1.本發(fā)明屬于機(jī)械故障診斷技術(shù)領(lǐng)域，具體涉及一種往復(fù)式壓縮機(jī)故障診斷可視化方法。

背景技術(shù)：

2.往復(fù)式壓縮機(jī)的機(jī)體由氣缸體和曲軸箱組成，氣缸體內(nèi)的重要工作部件是活塞，曲軸箱內(nèi)的重要工作部件為曲軸，活塞和曲軸通過(guò)連桿、十字頭連接。氣缸的頂部裝有吸氣閥和排氣閥，吸氣閥通過(guò)吸氣腔與吸氣管相連，排氣閥通過(guò)排氣腔與排氣管相連。曲軸的主軸與原動(dòng)機(jī)相連，被原動(dòng)機(jī)帶動(dòng)旋轉(zhuǎn)，通過(guò)連桿的傳動(dòng)，帶動(dòng)活塞在氣缸體內(nèi)做往復(fù)運(yùn)動(dòng)，并在吸、排氣閥的配合下完成對(duì)介質(zhì)的吸入、壓縮和排出。

3.往復(fù)式壓縮機(jī)有壓縮、排氣、膨脹、吸氣4個(gè)重要的工作過(guò)程，結(jié)合圖1所示，當(dāng)活塞自右向左運(yùn)動(dòng)時(shí)，氣缸內(nèi)氣體體積減小，壓力增大為壓縮機(jī)的“壓縮”過(guò)程；當(dāng)氣體壓力增大到一定程度時(shí)，排氣閥打開(kāi)，活塞繼續(xù)向左運(yùn)動(dòng)，氣體持續(xù)排出，直到活塞運(yùn)動(dòng)到最左側(cè)為壓縮機(jī)的“排氣”過(guò)程；接著，活塞從最左側(cè)向右移動(dòng)，由于在最左側(cè)位置時(shí)氣缸存在余隙容積，余隙容積內(nèi)的氣體仍具有較大的壓力，在活塞剛離開(kāi)最左側(cè)位置時(shí)吸氣閥達(dá)不到設(shè)計(jì)的壓力差不能立即打開(kāi)，余隙容積內(nèi)的氣體體積隨著活塞向右移動(dòng)不斷增大，壓力不斷減小，這是壓縮機(jī)的“膨脹”過(guò)程；活塞繼續(xù)向右移動(dòng)，吸氣閥達(dá)到所需要的壓力差開(kāi)始吸氣，直到活塞移動(dòng)到氣缸最右側(cè)，吸氣完成，這是壓縮機(jī)的“吸氣”過(guò)程。往復(fù)式壓縮機(jī)的工作過(guò)程就是這四個(gè)過(guò)程周而復(fù)始循環(huán)。

4.在上述4個(gè)過(guò)程中，氣缸內(nèi)的壓力和氣體體積是不斷變化的。示功圖是指在往復(fù)式壓縮機(jī)的一個(gè)循環(huán)中，氣缸內(nèi)氣體動(dòng)態(tài)壓力隨活塞位移（或氣缸內(nèi)容積）而變化的封閉曲線。圖2為理想情況下的往復(fù)式壓縮機(jī)示功圖，示功圖是往復(fù)式壓縮機(jī)故障診斷的重要工具，通過(guò)示功圖可以更靈敏、更早期地對(duì)氣閥泄露、氣閥堵塞等可能造成爆炸事故的嚴(yán)重故障進(jìn)行預(yù)警。目前常用的診斷方法有兩種：一是人工診斷，測(cè)繪正常時(shí)間范圍內(nèi)的示功圖作為基準(zhǔn)，通過(guò)人工定時(shí)獲取實(shí)時(shí)測(cè)繪的示功圖與基準(zhǔn)相比較，根據(jù)經(jīng)驗(yàn)進(jìn)行診斷；二是采用機(jī)器學(xué)習(xí)的方法，用大量的已知故障類型的往復(fù)式壓縮機(jī)動(dòng)態(tài)壓力數(shù)據(jù)（動(dòng)態(tài)壓力數(shù)據(jù)是繪制示功圖的必要數(shù)據(jù)）作為原始數(shù)據(jù)，提取能代表示功圖的特征作為訓(xùn)練樣本，訓(xùn)練基于示功圖的智能識(shí)別模型進(jìn)行診斷。

5.但依據(jù)故障機(jī)理人工地對(duì)往復(fù)式壓縮機(jī)示功圖進(jìn)行診斷不夠智能，過(guò)多地依賴人的經(jīng)驗(yàn)，且實(shí)時(shí)性難以得到保證。而采用一般的機(jī)器學(xué)習(xí)手段進(jìn)行故障識(shí)別不能給出診斷依據(jù)，缺乏可信度，人工復(fù)核工作量大。

技術(shù)實(shí)現(xiàn)要素：

6.為了解決現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種往復(fù)式壓縮機(jī)故障可視化方法，能在不影響智能診斷模型準(zhǔn)確率的前提下，給出模型做出判斷的依據(jù)，并在示功圖上展示。

7.本發(fā)明的目的通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：

一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，包括如下步驟：s1、 訓(xùn)練樣本的產(chǎn)生與積累；對(duì)氣缸內(nèi)安裝的動(dòng)態(tài)壓力傳感器采集的數(shù)據(jù)，以及飛輪邊緣安裝的鍵相傳感器同步采集的脈沖信號(hào)數(shù)據(jù)進(jìn)行采集作為訓(xùn)練樣本；s2、批量獲取s1中生成的訓(xùn)練數(shù)據(jù)與標(biāo)簽；s3、ai模型的設(shè)計(jì)與初始化；采用神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)的輸入為單通道的點(diǎn)數(shù)為n的一維數(shù)組，輸出為健康狀況所對(duì)應(yīng)的標(biāo)簽編碼，包括正常，故障類型1，故障類型2等；所述神經(jīng)網(wǎng)絡(luò)模型包括但不限于ann、resnet、vgg、lstm；s4、訓(xùn)練并得到ai模型；s5、選擇滿足要求的數(shù)采裝置，同步采集正在運(yùn)行中的動(dòng)態(tài)壓力數(shù)據(jù)與轉(zhuǎn)速脈沖數(shù)據(jù)，對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理得到測(cè)試樣本，并將獲得的測(cè)試樣本輸入到s4中獲得的ai模型，前向計(jì)算得到網(wǎng)絡(luò)的輸出，將輸出對(duì)應(yīng)的最大可能的類別作為識(shí)別結(jié)果；s6、利用guided grad cam獲取s5中測(cè)試樣本的每個(gè)值對(duì)ai模型識(shí)別結(jié)果的貢獻(xiàn)程度；s7、按展示對(duì)診斷結(jié)構(gòu)可解釋的示功圖；s8、人工確認(rèn)模型識(shí)別結(jié)果的準(zhǔn)確性并結(jié)合實(shí)際進(jìn)行相應(yīng)處理；s9、將s8的處理結(jié)果存入訓(xùn)練樣本庫(kù)，以提高后續(xù)重新訓(xùn)練的準(zhǔn)確度。

8.優(yōu)選地，對(duì)所述s1包括如下步驟：s11、對(duì)數(shù)據(jù)采集前的數(shù)采裝置進(jìn)行設(shè)定使轉(zhuǎn)速脈沖的上升沿對(duì)應(yīng)膨脹過(guò)程的起始點(diǎn)，對(duì)產(chǎn)生訓(xùn)練樣本的傳感器設(shè)置相同且固定的采樣頻率fs，同步采集動(dòng)態(tài)壓力數(shù)據(jù)與轉(zhuǎn)速脈沖數(shù)據(jù)；s12、取兩個(gè)相鄰轉(zhuǎn)速脈沖上升沿之間的數(shù)據(jù)所對(duì)應(yīng)的同步采集的動(dòng)態(tài)壓力數(shù)據(jù)，作為一個(gè)周期內(nèi)的動(dòng)態(tài)壓力數(shù)據(jù)，記數(shù)據(jù)點(diǎn)數(shù)為n，若一次采集的數(shù)據(jù)包含了完整的連續(xù)m個(gè)周期的動(dòng)態(tài)壓力數(shù)據(jù)，對(duì)各周期內(nèi)索引相同的壓力值求平均值，作為該索引的有效動(dòng)態(tài)壓力值，進(jìn)而得到平均各周期數(shù)據(jù)后的點(diǎn)數(shù)為n的有效動(dòng)態(tài)壓力數(shù)據(jù)；s13、假設(shè)曲軸做勻轉(zhuǎn)速運(yùn)動(dòng)，對(duì)s12中的n個(gè)有效動(dòng)態(tài)壓力數(shù)據(jù)進(jìn)行近似處理，計(jì)算各動(dòng)態(tài)壓力值對(duì)應(yīng)的曲柄相位角，結(jié)合活塞半徑、曲柄長(zhǎng)度、連桿長(zhǎng)度等信息繪制示功圖；s14、人工確認(rèn)示功圖的健康狀況，包含故障類型，為s12的點(diǎn)數(shù)為n的動(dòng)態(tài)壓力數(shù)據(jù)建立標(biāo)簽，將n個(gè)動(dòng)態(tài)壓力數(shù)據(jù)連同標(biāo)簽一起存入訓(xùn)練樣本庫(kù)。

9.優(yōu)選地，所述s5中的預(yù)處理步驟與s12相同。

10.優(yōu)選地，所述s6包括如下步驟：s61、在s5的網(wǎng)絡(luò)前向計(jì)算過(guò)程中，將ai模型中的最后一個(gè)卷積層的輸出結(jié)果作為feature-map，將網(wǎng)絡(luò)輸出的最大可能的類別的得分對(duì)feature-map層的每個(gè)值求偏導(dǎo)，然后用全局平均池化（gap）操作獲得每一通道對(duì)分類結(jié)果的貢獻(xiàn)程度，記為通道權(quán)值，所述通道權(quán)值的個(gè)數(shù)取決于s3中ai模型的設(shè)計(jì)；s62、將以上通道權(quán)值與對(duì)應(yīng)的feature-map相乘、再輸入到激活函數(shù)，最終得到grad cam表示的權(quán)值數(shù)組，該權(quán)值數(shù)組可以看成是一個(gè)一維的heatmap“棒”；s63、使用導(dǎo)向反向傳播算法(guided backpropagation)獲得導(dǎo)向權(quán)值數(shù)組，與s62中得到的權(quán)值數(shù)組維數(shù)一致；

s64、將s62、s63中對(duì)應(yīng)位置的權(quán)值相乘，作為s5中經(jīng)預(yù)處理獲得的測(cè)試樣本中對(duì)應(yīng)位置的每個(gè)數(shù)據(jù)點(diǎn)的重要性程度權(quán)值。

11.優(yōu)選地，所述s7包括如下步驟，結(jié)合s13所提的繪制示功圖的方法繪制測(cè)試樣本的示功圖，對(duì)s6中重要性程度權(quán)值較大的動(dòng)態(tài)壓力值點(diǎn)所在的連線突出顯示，作為模型得到識(shí)別結(jié)果的“原因解釋”，所述突出顯示用于區(qū)分重要性程度，其可以為熱力圖顏色、線的粗細(xì)、線的透明度方式。

12.優(yōu)選地，所述s8人工確認(rèn)時(shí)，通過(guò)guided grad cam在示功圖上的可解釋性展示會(huì)提示需要重點(diǎn)確認(rèn)的示功圖部位，若確認(rèn)為故障，則對(duì)故障進(jìn)行處理。

13.優(yōu)選地，所述s9為將人工核實(shí)的最終結(jié)果作為標(biāo)簽，與該次診斷的樣本一起存入訓(xùn)練樣本庫(kù)，以便后續(xù)重新訓(xùn)練提高準(zhǔn)確率。

14.優(yōu)選地，所述s11中通過(guò)調(diào)節(jié)飛輪上的鍵相塊位置，使活塞運(yùn)動(dòng)到極限位置時(shí)，鍵相塊所在的平面的法向量與鍵相傳感器探頭軸心在同一軸線上以使轉(zhuǎn)速脈沖的上升沿對(duì)應(yīng)膨脹過(guò)程的起始點(diǎn)。

15.優(yōu)選地，所述s11中的極限位置是指壓縮過(guò)程結(jié)束，膨脹過(guò)程開(kāi)始。

16.優(yōu)選地，所述s12中若存在有周期內(nèi)的數(shù)據(jù)點(diǎn)數(shù)不為n，則采用插值擬合的方法處理使其為n個(gè)，所述m為不小于1的正整數(shù)，所述索引范圍：0~n-1。

17.本發(fā)明的有益效果體現(xiàn)在：本方法能在不影響智能診斷模型準(zhǔn)確率的前提下，給出模型做出判斷的依據(jù)，提高智能診斷的可信度，方便人工核實(shí)診斷結(jié)果。

附圖說(shuō)明

18.圖1：現(xiàn)有技術(shù)中往復(fù)式壓縮機(jī)局部結(jié)構(gòu)。

19.圖2：理想情況下的往復(fù)式壓縮機(jī)示功圖圖3：本發(fā)明故障可視化流程示意圖。

20.圖4：本發(fā)明實(shí)施例中結(jié)合guided grad cam方法獲得的示功圖。

具體實(shí)施方式

21.本發(fā)明揭示了一種往復(fù)式壓縮機(jī)故障診斷可視化方法，結(jié)合圖3所示，包括如下步驟：s1、 訓(xùn)練樣本的產(chǎn)生與積累；對(duì)氣缸內(nèi)安裝的動(dòng)態(tài)壓力傳感器采集的數(shù)據(jù)，以及飛輪邊緣安裝的鍵相傳感器同步采集的脈沖信號(hào)數(shù)據(jù)進(jìn)行采集作為訓(xùn)練樣本；s2、批量獲取s1中生成的訓(xùn)練數(shù)據(jù)與標(biāo)簽；s3、ai模型的設(shè)計(jì)與初始化；采用神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)的輸入為單通道的點(diǎn)數(shù)為n的一維數(shù)組，輸出為健康狀況所對(duì)應(yīng)的標(biāo)簽編碼，包括正常，故障類型1，故障類型2等；所述神經(jīng)網(wǎng)絡(luò)模型包括但不限于ann、resnet、vgg、lstm；s4、訓(xùn)練并得到ai模型；s5、選擇滿足要求的數(shù)采裝置，同步采集正在運(yùn)行中的動(dòng)態(tài)壓力數(shù)據(jù)與轉(zhuǎn)速脈沖數(shù)據(jù)，對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理得到測(cè)試樣本，并將獲得的測(cè)試樣本輸入到s4中獲得的ai模型，前向計(jì)算得到網(wǎng)絡(luò)的輸出，將輸出對(duì)應(yīng)的最大可能的類別作為識(shí)別結(jié)果；s6、利用guided grad cam獲取s5中測(cè)試樣本的每個(gè)值對(duì)ai模型識(shí)別結(jié)果的貢獻(xiàn)

程度；s7、按展示對(duì)診斷結(jié)構(gòu)可解釋的示功圖；s8、人工確認(rèn)模型識(shí)別結(jié)果的準(zhǔn)確性并結(jié)合實(shí)際進(jìn)行相應(yīng)處理；s9、將s8的處理結(jié)果存入訓(xùn)練樣本庫(kù)，以提高后續(xù)重新訓(xùn)練的準(zhǔn)確度。

22.以下結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)闡述以便于理解。

23.本實(shí)施例針對(duì)現(xiàn)有某種型號(hào)的若干一級(jí)往復(fù)式壓縮機(jī)，已按照本發(fā)明所述的要求安裝好數(shù)采裝置，且訓(xùn)練樣本庫(kù)已經(jīng)累積了足量的正常狀態(tài)與若干種故障狀態(tài)的樣本，并按要求打好標(biāo)簽。

24.每一個(gè)訓(xùn)練樣本平均了往復(fù)式壓縮機(jī)在額定功率下運(yùn)行的多個(gè)周期的動(dòng)態(tài)壓力數(shù)據(jù)，每周期的動(dòng)態(tài)壓力數(shù)據(jù)的點(diǎn)數(shù)為456個(gè)。

25.批量獲取訓(xùn)練樣本庫(kù)的多個(gè)訓(xùn)練樣本與標(biāo)簽；設(shè)計(jì)網(wǎng)絡(luò)模型為resnet18，網(wǎng)絡(luò)的輸入為單通道的點(diǎn)數(shù)為456的一維數(shù)組，輸出為健康狀況對(duì)應(yīng)的one-hot標(biāo)簽。

26.訓(xùn)練 resnet18網(wǎng)絡(luò)模型，直到網(wǎng)絡(luò)損失與訓(xùn)練準(zhǔn)確率、驗(yàn)證準(zhǔn)確率滿足期望，完成訓(xùn)練，得到訓(xùn)練好的網(wǎng)絡(luò)模型。

27.在額定功率下采集待檢測(cè)壓縮機(jī)的動(dòng)態(tài)壓力數(shù)據(jù)與轉(zhuǎn)速脈沖數(shù)據(jù)，對(duì)數(shù)據(jù)按照本專利提出的方法進(jìn)行預(yù)處理，得到設(shè)備運(yùn)行的多個(gè)周期的平均動(dòng)態(tài)壓力數(shù)據(jù)，作為待檢測(cè)樣本。

28.將待檢測(cè)樣本輸入到訓(xùn)練好的網(wǎng)絡(luò)模型中，得到識(shí)別結(jié)果。

29.采用guided grad cam算法獲取動(dòng)態(tài)壓力數(shù)據(jù)的每個(gè)數(shù)據(jù)點(diǎn)對(duì)模型識(shí)別結(jié)果造成的影響，即每個(gè)數(shù)據(jù)點(diǎn)的重要性程度。

30.結(jié)合上一步的處理結(jié)果與待檢測(cè)的樣本，用本發(fā)明提出的方法繪制出往復(fù)式壓縮機(jī)示功圖，如圖4所示，其中，突出顯示上一步中重要性程度較高的數(shù)據(jù)點(diǎn)。經(jīng)過(guò)人工核實(shí)診斷結(jié)果，判斷為排氣閥不嚴(yán)，添加該次診斷的數(shù)據(jù)與確認(rèn)后的標(biāo)簽至樣本庫(kù)。

31.且以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。技術(shù)特征：

1.一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，包括如下步驟：s1、 訓(xùn)練樣本的產(chǎn)生與積累；對(duì)氣缸內(nèi)安裝的動(dòng)態(tài)壓力傳感器采集的數(shù)據(jù)，以及飛輪邊緣安裝的鍵相傳感器同步采集的脈沖信號(hào)數(shù)據(jù)進(jìn)行采集作為訓(xùn)練樣本；s2、批量獲取s1中生成的訓(xùn)練數(shù)據(jù)與標(biāo)簽；s3、ai模型的設(shè)計(jì)與初始化；采用神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)的輸入為單通道的點(diǎn)數(shù)為n的一維數(shù)組，輸出為健康狀況所對(duì)應(yīng)的標(biāo)簽編碼；所述神經(jīng)網(wǎng)絡(luò)模型包括但不限于ann、resnet、vgg、lstm；s4、訓(xùn)練并得到ai模型；s5、選擇滿足要求的數(shù)采裝置，同步采集正在運(yùn)行中的動(dòng)態(tài)壓力數(shù)據(jù)與轉(zhuǎn)速脈沖數(shù)據(jù)，對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理得到測(cè)試樣本，并將獲得的測(cè)試樣本輸入到s4中獲得的ai模型，前向計(jì)算得到網(wǎng)絡(luò)的輸出，將輸出對(duì)應(yīng)的最大可能的類別作為識(shí)別結(jié)果；s6、利用guided grad cam獲取s5中測(cè)試樣本的每個(gè)值對(duì)ai模型識(shí)別結(jié)果的貢獻(xiàn)程度；s7、展示對(duì)診斷結(jié)構(gòu)可解釋的示功圖；s8、人工確認(rèn)模型識(shí)別結(jié)果的準(zhǔn)確性并結(jié)合實(shí)際進(jìn)行相應(yīng)處理；s9、將s8的處理結(jié)果存入訓(xùn)練樣本庫(kù)，以提高后續(xù)重新訓(xùn)練的準(zhǔn)確度。2.如權(quán)利要求1所述的一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，對(duì)所述s1包括如下步驟：s11、對(duì)數(shù)據(jù)采集前的數(shù)采裝置進(jìn)行設(shè)定使轉(zhuǎn)速脈沖的上升沿對(duì)應(yīng)膨脹過(guò)程的起始點(diǎn)，對(duì)產(chǎn)生訓(xùn)練樣本的傳感器設(shè)置相同且固定的采樣頻率fs，同步采集動(dòng)態(tài)壓力數(shù)據(jù)與轉(zhuǎn)速脈沖數(shù)據(jù)；s12、取兩個(gè)相鄰轉(zhuǎn)速脈沖上升沿之間的數(shù)據(jù)所對(duì)應(yīng)的同步采集的動(dòng)態(tài)壓力數(shù)據(jù)，作為一個(gè)周期內(nèi)的動(dòng)態(tài)壓力數(shù)據(jù)，記數(shù)據(jù)點(diǎn)數(shù)為n，若一次采集的數(shù)據(jù)包含了完整的連續(xù)m個(gè)周期的動(dòng)態(tài)壓力數(shù)據(jù)，對(duì)各周期內(nèi)索引相同的壓力值求平均值，作為該索引的有效動(dòng)態(tài)壓力值，進(jìn)而得到平均各周期數(shù)據(jù)后的點(diǎn)數(shù)為n的有效動(dòng)態(tài)壓力數(shù)據(jù)；s13、假設(shè)曲軸做勻轉(zhuǎn)速運(yùn)動(dòng)，對(duì)s12中的n個(gè)有效動(dòng)態(tài)壓力數(shù)據(jù)進(jìn)行近似處理，計(jì)算各動(dòng)態(tài)壓力值對(duì)應(yīng)的曲柄相位角，結(jié)合活塞半徑、曲柄長(zhǎng)度、連桿長(zhǎng)度等信息繪制示功圖；s14、人工確認(rèn)示功圖的健康狀況，包含故障類型，為s12的點(diǎn)數(shù)為n的動(dòng)態(tài)壓力數(shù)據(jù)建立標(biāo)簽，將n個(gè)動(dòng)態(tài)壓力數(shù)據(jù)連同標(biāo)簽一起存入訓(xùn)練樣本庫(kù)。3.如權(quán)利要求1所述的一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，所述s5中的預(yù)處理步驟與s12相同。4.如權(quán)利要求1所述的一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，所述s6包括如下步驟：s61、在s5的網(wǎng)絡(luò)前向計(jì)算過(guò)程中，將ai模型中的最后一個(gè)卷積層的輸出結(jié)果作為feature-map，將網(wǎng)絡(luò)輸出的最大可能的類別的得分對(duì)feature-map層的每個(gè)值求偏導(dǎo)，然后用全局平均池化操作獲得每一通道對(duì)分類結(jié)果的貢獻(xiàn)程度，記為通道權(quán)值，所述通道權(quán)值的個(gè)數(shù)取決于s3中ai模型的設(shè)計(jì)；s62、將以上通道權(quán)值與對(duì)應(yīng)的feature-map相乘、再輸入到激活函數(shù)，最終得到grad cam表示的權(quán)值數(shù)組，該權(quán)值數(shù)組可以看成是一個(gè)一維的heatmap“棒”；s63、使用導(dǎo)向反向傳播算法獲得導(dǎo)向權(quán)值數(shù)組，與s62中得到的權(quán)值數(shù)組維數(shù)一致；

s64、將s62、s63中對(duì)應(yīng)位置的權(quán)值相乘，作為s5中經(jīng)預(yù)處理獲得的測(cè)試樣本中對(duì)應(yīng)位置的每個(gè)數(shù)據(jù)點(diǎn)的重要性程度權(quán)值。5.如權(quán)利要求1所述的一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，所述s7包括如下步驟，結(jié)合s13所提的繪制示功圖的方法繪制測(cè)試樣本的示功圖，對(duì)s6中重要性程度權(quán)值較大的動(dòng)態(tài)壓力值點(diǎn)所在的連線突出顯示，作為模型得到識(shí)別結(jié)果的“原因解釋”，所述突出顯示用于區(qū)分重要性程度，其可以為熱力圖顏色、線的粗細(xì)、線的透明度方式。6.如權(quán)利要求1所述的一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，所述s8人工確認(rèn)時(shí)，通過(guò)guided grad cam在示功圖上的可解釋性展示會(huì)提示需要重點(diǎn)確認(rèn)的示功圖部位，若確認(rèn)為故障，則對(duì)故障進(jìn)行處理。7.如權(quán)利要求1所述的一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，所述s9為將人工核實(shí)的最終結(jié)果作為標(biāo)簽，與該次診斷的樣本一起存入訓(xùn)練樣本庫(kù)，以便后續(xù)重新訓(xùn)練提高準(zhǔn)確率。8.如權(quán)利要求1所述的一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，所述s11中通過(guò)調(diào)節(jié)飛輪上的鍵相塊位置，使活塞運(yùn)動(dòng)到極限位置時(shí)，鍵相塊所在的平面的法向量與鍵相傳感器探頭軸心在同一軸線上以使轉(zhuǎn)速脈沖的上升沿對(duì)應(yīng)膨脹過(guò)程的起始點(diǎn)。9.如權(quán)利要求8所述的一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，所述s11中的極限位置是指壓縮過(guò)程結(jié)束，膨脹過(guò)程開(kāi)始。10.如權(quán)利要求9所述的一種往復(fù)式壓縮機(jī)故障診斷可視化方法，其特征在于，所述s12中若存在有周期內(nèi)的數(shù)據(jù)點(diǎn)數(shù)不為n，則采用插值擬合的方法處理使其為n個(gè)，所述m為不小于1的正整數(shù)，所述索引范圍：0~n-1。

技術(shù)總結(jié)

本發(fā)明提供了一種往復(fù)式壓縮機(jī)故障診斷可視化方法，包括S1訓(xùn)練樣本的產(chǎn)生與積累；S2批量獲取訓(xùn)練數(shù)據(jù)與標(biāo)簽；S3進(jìn)行AI模型設(shè)計(jì)與初始化；S4訓(xùn)練得AI模型；S5選擇滿足要求的數(shù)采裝置，同步采集正在運(yùn)行中動(dòng)態(tài)壓力數(shù)據(jù)與轉(zhuǎn)速脈沖數(shù)據(jù)，對(duì)采集數(shù)據(jù)做預(yù)處理得測(cè)試樣本，將獲得的測(cè)試樣本輸入到AI模型，前向計(jì)算得到網(wǎng)絡(luò)輸出，將輸出對(duì)應(yīng)的最大可能的類別作為識(shí)別結(jié)果；S6利用Guided Grad CAM獲取測(cè)試樣本每個(gè)值對(duì)AI模型識(shí)別結(jié)果貢獻(xiàn)程度；S7展示對(duì)診斷結(jié)果可解釋的示功圖；S8人工確認(rèn)模型識(shí)別結(jié)果準(zhǔn)確性并進(jìn)行處理；S9將結(jié)果存入訓(xùn)練樣本庫(kù)。本發(fā)明能在不影響智能診斷模型準(zhǔn)確率前提下給出了模型做出判斷的依據(jù)，提高智能診斷的可信度，方便人工核實(shí)診斷結(jié)果。方便人工核實(shí)診斷結(jié)果。方便人工核實(shí)診斷結(jié)果。

技術(shù)研發(fā)人員：包繼華 鄧剛 張玉斌 姜雪

受保護(hù)的技術(shù)使用者：蘇州德姆斯信息技術(shù)有限公司

技術(shù)研發(fā)日：2022.05.11

技術(shù)公布日：2022/7/21