本發(fā)明涉及故障數(shù)據(jù)處理領(lǐng)域，更具體地說(shuō)，本發(fā)明涉及往復(fù)式天然氣壓縮機(jī)故障診斷系統(tǒng)。

背景技術(shù)：

1、往復(fù)式壓縮機(jī)是一種重要的氣體輸送設(shè)備，廣泛應(yīng)用于石油、天然氣、化工等行業(yè)。它通過(guò)往復(fù)運(yùn)動(dòng)將低壓氣體壓縮至高壓，在工業(yè)生產(chǎn)中起著至關(guān)重要的作用。然而，由于其復(fù)雜的機(jī)械結(jié)構(gòu)和苛刻的工作環(huán)境，往復(fù)式壓縮機(jī)在運(yùn)行過(guò)程中容易出現(xiàn)諸如閥門(mén)故障、活塞磨損和軸承損壞等問(wèn)題。故障的及時(shí)診斷和有效維護(hù)對(duì)于避免設(shè)備損壞、減少停機(jī)時(shí)間和降低維護(hù)成本具有重要意義。因此，研究和開(kāi)發(fā)高效的故障診斷技術(shù)對(duì)于提升往復(fù)式壓縮機(jī)的安全性和可靠性至關(guān)重要。

2、現(xiàn)有的故障診斷技術(shù)主要依賴(lài)于振動(dòng)信號(hào)、壓力信號(hào)等物理量的分析。這些方法通常采用數(shù)據(jù)采集、特征提取、模式識(shí)別等步驟，通過(guò)建立正常狀態(tài)與故障狀態(tài)之間的判別模型，實(shí)現(xiàn)對(duì)設(shè)備健康狀態(tài)的監(jiān)測(cè)和故障類(lèi)型的識(shí)別。近年來(lái)，隨著人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法被廣泛應(yīng)用于故障診斷中。這些方法通過(guò)大數(shù)據(jù)分析和智能算法，能夠自動(dòng)從復(fù)雜的信號(hào)數(shù)據(jù)中提取故障特征，并進(jìn)行分類(lèi)和預(yù)測(cè)，提高了診斷的準(zhǔn)確性和效率。

3、文獻(xiàn)1（fault?diagnosis?of?a?reciprocating?compressor?air?valve?basedon?deep?learning,?2020）中，研究人員提出了一種基于深度學(xué)習(xí)的往復(fù)式壓縮機(jī)空氣閥故障診斷方法。該方法首先通過(guò)單通道振動(dòng)信號(hào)采集往復(fù)式壓縮機(jī)的運(yùn)行數(shù)據(jù)，然后利用一維卷積神經(jīng)網(wǎng)絡(luò)（1-dcnn）對(duì)故障特征進(jìn)行學(xué)習(xí)，并與傳統(tǒng)的特征提取方法進(jìn)行比較。研究結(jié)果表明，深度學(xué)習(xí)方法在處理復(fù)雜系統(tǒng)的非線性和非平穩(wěn)信號(hào)時(shí)，具有較高的診斷準(zhǔn)確率。在進(jìn)一步的研究中，作者將多通道振動(dòng)信號(hào)和壓力信號(hào)應(yīng)用于二維卷積神經(jīng)網(wǎng)絡(luò)（2-dcnn）中，發(fā)現(xiàn)去除無(wú)用通道信號(hào)可以提高診斷的準(zhǔn)確性和效率。這項(xiàng)研究表明，深度學(xué)習(xí)技術(shù)在壓縮機(jī)故障診斷中的應(yīng)用潛力巨大，為復(fù)雜設(shè)備的智能診斷提供了有效的解決方案。

4、文獻(xiàn)2（a?new?method?for?reciprocating?compressor?fault?diagnosis?basedon?indicator?diagram?feature?extraction,?2023）中，研究人員針對(duì)往復(fù)式壓縮機(jī)的關(guān)鍵部件，如閥門(mén)、活塞環(huán)和填料，提出了一種基于指示圖特征提取的故障診斷方法。該方法通過(guò)采集反映氣缸內(nèi)熱力過(guò)程的指示圖數(shù)據(jù)，提取平均吸氣壓力、平均排氣壓力、指示圖面積和重心坐標(biāo)等具有明確物理意義的特征值，并建立不同狀態(tài)下的特征閾值數(shù)據(jù)庫(kù)。在診斷過(guò)程中，通過(guò)比較提取特征與閾值的偏差來(lái)判斷壓縮機(jī)的健康狀態(tài)。實(shí)驗(yàn)結(jié)果表明，該方法能夠以98.3%的準(zhǔn)確率判斷壓縮機(jī)的故障狀態(tài)，且在識(shí)別單個(gè)和多個(gè)故障部件時(shí)分別達(dá)到86.86%的準(zhǔn)確率。然而，由于不同故障對(duì)特征的影響存在相似性，導(dǎo)致在某些情況下診斷準(zhǔn)確性較低。

5、雖然文獻(xiàn)2在特征提取和故障分類(lèi)方面取得了一定的進(jìn)展，但仍存在一些局限性。例如，該方法僅針對(duì)指示圖特征進(jìn)行分析，未能綜合考慮其他多源數(shù)據(jù)，如振動(dòng)信號(hào)、溫度信號(hào)和設(shè)備運(yùn)行歷史記錄等；因此，當(dāng)壓縮機(jī)在復(fù)雜工況下運(yùn)行時(shí)，可能會(huì)出現(xiàn)特征提取不全或診斷不準(zhǔn)確的情況；此外，文獻(xiàn)2中的方法在多故障狀態(tài)下的識(shí)別精度有限，難以對(duì)多重故障進(jìn)行準(zhǔn)確區(qū)分和嚴(yán)重度評(píng)估。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供了往復(fù)式天然氣壓縮機(jī)故障診斷系統(tǒng)，通過(guò)數(shù)據(jù)采集、預(yù)處理和特征提取，構(gòu)建多層次知識(shí)圖譜，并利用深度學(xué)習(xí)模型進(jìn)行故障診斷、預(yù)測(cè)和嚴(yán)重度評(píng)估，結(jié)合維護(hù)決策和預(yù)警模塊，實(shí)現(xiàn)壓縮機(jī)故障的全面監(jiān)測(cè)和智能維護(hù)管理。有效解決了現(xiàn)有技術(shù)中僅依賴(lài)單一數(shù)據(jù)源和特征提取導(dǎo)致診斷不準(zhǔn)確的問(wèn)題，提高了多故障識(shí)別和維護(hù)管理的智能化水平。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、往復(fù)式天然氣壓縮機(jī)故障診斷系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、特征提取模塊、知識(shí)圖譜構(gòu)建模塊、故障分析模塊、維護(hù)決策模塊、預(yù)警模塊和人機(jī)交互模塊，所述數(shù)據(jù)采集模塊分別與所述數(shù)據(jù)預(yù)處理模塊和所述人機(jī)交互模塊相連接，所述數(shù)據(jù)預(yù)處理模塊與所述特征提取模塊相連接，所述特征提取模塊分別與所述知識(shí)圖譜構(gòu)建模塊和所述故障分析模塊相連接，所述知識(shí)圖譜構(gòu)建模塊與所述故障分析模塊雙向連接，所述知識(shí)圖譜構(gòu)建模塊分別與所述維護(hù)決策模塊和所述人機(jī)交互模塊相連接，所述故障分析模塊分別與所述預(yù)警模塊和所述人機(jī)交互模塊相連接，所述預(yù)警模塊與所述人機(jī)交互模塊相連接；所述知識(shí)圖譜構(gòu)建模塊用于基于歷史故障數(shù)據(jù)、維護(hù)記錄和設(shè)備運(yùn)行參數(shù)構(gòu)建壓縮機(jī)故障-癥狀-原因-維護(hù)措施的多層次知識(shí)圖譜，并根據(jù)診斷結(jié)果和預(yù)測(cè)結(jié)果動(dòng)態(tài)調(diào)整節(jié)點(diǎn)權(quán)重和關(guān)系路徑；

4、所述故障分析模塊用于綜合分析壓縮機(jī)的故障信息，包含故障診斷單元、故障預(yù)測(cè)單元和故障嚴(yán)重度評(píng)估單元；其中，故障診斷單元用于將特征提取模塊提供的時(shí)域特征、頻域特征和時(shí)頻域特征輸入深度置信網(wǎng)絡(luò)模型中進(jìn)行特征學(xué)習(xí)與故障分類(lèi)，輸出故障診斷結(jié)果；所述故障預(yù)測(cè)單元用于基于長(zhǎng)短期記憶網(wǎng)絡(luò)算法將時(shí)域特征和時(shí)頻域特征作為輸入對(duì)未來(lái)故障進(jìn)行預(yù)測(cè)，并對(duì)其預(yù)測(cè)準(zhǔn)確率進(jìn)行評(píng)估，其公式為：；

5、式中，為預(yù)測(cè)準(zhǔn)確率評(píng)估值，為實(shí)際故障發(fā)生時(shí)間，為預(yù)測(cè)的故障發(fā)生時(shí)間，為最大允許時(shí)間誤差，為時(shí)間權(quán)重函數(shù)；

6、故障嚴(yán)重度評(píng)估單元用于基于知識(shí)圖譜中的節(jié)點(diǎn)信息提取與故障相關(guān)的因子，并通過(guò)計(jì)算這些因子生成故障的嚴(yán)重度值，評(píng)估當(dāng)前故障對(duì)設(shè)備運(yùn)行的綜合影響，其中，故障嚴(yán)重度的計(jì)算公式為：；

7、式中，為故障嚴(yán)重度，為故障影響因子，為故障概率因子，為故障擴(kuò)展因子，為故障容忍時(shí)間。

8、作為本發(fā)明進(jìn)一步的方案，數(shù)據(jù)采集模塊用于實(shí)時(shí)采集往復(fù)式天然氣壓縮機(jī)的運(yùn)行參數(shù)，所述運(yùn)行參數(shù)包括壓縮機(jī)氣缸壓力、氣缸溫度、曲軸轉(zhuǎn)速、振動(dòng)信號(hào)、軸承溫度、潤(rùn)滑油壓力、進(jìn)氣壓力、排氣壓力；所述數(shù)據(jù)采集模塊采用分布式數(shù)據(jù)采集架構(gòu)，包括現(xiàn)場(chǎng)數(shù)據(jù)采集單元和一個(gè)中央數(shù)據(jù)處理單元，現(xiàn)場(chǎng)數(shù)據(jù)采集單元安裝在壓縮機(jī)各關(guān)鍵部位，通過(guò)工業(yè)總線與中央數(shù)據(jù)處理單元通信；每個(gè)現(xiàn)場(chǎng)數(shù)據(jù)采集單元包含傳感器，用于采集運(yùn)行參數(shù)。

9、作為本發(fā)明進(jìn)一步的方案，數(shù)據(jù)采集模塊還用于大數(shù)據(jù)分析平臺(tái)中下載設(shè)備在過(guò)去一段時(shí)間內(nèi)的運(yùn)行參數(shù)、歷史故障數(shù)據(jù)及其對(duì)應(yīng)的維護(hù)記錄；數(shù)據(jù)預(yù)處理模塊用于對(duì)所述數(shù)據(jù)采集模塊采集的運(yùn)行參數(shù)進(jìn)行濾波、去噪和歸一化處理。

10、作為本發(fā)明進(jìn)一步的方案，特征提取模塊用于從預(yù)處理后的運(yùn)行參數(shù)中提取故障特征，所述故障特征包括時(shí)域特征、頻域特征和時(shí)頻域特征；所述特征提取模塊提取的時(shí)域特征包括均值、方差、峰值因子、脈沖因子、裕度因子、波形因子、信號(hào)能量、峰值、均方根值、信噪比；所述頻域特征包括主頻、邊頻帶、諧波成分、功率譜密度、頻率中心、頻率方差、頻帶能量比、諧波失真度；所述時(shí)頻域特征包括小波包分解系數(shù)、經(jīng)驗(yàn)?zāi)B(tài)分解的固有模態(tài)函數(shù)、瞬時(shí)頻率、瞬時(shí)幅值、時(shí)頻譜、時(shí)頻能量分布、時(shí)頻分辨率可變的時(shí)頻表示。

11、作為本發(fā)明進(jìn)一步的方案，所述知識(shí)圖譜構(gòu)建模塊包括以下步驟：

12、步驟a1，定義故障節(jié)點(diǎn)、癥狀節(jié)點(diǎn)、原因節(jié)點(diǎn)和維護(hù)措施節(jié)點(diǎn)，所述故障節(jié)點(diǎn)代表具體的壓縮機(jī)故障類(lèi)型，所述癥狀節(jié)點(diǎn)代表運(yùn)行參數(shù)的異常狀態(tài)，所述原因節(jié)點(diǎn)代表導(dǎo)致故障的具體原因，所述維護(hù)措施節(jié)點(diǎn)代表針對(duì)故障的處理方法，每個(gè)節(jié)點(diǎn)根據(jù)預(yù)設(shè)的屬性設(shè)置特定標(biāo)簽；

13、步驟a2，根據(jù)壓縮機(jī)各部件的運(yùn)行特性和故障演化規(guī)律，建立各節(jié)點(diǎn)之間的關(guān)系路徑，將故障節(jié)點(diǎn)與對(duì)應(yīng)的癥狀節(jié)點(diǎn)連接，癥狀節(jié)點(diǎn)與對(duì)應(yīng)的原因節(jié)點(diǎn)連接，原因節(jié)點(diǎn)與相應(yīng)的維護(hù)措施節(jié)點(diǎn)連接；

14、步驟a3，基于歷史故障數(shù)據(jù)和維護(hù)記錄，根據(jù)節(jié)點(diǎn)和路徑在歷史數(shù)據(jù)中的表現(xiàn)設(shè)定各節(jié)點(diǎn)及其關(guān)系路徑的初始權(quán)重，所述權(quán)重用于表示各節(jié)點(diǎn)及路徑在故障診斷和預(yù)測(cè)中的重要性。

15、作為本發(fā)明進(jìn)一步的方案，所述故障診斷單元基于從特征提取模塊獲得的時(shí)域特征、頻域特征和時(shí)頻域特征，利用多源數(shù)據(jù)融合算法進(jìn)行特征融合處理，并利用融合處理后的特征數(shù)據(jù)，構(gòu)建深度置信網(wǎng)絡(luò)模型，進(jìn)行故障類(lèi)型分類(lèi)，其中，對(duì)所述深度置信網(wǎng)絡(luò)的故障診斷準(zhǔn)確率進(jìn)行評(píng)估，其計(jì)算公式為：；

16、式中，為故障診斷準(zhǔn)確率，為深度置信網(wǎng)絡(luò)模型識(shí)別出壓縮機(jī)實(shí)際存在的特定故障類(lèi)型的樣本數(shù)量，為深度置信網(wǎng)絡(luò)模型準(zhǔn)確識(shí)別出壓縮機(jī)實(shí)際不存在的故障類(lèi)型的樣本數(shù)量，為深度置信網(wǎng)絡(luò)模型錯(cuò)誤識(shí)別為存在某種故障類(lèi)型的樣本數(shù)量，為深度置信網(wǎng)絡(luò)模型未能識(shí)別出實(shí)際存在的故障類(lèi)型的樣本數(shù)量，和為權(quán)重系數(shù)。

17、作為本發(fā)明進(jìn)一步的方案，所述故障預(yù)測(cè)單元用于基于歷史故障數(shù)據(jù)和當(dāng)前運(yùn)行參數(shù)預(yù)測(cè)未來(lái)可能發(fā)生的故障，所述故障預(yù)測(cè)模塊采用長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行故障預(yù)測(cè)，對(duì)從特征提取模塊獲得的時(shí)域特征和時(shí)頻域特征進(jìn)行處理，并將這些特征數(shù)據(jù)作為長(zhǎng)短期記憶網(wǎng)絡(luò)模型的輸入，進(jìn)行歷史數(shù)據(jù)的時(shí)間序列學(xué)習(xí)和模式識(shí)別，預(yù)測(cè)未來(lái)壓縮機(jī)可能發(fā)生的故障類(lèi)型及故障發(fā)生的時(shí)間。

18、作為本發(fā)明進(jìn)一步的方案，根據(jù)故障診斷單元和故障預(yù)測(cè)單元的分析結(jié)果，對(duì)知識(shí)圖譜中的節(jié)點(diǎn)權(quán)重和關(guān)系路徑進(jìn)行動(dòng)態(tài)調(diào)整，包括以下步驟：

19、步驟s1，從故障診斷單元和故障預(yù)測(cè)單元中分別獲取當(dāng)前的診斷結(jié)果和預(yù)測(cè)結(jié)果，將這些結(jié)果與知識(shí)圖譜中的故障節(jié)點(diǎn)和癥狀節(jié)點(diǎn)進(jìn)行逐一比對(duì)，確認(rèn)診斷出的故障類(lèi)型、故障嚴(yán)重程度以及預(yù)測(cè)的癥狀特征是否與圖譜中的節(jié)點(diǎn)信息一致，并結(jié)合故障診斷準(zhǔn)確率和故障預(yù)測(cè)準(zhǔn)確率，對(duì)比診斷結(jié)果與預(yù)測(cè)結(jié)果的可靠性，記錄匹配結(jié)果和偏差信息；

20、步驟s2，對(duì)于診斷結(jié)果和預(yù)測(cè)結(jié)果與圖譜節(jié)點(diǎn)信息一致且故障診斷準(zhǔn)確率和故障預(yù)測(cè)準(zhǔn)確率均超過(guò)設(shè)定閾值的情況，按照預(yù)設(shè)的權(quán)重增量因子提升對(duì)應(yīng)節(jié)點(diǎn)的權(quán)重值；若一致但準(zhǔn)確率未達(dá)到設(shè)定閾值，則減小權(quán)重增量因子的調(diào)整幅度；對(duì)于診斷結(jié)果或預(yù)測(cè)結(jié)果與圖譜節(jié)點(diǎn)信息不一致且準(zhǔn)確率達(dá)到設(shè)定閾值的情況，按照預(yù)設(shè)的權(quán)重減量因子降低對(duì)應(yīng)節(jié)點(diǎn)的權(quán)重值；若不一致且準(zhǔn)確率低于設(shè)定閾值，則降低減量因子的調(diào)整幅度，并將調(diào)整后的權(quán)重信息和偏差信息存儲(chǔ)到圖譜數(shù)據(jù)庫(kù)中；

21、步驟s3，對(duì)于診斷結(jié)果和預(yù)測(cè)結(jié)果不一致且故障診斷準(zhǔn)確率和故障預(yù)測(cè)準(zhǔn)確率存在差異的情況，根據(jù)設(shè)定的準(zhǔn)確率閾值優(yōu)先采用準(zhǔn)確率更高的結(jié)果作為參考路徑，將實(shí)際診斷或預(yù)測(cè)到的癥狀節(jié)點(diǎn)與這些原因節(jié)點(diǎn)建立新的關(guān)系路徑，同時(shí)將原有的低準(zhǔn)確率路徑設(shè)為次優(yōu)路徑，調(diào)整其優(yōu)先級(jí)，并將優(yōu)化過(guò)程及結(jié)果記錄到圖譜數(shù)據(jù)庫(kù)中。

22、作為本發(fā)明進(jìn)一步的方案，所述故障影響因子表示當(dāng)前故障對(duì)壓縮機(jī)運(yùn)行參數(shù)的偏離程度；所述故障概率因子表示在當(dāng)前運(yùn)行狀態(tài)下，特定故障類(lèi)型發(fā)生的概率；所述故障擴(kuò)展因子表示當(dāng)前故障對(duì)壓縮機(jī)其他部件的潛在影響；所述故障容忍時(shí)間表示從當(dāng)前故障狀態(tài)到設(shè)備必須停機(jī)維修的時(shí)間間隔。

23、作為本發(fā)明進(jìn)一步的方案，所述維護(hù)決策模塊用于通過(guò)匹配當(dāng)前知識(shí)圖譜中當(dāng)前原因節(jié)點(diǎn)與維護(hù)措施節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系，確定相應(yīng)的維護(hù)措施，當(dāng)故障嚴(yán)重度超過(guò)設(shè)定優(yōu)先級(jí)閾值時(shí)，觸發(fā)知識(shí)圖譜中的維護(hù)措施，根據(jù)設(shè)備當(dāng)前狀態(tài)和歷史維護(hù)記錄生成維護(hù)計(jì)劃，并將故障數(shù)據(jù)和維護(hù)記錄上傳至大數(shù)據(jù)分析平臺(tái)；所述預(yù)警模塊用于根據(jù)故障分析模塊輸出的生成的診斷和預(yù)測(cè)結(jié)果生成預(yù)警信息；所述人機(jī)交互模塊，用于顯示壓縮機(jī)運(yùn)行狀態(tài)、故障診斷結(jié)果和預(yù)警信息，并通過(guò)人機(jī)交互模塊將知識(shí)圖譜進(jìn)行可視化展示，允許用戶查看各節(jié)點(diǎn)及其關(guān)系的詳細(xì)信息，并對(duì)節(jié)點(diǎn)和關(guān)系路徑進(jìn)行手動(dòng)編輯和維護(hù)。

24、與現(xiàn)有技術(shù)相比，本發(fā)明往復(fù)式天然氣壓縮機(jī)故障診斷系統(tǒng)的有益效果在于：

25、1.本發(fā)明在故障診斷方面提升了診斷的精度和多故障狀態(tài)的識(shí)別能力；傳統(tǒng)方法通常依賴(lài)單一信號(hào)源，如振動(dòng)或壓力信號(hào)，而本發(fā)明通過(guò)包括振動(dòng)信號(hào)、溫度信號(hào)和歷史維護(hù)記錄等多種信號(hào)源的融合，提高了故障特征提取的全面性；在此基礎(chǔ)上，采用深度置信網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)深度學(xué)習(xí)模型，能夠有效應(yīng)對(duì)復(fù)雜信號(hào)的非線性和非平穩(wěn)特征，實(shí)現(xiàn)對(duì)壓縮機(jī)故障類(lèi)型的識(shí)別和未來(lái)故障的預(yù)測(cè)。

26、2.本發(fā)明通過(guò)構(gòu)建基于壓縮機(jī)故障、癥狀、原因和維護(hù)措施的多層次知識(shí)圖譜，動(dòng)態(tài)調(diào)整圖譜中節(jié)點(diǎn)的權(quán)重和關(guān)系路徑，實(shí)現(xiàn)對(duì)故障影響的全面評(píng)估；維護(hù)決策模塊結(jié)合知識(shí)圖譜和診斷結(jié)果，生成個(gè)性化維護(hù)計(jì)劃，并在故障嚴(yán)重度超出設(shè)定閾值時(shí)自動(dòng)觸發(fā)預(yù)警和維護(hù)建議；相比傳統(tǒng)依賴(lài)人工經(jīng)驗(yàn)的維護(hù)決策，本發(fā)明顯著提高了壓縮機(jī)故障處理的智能化水平和維護(hù)效率，減少了設(shè)備的非計(jì)劃停機(jī)時(shí)間。