基于深度学习的空压机多阀门故障诊断方法及系统

1.本发明属于可靠性诊断技术领域，具体涉及一种基于深度学习的空压机多阀门故障诊断方法。


背景技术：

2.目前，在煤炭行业中，空压机作为非常重要的气流供给装置，其工作的可靠性对系统整体工作的影响非常重要，每个空压机安装有多个阀门，阀门在工作过程中可能会出现故障，影响空压机正常运行，造成生产停滞，影响生产效率，造成经济损失。
3.空压机自身带有若干个不同的阀门，在现有技术中仅能监测当前空压机的运行异常，难以判断空压机是否存在阀门故障，以及故障类型与故障阀门具体位置，导致空压机存在故障运行的现象比较严重，当空压机出现不加载、不卸载情况会造成空压机压力过大还存在泄露问题，会严重影响空压机生产安全。


技术实现要素：

4.基于上述问题，本发明提出一种基于深度学习的空压机多阀门故障诊断方法，包括：
5.步骤1：采集空压机不同工作状态下各个阀门的运行状态参数以及对应的故障类型，构建样本集；具体表述为：
6.步骤1.1：启动空压机，采集空压机正常运行时所有阀门的运行状态参数；
7.步骤1.2：调节空压机工作状态，再次采集空压机上各个阀门的运行状态参数，不断调整空压机的工作状态，采集空压机的各个阀门在不同工作状态下的运行状态参数；
8.步骤1.3：选取部分阀门关闭，采集当前空压机上各个阀门的运行状态参数；随机选取若干阀门关停，持续采集空压机上各个阀门的运行状态参数；
9.步骤1.4：加大空压机工作负载，至空压机达到过载状态，采集空压机过载状态下各处阀门的运行状态参数，调节空压机过载类型与故障状态，持续采集空压机过载条件下各处阀门的运行状态参数；
10.步骤1.5：调节空压机冷却系统，降低空压机冷却系统工作功率，采集空压机过热条件下各个阀门的运行状态参数，不断调节空压机冷却系统工作功率，使空压机冷却系统处于不同的过热幅度，持续采集空压机当前工作状态下各处阀门的运行状态参数；
11.步骤1.6：更换部分磨损部件，针对空压机出现供气不足、振动过大、噪声过大等不同故障现象，采集不同故障类型下空压机各个阀门的运行状态参数；
12.步骤1.7：根据步骤1.1～步骤1.6采集的阀门运行状态参数以及对应的空压机运行状态，建立包含空压机工作状态、故障类型与对应阀门运行状态参数之间的样本数据，形成样本集；
13.步骤2：构建基于深度学习的故障监测模型，利用样本集对模型进行训练；具体表述为：
14.步骤2.1：输入空压机各个阀门出现故障情况下的运行状态参数，根据阀门故障下的运行状态参数实现深度学习模型的学习过程；
15.步骤2.2：选取空压机单个阀门故障的运行状态参数输入深度学习模型，依次更换出现故障的阀门，保证所有阀门出现故障时的运行状态参数均输入深度学习模型，且深度学习模型均能够完成识别，进行深度学习模型的单层训练过程；
16.步骤2.3：选取空压机任意数量任意位置的阀门出现故障的运行状态参数输入深度学习模型，选取多组不同阀门不同运行状态参数输入深度学习模型，且深度学习模型能够完成识别，进行深度学习模型的多层训练过程；
17.步骤2.4：继续进行训练，采集空压机实际工作中阀门的运行状态参数，调节空压机阀门工作状态，利用步骤2.3训练后的深度学习模型识别并采集当前运行状态参数与其对应的故障类型，进行深度学习的强化训练过程，经强化训练后得到故障检测模型。
18.步骤3：利用训练后的故障监测模型监测空压机的当前工作状态。
19.针对每个空压机，采集该空压机上各个阀门的运行状态参数以及对应的空压机运行状态，构建样本集，用于训练深度学习模型作为该空压机的故障监测模型。
20.一种基于深度学习的空压机多阀门故障诊断系统，每台空压机上安装有多个阀门，所述系统包括计算机、控制中心，阀门与计算机电连接，计算机与控制中心无线连接；
21.所述计算机用于采集每个空压机上阀门的运行状态参数，并传输给控制中心；
22.所述控制中心用于构建基于深度学习模型的故障监测模型。
23.本发明的有益效果是：
24.本发明提出了一种基于深度学习的空压机多阀门故障诊断方法及系统，将各个阀门的运行参数特征储存于系统计算机中，采用一一对应的阀门与计算机关系，能够确保各阀门参数信息独立传递，不发生干涉对信息的传递带来影响；另一方面，阀门与计算机一一对应的形式，系统计算机接收计算机数据时可以根据数据情况判断当前阀门位置，节约数据处理时间，并且降低数据传递过程的干扰，提高数据传递过程的可靠性，防止由于数据处理过程中存在的噪声影响数据可靠性。系统计算机根据接收信号情况，根据数据信息判断当前当前空压机工作情况，若空压机出现故障将向技术中心报告空压机故障类型与故障阀门位置，避免由于监测不足带来安全隐患，为基于深度学习的空压机多阀门故障诊断系统的设计开创了一种新思路。
附图说明
25.图1为本发明中基于深度学习的空压机多阀门故障诊断系统原理图。
26.图2为本发明中深度学习模型训练示意图，其中图(a)～(d)均为随机选取部分阀门故障、部分阀门正常的示意图，这里仅为示意训练过程的随机异常选取，实际训练过程设置阀门故障情况与训练次数远大于4次。
27.图3为本发明中基于深度学习的空压机多阀门故障诊断方法原理图。
具体实施方式
28.下面结合附图和具体实施实例对发明做进一步说明。本实施例提供一种基于深度学习的空压机多阀门故障诊断方法及系统，构建空压机多个阀门松动时的故障检测与诊断
自训练模型，确保空压机能够自动、有效地控制在标准压力指标下高效作业。
29.本实施例基于深度学习模型在线判断阀门故障类型，深度学习模型的搭建过程如下：
30.1)数据集的建立。选取大量且各类故障状态比例相同的空压机阀门运行状态参数，建立空压机阀门运行状态参数数据集，数据集包含空压机阀门工作正常情况下的各类参数与故障情况的各类参数；
31.2)模型的训练与测试。构建两个数据集，其中一个为训练集，一个为测试集，将空压机阀门运行状态参数输入，其中有任意个阀门运行状态参数为故障状态，另外任意个阀门运行状态参数为正常状态，训练集中包含大量此类数据，均进行输入，接着，将测试集中数据进行输入，训练集数据与测试集数据无重合，即检验当前模型识别精度，还能够将测试集数据输入模型，对模型包含的数据集进行扩充，进一步强化数据集。
32.3)训练模型的评估。输入空压机运行状态参数，将出现错误的运行状态参数集进行记录，并且根据出现错误的数据对模型进行改进与强化，强化工作完成后再选取运行状态参数进行输入，利用训练模型进行识别，记录当前识别结果与输入参数，得到正确识别的数量，计算识别精度。
33.如图3所示，本发明提出的一种基于深度学习的空压机多阀门故障诊断方法，主要包括工作参数的采集、将工作参数存入数据库用于深度学习模型的训练、通过构建的深度学习模型在线判断故障类型，将存在故障情况下工作参数反馈至控制中心，为后期维修工作提供技术支持，具体包括如下步骤：
34.步骤1：采集空压机不同工作状态下各个阀门的运行状态参数以及对应的故障类型，构建样本集；具体表述为：
35.步骤1.1：启动空压机，采集空压机正常运行时所有阀门的运行状态参数；
36.步骤1.2：调节空压机工作状态，再次采集空压机上各个阀门的运行状态参数，不断调整空压机的工作状态，采集空压机的各个阀门在不同工作状态下的运行状态参数；
37.步骤1.3：选取部分阀门关闭，采集当前空压机上各个阀门的运行状态参数；随机选取若干阀门关停，持续采集空压机上各个阀门的运行状态参数；
38.步骤1.4：加大空压机工作负载，至空压机达到过载状态，采集空压机过载状态下各处阀门的运行状态参数，调节空压机过载类型与故障状态，持续采集空压机过载条件下各处阀门的运行状态参数；
39.步骤1.5：调节空压机冷却系统，降低空压机冷却系统工作功率，采集空压机过热条件下各个阀门的运行状态参数，不断调节空压机冷却系统工作功率，使空压机冷却系统处于不同的过热幅度，持续采集空压机当前工作状态下各处阀门的运行状态参数；
40.步骤1.6：更换部分磨损部件，针对空压机出现供气不足、振动过大、噪声过大等不同故障现象，采集不同故障类型下空压机各个阀门的运行状态参数；
41.步骤1.7：根据步骤1.1～步骤1.6采集的阀门运行状态参数以及对应的空压机运行状态，建立包含空压机工作状态、故障类型与对应阀门运行状态参数之间的样本数据，形成样本集；
42.步骤2：构建基于深度学习的故障监测模型，利用样本集对模型进行训练，如图2所述；具体表述为：
43.步骤2.1：输入空压机各个阀门出现故障情况下的运行状态参数，将阀门故障下的运行状态参数存储至计算机，即深度学习模型的学习过程；
44.步骤2.2：选取空压机单个阀门故障的运行状态参数输入深度学习模型，依次更换出现故障的阀门，保证所有阀门出现故障时的运行状态参数均输入深度学习模型，且故障监测模型均能够完成识别；即深度学习模型的单层训练过程；
45.步骤2.3：选取空压机任意数量任意位置的阀门出现故障的运行状态参数代入深度学习模型，选取多组不同阀门不同运行状态参数故障代入深度学习模型，且深度学习模型能够完成识别；即深度学习模型多层训练过程；
46.步骤2.4：继续进行训练，采集空压机实际工作中阀门的运行状态参数，人为调节空压机阀门工作状态，利用步骤2.3训练后的深度学习模型识别并采集当前运行状态参数与其对应的故障类型，即深度学习的强化训练过程，经强化训练后得到故障检测模型。
47.步骤3：利用训练后的故障监测模型监测空压机的当前工作状态。
48.针对每个空压机，采集该空压机上各个阀门的运行状态参数以及对应的空压机运行状态，构建样本集，用于训练深度学习模型作为该空压机的故障监测模型。
49.一种基于深度学习的空压机多阀门故障诊断系统，每台空压机上安装有多个阀门，所述系统包括计算机、控制中心，阀门与计算机电连接，计算机与控制中心无线连接；计算机能够将其对应的空压机阀门参数实时采集反馈至系统计算机(即控制中心)，系统计算机能够实时掌握空压机运行情况，一旦出现问题及时派遣工作人员进行处理。
50.所述计算机用于采集每个空压机上阀门的运行状态参数，并传输给控制中心；
51.所述控制中心用于构建基于深度学习模型的故障监测模型。接收计算机反馈的阀门工作参数，根据参数判断当前故障情况，一旦出现问题及时处理，确保空压机整体工作过程的可靠性，防止空压机缺乏监控出现重大故障影响生产进度，甚至危害生产安全，提高煤矿井下生产过程的可靠性与安全性。
52.如图1所示，所述系统包括设置反馈系统，反馈系统由多个计算机组成，计算机数量与空压机阀门数量一致，空压机阀门与计算机一一对应，一台计算机仅采集其所对应的空压机阀门工作参数，将空压机阀门当前参数情况反馈至系统计算机，系统计算机能够根据不同参数判断当前空压机出现的故障类型，将空压机当前故障类型反馈至计算机，完成空压机的故障诊断工作，确保空压机能够在实际工作中稳定运行，防止空压机出现故障影响生产。阀门出现故障时，表现多为阀门松动，但是松动仅为故障表象，不同阀门出现故障的表现形式与参数情况有所差别，此时与阀门相连的计算机将参数反馈至系统计算机，系统计算机能够根据当前工作参数确定空压机出现故障类型，系统计算机将故障情况反馈至技术中心，技术中心将派遣技术人员对空压机进行维修，确保空压机工作可靠。
53.基于深度学习的空压机多阀门故障诊断系统，构建深度学习模型，利用深度学习的方式，建立故障诊断与自训练模型，采用不同的阀门中任意比例阀门出现故障，并通过计算进采集其参数并将其带入系统计算机，在系统计算机中建立数据库，反复进行训练与数据统计，确保每个阀门正常运行数据与各类故障条件下运行数据均收录于系统计算机，以此方式形成训练模型，训练模型涵盖各个阀门正常工作条件下与故障条件下的参数数据，根据以上参数数据能够快速及时的检查当前系统故障类型，若出现故障问题及时向技术中心反馈，技术中心将派遣技术人员前往现场进行检修，防止由于监控不足造成空压机出现
严重故障，不仅会造成经济影响，严重时还会诱发安全事故，影响生产过程的安全性。
54.利用计算机采集阀门运行参数，空压机存在多个阀门，因此，根据阀门数量设置与之对应的计算机数量，每一计算机仅读取其所对应的阀门运行参数，将其反馈至系统计算机，即阀门a参数由计算机a进行采集，并且计算机a仅采集阀门a参数，不会采集其他阀门参数，阀门a运行参数也仅传递至计算机a，不会将参数传递至其他计算机，对其他部分数据采集造成干扰。系统计算机接收计算机反馈的阀门运行参数后会根据当前具体计算机进入其对应阀门的深度学习模型，根据其对应的深度学习模型数据判断当前工作情况，若出现故障将根据运行参数判断其故障类型，根据向系统计算机反馈的计算机判断其阀门位置，系统计算局将故障信息与阀门位置信息反馈至技术中心，技术中心将根据故障类型与阀门位置调度技术人员进行检修。保证空压机工作情况的实时监测，出现问题快速反馈，防止空压机在故障条件下运行引发安全事故，给生产安全带来影响；还能够避免空压机工作过程缺乏监控，出现问题未能进行及时检修，造成空压机出现重大故障，导致生产无法正常进行，造成经济损失。利用基于深度学习的空压机多阀门故障诊断系统能够实时快速的空压机运行情况进行监管，防止由于监控不足导致空压机故障，带来经济影响更为严重的可能危害生产安全，提高了空压机工作过程的安全可靠性。
55.本发明实现了一种基于深度学习的空压机多阀门故障诊断系统，其系统计算机能够读取计算机采集的阀门工作参数，根据阀门参数判断当前工作情况，若出现故障将判断结果反馈至技术中心，技术中心工作人员将快速前往现场进行检修。本发明采用深度学习的方式阀门参数并确定阀门合理工作条件下参数范围与不同参数对应的故障类型，将不同类型的故障作为输入，随机选取空压机的不同阀门，不同阀门出现故障，将出现故障条件运行下的空压机阀门参数记录，重复上述深度学习训练过程，随机选取不同的阀门，以不同的故障类型参数作为记录，进而确定空压机正常工作条件下与不同类型故障条件下的阀门参数，根据不同计算机反馈信息判断当前出现故障的具体阀门与故障类型，以此参数来确定空压机故障类型，完成空压机多阀门故障的诊断工作，提高系统工作的可靠性。