技术特征：
1.一种动浮电驱涡轮冷却器的故障自动诊断方法，其特征在于，该系统主要包括以下四个部分：第一部分，动浮电驱涡轮冷却器数据采集模块；第二部分，数据预处理模型；第三部分，服务器进行数据的存储和故障诊断；第四部分，动浮电驱涡轮冷却器的实时状态及历史数据的查看。2.根据权利要求1所述的一种动浮电驱涡轮冷却器的故障自动诊断方法，其特征在于，所述的第一部分具体为：常用模块的接口和常用的通信接口。3.根据权利要求2所述的一种动浮电驱涡轮冷却器的故障自动诊断方法，其特征在于，所述的第二部分具体为：对数据采集模块采集来的数据进行预处理，能够极大提升故障分类的准确率，缩短分类器的计算时间，本系统中采用归一化的预处理方法，归一化过程如下：类器的计算时间，本系统中采用归一化的预处理方法，归一化过程如下：y
i
(i＝1，23，...n)表示信号的离散序列。4.根据权利要求3所述的一种动浮电驱涡轮冷却器的故障自动诊断方法，其特征在于，所述的第三部分具体为：数据经预处理后传输到服务器中，服务器将数据进行存储，并将数据经基于dbn网络的故障诊断模型处理后，对动浮电驱涡轮冷却器的状态进行诊断，将诊断结果输出到远程客户端通知管理员进行故障确认，经确认后的故障数据及故障处理方式将被存储起来。5.根据权利要求4所述的一种动浮电驱涡轮冷却器的故障自动诊断方法，其特征在于，所述的基于dbn网络的故障诊断模型具体为：该模型会首先将输入的数据和动浮电驱涡轮冷却器的正常数据进行比对，判断是否存在异常情况，正常压缩机的数据可以是从数据库的历史数据中经过特定的算法进行统计得出的，也可以是设备管理员手动设置的，判断后，发现数据存在一定的异常，则将数据输入dbn网络模型中进行故障诊断。dbn网络模型从模型的建立角度看，此模型是由多层玻尔兹曼基本模型rbm构成的，每个rbm模型是由一个隐层h和一个显层v构成的,显层和隐层之间的神经元两两互联，rbm是描述能量和状态之间关系的模型,其函数表示为：其中：v
i
表示第i个显层神经元的状态，h
j
表示第j个隐层神经元的状态，神经元的状态有两种，分别使用0表示未激活状态，1表示激活状态，n为显层神经元的个数，m为隐层神经元的个数，a
i
表示的是第i个神经元的偏置，b
j
表示第j个神经元的偏置，θ＝{a
i
，b
j
，w
ij
}是需要在模型构建时进行初始化的参数，隐层神经元和显层神经元的联合概率分布p(v,h)表示
为：为：其中，z(θ)是分配函数；显层神经元的条件概率为：p(h
j
＝1|v)＝δ(a
i
+∑
i
v
i
w
ij
)隐层神经元的条件概率为：p(v
i
＝1|h)＝δ(b
j
+∑
j
h
j
w
ij
)其中，从整体模型来看，dbn网络模型是由一个输入层、三个隐层以及一个输出层构成的；数据从输入层进入网络模型，输入层的输出作为一层隐层的输入，一层隐层的输出作为二层隐层的输入，二层隐层的输出作为输出层的输入，这样的贪婪学习将数据的内部信息进行了充分的挖掘，输入层包含的神经元个数取决于数据采集模块采集而来的数据类型数量，最终输出层每个神经元均代表一种故障的类型，隐藏层的神经元个数采用bp神经网络的经验公式：验公式：验公式：式中，m为输入节点数，n为输出节点数，a和k均为10以内的正数，为使数据的分布式特征易于展开，各层神经元个数取经验计算值的10倍数，输出层使用soft-max作为分类器模型；模型搭建完成后，需要对该dns网络模型进行预训练，初始化隐层和显层的偏置a,b为0，学习率ε和α均取0.1，连接权重w可由下式得到：w＝0.1
×
randn(n，m)其中，randn(n，m)代表产生n行m列标准正态分布矩阵；设置迭代次数以限制模型的计算时间；使用一定量的未进行标注的数据集对rbm的每一层分别进行单独训练，达到迭代次数最大值或符合要求的重构误差时，停止该层rbm的训练，直到每一层的rbm训练完成模型的无监督学习完成，最后使用一定量的测试样本进行故障分类，通过分类结果来检测该模型的故障诊断准确率，为进一步优化模型的训练结果，可将无监督学习的结果作为后向微调模型的输入，对各初始连接权重进行微调，优化网络模型。6.根据权利要求5所述的一种动浮电驱涡轮冷却器的故障自动诊断方法，其特征在于，所述第四部分中，对该动浮电驱涡轮冷却器故障自动诊断系统中的数据进行查看和管理的方式有两种，将其分别命名为超级管理员和普通管理员。超级管理员可以查看该系统中所
有设备的历史运行数据以及历史故障数据和当前的运行状态等相关数据，可以设置系统中每个设备的访问权限。而普通管理员只能对特定的某一台设备或某几台设备的数据进行查看，其查看的权限是由超级管理员设置的。
技术总结
本发明公开了一种动浮电驱涡轮冷却器的故障自动诊断方法，该方法将深度信念网络用于动浮电驱涡轮冷却器的故障分类，可以实现动浮电驱涡轮冷却器故障自动化诊断。本发明利用振动信号、压力信号、温度信号、流量信号和噪声信号等传感器采集的多方位数据，应用深度信念网络的数据挖掘能力，识别动浮电驱涡轮冷却器运行异常的变化情况，为动浮电驱涡轮冷却器的维护和故障诊断提供支持，提高其运行效率，故障解决速度。同时通过采集动浮电驱涡轮冷却器的实时数据，监测动浮电驱涡轮冷却器的运行状况。本发明的方法对动浮电驱涡轮冷却器故障进行自动诊断，具有广阔的工业应用前景。具有广阔的工业应用前景。具有广阔的工业应用前景。
技术研发人员：肖云峰 王云燕 马思瑜
受保护的技术使用者：北京石油化工学院
技术研发日：2022.11.25
技术公布日：2023/3/28