一种空气压缩机设备的故障检测方法及装置

技术领域

本发明属于空气压缩机技术领域，具体涉及一种空气压缩机设备的故障检测方法及装置。

背景技术

空气压缩机中的转子是保证其能有效运行的重要部件，轴心轨迹图作为可以直观展现其运动模式的一种方式，已经得到了广泛的研究。转子的轴心轨迹是由相同截面内一组相互垂直的位移信号组成，通过某一时刻多对成组信号的作图得到该时刻的轴心轨迹图。该图像仅能反映某一时刻的转子运行状况，而不能反映某一时间段内转子运动的连续变化情况。

早期采集轴心轨迹的方式主要为一维信号处理法，即采集某时刻水平方向x和垂直方向y的位移信号，然后将两个方向的信号组合，在平面上根据组合信号画出转子的轴心轨迹。在实际场景中，转子的旋转是动态变化的，轴心轨迹亦会随之变化，仅在二维平面上显示轴心轨迹，往往不能很好地展现转子轴心轨迹随时间的变化情况。因此，后续将其改进，在轴心轨迹图中增加时间维度，将二维图像转化成三维，该方式可以动态展现轴心轨迹的变化过程，对于转子工作状态的分析及研究有重要意义。

值得注意的是，现有对轴心轨迹进行研究的专利中多数是研究实时轴心轨迹对应的故障，未对设备可能发生的故障进行研究。如公开号为CN201510629547，专利名称为一种离心压缩机振动故障检测方法和装置的专利，此专利虽然能将三维轴心轨迹和故障判断进行结合，但是在识别轴心轨迹类型时计算方式相对较复杂，计算量过大，计算占用资源多，不利于大规模使用。且目前未见专利可以对设备故障的程度及故障发展趋势做出定量分析，从而给出有参考意义的检修时间点。

发明内容

本发明的目的在于，提供一种空气压缩机设备的故障检测方法及装置，解决现有技术方案不能对故障的程度及故障发展趋势做出定量分析，无法给出检修时间点的技术问题。

本发明所采用的技术方案如下：

一种空气压缩机设备的故障检测方法，包括以下步骤：

采集空气压缩机轴承连续

根据轴承位移信号数据集

若轴承的当前运行状态为故障，则根据轴承的故障类别选择对应的参数方程，并利用轴承的位移信号以及所选的参数方程获得轴承的轴心轨迹；

计算各真实数据周期内轴心轨迹和各自轴心轨迹重心的平均欧氏距离

计算

若

进一步的，若轴承的当前运行状态为正常，则隔一段时间继续采集轴承位移信号，继续判断轴承的当前运行状态。

进一步的，通过安装在空气压缩机轴承位置同一截面互相垂直方向的两个位移传感器，以相同采样频率，同时采集轴承某时间段内的水平位移信号

进一步的，位移传感器为电涡流传感器，采集的时间段在30秒以上。

进一步的，轴承的运行状态包括正常运行、质量不平衡、不对中和油膜涡动，其中质量不平衡、不对中和油膜涡动为轴承故障状态。

进一步的，利用运行状态识别模型得到轴承的当前运行状态；其中，运行状态识别模型为SVM模型，其输入为轴承位移信号，输出为轴承的运行状态，包括正常运行、质量不平衡、不对中和油膜涡动。

进一步的，当轴承的故障类别为不对中或油膜涡动时，对应的参数方程

当轴承的故障类别为质量不平衡时，对应的参数方程

式中，

轴承的轴心轨迹求解方法包括：

确定位移信号频率

计算真实数据周期

计算初始

以真实数据周期

应用各段数据解得对应参数方程

各真实数据周期轴心轨迹重心计算方法如下：

式中，

进一步的，真实数据周期

将一段时间内水平位移信号数值

依次记录数值

对

记录差分序列

对所得时间序列

真实数据周期

进一步的，利用实时健康度模型预测未来

利用前

1）对输入序列进行位置编码后加入位置编码，即空气压缩机的故障状态，对h种工况进行one-hot编码，每一时刻选择其对应的一种状态信息作为状态编码，将原始输入数据、位置编码和状态编码组合后输入模型；

2）在解码模块中，将长度为

组合成新向量

计算完自注意力机制后，后续部分和transformer模型计算方式一致；

Conformer模型将输出

一种空气压缩机设备的故障检测装置，包括：

数据采集模块，用于采集空气压缩机轴承连续

运行状态模块，用于根据轴承位移信号数据集

轴心轨迹模块，用于若轴承的当前运行状态为故障，则根据轴承的故障类别选择对应的参数方程，并利用轴承的位移信号以及所选的参数方程获得轴承的轴心轨迹；

欧氏距离模块，用于计算各真实数据周期内轴心轨迹和各自轴心轨迹重心的平均欧氏距离

判断预测模块，用于计算

本发明与现有技术相比，具有以下优点及有益效果：

（1）增加时间维度，可以更好地分析轴心轨迹在时间维度上的变化情况；

（2）引入参数方程，极大程度上减少了轴心轨迹的计算难度；

（3）优化求解参数方程的方法，减少求解参数方程计算量；

（4）构建实时健康度模型，对空气压缩机故障做出定量的分析，可以给出未来一段时间内设备的具体健康状况。

附图说明

图1为本发明的空气压缩机设备的故障检测方法流程图；

图2（a）为获取并根据阈值h

图2（b）为获取阈值h

图2（c）为计算时间序列

图2（d）为计算差分序列

图3（a）为本发明的

图3（b）为本发明的

图3（c）为本发明的

图3（d）为本发明的

图3（e）为本发明的

图3（f）为本发明的

图3（g）为本发明的

图4为本发明的

图5为本发明的Conformer算法流程图；

图6为本发明的数据组合示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供了一种空气压缩机设备的故障检测方法及装置。该方法针对原有方法操作的复杂性进行简化，可以高效识别空压机设备的故障情况；同时该方法还实现了对于空气压缩机设备故障的动态检测，通过构建健康度模型可对空气压缩机故障的检修时间给出明确的建议。本发明旨在提升故障识别效率，优化检修模式，避免不合理停机带来生产上的损失。

本发明的空气压缩机设备的故障检测方法，如图1所示，包括以下步骤：

步骤1，每隔一段时间，通过安装在空气压缩机轴承位置同一截面互相垂直方向的两个位移传感器，以相同的采样频率同时采集某时间段内轴承的水平位移信号

步骤2，将轴承位移信号传输至运行状态识别模型，得到轴承的当前运行状态；

步骤3，当状态正常时转到步骤1，仅当轴承状态为故障时，根据故障类别，选择合适的参数方程，利用轴承的位移信号和所选的参数方程获得轴承的轴心轨迹；

步骤4，计算各真实数据周期内轴心轨迹和轴心轨迹重心的欧氏距离

步骤5，计算

作为一种可选的实施方式，步骤1通过安装在空气压缩机轴承位置同一截面互相垂直方向的两个电涡流传感器，同步采集互相垂直的

作为一种可选的实施方式，步骤2中提及的运行状态识别模型获取方式如下：

（1）通过安装在空气压缩机轴承位置同一截面互相垂直方向的两个位移传感器，以相同采样频率，同时采集固定时间长度中不同运行状态下，轴承的多组水平位移信号和垂直位移信号，形成典型运行状态数据集。其中典型运行状态包括正常运行、质量不平衡、不对中和油膜涡动。

（2）将位移信号传入SVM模型训练，得到运行状态识别模型。

此处无需提取信号特征，极大减少了操作步骤和难度。采用SVM作为分类器可以简化模型复杂度，提升模型的稳健性和准确率。

将步骤1中采集的数据

需要说明的是，这里也可以采用其他的分类模型。

在本申请的一些实施例中，步骤3中仅当步骤2输出的空气压缩机运行状态为故障时才进行后续操作。

当故障为不对中或油膜涡动时，所选的参数方程为：

当故障为不平衡时，轴心轨迹常呈现为椭圆形状，故其轴心轨迹的标准参数方程可简化为：

式中，

作为一种可选的实施方式，根据位移信号和故障对应的参数方程求解轴心轨迹，具体优化的求解方法如下：

（1）确定位移信号的频率

（2）计算真实数据周期

（2）计算初始

（4）以周期

（5）应用各段数据解得对应参数方程

作为一种可选的实施方式，真实数据周期

（1）将较长的一段时间（例如30秒及以上，可根据实际情况选取）内水平位移信号数值

（2）依次记录数值

（3）对

（4）记录差分序列

（5）对（4）中所得时间序列进行差分后，得到差分序列

（6）将真实周期

图2（a）至图2（d）依次为计算真实数据周期

需要说明的是，这里也可以用垂直位移信号；在建立坐标系时，若以水平方向为y轴，则这里的水平位移信号即为垂直方向上的位移信号。另外，在分组时，基准位置可分至前组，也可以分至后组。例如，假设有1至10共10个数据，其中第5个位置为基准位置，则分至前组时，1至5为一组，6至10为另一组。

作为一种可选的实施方式，获得轴心轨迹的具体操作流程为：

先画出三维轴心轨迹图，然后根据真实数据周期T对其进行分割，得到若干个单周期的三维轴心轨迹图，再将每个单周期的三维轴心轨迹图投影到二维平面，并对每个二维平面轴心轨迹求出其参数方程，并利用参数方程求解每个二维轴心轨迹图的重心，然后计算各重心和对应轴心轨迹数据

图3（a）至图3（g）依次为

作为一种可选的实施方式，步骤4应用步骤3所得的

若曲线

则质心为：

此步骤中设置密度

再计算各重心和对应轴心轨迹数据

作为一种可选的实施方式，步骤5中，计算

由于轴心轨迹可以显示故障的类型，且随着时间的增加，设备总是从健康向着发生故障的方向发展，因此时间也是判断故障的关键因素之一，从而利用轴心轨迹构建设备实时健康度模型的方法时应该考虑时间的因素，其具体构建方法如下：

（1）

（2）根据T至nT时刻的平均欧氏距离D，如图5所示，通过Conformer（conditiontransformer）算法预测未来

Conformer算法主体与transformer一致，区别在于：

（1）对输入序列进行位置编码后加入位置编码，即空气压缩机的故障状态（来自于轴心轨迹的识别结果），对h种工况进行one-hot编码，每一时刻选择其对应的一种状态信息作为状态编码，将原始输入数据、位置编码和状态编码组合后输入模型，如图6所示。此改进目的是将故障信息加入模型，扩充了从数量信息中无法得到的额外工况信息，让模型对于未来预测的准确性得以提升；

（2）在解码模块中，将长度为

组合成向量

计算完自注意力机制后，后续部分和transformer模型计算方式一致。

Conformer模型将输出

最后，若

需要说明的是，

本发明还提供一种用于实现上述方法的空气压缩机设备的故障检测装置，包括：

数据采集模块，用于采集空气压缩机轴承连续

运行状态模块，用于根据轴承位移信号数据集

轴心轨迹模块，用于若轴承的当前运行状态为故障，则根据轴承的故障类别选择对应的参数方程，并利用轴承的位移信号以及所选的参数方程获得轴承的轴心轨迹；

欧氏距离模块，用于计算各真实数据周期内轴心轨迹和各自轴心轨迹重心的平均欧氏距离

判断预测模块，用于计算

综上所述，本发明以轴心轨迹图作为切入点，优化构建轴心轨迹的方式，通过少量计算即可得到轴心轨迹，同时充分利用轴心轨迹数据，构建故障识别和设备健康度的定量模型，弥补了现有方法的不足，提升了轴心轨迹数据的效用。

需要说明的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。