一種基於進化計算診斷壓縮機故障的方法

2023-04-23 22:03:21

專利名稱：：一種基於進化計算診斷壓縮機故障的方法
技術領域：
：本發明屬於故障診斷方法，特別涉及一種基於改進了的進化計算來診斷壓縮機故障的方法。該方法可用於解決壓縮機故障診斷中的故障數據特徵提取及故障識別和分類問題。
背景技術：
：由於壓縮機系統日益的複雜化，導致了所檢測的狀態參數的增多，增加了處理故障檢測數據的難度。其主要表現在故障數據狀態參數分布空間的複雜化和數據樣本的重複冗餘。在以往的故障檢測中，一般採用歐氏距離來度量數據之間的距離、確定數據的聚類/分類，但歐氏距離只能在球形空間正確的反映出數據之間的關係，如果系統故障數據分布如圖1(a)所示，圖中Pj、P2、P3三個數據點採用歐式距離度量，則^與P2最近；但將圖l(a)展開後，如圖i(b)所示，它們之間應該是P2、&兩點最近；所以對於此類狀態參數分布空間，基於歐式距離的聚類/分類算法是不可能得到正確結果的。而對於實際的系統，無法保證其狀態參數的分布就是球形空間，因此有必要構建一個能夠正確衡量故障監測數據的新的距離度量。在圖論中，一個關係圖表示為G氣V，E)，其中V是頂點集合，E是邊的集合，如果故障監測數據通過合適的處理以關係圖的方式來表達它們之間的關係，就可以根據圖論的知識將歐氏距離度量轉換為測地線(geodesic)距離度量，從而克服了歐氏度量標準的缺點。將故障數據用關係圖表示後，故障特徵提取也隨之轉變為對該關係圖的分割，圖分割是圖論中一個重要的研究前沿。目前，在基於圖分割領域的研究主要集中在分割準則的設計、譜方法的研究、快速算法的研究，上述方法共同點是需要構建相似度矩陣，並通過求解特徵向量來實現數據的聚類/分類，而上述方法對數據中含有的噪音敏感，可能會導致數據不正確的聚類/分類，而壓縮機系統的監測數據中往往是含有大量噪音的，所以採用傳統的圖分割方法很難保證算法的有效性和效率，因此需要引入新的方法來解決此技術難點。進化計算是模擬生物進化過程的算法，具有可操作性強，效率高等優點，在工程優化計算中已被廣泛的應用，其研究起源於二十世紀五十年代末，成熟於八十年代，它是信息科學、人工智慧與計算機科學的熱點研究領域，並已在工程優化、圖像分割中有許多成功的應用，具備對數據噪聲不敏感和對待求解問題無需連續、可微的前提條件等特點，所以該方法能夠較好的解決上述的分割問題。目前，基於進化計算的壓縮機故障診斷技術未見有文獻公開報導。隨著壓縮機系統的日益大型化、複雜化的發展趨勢，其故障診斷以及故障分析也越來越困難。本發明的目的在於，採用關係圖的方式來表達故障數據點之間的關係，建立一套新的數據關係度量標準代替歐氏距離，克服歐氏距離只能在球形空間內準確表達數據關係的弱點；並將複雜系統理論和進化計算技術相結合，來解決多噪音數據圖分割的技術難點，實現故障數據的聚類/分類，進而提取規則，完成壓縮機系統的故障診斷。為達到以上目的，本發明是採取如下技術方案予以實現的-一種基於進化計算診斷壓縮機故障的方法，其特徵在於，包括下述步驟1)在壓縮機各級缸進氣口、排氣口安裝溫度、壓力傳感器，由數據採集卡採集數據到計算機；2)根據實際壓縮機物理結構以及各個傳感器安裝具體位置構建測量數據關係圖，以傳感器作為關係圖的"節點"，以實際壓縮機物理結構所產生傳感器之間的聯繫作為"關係"，數據樣本空間X就可以表示成加權無向圖G(V,A)，其中，V是圖的頂點，A是加權邊；3)採用帕累託原則構造圖分割代價函數，其具體描述如下式所示formulaseeoriginaldocumentpage7式中A為分類數目，c,為各個子圖中心點，yr為圖的緊密度量度，",為
發明內容子圖內數據點數目，》為數據點。4)構建基於複雜系統理論的進化計算圖分割算法，首先，用反映複雜系統能量分布的冪次法則改造選擇算子；其次，設計具有自學習特性的環境-基因雙演化交叉算子；再次，採用反饋機理改進更新策略，提出一種自適應的更新策略算子；最後，提出基因漂流算子並用於算法中；以上各算子在進行進化計算過程中相互平衡、相互制約，以提高算法的效率及防止早熟；5)初始化設定基於複雜系統理論的進化計算圖分割算法終止條件，設置算法運行參數；6)算法終止條件判斷當滿足終止條件就結束算法，執行第8)步，否則，執行第7)步；7)採用基於複雜系統理論的進化計算算法對數據關係圖進行分割，返回6);8)根據數據關係圖分割結果，判斷壓縮機的工作狀態，並作出故障診斷。上述方案中，第2)步所述構建測量數據關係圖的具體方法是大型壓縮機檢測到的系統可觀測量jc包括有進氣壓力、進氣溫度、排氣壓力和排氣溫度共4個屬性，可觀測量jc的取值範圍全體構成數據樣本空間X，每一個可觀測量《作為"節點"，兩個可觀測量^與》之間的實際壓縮機物理聯繫作為"關係"，數據樣本空間X就可以表示成加權無向圖G(V,A)，V^x^2，…a〉為圖的頂點，加權邊A={aij}表示a與jcj之間的相似度。所述第4)步中，用反映複雜系統能量分布的冪次法則改造選擇算子是對父代的選擇採用冪次法，而對母代的選擇則採用順序選擇，並與環境-基因雙演化交叉算子、自適應更新策略算子、基因漂流算子配合使用，防止算法出現早熟；其中環境-基因雙演化交叉算子具體描述如下,，、fx;+。E,7;(x廣ix,x.Horr2E"+r3(x;—x'》,/(x;)>/(x》r2E3(x;-x;),/(x》〉/(x;)式中￡是環境變量，n是學習係數，r2是遺忘係數，。是加速係數，/是進化代數。所述採用反饋機理改進更新策略，提出一種自適應的更新策略算子具體描述如下「n,/(*;)>/(x;)x;+1=</(x;)門</^wx;+、x;，。A謂^rr(x;+1,x;，x;)=式中Tr是更新策略算子，a是更新規模變量，w是遺傳算法種群規模，^是產生的新個體。上式中更新規模變量外亦採用反饋修改方式，當種群逐代進化時則較多的個體採用"優勝劣汰"更新策略，促使群體迅速收斂；但種群陷於局部最優解，進化趨勢不明顯時則採用"子代直接取代父代"的更新策略，為群體引入更多的基因模式。所述更新規模變量a的反饋修改方式如下=&+成二)>成狀)￡丄式中a是遞增量常數，》是遞減量常數。所述基因漂流算子具體描述如下,1.0]7}(X)=cii'…cu-i，C14，%+i，…，ci/C21，…C24-l，C2*，Cm"l，…，C2/.Cml,…Cm4-1，Ciit，Cmifc+1，…，Cm/式中Tf為基因漂流算子，Xbest為最優個體。所述採用基因漂流算子發生基因漂流事件的概率為a，其採用了反饋控制技術，其具體描述如下式中A是基因漂流概率，&是概率遞增係數，&是概率遞減係數。所述第7)步中，採用基於複雜系統理論的進化計算算法對數據關係圖進行分割是在圖分割代價函數的指導下，基於第5)步所述的初始化工作和第6)步所述的終止條件判斷，對第2)步構建的測量數據關係圖進行最優化分割的過程，包括下述步驟7-1判斷是否需要進行基因漂流操作，若不需要，轉至執行第7-4步；7-2使用第4)步所述的基因漂流算子，選擇優勢基因位修改所有個體的等基因位；7-3按照第3)步構造的代價函數計算當前所有個體的代價函數值；7-4使用第4)步所述的冪次法則改造選擇算子從群體中選擇用於交配的父代個體；7-5判斷是否需要進行雜交操作，若不需要，轉至執行第7-7步；7-6使用第4)步所述的環境——基因交叉算子雜交父代個體以獲得子代個體；7-7判斷是否需要進行變異操作，若不需要，轉至執行第7-9步；7-8變異子代個體；7-9按照第3)步構造的代價函數計算子代個體的代價函數值；7-10使用第4)步所述的自適應更新策略更新群體。所述第8)步中，判斷壓縮機的工作狀態並作出故障診斷是指對第7)步所得的數據聚類結果進行判斷，由於不同的故障有不同的數據聚類結果，從而判斷出壓縮機是否有故障，再將數據狀態與物理結構進行對比或者將聚類結果與標準數據的聚類結果對比，即可判斷壓縮機故障的類型。本發明方法的特點是1.提出基於關係圖的故障監測數據關係的度量模型。以圖論中的關係圖表述大型壓縮機故障監測數據的關係，克服傳統歐氏距離不能正確度量非球形空間分布的數據關係，該數據關係模型的建立能夠準確地度量壓縮機故障監測數據之間的真實距離。2.發展出解決多噪音壓縮機故障數據圖分割的多目標聚類進化計算算法。圖論中，圖分割的方法幾乎是通過構建相似矩陣，並求解相似矩陣的特徵向量來實現。但是，由於噪音對矩陣特徵向量求解的影響非常大，所以含有多噪音數據圖的分割是一技術難點。本發明以多目標進化計算的數據聚類算法來解決多噪音數據圖分割，並從複雜系統的角度重新認知進化計算的行為，提高壓縮機故障數據圖分割的效率和分割結果的滿意度。本發明與現有技術相比具有如下優點1、實施成本低並對壓縮機系統結構破壞性小。目前，壓縮機故障診斷一種十分有效的方法是示功圖法，該方法通過反映設備熱力學性能示功圖的變化對設備進行故障監測與診斷。但是，無論採用機械式，電器式或電子式示功器，一般需要在壓縮機上開示功孔，這就破壞了壓縮機的原有結構。所以，雖然示功圖法是非常有效的檢測手段，但是在生產實際過程中卻很難實施。其次，就是振動法，其利用機器表面振動信號診斷活塞、氣缸磨損、氣閥漏氣和主軸承狀態；在氣缸頭安裝振動傳感器，通過分析振動信號診斷缸內故障；利用振動信號診斷壓縮機主軸承故障；利用潤滑油管路內的壓力波信號診斷壓縮機軸承故障等。但由於背景噪聲幹擾大、機械工況的變化導致其信號的非平穩性、缺少性能可靠的傳感器以及實施費用高等原因導致該方法在實際壓縮機故障監測與診斷中未能得到大面積推廣。而本發明採用參數法，通過檢測熱力學狀態參數(如溫度、壓力)以診斷壓縮機的故障。參數法優點在於其一，油溫、水溫、排氣量、排氣壓力、冷卻水量等信號獲取的代價較小；其二，參數法對壓縮機的結構和性能幾乎沒有影響。2、用壓縮機故障監測數據關係圖度量數據之間關係準確。本質上壓縮機故障診斷就是對系統檢測數據進行處理，將故障數據分類以及從繁雜的數據中提取知識，因此就需要設定故障數據之間關係的衡量標準，目前故障數據之間的衡量標準大多採用歐氏距離。如果系統故障數據分布在空間扭曲，此時基於歐式距離的聚類/分類算法就不可能得到正確的結果。而壓縮機是一類較為複雜的機電系統，其各個壓縮氣缸之間相互影響、相互耦合，某一級出現故障後，其溫度、壓力的變化會耦合到系統其它各級缸中，並且其變化具有很強的非線性和時變性，所以壓縮機的故障特徵參數空間不可能是規則空間，而目前在故障監測技術中，絕大部分的數據關係是通過歐氏距離來衡量，實際的數據聚類表明歐氏距離只適合處理球形空間內的數據，因此歐氏距離衡量標準在該類系統中不再適用。所以，本發明中採用圖論中的關係圖來表示數據點之間的關係，以非歐式距離度量關係圖中數據點之間的長度。其內容包括關係圖的拓撲頂點集合和故障數據點映射關係以及關係圖的邊集合和故障數據點距離的對應關係。關係圖的拓撲頂點集合與故障數據點映射關係描述了故障演變的關係是多級壓縮機內在物理特徵的體現；關係圖的邊集合與故障數據點距離的對應關係則度量了非歐式空間下的故障發現遷變概率。3、仿真試驗性能好，檢測方法優越為了驗證本發明的基於進化計算壓縮機故障檢測方法的優越性，將對實際的大型四級壓縮機系統中的數據進行故障處理，並與基於譜分割數據圖處理方法進行了比較。試驗結果表明基於進化計算壓縮機故障診斷方法在大大減少特徵樣本的情況下，有效提高了分類正確率；與基於譜分割數據圖處理方法相比，明顯降低了計算複雜度，並且算法不受樣本初始分布的影響，更加穩定。而數據分類環節正是能否正確快速診斷出壓縮機故障的關鍵環節。圖1是兩種不同空間下的數據分布圖圖l(a)為彎曲空間數據分布圖；圖l(b)為非彎曲空間數據分布圖。圖2是本發明方法實現步驟的流程框圖。圖3是圖2中採用進化計算算法對數據關係圖進行分割的具體步驟框圖。圖4是本發明的數據維數對運算時間的影響圖。具體實施例方式為了驗證本發明基於進化計算壓縮機故障診斷方法的優越性，以下結合實施例對本發明作進一步的詳細描述。本發明基於進化計算壓縮機故障診斷方法應用於某一大型四級壓縮機(功率500KW，壓力10MPa)故障數據的診斷問題。通過對比本發明和傳統譜聚類算法提取故障特徵數據數目和診斷正確率，可以檢驗本發明發現故障狀態的能力。針對上述具體問題，對本發明設計的基於進化計算壓縮機故障診斷方法具體描述如下1)採集四級壓縮機工作狀態數據在壓縮機各級缸進氣口、排氣口安裝溫度、壓力傳感器，並通過數據採集卡採集數據；2)建立四級壓縮機數據關係圖:根據四級壓縮機各個汽缸之間串聯的物理特性建立傳感器採集回來數據點之間的關係。關係圖的拓撲頂點集合與傳感器數據點映射關係描述了各級缸之間物理狀態動態的演變關係，是該四級壓縮機內在物理特徵的體現。關係圖的邊集合與傳感器數據點距離的對應關係則度量了非歐式空間下的各級缸數據點遷變的概率。3)構造關係圖分割代價函數在代價函數的設計中，納入社會經濟學的帕累託原則，強調多目標之間的動態平衡，解決目標之間資源合理分配的難題。具體是在網絡分割後評價子網絡內部的拓撲頂點的數量和所有的邊長，期望子網絡內部包含的拓撲頂點和短邊數量越多越好，並且長邊越少越好。所構造的代價函數具體如下式所示式中A:為分類數目，。為各個子圖中心點，,為圖的緊密度量度，",為子圖內數據點數目，》為數據點。4)構建基於複雜系統理論的進化計算圖分割算法針對進化算法效率低及易"早熟"等問題，基於複雜系統理論對其做了以下改進首先，用反映複雜系統能量分布的冪次法則改造了選擇算子，冪次法則(Powerlaw)的現象在100多年前即被發現，諸如都市人口、網站規模、英文字符出現頻率、國民生產總值等都符合冪次法則，該法則被認為是複雜系統自組織能力的表現，是系統能量合理分配的一種體現。在生物進化中，總是少數的高適應度個體佔有更多的資源，這與冪次法則現象基本一致，所以我們在遺傳算法的選擇算子設計中引入冪次法則。由於數值模擬的進化計算中種群規模有限，為了充分利用種群內部模式，本發明算法對父代的選擇採用冪次法，而對母代的選擇則採用順序選擇。其優點在於能夠充分搜索每代種群中最優個體內所含的模式，可以加速算法的收斂；缺點則是易早熟，因此基於冪次法則的選擇算子必須與算法中其它算子配合使用，才能保證算法不出現早熟。其次，引入複雜系統自學習特性重新設計了交叉算子，即環境——基因雙演化交叉算子。一般普通的進化計算算法交叉算子只考慮父代的基因編碼形式，而往往忽略了及個體學習能力以及環境對個體的影響。在自然界中的不同種類生物如果生活在條件相同的環境中，在同樣選擇壓力的作用下，有可能產生功能相同或十分相似的形態結構，以適應環境，該現象被稱為趨同進化(ConvergentEvolution),如，鯨、海豚等和魚類的親緣關係很遠，前者是哺乳類，後者是魚類，但都具有相似的外形，很顯然這就是環境對生物進化的影響；而生物的學習能力對生物進化歷程也具有非常大的影響力，雖然"魏斯曼障礙"(WeismannBarrier)從分子結構上論證了任何後天學習得到14的特性無法對遺傳基因產生影響，但是生物學習能力卻可以通過修復自身周圍的環境等方法到達加速或改變自身的進化，生物修復環境的過程被稱為生態位構建(NicheConstruction),比如人類對工具的使用大大加速了人類的文明進化歷程。所以，環境——基因雙演化交叉算子包含了一個環境變量，每個個體能夠修復自身的環境，再由環境變量反作用於自身基因編碼，進而體現群體在進化過程中的學習能力，並採用"趨同進化"作為個體修改自身環境變量的規則。環境——基因雙演化交叉算子具體描述如下式中五是環境變量，n是學習係數，r2是遺忘係數，r3是加速係數，f是進化代數。環境——基因雙演化交叉算子其目的有二，其一、通過交叉算子在群體中較優個體周圍探索前進方向，從而改善交叉算子效率；二、通過環境變量獲取進化過程中的歷史經驗，使算法在一定程度上具有學習能力。上式中￡t為環境變量，其能夠積累個體進化過程的經驗，因此通過環境——基因雙演化交叉算子從某種程度上使得個體具備了學習能力。再次，採用反饋機理改進了更新策略。一般情況下進化計算算法的種群規模w有限，在如此小規模的種群情況下，既要保證種群的多樣性，又要防止種群的"早熟"是一件非常困難任務。為此，引入了自適應更新策略，採用兩種群體更新策略，具體描述如下式中Tr是更新策略算子，a是更新規模變量，w是遺傳算法種群規模，《是產生的新個體。上式中更新規模變量a亦採用反饋修改方式，當種群逐代進化時則較多-x;)，/(x;)>/(x;)/"2E'-、(x;-x;)，/(x》〉/(x;)n,/(x;)〉/(x;)rr(x;+1,x;，:^)=x;+1=i;，/(x;)</(x;)門jv^<!、w的個體採用"優勝劣汰"更新策略，促使群體迅速收斂；但種群陷於局部最優解，進化趨勢不明顯時則採用"子代直接取代父代"更新策略，為群體引入更多的基因模式。A的修改方式如下k〉憤隱)「1，mAH——，A"E[-，1.01式中a是遞增量常數，-是遞減量常數。由於在算法對種群進行了排序，其0號個體始終是種群適應度最大的個體。所以，當A^的最小值為1時，實際上保證了最優個體始終採用"優勝劣汰"更新策略，其作用實質類是最優個體保存，保證了算法的收斂。最後，提出了基因漂流算子。通過現代人類的研究發現遺傳物質DNA複雜性遠遠超過了人們的預期，DNA鏈不僅能夠感知其結構的微小變化，還擁有自我修復的能力，人們對其機理與工作模式至今仍知之甚少。通過現代的DNA技術揭示全球近30億人在Y染色體上都擁有一種被科學家稱為M168的特殊變異，這就意味著他們擁有同一男性祖先。由此可見，優勢基因位能夠在生物進化的過程中得到傳播與擴散，並進而再影響生物的進化過程。但在自然進化中，優勢基因位的傳播過程相對比較緩慢，需要幾萬年、甚至上百萬年的時間，為了加速遺傳算法的進化速度，借鑑於轉基因技術中的基因漂流(GeneFloating)概念，讓優勢基因位的能夠在個體基因組中得到迅速傳播。formulaseeoriginaldocumentpage16式中Tf為基因漂流算子，Xbest為最優個體。基因漂流算子具有發現解空間內相似的待優化參數的能力，但是如果解空間內待優化的參數完全相異時則會增加算法的運算成本，因此對基因漂流事件發生概率也採用了反饋控制技術，其具體描述如下-formulaseeoriginaldocumentpage16式中A是基因漂移概率，&是概率遞增係數，&是概率遞減係數。通過上述改造，進化計算圖分割算法各個算子相互平衡、相互制約，有效抑制了"早熟"，並在很大程度上提高了算法的效率。5)初始化設定算法終止條件，具體為給定最大迭代次數為10000代，若超過該循環次數則算法終止，將四級壓縮機數據圖輸入基於複雜系統理論的進化計算圖分割算法中並完成設置算法參數等工作；6)算法終止條件判斷如果滿足終止條件就結束算法，執行第8)步，否則，繼續執行第7)步；7)採用基於複雜系統理論的進化計算圖分割算法對四級壓縮機關係數據圖進行劃分根據基於複雜系統理論的進化計算算法中t代中所有個體的編碼(編碼形式為子網絡中心點坐標、子網是否有效判別位)，將關係數據圖分割，並根據代價函數計算子代個體所有適應度值，並找到其最優適應度值，返回步驟6)。8)大型四級壓縮機故障診斷根據數據關係圖分割結果，判斷壓縮機的工作狀態，完成壓縮機的故障診斷工作。如果聚類結果是只有一類數據，則說明壓縮機工作正常，無故障；否則說明壓縮機有故障，此時根據數據狀態與物理結構的關係進行分析，或者與標準數據的聚類結果進行對比，即可判斷出壓縮機是第1級排氣閥故障還是第2級吸氣閥故障。數據說明大型四級壓縮機故障數據大型四級往復式壓縮機是一個多因素、強耦合、強非線性、難以建模的複雜系統，從其紛繁複雜的測量數據中獲得有用的故障信息相當困難。在其第l級排氣閥故障，第2級吸氣閥故障以及正常的情況下，分別獲得1022、806、2462組數據，每組樣本包含43個變量，釆樣間隔60秒。初步分析表明，其中有6個變量僅用來標定採樣順序，餘下的37個變量才與系統狀態有關，是系統的狀態變量，在37維故障數據中，有8維比較有代表性，分別是每一級的壓力A、/2、p3、A和溫度K、K、G、K。對這8維數據進行聚類。試驗表明試驗包括算法性能測試和參數影響測試兩部分。為了消除各狀態變量在量綱和數值區間上的差別，對數據集進行歸一化處理，使所有變量的取值落在[O，l]區間。算法性能測試試驗過程為每次試驗隨機選擇每類數據中的一半作為訓練數據，通過譜聚類方法獲得特徵數據；其餘作為測試數據，通過"近鄰原則"得到最終的聚類結果。每個數據集均進行50次獨立試驗，分類正確率採用下式計算其中，"r為正確分類的數據數目，為測試數據總數目。試驗結果大型四級壓縮機故障診斷試驗結果如表1所示表1試驗結果tableseeoriginaldocumentpage18為了比較，試驗中取相同閾值。由試驗結果可知，本發明算法在故障數據聚類的正確率要高於傳統譜分割算法，而特徵數據個數要少於傳統譜分割算法，並且本發明算法的運算速度明顯提高，僅僅需要0.83s，基本能夠實現大型壓縮機系統的實時檢測的要求，圖4顯示了運用本算法時數據維數與運算時間的關係。而且，儘管50次試驗的訓練樣本和測試樣本均為隨機選取，但正確率方差很小，充分驗證了本發明算法不受數據初始分布的影響。大型四級壓縮機故障診斷實例表明，本發明提出的基於進化計算壓縮機故障診斷方法能在較短的運算時間內提取故障狀態特徵，進一步完成故障分類與識別，獲得較高的診斷正確率。該方法是一種實用有效的故障診斷方法。權利要求1.一種基於進化計算診斷壓縮機故障的方法，其特徵在於，包括下述步驟1)在壓縮機各級缸進氣口、排氣口安裝溫度、壓力傳感器，由數據採集卡採集數據到計算機；2)根據實際壓縮機物理結構以及各個傳感器安裝具體位置構建測量數據關係圖，以傳感器作為關係圖的「節點」，以實際壓縮機物理結構所產生傳感器之間的聯繫作為「關係」，數據樣本空間X就可以表示成加權無向圖G(V，A)，其中，V是圖的頂點，A是加權邊；3)採用帕累託原則構造圖分割代價函數，其具體描述如下式所示式中k為分類數目，ci為各個子圖中心點，為圖的緊密度量度，ni為子圖內數據點數目，xj為數據點。4)構建基於複雜系統理論的進化計算圖分割算法，首先，用反映複雜系統能量分布的冪次法則改造選擇算子；其次，設計具有自學習特性的環境-基因雙演化交叉算子；再次，採用反饋機理改進更新策略，提出一種自適應的更新策略算子；最後，提出基因漂流算子並用於進化算法中；以上各算子在進行進化計算過程中相互平衡、相互制約，以提高算法的效率及防止早熟；5)初始化設定基於複雜系統理論的進化計算圖分割算法終止條件，設置算法運行參數；6)算法終止條件判斷當滿足終止條件就結束算法，執行第8)步，否則，執行第7)步；7)採用基於複雜系統理論的進化計算算法對數據關係圖進行分割，返回6)；8)根據數據關係圖分割結果，判斷壓縮機的工作狀態，並作出故障診斷。2、如權利要求1所述的基於進化計算診斷壓縮機故障的方法，其特徵在於，第2)步所述構建測量數據關係圖的具體方法是大型壓縮機檢測到的系統可觀測量A:包括有進氣壓力、進氣溫度、排氣壓力和排氣溫度共4個屬性，可觀測量A:的取值範圍全體構成數據樣本空間x，每一個可觀測量a作為"節點"，兩個可觀測量x,與《之間的實際壓縮機物理聯繫作為"關係"，數據樣本空間x就可以表示成加權無向圖g(v,a)，v^x!力，…^〉為圖的頂點，加權邊a^aij)表示a與Xj之間的相似度。3、如權利要求2所述的基於進化計算診斷壓縮機故障的方法，其特徵在於，所述第4)步中，用反映複雜系統能量分布的冪次法則改造選擇算子是對父代的選擇採用冪次法，而對母代的選擇則採用順序選擇，並與環境-基因雙演化交叉算子、自適應更新策略算子、基因漂流算子配合使用，防止算法出現早熟；其中所述環境-基因雙演化交叉算子具體描述如下式中￡是環境變量，。是學習係數，^是遺忘係數，r3是加速係數，f是進化代數；所述採用反饋機理改進更新策略，提出一種自適應的更新策略算子具體描述如下式中Tr是更新策略算子，A是更新規模變量，W是遺傳算法種群規模，^是產生的新個體；所述基因漂流算子具體描述如下r2E3(x;-x;)，/(x;)>/(x;)。E'-'+r3(x'廠x;)，/(x;w(x;)xx/(x;)〉/(x;)7;(x;+',x;，x;)=x;+'=i;，/(x;)</(x;)門<kwformulaseeoriginaldocumentpage4式中Tf為基因漂流算子，X^為最優個體。4、如權利要求3所述的基於進化計算診斷壓縮機故障的方法，其特徵在於，所述更新規模變量A釆用反饋修改方式，當種群逐代進化時則較多的個體採用"優勝劣汰"更新策略，促使群體迅速收斂；但種群陷於局部最優解，進化趨勢不明顯時則採用"子代直接取代父代"的更新策略，為群體引入更多的基因模式；更新規模變量A的反饋修改方式如下formulaseeoriginaldocumentpage4式中《是遞增量常數，y9是遞減量常數。5、如權利要求3所述的基於進化計算診斷壓縮機故障的方法，其特徵在於，所述採用基因漂流算子發生基因漂流事件的概率為外，其採用了反饋控制技術，其具體描述如下formulaseeoriginaldocumentpage4式中A是基因漂流概率，&是概率遞增係數，&是概率遞減係數。6、如權利要求3所述的基於進化計算診斷壓縮機故障的方法，其特徵在於，所述第7)步中，採用基於複雜系統理論的進化計算算法對數據關係圖進行分割是在圖分割代價函數的指導下，基於第5)步所述的初始化工作和第6)步所述的終止條件判斷，對第2)步構建的測量數據關係圖進行最優化分割的過程，包括下述步驟7-1判斷是否需要進行基因漂流操作，若不需要，轉至執行第7-4步；7-2使用第4)步所述的基因漂流算子，選擇優勢基因位修改所有個體的等基因位；7-3按照第3)步構造的代價函數計算當前所有個體的代價函數值；，^￡7-4使用第4)步所述的冪次法則改造選擇算子從群體中選擇用於交配的父代個體；7-5判斷是否需要進行雜交操作，若不需要，轉至執行第7-7步；7-6使用第4)步所述的環境——基因交叉算子雜交父代個體以獲得子代個體；7-7判斷是否需要進行變異操作，若不需要，轉至執行第7-9步；7-8變異子代個體；7-9按照第3)步構造的代價函數計算子代個體的代價函數值；7-10使用第4)步所述的自適應更新策略更新群體。7、如權利要求1所述的基於進化計算診斷壓縮機故障的方法，其特徵在於，所述第8)步中，判斷壓縮機的工作狀態並作出故障診斷是指對第7)步所得的數據聚類結果進行判斷，由於不同的故障有不同的數據聚類結果，從而判斷出壓縮機是否有故障，再將數據狀態與物理結構進行對比或者將聚類結果與標準數據的聚類結果對比，即可判斷壓縮機故障的類型。全文摘要本發明公開了一種基於進化計算診斷壓縮機故障的方法，通過採集獲取壓縮機工作狀態數據，並以每一個觀測點作為「節點」，實際壓縮機物理所產生觀測點之間的聯繫作為「關係」，對測量數據建立加權無向圖G(V，A)，以關係圖的方式取代傳統的歐氏距離方法來度量故障數據點之間距離，將壓縮機故障數據轉換為對加權無向圖G的分割問題，採用帕累託(ParetoPrinciple)原則構造圖分割代價函數，並設計了基於複雜系統理論的改進的進化計算圖分割算法對關係圖進行分割，通過對代價函數最優化求解實現壓縮機故障數據的聚類/分類，以達到故障診斷的目的。文檔編號F04B51/00GK101446283SQ200810232779公開日2009年6月3日申請日期2008年12月17日優先權日2008年12月17日發明者於德弘,虎夏,尚春陽,健莊,王立忠申請人:西安交通大學