1.本发明属于机械故障诊断技术领域，具体涉及一种往复式压缩机故障诊断可视化方法。
背景技术：
2.往复式压缩机的机体由气缸体和曲轴箱组成，气缸体内的重要工作部件是活塞，曲轴箱内的重要工作部件为曲轴，活塞和曲轴通过连杆、十字头连接。气缸的顶部装有吸气阀和排气阀，吸气阀通过吸气腔与吸气管相连，排气阀通过排气腔与排气管相连。曲轴的主轴与原动机相连，被原动机带动旋转，通过连杆的传动，带动活塞在气缸体内做往复运动，并在吸、排气阀的配合下完成对介质的吸入、压缩和排出。
3.往复式压缩机有压缩、排气、膨胀、吸气4个重要的工作过程，结合图1所示，当活塞自右向左运动时，气缸内气体体积减小，压力增大为压缩机的“压缩”过程；当气体压力增大到一定程度时，排气阀打开，活塞继续向左运动，气体持续排出，直到活塞运动到最左侧为压缩机的“排气”过程；接着，活塞从最左侧向右移动，由于在最左侧位置时气缸存在余隙容积，余隙容积内的气体仍具有较大的压力，在活塞刚离开最左侧位置时吸气阀达不到设计的压力差不能立即打开，余隙容积内的气体体积随着活塞向右移动不断增大，压力不断减小，这是压缩机的“膨胀”过程；活塞继续向右移动，吸气阀达到所需要的压力差开始吸气，直到活塞移动到气缸最右侧，吸气完成，这是压缩机的“吸气”过程。往复式压缩机的工作过程就是这四个过程周而复始循环。
4.在上述4个过程中，气缸内的压力和气体体积是不断变化的。示功图是指在往复式压缩机的一个循环中，气缸内气体动态压力随活塞位移（或气缸内容积）而变化的封闭曲线。图2为理想情况下的往复式压缩机示功图，示功图是往复式压缩机故障诊断的重要工具，通过示功图可以更灵敏、更早期地对气阀泄露、气阀堵塞等可能造成爆炸事故的严重故障进行预警。目前常用的诊断方法有两种：一是人工诊断，测绘正常时间范围内的示功图作为基准，通过人工定时获取实时测绘的示功图与基准相比较，根据经验进行诊断；二是采用机器学习的方法，用大量的已知故障类型的往复式压缩机动态压力数据（动态压力数据是绘制示功图的必要数据）作为原始数据，提取能代表示功图的特征作为训练样本，训练基于示功图的智能识别模型进行诊断。
5.但依据故障机理人工地对往复式压缩机示功图进行诊断不够智能，过多地依赖人的经验，且实时性难以得到保证。而采用一般的机器学习手段进行故障识别不能给出诊断依据，缺乏可信度，人工复核工作量大。
技术实现要素：
6.为了解决现有技术的不足，本发明提供了一种往复式压缩机故障可视化方法，能在不影响智能诊断模型准确率的前提下，给出模型做出判断的依据，并在示功图上展示。
7.本发明的目的通过以下技术方案来实现：
一种往复式压缩机故障诊断可视化方法，其特征在于，包括如下步骤：s1、 训练样本的产生与积累；对气缸内安装的动态压力传感器采集的数据，以及飞轮边缘安装的键相传感器同步采集的脉冲信号数据进行采集作为训练样本；s2、批量获取s1中生成的训练数据与标签；s3、ai模型的设计与初始化；采用神经网络模型，网络的输入为单通道的点数为n的一维数组，输出为健康状况所对应的标签编码，包括正常，故障类型1，故障类型2等；所述神经网络模型包括但不限于ann、resnet、vgg、lstm；s4、训练并得到ai模型；s5、选择满足要求的数采装置，同步采集正在运行中的动态压力数据与转速脉冲数据，对采集的数据进行预处理得到测试样本，并将获得的测试样本输入到s4中获得的ai模型，前向计算得到网络的输出，将输出对应的最大可能的类别作为识别结果；s6、利用guided grad cam获取s5中测试样本的每个值对ai模型识别结果的贡献程度；s7、按展示对诊断结构可解释的示功图；s8、人工确认模型识别结果的准确性并结合实际进行相应处理；s9、将s8的处理结果存入训练样本库，以提高后续重新训练的准确度。
8.优选地，对所述s1包括如下步骤：s11、对数据采集前的数采装置进行设定使转速脉冲的上升沿对应膨胀过程的起始点，对产生训练样本的传感器设置相同且固定的采样频率fs，同步采集动态压力数据与转速脉冲数据；s12、取两个相邻转速脉冲上升沿之间的数据所对应的同步采集的动态压力数据，作为一个周期内的动态压力数据，记数据点数为n，若一次采集的数据包含了完整的连续m个周期的动态压力数据，对各周期内索引相同的压力值求平均值，作为该索引的有效动态压力值，进而得到平均各周期数据后的点数为n的有效动态压力数据；s13、假设曲轴做匀转速运动，对s12中的n个有效动态压力数据进行近似处理，计算各动态压力值对应的曲柄相位角，结合活塞半径、曲柄长度、连杆长度等信息绘制示功图；s14、人工确认示功图的健康状况，包含故障类型，为s12的点数为n的动态压力数据建立标签，将n个动态压力数据连同标签一起存入训练样本库。
9.优选地，所述s5中的预处理步骤与s12相同。
10.优选地，所述s6包括如下步骤：s61、在s5的网络前向计算过程中，将ai模型中的最后一个卷积层的输出结果作为feature-map，将网络输出的最大可能的类别的得分对feature-map层的每个值求偏导，然后用全局平均池化（gap）操作获得每一通道对分类结果的贡献程度，记为通道权值，所述通道权值的个数取决于s3中ai模型的设计；s62、将以上通道权值与对应的feature-map相乘、再输入到激活函数，最终得到grad cam表示的权值数组，该权值数组可以看成是一个一维的heatmap“棒”；s63、使用导向反向传播算法(guided backpropagation)获得导向权值数组，与s62中得到的权值数组维数一致；
s64、将s62、s63中对应位置的权值相乘，作为s5中经预处理获得的测试样本中对应位置的每个数据点的重要性程度权值。
11.优选地，所述s7包括如下步骤，结合s13所提的绘制示功图的方法绘制测试样本的示功图，对s6中重要性程度权值较大的动态压力值点所在的连线突出显示，作为模型得到识别结果的“原因解释”，所述突出显示用于区分重要性程度，其可以为热力图颜色、线的粗细、线的透明度方式。
12.优选地，所述s8人工确认时，通过guided grad cam在示功图上的可解释性展示会提示需要重点确认的示功图部位，若确认为故障，则对故障进行处理。
13.优选地，所述s9为将人工核实的最终结果作为标签，与该次诊断的样本一起存入训练样本库，以便后续重新训练提高准确率。
14.优选地，所述s11中通过调节飞轮上的键相块位置，使活塞运动到极限位置时，键相块所在的平面的法向量与键相传感器探头轴心在同一轴线上以使转速脉冲的上升沿对应膨胀过程的起始点。
15.优选地，所述s11中的极限位置是指压缩过程结束，膨胀过程开始。
16.优选地，所述s12中若存在有周期内的数据点数不为n，则采用插值拟合的方法处理使其为n个，所述m为不小于1的正整数，所述索引范围：0~n-1。
17.本发明的有益效果体现在：本方法能在不影响智能诊断模型准确率的前提下，给出模型做出判断的依据，提高智能诊断的可信度，方便人工核实诊断结果。
附图说明
18.图1：现有技术中往复式压缩机局部结构。
19.图2：理想情况下的往复式压缩机示功图图3：本发明故障可视化流程示意图。
20.图4：本发明实施例中结合guided grad cam方法获得的示功图。
具体实施方式
21.本发明揭示了一种往复式压缩机故障诊断可视化方法，结合图3所示，包括如下步骤：s1、 训练样本的产生与积累；对气缸内安装的动态压力传感器采集的数据，以及飞轮边缘安装的键相传感器同步采集的脉冲信号数据进行采集作为训练样本；s2、批量获取s1中生成的训练数据与标签；s3、ai模型的设计与初始化；采用神经网络模型，网络的输入为单通道的点数为n的一维数组，输出为健康状况所对应的标签编码，包括正常，故障类型1，故障类型2等；所述神经网络模型包括但不限于ann、resnet、vgg、lstm；s4、训练并得到ai模型；s5、选择满足要求的数采装置，同步采集正在运行中的动态压力数据与转速脉冲数据，对采集的数据进行预处理得到测试样本，并将获得的测试样本输入到s4中获得的ai模型，前向计算得到网络的输出，将输出对应的最大可能的类别作为识别结果；s6、利用guided grad cam获取s5中测试样本的每个值对ai模型识别结果的贡献
程度；s7、按展示对诊断结构可解释的示功图；s8、人工确认模型识别结果的准确性并结合实际进行相应处理；s9、将s8的处理结果存入训练样本库，以提高后续重新训练的准确度。
22.以下结合具体实施例对本发明进行详细阐述以便于理解。
23.本实施例针对现有某种型号的若干一级往复式压缩机，已按照本发明所述的要求安装好数采装置，且训练样本库已经累积了足量的正常状态与若干种故障状态的样本，并按要求打好标签。
24.每一个训练样本平均了往复式压缩机在额定功率下运行的多个周期的动态压力数据，每周期的动态压力数据的点数为456个。
25.批量获取训练样本库的多个训练样本与标签；设计网络模型为resnet18，网络的输入为单通道的点数为456的一维数组，输出为健康状况对应的one-hot标签。
26.训练 resnet18网络模型，直到网络损失与训练准确率、验证准确率满足期望，完成训练，得到训练好的网络模型。
27.在额定功率下采集待检测压缩机的动态压力数据与转速脉冲数据，对数据按照本专利提出的方法进行预处理，得到设备运行的多个周期的平均动态压力数据，作为待检测样本。
28.将待检测样本输入到训练好的网络模型中，得到识别结果。
29.采用guided grad cam算法获取动态压力数据的每个数据点对模型识别结果造成的影响，即每个数据点的重要性程度。
30.结合上一步的处理结果与待检测的样本，用本发明提出的方法绘制出往复式压缩机示功图，如图4所示，其中，突出显示上一步中重要性程度较高的数据点。经过人工核实诊断结果，判断为排气阀不严，添加该次诊断的数据与确认后的标签至样本库。
31.且以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。技术特征：
1.一种往复式压缩机故障诊断可视化方法，其特征在于，包括如下步骤：s1、 训练样本的产生与积累；对气缸内安装的动态压力传感器采集的数据，以及飞轮边缘安装的键相传感器同步采集的脉冲信号数据进行采集作为训练样本；s2、批量获取s1中生成的训练数据与标签；s3、ai模型的设计与初始化；采用神经网络模型，网络的输入为单通道的点数为n的一维数组，输出为健康状况所对应的标签编码；所述神经网络模型包括但不限于ann、resnet、vgg、lstm；s4、训练并得到ai模型；s5、选择满足要求的数采装置，同步采集正在运行中的动态压力数据与转速脉冲数据，对采集的数据进行预处理得到测试样本，并将获得的测试样本输入到s4中获得的ai模型，前向计算得到网络的输出，将输出对应的最大可能的类别作为识别结果；s6、利用guided grad cam获取s5中测试样本的每个值对ai模型识别结果的贡献程度；s7、展示对诊断结构可解释的示功图；s8、人工确认模型识别结果的准确性并结合实际进行相应处理；s9、将s8的处理结果存入训练样本库，以提高后续重新训练的准确度。2.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，对所述s1包括如下步骤：s11、对数据采集前的数采装置进行设定使转速脉冲的上升沿对应膨胀过程的起始点，对产生训练样本的传感器设置相同且固定的采样频率fs，同步采集动态压力数据与转速脉冲数据；s12、取两个相邻转速脉冲上升沿之间的数据所对应的同步采集的动态压力数据，作为一个周期内的动态压力数据，记数据点数为n，若一次采集的数据包含了完整的连续m个周期的动态压力数据，对各周期内索引相同的压力值求平均值，作为该索引的有效动态压力值，进而得到平均各周期数据后的点数为n的有效动态压力数据；s13、假设曲轴做匀转速运动，对s12中的n个有效动态压力数据进行近似处理，计算各动态压力值对应的曲柄相位角，结合活塞半径、曲柄长度、连杆长度等信息绘制示功图；s14、人工确认示功图的健康状况，包含故障类型，为s12的点数为n的动态压力数据建立标签，将n个动态压力数据连同标签一起存入训练样本库。3.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述s5中的预处理步骤与s12相同。4.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述s6包括如下步骤：s61、在s5的网络前向计算过程中，将ai模型中的最后一个卷积层的输出结果作为feature-map，将网络输出的最大可能的类别的得分对feature-map层的每个值求偏导，然后用全局平均池化操作获得每一通道对分类结果的贡献程度，记为通道权值，所述通道权值的个数取决于s3中ai模型的设计；s62、将以上通道权值与对应的feature-map相乘、再输入到激活函数，最终得到grad cam表示的权值数组，该权值数组可以看成是一个一维的heatmap“棒”；s63、使用导向反向传播算法获得导向权值数组，与s62中得到的权值数组维数一致；
s64、将s62、s63中对应位置的权值相乘，作为s5中经预处理获得的测试样本中对应位置的每个数据点的重要性程度权值。5.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述s7包括如下步骤，结合s13所提的绘制示功图的方法绘制测试样本的示功图，对s6中重要性程度权值较大的动态压力值点所在的连线突出显示，作为模型得到识别结果的“原因解释”，所述突出显示用于区分重要性程度，其可以为热力图颜色、线的粗细、线的透明度方式。6.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述s8人工确认时，通过guided grad cam在示功图上的可解释性展示会提示需要重点确认的示功图部位，若确认为故障，则对故障进行处理。7.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述s9为将人工核实的最终结果作为标签，与该次诊断的样本一起存入训练样本库，以便后续重新训练提高准确率。8.如权利要求1所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述s11中通过调节飞轮上的键相块位置，使活塞运动到极限位置时，键相块所在的平面的法向量与键相传感器探头轴心在同一轴线上以使转速脉冲的上升沿对应膨胀过程的起始点。9.如权利要求8所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述s11中的极限位置是指压缩过程结束，膨胀过程开始。10.如权利要求9所述的一种往复式压缩机故障诊断可视化方法，其特征在于，所述s12中若存在有周期内的数据点数不为n，则采用插值拟合的方法处理使其为n个，所述m为不小于1的正整数，所述索引范围：0~n-1。
技术总结
本发明提供了一种往复式压缩机故障诊断可视化方法，包括S1训练样本的产生与积累；S2批量获取训练数据与标签；S3进行AI模型设计与初始化；S4训练得AI模型；S5选择满足要求的数采装置，同步采集正在运行中动态压力数据与转速脉冲数据，对采集数据做预处理得测试样本，将获得的测试样本输入到AI模型，前向计算得到网络输出，将输出对应的最大可能的类别作为识别结果；S6利用Guided Grad CAM获取测试样本每个值对AI模型识别结果贡献程度；S7展示对诊断结果可解释的示功图；S8人工确认模型识别结果准确性并进行处理；S9将结果存入训练样本库。本发明能在不影响智能诊断模型准确率前提下给出了模型做出判断的依据，提高智能诊断的可信度，方便人工核实诊断结果。方便人工核实诊断结果。方便人工核实诊断结果。
技术研发人员：包继华 邓刚 张玉斌 姜雪
受保护的技术使用者：苏州德姆斯信息技术有限公司
技术研发日：2022.05.11
技术公布日：2022/7/21
声明：
“往复式压缩机故障诊断可视化方法与流程” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
667
编辑：中冶有色技术网
来源：苏州德姆斯信息技术有限公司
分享 0
举报 0
收藏 0
反对 0
点赞 0
中冶有色技术平台
2024年11月29日 ~ 12月01日 
