本發(fā)明涉及故障數(shù)據處理領域，更具體地說，本發(fā)明涉及往復式天然氣壓縮機故障診斷系統(tǒng)。

背景技術：

1、往復式壓縮機是一種重要的氣體輸送設備，廣泛應用于石油、天然氣、化工等行業(yè)。它通過往復運動將低壓氣體壓縮至高壓，在工業(yè)生產中起著至關重要的作用。然而，由于其復雜的機械結構和苛刻的工作環(huán)境，往復式壓縮機在運行過程中容易出現(xiàn)諸如閥門故障、活塞磨損和軸承損壞等問題。故障的及時診斷和有效維護對于避免設備損壞、減少停機時間和降低維護成本具有重要意義。因此，研究和開發(fā)高效的故障診斷技術對于提升往復式壓縮機的安全性和可靠性至關重要。

2、現(xiàn)有的故障診斷技術主要依賴于振動信號、壓力信號等物理量的分析。這些方法通常采用數(shù)據采集、特征提取、模式識別等步驟，通過建立正常狀態(tài)與故障狀態(tài)之間的判別模型，實現(xiàn)對設備健康狀態(tài)的監(jiān)測和故障類型的識別。近年來，隨著人工智能技術的發(fā)展，機器學習和深度學習方法被廣泛應用于故障診斷中。這些方法通過大數(shù)據分析和智能算法，能夠自動從復雜的信號數(shù)據中提取故障特征，并進行分類和預測，提高了診斷的準確性和效率。

3、文獻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習的往復式壓縮機空氣閥故障診斷方法。該方法首先通過單通道振動信號采集往復式壓縮機的運行數(shù)據，然后利用一維卷積神經網絡（1-dcnn）對故障特征進行學習，并與傳統(tǒng)的特征提取方法進行比較。研究結果表明，深度學習方法在處理復雜系統(tǒng)的非線性和非平穩(wěn)信號時，具有較高的診斷準確率。在進一步的研究中，作者將多通道振動信號和壓力信號應用于二維卷積神經網絡（2-dcnn）中，發(fā)現(xiàn)去除無用通道信號可以提高診斷的準確性和效率。這項研究表明，深度學習技術在壓縮機故障診斷中的應用潛力巨大，為復雜設備的智能診斷提供了有效的解決方案。

4、文獻2（a?new?method?for?reciprocating?compressor?fault?diagnosis?basedon?indicator?diagram?feature?extraction,?2023）中，研究人員針對往復式壓縮機的關鍵部件，如閥門、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。該方法通過采集反映氣缸內熱力過程的指示圖數(shù)據，提取平均吸氣壓力、平均排氣壓力、指示圖面積和重心坐標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)據庫。在診斷過程中，通過比較提取特征與閾值的偏差來判斷壓縮機的健康狀態(tài)。實驗結果表明，該方法能夠以98.3%的準確率判斷壓縮機的故障狀態(tài)，且在識別單個和多個故障部件時分別達到86.86%的準確率。然而，由于不同故障對特征的影響存在相似性，導致在某些情況下診斷準確性較低。

5、雖然文獻2在特征提取和故障分類方面取得了一定的進展，但仍存在一些局限性。例如，該方法僅針對指示圖特征進行分析，未能綜合考慮其他多源數(shù)據，如振動信號、溫度信號和設備運行歷史記錄等；因此，當壓縮機在復雜工況下運行時，可能會出現(xiàn)特征提取不全或診斷不準確的情況；此外，文獻2中的方法在多故障狀態(tài)下的識別精度有限，難以對多重故障進行準確區(qū)分和嚴重度評估。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術的上述缺陷，本發(fā)明提供了往復式天然氣壓縮機故障診斷系統(tǒng)，通過數(shù)據采集、預處理和特征提取，構建多層次知識圖譜，并利用深度學習模型進行故障診斷、預測和嚴重度評估，結合維護決策和預警模塊，實現(xiàn)壓縮機故障的全面監(jiān)測和智能維護管理。有效解決了現(xiàn)有技術中僅依賴單一數(shù)據源和特征提取導致診斷不準確的問題，提高了多故障識別和維護管理的智能化水平。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、往復式天然氣壓縮機故障診斷系統(tǒng)，包括數(shù)據采集模塊、數(shù)據預處理模塊、特征提取模塊、知識圖譜構建模塊、故障分析模塊、維護決策模塊、預警模塊和人機交互模塊，所述數(shù)據采集模塊分別與所述數(shù)據預處理模塊和所述人機交互模塊相連接，所述數(shù)據預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圖譜構建模塊和所述故障分析模塊相連接，所述知識圖譜構建模塊與所述故障分析模塊雙向連接，所述知識圖譜構建模塊分別與所述維護決策模塊和所述人機交互模塊相連接，所述故障分析模塊分別與所述預警模塊和所述人機交互模塊相連接，所述預警模塊與所述人機交互模塊相連接；所述知識圖譜構建模塊用于基于歷史故障數(shù)據、維護記錄和設備運行參數(shù)構建壓縮機故障-癥狀-原因-維護措施的多層次知識圖譜，并根據診斷結果和預測結果動態(tài)調整節(jié)點權重和關系路徑；

4、所述故障分析模塊用于綜合分析壓縮機的故障信息，包含故障診斷單元、故障預測單元和故障嚴重度評估單元；其中，故障診斷單元用于將特征提取模塊提供的時域特征、頻域特征和時頻域特征輸入深度置信網絡模型中進行特征學習與故障分類，輸出故障診斷結果；所述故障預測單元用于基于長短期記憶網絡算法將時域特征和時頻域特征作為輸入對未來故障進行預測，并對其預測準確率進行評估，其公式為：；

5、式中，為預測準確率評估值，為實際故障發(fā)生時間，為預測的故障發(fā)生時間，為最大允許時間誤差，為時間權重函數(shù)；

6、故障嚴重度評估單元用于基于知識圖譜中的節(jié)點信息提取與故障相關的因子，并通過計算這些因子生成故障的嚴重度值，評估當前故障對設備運行的綜合影響，其中，故障嚴重度的計算公式為：；

7、式中，為故障嚴重度，為故障影響因子，為故障概率因子，為故障擴展因子，為故障容忍時間。

8、作為本發(fā)明進一步的方案，數(shù)據采集模塊用于實時采集往復式天然氣壓縮機的運行參數(shù)，所述運行參數(shù)包括壓縮機氣缸壓力、氣缸溫度、曲軸轉速、振動信號、軸承溫度、潤滑油壓力、進氣壓力、排氣壓力；所述數(shù)據采集模塊采用分布式數(shù)據采集架構，包括現(xiàn)場數(shù)據采集單元和一個中央數(shù)據處理單元，現(xiàn)場數(shù)據采集單元安裝在壓縮機各關鍵部位，通過工業(yè)總線與中央數(shù)據處理單元通信；每個現(xiàn)場數(shù)據采集單元包含傳感器，用于采集運行參數(shù)。

9、作為本發(fā)明進一步的方案，數(shù)據采集模塊還用于大數(shù)據分析平臺中下載設備在過去一段時間內的運行參數(shù)、歷史故障數(shù)據及其對應的維護記錄；數(shù)據預處理模塊用于對所述數(shù)據采集模塊采集的運行參數(shù)進行濾波、去噪和歸一化處理。

10、作為本發(fā)明進一步的方案，特征提取模塊用于從預處理后的運行參數(shù)中提取故障特征，所述故障特征包括時域特征、頻域特征和時頻域特征；所述特征提取模塊提取的時域特征包括均值、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；所述時頻域特征包括小波包分解系數(shù)、經驗模態(tài)分解的固有模態(tài)函數(shù)、瞬時頻率、瞬時幅值、時頻譜、時頻能量分布、時頻分辨率可變的時頻表示。

11、作為本發(fā)明進一步的方案，所述知識圖譜構建模塊包括以下步驟：

12、步驟a1，定義故障節(jié)點、癥狀節(jié)點、原因節(jié)點和維護措施節(jié)點，所述故障節(jié)點代表具體的壓縮機故障類型，所述癥狀節(jié)點代表運行參數(shù)的異常狀態(tài)，所述原因節(jié)點代表導致故障的具體原因，所述維護措施節(jié)點代表針對故障的處理方法，每個節(jié)點根據預設的屬性設置特定標簽；

13、步驟a2，根據壓縮機各部件的運行特性和故障演化規(guī)律，建立各節(jié)點之間的關系路徑，將故障節(jié)點與對應的癥狀節(jié)點連接，癥狀節(jié)點與對應的原因節(jié)點連接，原因節(jié)點與相應的維護措施節(jié)點連接；

14、步驟a3，基于歷史故障數(shù)據和維護記錄，根據節(jié)點和路徑在歷史數(shù)據中的表現(xiàn)設定各節(jié)點及其關系路徑的初始權重，所述權重用于表示各節(jié)點及路徑在故障診斷和預測中的重要性。

15、作為本發(fā)明進一步的方案，所述故障診斷單元基于從特征提取模塊獲得的時域特征、頻域特征和時頻域特征，利用多源數(shù)據融合算法進行特征融合處理，并利用融合處理后的特征數(shù)據，構建深度置信網絡模型，進行故障類型分類，其中，對所述深度置信網絡的故障診斷準確率進行評估，其計算公式為：；

16、式中，為故障診斷準確率，為深度置信網絡模型識別出壓縮機實際存在的特定故障類型的樣本數(shù)量，為深度置信網絡模型準確識別出壓縮機實際不存在的故障類型的樣本數(shù)量，為深度置信網絡模型錯誤識別為存在某種故障類型的樣本數(shù)量，為深度置信網絡模型未能識別出實際存在的故障類型的樣本數(shù)量，和為權重系數(shù)。

17、作為本發(fā)明進一步的方案，所述故障預測單元用于基于歷史故障數(shù)據和當前運行參數(shù)預測未來可能發(fā)生的故障，所述故障預測模塊采用長短期記憶網絡模型進行故障預測，對從特征提取模塊獲得的時域特征和時頻域特征進行處理，并將這些特征數(shù)據作為長短期記憶網絡模型的輸入，進行歷史數(shù)據的時間序列學習和模式識別，預測未來壓縮機可能發(fā)生的故障類型及故障發(fā)生的時間。

18、作為本發(fā)明進一步的方案，根據故障診斷單元和故障預測單元的分析結果，對知識圖譜中的節(jié)點權重和關系路徑進行動態(tài)調整，包括以下步驟：

19、步驟s1，從故障診斷單元和故障預測單元中分別獲取當前的診斷結果和預測結果，將這些結果與知識圖譜中的故障節(jié)點和癥狀節(jié)點進行逐一比對，確認診斷出的故障類型、故障嚴重程度以及預測的癥狀特征是否與圖譜中的節(jié)點信息一致，并結合故障診斷準確率和故障預測準確率，對比診斷結果與預測結果的可靠性，記錄匹配結果和偏差信息；

20、步驟s2，對于診斷結果和預測結果與圖譜節(jié)點信息一致且故障診斷準確率和故障預測準確率均超過設定閾值的情況，按照預設的權重增量因子提升對應節(jié)點的權重值；若一致但準確率未達到設定閾值，則減小權重增量因子的調整幅度；對于診斷結果或預測結果與圖譜節(jié)點信息不一致且準確率達到設定閾值的情況，按照預設的權重減量因子降低對應節(jié)點的權重值；若不一致且準確率低于設定閾值，則降低減量因子的調整幅度，并將調整后的權重信息和偏差信息存儲到圖譜數(shù)據庫中；

21、步驟s3，對于診斷結果和預測結果不一致且故障診斷準確率和故障預測準確率存在差異的情況，根據設定的準確率閾值優(yōu)先采用準確率更高的結果作為參考路徑，將實際診斷或預測到的癥狀節(jié)點與這些原因節(jié)點建立新的關系路徑，同時將原有的低準確率路徑設為次優(yōu)路徑，調整其優(yōu)先級，并將優(yōu)化過程及結果記錄到圖譜數(shù)據庫中。

22、作為本發(fā)明進一步的方案，所述故障影響因子表示當前故障對壓縮機運行參數(shù)的偏離程度；所述故障概率因子表示在當前運行狀態(tài)下，特定故障類型發(fā)生的概率；所述故障擴展因子表示當前故障對壓縮機其他部件的潛在影響；所述故障容忍時間表示從當前故障狀態(tài)到設備必須停機維修的時間間隔。

23、作為本發(fā)明進一步的方案，所述維護決策模塊用于通過匹配當前知識圖譜中當前原因節(jié)點與維護措施節(jié)點的關聯(lián)關系，確定相應的維護措施，當故障嚴重度超過設定優(yōu)先級閾值時，觸發(fā)知識圖譜中的維護措施，根據設備當前狀態(tài)和歷史維護記錄生成維護計劃，并將故障數(shù)據和維護記錄上傳至大數(shù)據分析平臺；所述預警模塊用于根據故障分析模塊輸出的生成的診斷和預測結果生成預警信息；所述人機交互模塊，用于顯示壓縮機運行狀態(tài)、故障診斷結果和預警信息，并通過人機交互模塊將知識圖譜進行可視化展示，允許用戶查看各節(jié)點及其關系的詳細信息，并對節(jié)點和關系路徑進行手動編輯和維護。

24、與現(xiàn)有技術相比，本發(fā)明往復式天然氣壓縮機故障診斷系統(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)的識別能力；傳統(tǒng)方法通常依賴單一信號源，如振動或壓力信號，而本發(fā)明通過包括振動信號、溫度信號和歷史維護記錄等多種信號源的融合，提高了故障特征提取的全面性；在此基礎上，采用深度置信網絡和長短期記憶網絡深度學習模型，能夠有效應對復雜信號的非線性和非平穩(wěn)特征，實現(xiàn)對壓縮機故障類型的識別和未來故障的預測。

26、2.本發(fā)明通過構建基于壓縮機故障、癥狀、原因和維護措施的多層次知識圖譜，動態(tài)調整圖譜中節(jié)點的權重和關系路徑，實現(xiàn)對故障影響的全面評估；維護決策模塊結合知識圖譜和診斷結果，生成個性化維護計劃，并在故障嚴重度超出設定閾值時自動觸發(fā)預警和維護建議；相比傳統(tǒng)依賴人工經驗的維護決策，本發(fā)明顯著提高了壓縮機故障處理的智能化水平和維護效率，減少了設備的非計劃停機時間。