Resumen

Los compresores alternativos desempean un papel vital en los procesos petrolferos, de gas natural e industriales en general. Su funcionamiento seguro y estable afecta directamente al desarrollo saludable de la economa de la empresa. Dado que el fallo de la vlvula representa el 60% de los fallos totales cuando el compresor alternativo falla, es de gran importancia encontrar y diagnosticar rpidamente el tipo de fallo de la vlvula para el diagnstico de fallos del compresor alternativo. En la actualidad, el diagnstico de fallos de vlvulas de compresores alternativos basado en redes neuronales profundas requiere suficientes datos etiquetados para el entrenamiento, pero las vlvulas de compresores alternativos reales (VRRC) no tienen suficientes datos etiquetados para entrenar un modelo fiable. Afortunadamente, los datos de la vlvula del compresor alternativo de laboratorio (VLRC) contienen conocimientos relevantes para el diagnstico de fallos. Por lo tanto, inspirado en la idea del aprendizaje por transferencia, se propone un mtodo de diagnstico de fallos para vlvulas de compresores alternativos basado en redes neuronales convolucionales de aprendizaje por transferencia (TCNN). Este mtodo utiliza redes neuronales convolucionales (CNN) para extraer las caractersticas transferibles de los datos de temperatura y presin del gas de VLRC y VRRC y establecer pseudo-etiquetas para los datos no etiquetados de VRRC. Se proponen tres trminos de regularizacin: la discrepancia media mxima (MMD) de las caractersticas transferibles de los datos VLRC y VRRC, el error entre la prediccin de la etiqueta de muestra VLRC y la etiqueta real, y el error entre la prediccin de la etiqueta de muestra VRRC y la pseudoetiqueta. Su suma ponderada se utiliza como funcin objetivo para entrenar el modelo, reduciendo as la diferencia de distribucin de la transferencia de caractersticas de dominio y aumentando la distancia entre las clases de caractersticas de aprendizaje. Los resultados experimentales muestran que este mtodo utiliza datos VLRC para identificar el estado de salud de los VRRC, y la tasa de reconocimiento de fallos puede alcanzar el 98,32%. En comparacin con los mtodos existentes, este mtodo tiene una mayor precisin de diagnstico, lo que demuestra la eficacia de este mtodo.

• Materias:Lógica matemática Ingeniería Algoritmos (Matemáticas) Algebra Matemáticas
• Subjects:Mathematical logic Engineering Agorithms (Math) Algebra mathematics
• Palabras claves:Compresores alternativos; Fallo de válvulas; Diagnóstico de fallos; Aprendizaje por transferencia; Red neuronal convolucional; Precisión del diagnóstico
• Keywords:Reciprocating compressors; Valve failure; Fault diagnosis; Transfer learning; Convolutional neural network; Diagnostic accuracy