机关键部位摩擦磨损状态实现快速准确的识别，提高了效率，并且能够声信号判断往复压缩机摩擦磨损部位及状态，从而对确立后续故障的修复方案及压缩机寿命预测上提供了便利，防止过多在源头就可解决的问题流入后续步骤，减少生产成本，对于产品的大面积生产有着重大的意义；同时，本发明通过神经网络对往复压缩机摩擦磨损状态进行识别，无需增添任何硬件设备，通过计算机的控制便可实现系统整个流程的运行，从而降低成本。