一種基於貝葉斯網絡的壓縮機氣閥故障診斷方法與流程
2023-06-21 12:42:26 4
本發明涉及壓縮機氣閥故障診斷技術，具體涉及一種基於貝葉斯網絡的壓縮機氣閥故障診斷方法。
背景技術：
：往復壓縮機是流程工業企業關鍵機組，尤其在煉油、化工、輸氣管道行業中起著至關重要的作用。氣閥是往復壓縮機重要組件之一，氣閥的作用是控制氣缸中的氣體吸入和排出。氣閥的種類有很多，常見的有環狀閥、網狀閥、碟形閥等。氣閥是往復壓縮機完成工作循環易損件之一，在長期生產實踐中發現氣閥故障是壓縮機的最常見故障，約佔總故障的60％以上。氣閥故障可導致壓比失調、排溫升高、排氣量降低等，嚴重時甚至可以導致機組報廢。因此，及時有效地檢測氣閥故障，對保證往復壓縮機正常工作有重要意義。貝葉斯網絡理論是不確定知識表達與診斷推理的有效方法之一。貝葉斯網絡(Bayesiannetworks,BN)是一種應用有向無環圖表示變量間概率依賴關係的圖模型，最早由Pearl提出。貝葉斯統計和圖論的發展為貝葉斯網絡提供了堅實的理論基礎，而人工智慧、專家系統和機器學習在實踐中的廣泛應用成為貝葉斯網絡產生和發展的催化劑。從統計學的角度來看，貝葉斯網絡是圖模型的一種，而人工智慧學科則把根據數據獲得貝葉斯網絡的過程視為機器學習的一個特例。葉斯網絡的相關理論研究為貝葉斯網絡分類器提供了理論支持，因此貝葉斯網絡分類器在模式識別和分類問題中得到了廣泛的研究。貝葉斯網絡分類器的關鍵是BN結構的學習，現有的BN結構學習方法可分成三類:①基於打分-搜索的學習方法,該方法過程搜索範圍大,在結點順序已知的情況下,對變量比較少的結構比較適合。②基於依賴分析的學習方法，該方法過程比較複雜,且很難準確地確定切割集,而大量的高維條件概率計算會產生錯誤,這就導致難以定向所有的邊。③結合上述兩種方法的混合搜索算法。目前，基於貝葉斯網絡的方法已大量用於模式識別、故障診斷中，取得了非常好的效果。技術實現要素：本發明的目的在於提供一種基於貝葉斯網絡的壓縮機氣閥故障診斷方法，該方法利用低階CI測試與貪心方法確定貝葉斯網絡模型，運用貝葉斯估計方法進行參數學習以獲得各結點對應的條件概率表，根據測試樣本集，並以條件屬性值作為證據，可求得各故障類型的後驗概率，最大後驗概率所對應的類標籤即作為該樣本的分類標籤。該方法有效地限制了候選父節點的個數，避免了不必要的結構評分，在壓縮機氣閥故障中具有明顯優勢。本發明公開了一種基於貝葉斯網絡的壓縮機氣閥故障診斷方法，包括以下步驟：A、對不同故障狀態和正常狀態的壓縮機氣閥振動信號進行採樣，獲取振動信號數據。利用小波閾值去噪方法對振動信號進行去噪。B、利用小波包算法對樣本數據進行分解，提取各頻帶能量作為特徵向量的元素，將特徵向量進行離散化處理。C、將屬性變量和類變量分別作為貝葉斯模型的節點，分別用①、②、③、④、⑤、⑥、⑦、⑧、⑨表示。選擇目標節點變量，其餘節點組成該節點的初始候選父節點集合，通過低階CI測試，去除與目標變量獨立的變量，更新該節點候選父節點集。對於所有節點，重複上述過程，更新每個節點的候選父節點集。D、通過比較每個節點的BIC得分，利用貪心算法依次確定每個節點的父節點，並更新其餘節點的候選父節點，從而構建貝葉斯網絡模型。E、利用貝葉斯估計方法獲得結點對應的條件概率表，以條件屬性值作為待診斷觀測證據，結合聯合樹推理算法，可求得各故障類型的後驗概率，最大後驗概率所對應的類標籤即作為該樣本的分類標籤。進一步地，所述步驟A具體包括以下分步驟：A1、壓縮機氣閥運行狀態包括正常工作狀態和三種故障狀態：閥片斷裂、閥片有缺口和缺少彈簧，獲取氣閥四種狀態下的振動信號數據。A2、選擇db4小波，對振動信號數據進行3層小波分解，選擇一個閾值對每一層的高頻係數軟閾值量化處理。A3、根據小波分解的第3層的低頻係數和經過量化處理後的的高頻係數,進行一維信號的小波重構，得到去噪後振動信號樣本。進一步地，所述步驟A2軟閾值法計算公式具體為：其中WT為小波係數,Th為閾值。上式的含義為把信號的小波係數的絕對值和閾值進行比較，小於或等於閾值的點變為0,大於閾值的點變為該點值與閾值的差值,並保持符號不變。進一步地，所述步驟B具體包括以下分步驟：B1、利用小波包算法對樣本數據進行3層小波包分解，對第三層所有頻帶進行重構，提取各頻帶能量並作歸一化處理，將其作為特徵向量的元素。特徵向量中的元素對應樣本的條件屬性值，將故障類型分別作為樣本的類屬性，相應的類屬性值可以表示為1、2、3、4。B2、利用等寬區間法將特徵向量進行離散化處理，定義「很小」、「小」、「大」、「很大」四種類型，分別用1、2、3、4表示。進一步地，所述步驟B1中能量信息歸一化具體為：設小波包分解後第j層第k個頻帶的重構信號Sjk對應的信號能量為Ejk，則有其中，N表示數據長度；j表示小波包分解層次；k＝0,1,2,...,M，表示分解頻帶的序號，xkm表示重構信號Sjk的離散點的幅值。信號E等於各自頻帶的能量之和，則利用分解後信號各頻帶的能量佔總能量的百分比作為反映設備運行狀態的特徵向量。因此，小波包提取的特徵向量為Wjk＝[Ej0,Ej1,...,EjM]/E進一步地，所述步驟C中低階CI測試具體包含以下步驟：C1、建立原假設H0和備擇假設H1：H0：在給定Xk的條件下，Xi和Xj獨立；H1：在給定Xk的條件下，Xi和Xj不獨立；C2、計算檢驗統計量G2和自由度f，並給定顯著性水平α＝0.01。C3、若則拒絕原假設H0，否則，接受H0。進一步地，所述步驟C2中檢驗統計量G2具體為：在變量Xk的條件下，變量Xi與Xj之間的檢驗統計量G2計算公式如下：其中表示在樣本中隨機變量Xi＝a、Xj＝b且Xk＝c的次數，表示在樣本中隨機變量Xi＝a且Xk＝c的次數，表示在樣本中隨機變量Xj＝b且Xk＝c的次數，表示在樣本中隨機變量Xk＝c的次數。此時自由度f的計算公式為：f＝(ri-1)(rj-1)rk其中ri表示變量Xi的取值空間的大小，其中rj表示變量Xj的取值空間的大小，其中rk表示變量Xk的取值空間的大小。8，進一步地，所述步驟D具體包含以下步驟：D1、選擇一個節點，從該節點無父節點的初始狀態開始，每次在其當前父節點集的基礎上，從剩餘的候選父節點集中選擇一個節點加入，該加入的節點使得當前BIC評分增量最大。循環進行上述的父節點添加過程，直至加入的節點無法提高當前得分。對於所有節點，重複上述過程，可得到每個節點在其當前候選父節點集合下的父節點集。D2、貝葉斯網絡是有向無環圖，對於同一個節點而言，不能同時作為某個節點的父節點和子節點。利用貪心算法，選擇BIC得分最大的節點，最終確定該節點的父節點集合，並從節點集合中去除該節點，並更新其餘節點的候選父節點集，直至找出所有節點的父節點集，即確定了貝葉斯網絡模型。9，進一步地，所述步驟D1中BIC評分函數計算公式具體為：其中，Nij是滿足屬性Ai的雙親的第j個狀態的記錄數目，即屬性Ai有ri個狀態，其雙親集合有qi個狀態，Nijk是滿足屬性Ai的第k個狀態，且Ai雙親的第j個狀態的記錄數目。結構的BIC分值越大表明與數據集擬合程度越高，且不容易導致過擬合現象的發生。qi可能取值為4n，n表示Ai的父節點個數，n＝0,1,2,...,8，ri取值為4。10，進一步地，所述步驟E具體包含以下步驟：E1、假設參數向量θ以共軛Dirichlet分布作為先驗概率分布，結合樣本數據，運用貝葉斯估計方法獲得結點對應的條件概率表。E2、以條件屬性值作為待診斷觀測證據，利用聯合樹推理算法，求得測試樣本在各條件屬性取值下各故障類型的後驗概率，最大後驗概率所對應的類標籤即作為該樣本的分類標籤。本發明具有以下優點：本發明通過小波閾值去除噪聲，對去噪後的信號提取能量特徵，並作離散化處理，生成樣本決策表。將低階CI測試和貪心方法相結合，確定每個節點的父節點，並以此建立貝葉斯網絡模型。運用貝葉斯估計方法進行參數學習以獲得各結點對應的條件概率表，根據測試樣本集，以條件屬性值作為證據，可求得各故障類型的後驗概率，最大後驗概率所對應的類標籤即作為該樣本的分類標籤。該方法有效地限制了候選父節點的個數，避免了不必要的結構評分，在壓縮機氣閥故障中具有明顯優勢。附圖說明圖1：本發明故障診斷框圖；圖2：原始振動信號與消噪後的信號圖3：小波包三層分解圖4：貝葉斯網絡模型具體實施方式為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，並不用於限定本發明。如圖1所示，為本發明的一種基於貝葉斯網絡的壓縮機氣閥故障診斷方法流程示意圖。，一種基於貝葉斯網絡的壓縮機氣閥故障診斷方法包括以下步驟：A、壓縮機氣閥運行狀態包括一種正常工作狀態和三種故障狀態：閥片斷裂、閥片有缺口和缺少彈簧。信號的採樣頻率20000HZ，每種狀態採樣點數80000個。利用小波閾值去噪方法對振動信號進行去噪，具體步驟如下：A1、壓縮機氣閥運行狀態包括正常工作狀態和三種故障狀態：閥片斷裂、閥片有缺口和缺少彈簧，獲取氣閥四種狀態下的振動信號數據。A2、選擇db4小波，對振動信號數據進行3層小波分解，選擇一個閾值對每一層的高頻係數軟閾值量化處理。軟閾值法計算公式具體為：其中WT為小波係數,Th為閾值。上式的含義為把信號的小波係數的絕對值和閾值進行比較，小於或等於閾值的點變為0,大於閾值的點變為該點值與閾值的差值,並保持符號不變。A3、根據小波分解的第3層的低頻係數和經過量化處理後的的高頻係數,進行一維信號的小波重構，得到去噪後振動信號樣本，原始振動信號與去噪後振動信號如圖2所示。B、利用小波包算法對樣本數據進行分解，提取各頻帶能量作為特徵向量的元素，將特徵向量進行離散化處理。具體步驟如下：B1、選用db5小波包進行3層分解，共得到8個頻率段，其分解樹結構如圖3所示。分別計算每個頻帶的能量值，對第三層所有頻帶進行重構，提取各頻帶能量並作歸一化處理，將其作為特徵向量的元素，分別用c1、c2、c3、c4、c5、c6、c7、c8表示。特徵向量中的元素對應樣本的條件屬性值，將故障類型分別作為樣本的類屬性，相應的類屬性值可以表示為1、2、3、4。設小波包分解後第j層第k個頻帶的重構信號Sjk對應的信號能量為Ejk，則有其中，N表示數據長度；j表示小波包分解層次；k＝0,1,2,...,M，表示分解頻帶的序號，xkm表示重構信號Sjk的離散點的幅值。信號E等於各自頻帶的能量之和，則利用分解後信號各頻帶的能量佔總能量的百分比作為反映設備運行狀態的特徵向量。因此，小波包提取的特徵向量為C＝[Ej0,Ej1,...,EjM]/EB2、利用等寬區間法將特徵向量進行離散化處理，定義「很小」、「小」、「大」、「很大」四種類型，分別用1、2、3、4表示。表1部分離散化後樣本決策表C、將屬性變量和類變量分別作為貝葉斯模型的節點，分別用①、②、③、④、⑤、⑥、⑦、⑧、⑨表示。選擇目標節點變量，其餘節點組成該節點的初始候選父節點集合，通過低階CI測試，去除與目標變量獨立的變量，更新該節點候選父節點集。對於所有節點，重複上述過程，更新每個節點的候選父節點集。低階CI測試具體包含以下步驟：C1、建立原假設H0和備擇假設H1：H0：在給定Xk的條件下，Xi和Xj獨立；H1：在給定Xk的條件下，Xi和Xj不獨立；C2、計算檢驗統計量G2和自由度f，並給定顯著性水平α＝0.01。檢驗統計量G2具體為：在變量Xk的條件下，變量Xi與Xj之間的檢驗統計量G2計算公式如下：其中表示在樣本中隨機變量Xi＝a、Xj＝b且Xk＝c的次數，表示在樣本中隨機變量Xi＝a且Xk＝c的次數，表示在樣本中隨機變量Xj＝b且Xk＝c的次數，表示在樣本中隨機變量Xk＝c的次數。此時自由度f的計算公式為：f＝(ri-1)(rj-1)rk其中ri表示變量Xi的取值空間的大小，其中rj表示變量Xj的取值空間的大小，其中rk表示變量Xk的取值空間的大小。C3、若則拒絕原假設H0，否則，接受H0。表2各節點的候選父節點D、通過比較每個節點的BIC得分，利用貪心算法依次確定每個節點的父節點，並更新其餘節點的候選父節點，從而構建貝葉斯網絡模型。具體包含以下步驟：D1、選擇一個節點，從該節點無父節點的初始狀態開始，每次在其當前父節點集的基礎上，從剩餘的候選父節點集中選擇一個節點加入，該加入的節點使得當前BIC評分增量最大。循環進行上述的父節點添加過程，直至加入的節點無法提高當前得分。對於所有節點，重複上述過程，可得到每個節點在其當前候選父節點集合下的父節點集。BIC評分函數計算公式具體為：其中，Nij是滿足屬性Ai的雙親的第j個狀態的記錄數目，即屬性Ai有ri個狀態，其雙親集合有qi個狀態，Nijk是滿足屬性Ai的第k個狀態，且Ai雙親的第j個狀態的記錄數目。結構的BIC分值越大表明與數據集擬合程度越高，且不容易導致過擬合現象的發生。qi可能取值為4n，n表示Ai的父節點個數，n＝0,1,2,...,8，ri取值為4。D2、貝葉斯網絡是有向無環圖，對於同一個節點而言，不能同時作為某個節點的父節點和子節點。利用貪心算法，選擇BIC得分最大的節點，最終確定該節點的父節點集合，並從節點集合中去除該節點，並更新其餘節點的候選父節點集，直至找出所有節點的父節點集，即確定了貝葉斯網絡模型如圖4所示。表3各節點的父節點節點名父節點①②④②無③①④②⑤③⑥⑧⑨⑦②⑧②⑨⑨①②④表4貝葉斯網絡模型鄰接矩陣E、利用貝葉斯估計方法獲得結點對應的條件概率表，以條件屬性值作為待診斷觀測證據，結合聯合樹推理算法，可求得各故障類型的後驗概率，最大後驗概率所對應的類標籤即作為該樣本的分類標籤。具體分為以下步驟：E1、假設參數向量θ以共軛Dirichlet分布作為先驗概率分布，結合樣本數據，運用貝葉斯估計方法獲得結點對應的條件概率表。E2、以條件屬性值作為待診斷觀測證據，利用聯合樹推理算法，求得測試樣本在各條件屬性取值下各故障類型的後驗概率，最大後驗概率所對應的類標籤即作為該樣本的分類標籤。表5故障診斷結果通過以上步驟，能夠實現對壓縮機氣閥故障診斷，並且故障診斷正確率較高。本領域的普通技術人員將會意識到，這裡所述的實施例是為了幫助讀者理解本發明的原理，應被理解為本發明的保護範圍並不局限於這樣的特別陳述和實施例。本領域的普通技術人員可以根據本發明公開的這些技術啟示做出各種不脫離本發明實質的其它各種具體變形和組合，這些變形和組合仍然在本發明的保護範圍內。當前第1頁1 2 3