一維卷積神經網絡在往復式壓縮機氣閥故障診斷中的應用

往復式壓縮機是石油化工行業的核心裝備,在其他領域也有廣泛的應用。由于往復式壓縮機結構復雜、易損件多,且工況變化范圍大、故障率較高且故障原因難以確定,近年來,其故障診斷技術逐漸成為學者或者工程師們的研究熱點。在眾多故障中,由于氣閥的工作環境比較惡劣,閥片受到高速、高溫氣流的沖擊以及與閥座和升程限制器頻繁撞擊,氣閥的故障率最高

,因此其故障診斷也一直是人們研究的重點之一。

隨著技術的發展,機械領域的故障診斷大致分為傳統的故障診斷方法和基于深度學習的故障診斷兩種方法

。傳統的故障診斷方法通常包括特征提取和故障分類兩個步驟,特征提取主要是依賴于一些信號處理技術,例如傅里葉變換(FFT)

、經驗模態分解(EMD)

、小波變換(WT)

、局部均值分解(LMD)

、變分模態分解(VMD)

等,有時還會涉及一些特征降維技術,例如主成分分析(PCA)

、距離評估技術(DET)

等;故障分類主要是通過支持向量機(SVM)

、神經網絡(NN)

、決策樹(DT)

等分類器來實現。王金東等提出一種EMD和SVM相結合的診斷技術,通過EMD對壓縮機軸承信號分解,計算其信息熵作為SVM的輸入來實現故障診斷

。Yang等利用小波變換和統計方法從原始振動信號中提取特征,并比較了多種分類技術,最終發現SVM具有更高的分類準確率

。傳統的故障診斷方法實現起來較為繁瑣,而且比較依賴于有關機器運行的專業知識和經驗。

近年來,隨著人工智能的發展,深度學習逐漸被應用到……