一種基於信息融合的離心式空氣壓縮機故障診斷方法
2023-05-26 17:56:51
專利名稱：一種基於信息融合的離心式空氣壓縮機故障診斷方法
技術領域：
本發明涉及故障診斷領域，特別是一種基於信息融合的空氣壓縮機故障診斷方法。
背景技術：
隨著國民經濟的發展，空氣壓縮機在社會生產中已被廣泛的應用於冶金、採礦業、 機械製造業、石油化工、國防工業、交通部門等行業，為國民經濟的發展做出了很大的貢獻， 已成為某些行業不可缺少的關鍵設備。然而，雖然目前部分壓縮機實時狀態監測與智能故障診斷系統已經在企業中得到了普及和應用，但是，由於多數系統都只針對大型壓縮機組， 對大多數單個壓縮機還沒有成形的狀態監測和診斷系統。目前應用於空氣壓縮機這類複雜工業設備的故障診斷方法，主要有以下幾種1.基於模糊理論的故障診斷，這種方法模糊診斷知識獲取困難，尤其是故障與徵兆的模糊關係較難確定，學習能力差，容易發生漏診或誤診。此外，模糊語言變量是用模糊數(即隸屬度)表示的，如何實現語言變量與模糊數之間的轉換，是實現上的一個難點。2.基於實例的故障診斷方法，實例推理的關鍵問題是能搜集到診斷實例是有限的，不可能覆蓋所有解空間，搜索時可能會漏掉最優解，當出現異常徵兆時，由於找不到最佳匹配，可能造成誤診或漏診。另外，還存在實例之間的一致性維護問題。3.故障診斷專家系統，按照其機理可以分為以下兩類(1)基於規則的診斷專家系統。此方法存在較大的局限性，隨著診斷對象複雜程度的增加，基於規則的診斷系統的缺陷暴露更加明顯，如知識集不完備、對診斷對象的依賴性強、對沒有考慮到的情況或新的診斷對象，系統容易陷入困境。(2)基於模型知識的診斷專家系統，其搜索空間大，推理速度慢。4.基於神經網絡的故障診斷，按其理論基礎可以分為以下兩種類型(1)基於模式識別的神經網絡方法對來自不同狀態的信息逐一訓練以獲得某種映射關係，而且網絡可連續學習。當環境改變，這種映射關係可以自適應，以求對對象的進一步逼近。(2)故障預測的神經網絡這種網絡只代表了一類可通過代數方程描述的靜態映射，只適用於靜態預測。動態神經網絡是一個對動態時序建模的過程。綜上所述，各種故障診斷方法在針對於某一具體的診斷對象時，由於各自的特性和設計上的不足，往往會表現出各種局限性，使診斷難以達到預期的效果，因此，發明一種能夠準確診斷空壓機故障的方法勢在必行。
發明內容
針對上述情況，為了解決現有技術的缺陷，本發明的目的就在於提供一種基於信息融合的離心式空氣壓縮機故障診斷方法，可以有效避免多傳感器檢測時檢測數據混亂、故障類型與故障表現形式在建立對應關係時存在主觀片面性、解決複雜系統數學模型建立困難、診斷精度不高的問題。本發明解決技術問題採用的技術方案是，一種基於信息融合的離心式空氣壓縮機故障診斷方法，具體步驟如下1)對離心式空氣壓縮機進行故障分析，歸納出離心式空氣壓縮機故障類型及其故障表現形式，採集空氣壓縮機故障狀態下和正常工作狀態下的樣本數據，並通過採集的樣本數據建立空氣壓縮機故障狀態下和正常工作狀態下的主元模型；2)步驟1)建立的主元模型對採集的空氣壓縮機的樣本數據分別進行處理並得到樣本數據的主成份值；3)對步驟2)得出的空氣壓縮機的一個狀態下的主成份值進行主元貢獻率分析， 當前K個主成份的主元累積貢獻率大於或等於85%時，該狀態下的主元模型的主元數目是 K ； 4)對步驟2)得出的空氣壓縮機剩餘的每個狀態下的主成份值均進行步驟3)的分析，得出每個狀態下的主元模型的主元數目，並選取最大的主元數目作為所有模型的共同主元數目m ；5)採集空氣壓縮機故障狀態下和正常工作狀態下的樣本數據並對樣本數據進行歸一化處理，通過步驟1)建立的所有主元模型對歸一化處理後的每個狀態下的樣本數據進行分析，最後求出每個樣本相對於每一個主元模型的主成份向量，截取主成份向量中的與步驟4)得出的共同主元數目m相同的前m個元素構造樣本的降維特徵向量，得出每個狀態下樣本相對於每一種主元模型的特徵向量；6)採用徑向基函數神經網絡為D-S證據理論的判別來構造基本概率分配函數，並用步驟5)得出的每個狀態下樣本的特徵向量作為神經網絡的輸入，以輸入樣本特徵向量所對應各運行狀態的邏輯值為網絡輸出向量來訓練徑向基函數神經網絡；7)對空氣壓縮機進行故障檢測，採集空氣壓縮機的狀態數據，並用步驟1)構建的主元模型對空氣壓縮機的狀態數據進行分析，得到各個主元模型對應的特徵向量，並作為步驟6)訓練好的神經網絡的輸入量輸入，得到神經網絡的輸出向量；8)將步驟7)得出的輸出向量進行歸一化處理，得到每個主元模型下的檢測數據對應的各種空氣壓縮機狀態的信任度，並通過D-S組合規則的融合處理將各主元模型下的狀態信任度向量融合為一個總體狀態信任度集合{πι(10，πι(10， ，πι(1 Ρ)}，其中mGO為輸入數據表現為空氣壓縮機第i種運行狀態的信任度；9)根據步驟8)得出的總體狀態信任度集合中找出如下關係的狀態信任度，m(t) = max\m』 Jii [ θ}m (ks) = max {m (Iii)，且 ks 乒 kj(1)如果
權利要求
1. 一種基於信息融合的離心式空氣壓縮機故障診斷方法，其特徵在於，其具體步驟如下1)對離心式空氣壓縮機進行故障分析，歸納出離心式空氣壓縮機故障類型及其故障表現形式，採集空氣壓縮機故障狀態下和正常工作狀態下的樣本數據，並通過採集的樣本數據建立空氣壓縮機故障狀態下和正常工作狀態下的主元模型；2)步驟1)建立的主元模型對採集的空氣壓縮機的樣本數據分別進行處理並得到樣本數據的主成份值；3)對步驟2)得出的空氣壓縮機的一個狀態下的主成份值進行主元貢獻率分析，當前K 個主成份的主元累積貢獻率大於或等於85%時，該狀態下的主元模型的主元數目是K ；4)對步驟2)得出的空氣壓縮機剩餘的每個狀態下的主成份值均進行步驟3)的分析， 得出每個狀態下的主元模型的主元數目，並選取最大的主元數目作為所有模型的共同主元數目m ；5)採集空氣壓縮機故障狀態下和正常工作狀態下的樣本數據並對樣本數據進行歸一化處理，通過步驟1)建立的所有主元模型對歸一化處理後的每個狀態下的樣本數據進行分析，最後求出每個樣本相對於每一個主元模型的主成份向量，截取主成份向量中的與步驟4)得出的共同主元數目m相同的前m個元素構造樣本的降維特徵向量，得出每個狀態下樣本相對於每一種主元模型的特徵向量；6)採用徑向基函數神經網絡為D-S證據理論的判別來構造基本概率分配函數，並用步驟5)得出的每個狀態下樣本的特徵向量作為神經網絡的輸入，以輸入樣本特徵向量所對應各運行狀態的邏輯值為網絡輸出向量來訓練徑向基函數神經網絡；7)對空氣壓縮機進行故障檢測，採集空氣壓縮機的狀態數據，並用步驟1)構建的主元模型對空氣壓縮機的狀態數據進行分析，得到各個主元模型對應的特徵向量，並作為步驟 6)訓練好的神經網絡的輸入量輸入，得到神經網絡的輸出向量；8)將步驟7)得出的輸出向量進行歸一化處理，得到每個主元模型下的檢測數據對應的各種空氣壓縮機狀態的信任度，並通過D-S組合規則的融合處理將各主元模型下的狀態信任度向量融合為一個總體狀態信任度集合{πι(10，πι(10， ，πι(1 Ρ)}，其中mGO為輸入數據表現為空氣壓縮機第i種運行狀態的信任度；9)根據步驟8)得出的總體狀態信任度集合中找出如下關係的狀態信任度，m(ks) = max {m (Iii),且 ks 興 kj(1)如果m{kt)-m{ks)>^l^ ^)m{ )則kt所對應的狀態即為空氣壓縮機故障狀態的判決結果，其中ξ」 ξ 2為預先設定的門限， = {k0, ki; L，kP}為D-S證據理論的識別框架，，Ici表示空氣壓縮機的第i種運行狀態。
2.根據權利要求1所述的一種基於信息融合的離心式空氣壓縮機故障診斷方法，其特徵在於，所說的離心式空氣壓縮機故障狀態包括各級轉子不平衡、油壓不足、油溫過低、軸承油路瀉露或堵塞、空氣冷卻器水側變髒或堵塞、各級冷卻器組件供水不足、進口空氣過濾器髒或堵塞、油路洩露或堵塞、油箱油位過低、各級冷卻器堵塞、壓縮機傳動裝置不在一條直線上、各級氣缸露氣、潤滑油不足、過載。
全文摘要
一種基於信息融合的離心式空氣壓縮機故障診斷方法涉及故障診斷領域，其以D-S證據理論信息融合為框架，以PCA分析技術作為故障信息提取的方法，通過建立每種運行狀態的PCA模型為D-S證據理論提供不同的證據類型，最後以D-S組合規則將各證據下的分析結果融合處理，得到最後的判決結果。本發明綜合所有故障具有的故障表現形式的信息同時處理，通過建立主元模型提取針對於每種故障發生時空氣壓縮機所表現出來的主要故障信息，避免在確定故障表現形式上存在主觀片面性，通過PCA分析提取主元信息達到對檢測數據降維的作用，簡化數據計算，提高診斷效率；通過D-S組合規則的信息融合能綜合全面的信息，實現高精確度的故障分離和判別。
文檔編號G01D21/00GK102175282SQ20111002574
公開日2011年9月7日 申請日期2011年1月24日 優先權日2011年1月24日
發明者初明, 姜長泓, 許世勇, 謝慕君, 陳月巖 申請人:長春工業大學