(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210948827.X (22)申请日 2022.08.09 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号西安交通大 学 (72)发明人 李雪莹　计泽灏　彭学院　贾晓晗　 (74)专利代理 机构 北京市诚辉律师事务所 11430 专利代理师 刘婷　朱伟军 (51)Int.Cl. G06F 30/20(2020.01) G06F 119/02(2020.01) (54)发明名称 一种气阀故障程度诊断方法 (57)摘要 本申请属于压缩机技术领域， 特别是涉及一 种气阀故障程度诊断方法。 现有的故障判断基于 振动信号， 且目标均为识别不同类型的故障， 此 时故障已出现并较为严重， 并不能实现早期预 警。 本申请提供了一种气阀故障程度诊断方法， 所述方法包括获取压缩机缸内动态压力信号和 止点信号， 根据所述动态压力信号和止点信号得 到压缩机的p ‑V图、 p‑θ图和lgp ‑V图， 在所述p ‑V 图中、 所述p ‑θ图中和所述lgp ‑V图中提取特征 变量， 对所述特征变量进行处理后建立诊断模 型， 采集数据对所述诊断模型进行训练和验证， 通过所述诊断模 型诊断气阀故障程度。 可实现气 阀故障诊断， 还可进行故障程度评估。 权利要求书1页 说明书11页 附图6页 CN 115392002 A 2022.11.25 CN 115392002 A 1.一种气阀故障程度诊断方法， 其特征在于： 所述方法包括获取压缩机缸内动态压力 信号和止点信号， 根据所述动态压力信号和止点信号得到压缩机的p ‑V图、 p‑θ 图和lgp ‑V 图， 在所述p ‑V图中、 所述p ‑θ 图中和所述lgp ‑V图中提取特征变量， 对所述特征变量进行处 理后建立诊断模型， 采集数据对所述诊断模型进行训练和验证， 通过所述诊断模型诊断气 阀故障程度。 2.如权利要求1所述的气阀故障程度诊断方法， 其特征在于： 所述动态压力信号采用压 力传感器进行监测， 所述止点信号采用接 近开关进行监测。 3.如权利要求1所述的气阀故障程度诊断方法， 其特征在于： 在所述p ‑V图中提取压力 比和过程角度系数， 在所述p ‑θ 图中提取面积系数， 在所述lgp ‑V图中提取过程指数系数， 根 据所述压力比、 所述过程角度系数、 所述 面积系数和所述过程指数系数建立诊断模型。 4.如权利要求1所述的气阀故障程度诊断方法， 其特征在于： 所述p ‑V图横坐标为气缸 工作容积， 纵坐标为缸内气压 。 5.如权利要求4所述的气阀故障程度诊断方法， 其特征在于： 所述气缸工作容积为： 式中： V0为余隙容积； D为气缸直径， x为活塞位移； 式中： θ 为曲柄转角， r为曲柄半径， λ为曲柄连 杆比λ＝r/l， l 为连杆长度。 6.如权利要 求1～5中任一项所述的气阀故障程度诊断方法， 其特征在于： 所述压力比Xε 为排气压力与吸气压力的比值， 所述过程角度系数Xθ为压缩阶段跨度角与膨胀阶段跨度角 的比值， 所述面积系数XS为p‑V图中压力曲线围成的面积与p ‑V图中名义吸气压力线与名义 排气压力线围成的矩形面积的比值， 所述过程指数系数XN为压缩过程指 数和膨胀过程指数 的比值。 7.如权利要求6所述的气阀故障程度诊断方法， 其特征在于： 对所述特征变量进行处理 包括通过主 成分分析对Xε， XN， XS， Xθ进行初步投影和放大， 采用线性回归分析对投影和放大 后的Xε， XN， XS， Xθ进行降维至一维， 并输出诊断阀门泄漏故障的程度， 建立诊断模型。 8.如权利要求7所述的气阀故障程度诊断方法， 其特征在于： 所述气阀故障程度包括健 康、 轻微泄 露、 中度泄 露和严重泄 露。 9.一种终端设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上 运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求1至8 任一项所述的方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所属计算机程序被处 理器执行时实现如权利要求1至8任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 115392002 A 2一种气阀故障程度诊断方 法 技术领域 [0001]本申请属于 压缩机技 术领域， 特别是 涉及一种气阀故障程度诊断方法。 背景技术 [0002]保障安全、 可靠运行一直是压缩机应用中的关键， 核心零部件故障会导致整个生 产的瘫 痪， 带来巨大经济损失， 甚至是人员伤亡。 过度维修导致的运 维成本不断增大， 也是 现代机 械设备另一个突出问题。 通过对核心部件进 行实时状态监测与故障诊断(或健康管 理)， 可 实现提前发现故障、 预警故障， 从而可及时采取措施， 大幅度减少因零部件故障而 导致的非  计划停机， 提高压缩机可靠性； 根据诊断结果可以合理安排检修计划， 降低运行 成本， 提高  产量， 保证人员及设备的安全性， 提高经济性。 特别是在压缩机逐步趋于大型 化、 高速化、  自动化和智能化的今天， 状态监测和故障诊断是系统可靠性升级不可或缺的 一部分。 [0003]气阀是往复压缩机重要易损件之一， 直接影响着压缩机 的经济性和可靠性。 气阀 故障会 导致压缩机效率下降， 甚至停机， 因此， 对气阀进 行故障诊断十 分必要。 气缸内压力 信号通 常是转换为往复压缩机指示图加以分析， 指示图即p ‑V图可以反映出压缩机的性能 和工作状  态。 气阀的故障模式有气阀阀片断裂、 气阀弹簧失效、 气阀阀片变形、 气阀泄漏， 以上故障  的早期模式均为气阀轻微泄漏。 在故障早期发现故障， 只更换发生故障的部件， 其他未受损 伤的部件可继续使用。 这个 办法避免了其他部件的后续损坏或彻底失效， 而这 种整体的彻底  失效会导致无法找到故障根源。 早期故障识别大大节省了运 维时间， 同时也 可有效避免严重  故障的发生。 发明内容 [0004]1.要解决的技 术问题 [0005]当现有的故障判断基于振动信号， 且目标均为识别不同类型的故障(即区分： 气阀 阀片 断裂、 气阀弹簧失效、 气阀阀片变形等)， 此时故障已出现并较为严重， 并不能实现早 期预 警的问题， 本申请提供了一种气阀故障程度诊断方法。 [0006]2.技术方案 [0007]为了达到上述的目的， 本申请提供了一种气阀故障程度诊断方法， 所述方法包括 获取压 缩机缸内动态压力信号和止点信号， 根据所述动态压力信号和止点信号得到压缩 机的p‑V图、 p‑θ 图和lgp ‑V图， 在所述p ‑V图中、 所述p ‑θ 图中和所述lgp ‑V图中提取特征变 量， 对所述  特征变量进行处理后建立诊断模型， 采集数据对所述诊断模型进行训练和验 证， 通过所述诊 断模型诊断气阀故障程度。 [0008]本申请提供的另一种 实施方式为： 所述动态压力信号采用压力传感器进行监测， 所述止 点信号采用接 近开关进行监测。 [0009]本申请提供的另一种实施方式为： 在所述p ‑V图中提取压力比和过程角度系数， 在 所述 p‑θ 图中提取面积系数， 在所述lgp ‑V图中提取过程指数系数， 根据所述压力比、 所述说　明　书 1/11 页 3 CN 115392002 A 3