具体实施方式

下面将结合附图对发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于发明保护的范围。

如图所示，本发明提供了一种闪蒸汽压缩机组故障诊断方法,包括以下步骤:

步骤1、获取温度数据(T)、压力数据(P)、振动数据(V)以及液位数据(L)等传感器实时监测数据；其中，在压缩机组正常运行情况下得到一组稳定正常的历史数据，并以此建立数据对比模板，用于进行后续的压缩机故障诊断分析；

步骤2、将同一监测位置的温度数据、压力数据转化为温压比数据，同时将闪蒸气压缩机的入口压力数据和出口压力数据转化为闪蒸气压缩机的压缩比数据，具体包括以下分步骤；

步骤2.1、将同一监测位置的温度数据、压力数据作为输入，通过温压比求解公式求出温压比数据(G)作为输出，用于后续步骤的使用；温压比求解公式如下：

其中，T_i为机组内某一位置的温度数据，P_i为机组内某一位置的压力数据；

步骤2.2、将闪蒸气压缩机的入口压力数据和出口压力数据作为输入，通过压缩比求解公式求出压缩比数据(U)作为输出，用于后续步骤的使用，压缩比求解公式如下：

其中，P₁为闪蒸气压缩机的入口压力数据，P₂为闪蒸气压缩机的出口压力数据。

步骤3、将温度数据、压力数据、振动数据、液位数据以及步骤2求解得到的温压比数据(G)、压缩比数据(U)进行数据拟合；通过最小二乘法对监测得到的数据进行数据拟合，明确上述数据之间的关系规律，以便于闪蒸气压缩机的故障诊断，而最小二乘法算法公式如下：

x_i＝a₀+a₁t_i+a₂t_i ²+…+a_it_i ^k

其中t_i为时间点，x_i为t_i时刻各个传感器数据值，整体可记作数据点(t_i,x_i)，a_i为最小二乘法拟合系数，k为拟合函数的多项式阶数。

步骤4、将拟合得到的各项数据的关系规律进行趋势分析以及跳变分析，包括以下分步骤：

步骤4.1、趋势分析：通过步骤3得到的各项监测数据与时间的拟合函数作为输入，即(t_i,x_i)，再依据拟合函数依次进行趋势提取和异常趋势判断，趋势提取即为对一段时间内数据的整体趋势变化走向；异常趋势判断则为通过趋势提取得到的此段时间内数据的整体趋势变化走向数据与稳定正常的数据对比模板的趋势走向进行对比，进而得到异常趋势反映出的所有可能存在的故障点、相关数据以及提取到的趋势作为输出结果。

步骤4.2、跳变分析：通过步骤3得到的各项监测数据与时间的拟合函数作为跳变分析的输入，即(t_i,x_i)，对因传感器自身原因以及外界因素干扰产生的数据跳变现象进行判断，判断异常跳变数据；将异常跳变数据反映的可能故障以及相关数据作为输出结果，跳变检测算法公式如下：

式中：W为一定时间宽度内全部监测数据；median(·)表示取中位数；σ为时间宽度内数据的标准差，σ_min为其最小值；

根据监测数据和数据对比模板分别计算得到的S_t，数据对比模板的S_t可首先确定数据对比模板的历史检测数据的窗口序列，并计算窗口序列的平均值，依据该平均值计算S_t；并对监测数据和平均值计算的S_t进行对比，进而判断监测数据是否发生跳变；

通过最终跳变分析，确定可能造成数据跳变的故障点；

步骤4.3、整合趋势分析和跳变分析得到所有可能得到的故障点，以供后续分析时使用。

步骤5、对拟合得到的各项数据关系规律、趋势分析以及跳变分析得到的结果进行相关性分析，对误判的故障进行分析排除，主要包括以下分步骤：

步骤5.1、趋势分析的相关性分析：将趋势分析中提取的一定时间内的整体变化趋势作为输入，即此段时间宽度内的监测数据点(t_i,x_i)，通过组内曲线拟合算法对其进行曲线拟合以及相关性分析；为了计算多组传感数据间的复合相关系数，需要对测点数据建立线性模型，计算该线性模型与第i组传感数据x_i之间的相关系数，作为x_i与x₁，x₂，…，x_i-1之间的复合相关系数；利用最小二乘法对多组传感数据进行多元线性回归，建立传感数据之间的线性模型，而多元线性模型可以表示为：

x_i＝b₁x₁+b₂x₂+…+b_i-1x_i-1+c

其中b₁，b₂，…，b_i-1是变量x₁，x₂，…，x_i-1的相关性系数，c为常数；

通过上述方法进行趋势分析的相关性分析，得到数据间的相关性大小，进而对步骤4.3中误判的故障点进行初步排除；

步骤5.2、跳变分析结果的相关性分析：同样将各项监测数据以及跳变分析的结果作为输入，基于在线检测算法对数据的突变涉及到的相关数据进行相关性分析，在线检测算法主要是利用基于皮尔逊相关系数的测点聚类算法结果建立线性模型，对于线性模型，令

z＝e₁x₁+e₂x₂+…+e_h-1x_h-1+r

其中，h表示组内包含的传感数目，x₁,x₂…,x_h表示组内h个数据，其中e₁,e₂,…,e_h-1是变量x₁,x₂,…,x_h-1的系数，r为常数；

通过基于皮尔逊相关系数的测点聚类算法、对各项数据的线性相关程度进行分析，对异常跳变导致误判的故障进行排除，并得到相关数据，用于后续的分析，而皮尔逊相关系数计算公式如下：

其中，X，Y表示两组用于对比的监测数据值，i表示传感数据的样本数量；

通过上述方法进行跳变分析的相关性分析，得到数据间的相关性大小，进而对步骤5.1中剩余的误判故障点进一步排除。

步骤6、对各项监测数据、趋势分析、跳变分析以及相关性分析的结果进行对比分析，进一步完成机组可能存在故障的筛选；而对比分析主要通过计算数据之间的累计距离矩阵表示，累计距离则通过欧氏距离进行表达，动态时间规整算法则为计算欧式距离常用的一种算法。

动态时间规整(Dynamic Time Warping，DTW)是为了解决数据难以对齐时，求解最优匹配路径和对齐方式的一种常用方法；设两个已知长度分别为m和n时间序列的用于对比的监测数据组：x＝{x₁,x₂,…,x_m}和y＝{y₁,y₂,…,y_m}，两者的DTW距离记为DTW(x,y)，其计算方法如下：

(1)计算初始距离矩阵：计算传感数据序列m和n各点之间的欧氏距离，获得一个m×n阶欧氏距离矩阵，M[i,j]表示序列m的第i个点与序列n的第j个点之间的欧氏距离；

(2)计算累计距离矩阵：设累计距离矩阵为M_c，累计距离矩阵计算公式为：

累计矩阵其余部分计算方法如下式所示

式中，2≤i≤n，2≤j≤m，i,j∈N；

对比分析具体包括以下分步骤：

步骤6.1、趋势分析结果的对比分析：以步骤4中趋势分析得到的可能故障点以及各项监测数据为输入，将相关数据进行对比分析，通过对比分析的结果对可能存在的故障进行排除；

步骤6.2、跳变分析结果的对比分析：将步骤4跳变分析异常跳变以及其他监测数据作为输入，通过对异常跳变产生影响的相关联监测数据进行对比分析，进而对异常跳变反映的可能故障进行排除；

步骤6.3、相关性分析结果的对比分析：以步骤5的结果和各项监测数据为输入，通过不同时间段、不同位置以及不同类型监测数据的对比分析，对可能存在的故障进行排除。

步骤7、确定最终可能存在的故障及其位置。

本实施例的有益效果是：

(1)通过对实时监测的闪蒸汽压缩机组数据进行处理挖掘，迅速准确的确定闪蒸汽压缩机组的故障位置或未来的设备运行趋势，及时预警维护，防止压缩机组损坏停机造成经济损失；

(2)相比于目前已有的压缩机组故障诊断方法来说，此种压缩机组故障诊断方法能够联系各类型以及各位置处的传感器，通过对所有数据的系统分析，来准确高效判断压缩机组整理流程中的故障点及故障类型。

在发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明发明的技术方案，而非对其限制；尽管参照前述各实施例对发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离发明各实施例技术方案的范围。