[发明专利]油气管道系统动设备的故障诊断方法、装置及设备

说明书

本说明书提供一种油气管道系统动设备的故障诊断方法、装置及设备，所述方法包括：采集待检测油气管道系统动设备的振动信号；对所述振动信号进行连续小波变换获得二维时频图像；将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中，利用卷积神经网络故障诊断模型对待检测油气管道系统动设备进行故障诊断，获得故障诊断结果；利用LIME算法对所述故障诊断结果进行解析，获得故障解析信息，其中，故障解析信息为在二维时频图像上标记不同能量强度，不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。利用本说明书实施例可以避免繁琐的特征提取过程，打破诊断结果的不可控性，提高故障诊断准确率。

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种油气管道系统动设备的故障诊断方法、装置及设备。

背景技术

动设备是指所有由电动机、蒸汽透平机及其他动力驱动而进行旋转或往复运动的机器，是生产系统的关键设备，被广泛应用于化工生产装置中。油气管道系统典型的动设备有压缩机、发动机、烟气轮机和泵等。由于长时间受载、润滑不良、腐蚀、过载等原因，动设备具有较高的突发故障率，极易发生密封泄露及磨损等故障，从而造成人员伤亡、财产损失以及环境破坏等问题。因此，为防止油气管道系统动设备安全事故发生，降低设备日常维护成本，保证设备的安全平稳运行，设备的状态检测和故障诊断技术已成为关乎经济发展、社会稳定的重要课题。

传统的动设备故障诊断环节主要包含三个，即信号采集、特征提取以及诊断决策，但是，诊断结果是否准确无法判断，尤其是，一般动设备的故障诊断均是采用智能学习模型进行，故障诊断模型存在“黑箱”不可控性，诊断结果也存在不可控性，无法保障动设备故障诊断的准确性。

因此，如何提出一种方案能够保障动设备故障诊断的准确性是本领域亟需解决的技术问题。

发明内容

本说明书实施例提供了一种油气管道系统动设备的故障诊断方法、装置及设备，提高了动设备故障诊断的准确率。

一方面，本说明书实施例提供了一种油气管道系统动设备的故障诊断方法，所述方法包括：

采集待检测油气管道系统动设备的振动信号；

对所述振动信号进行连续小波变换获得二维时频图像；

将所述二维时频图像输入到预先构建的卷积神经网络故障诊断模型中，利用所述卷积神经网络故障诊断模型对所述待检测油气管道系统动设备进行故障诊断，获得故障诊断结果；

利用LIME算法对所述故障诊断结果进行解析，获得所述故障诊断结果的故障解析信息；其中，所述故障解析信息为在所述二维时频图像上标记不同能量强度而获得的新的二维时频图像，不同能量强度表示所述能量强度对应的时频区域对所述故障诊断结果的不同贡献度。

进一步的，所述对所述振动信号进行连续小波变换获得二维时频图像之前，所述方法还包括：

对所述振动信号进行变分模态分解，获得降噪振动信号；

所述对所述振动信号进行连续小波变换获得二维时频图像，包括：

对所述降噪振动信号进行连续小波变换获得所述二维时频图像。

进一步的，所述利用LIME算法对所述故障诊断结果进行解析，获得所述故障诊断结果的故障解析信息，包括：

将所述二维时频图像分割成不同的特征块，对所述特征块进行重新筛选组合，获得所述二维时频图像对应的合成时频图像；

将所述合成时频图像输入到所述卷积神经网络故障诊断模型中，获得所述合成时频图像的故障诊断结果；

根据所述合成时频图像以及所述合成时频图像对应的故障诊断结果拟合获得回归模型；

利用所述回归模型计算所述二维时频图像中各个特征块的重要性；