CN103758742B - 一种基于双类特征融合诊断的柱塞泵故障诊断系统 - Google Patents
一种基于双类特征融合诊断的柱塞泵故障诊断系统 Download PDFInfo
- Publication number
- CN103758742B CN103758742B CN201410021106.XA CN201410021106A CN103758742B CN 103758742 B CN103758742 B CN 103758742B CN 201410021106 A CN201410021106 A CN 201410021106A CN 103758742 B CN103758742 B CN 103758742B
- Authority
- CN
- China
- Prior art keywords
- category feature
- plunger pump
- module
- diagnosis
- submodule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明涉及一种基于双类特征融合诊断的柱塞泵故障诊断系统，包括加速度传感器、数据采集模块、双类特征提取模块和融合诊断模块，所述加速度传感器用于将柱塞泵的振动信号转换为电信号；所述数据采集模块用于将加速度传感器所采集的信号进行预处理；所述双类特征提取模块用于提取由数据采集模块预处理的信号的小波包相对能量谱与小波包相对特征熵两类特征；所述融合诊断模块用于将获取的小波包相对能量谱与小波包相对特征熵两类特征分别通过相关向量机模型进行诊断，再将诊断结果通过DS证据理论进行融合，以获取最终的诊断结果。本发明增加了诊断结果的准确性与可靠性，解决了单类特征诊断中存在的诊断结果难以明确等问题。
Description
技术领域
本发明涉及柱塞泵故障诊断技术领域，特别是涉及一种基于双类特征融合诊断的柱塞泵故障诊断系统。
背景技术
柱塞泵是工程机械液压系统的主要动力源，其运行状态的好坏直接影响工程机械工作状况，因此，对柱塞泵的故障进行准确、高效的诊断，对于确保工程机械及时恢复正常工作状态有着非常重要的意义。然而，当前柱塞泵故障诊断中大多采用单类特征进行诊断，单类特征诊断中有时会存在诊断结果难以明确、不确定性高等情况，因此，研究采用双类特征进行融合诊断，确保诊断结果的准确性与可靠性，将有着非常重要意义。
发明内容
本发明所要解决的技术问题是提供一种基于双类特征融合诊断的柱塞泵故障诊断系统，即将获取的小波包相对能量谱与小波包相对特征熵两类特征分别通过相关向量机模型（即RelevanceVectorMachine，简称RVM）进行诊断，再将诊断结果通过DS证据理论进行融合，以获取最终的诊断结果。
本发明解决其技术问题所采用的技术方案是：提供一种基于双类特征融合诊断的柱塞泵故障诊断系统，包括加速度传感器、数据采集模块、双类特征提取模块和融合诊断模块，所述加速度传感器用于将柱塞泵的振动信号转换为电信号；所述数据采集模块用于将加速度传感器所采集的信号进行预处理；所述双类特征提取模块用于提取由数据采集模块预处理的信号的小波包相对能量谱与小波包相对特征熵两类特征；所述融合诊断模块用于将获取的小波包相对能量谱与小波包相对特征熵两类特征分别通过相关向量机模型进行诊断，再将诊断结果通过DS证据理论进行融合，以获取最终的诊断结果。
所述双类特征提取模块包括提升小波变换子模块、第一计算子模块、第二计算子模块和第一归一化子模块和第二归一化子模块；所述提升小波变换子模块用于将所预处理后的振动信号进行三层提升小波分解，获取多个不同频段的提升小波包；所述第一计算子模块用于计算各频段提升小波包的能量谱；所述第二计算子模块用于计算各频段提升小波包的相对特征熵计算；所述第一归一化子模块用于对各频段提升小波包的能量谱进行归一化处理，得到提升小波包相对能量谱；所述第二归一化子模块用于对各频段提升小波包的特征熵进行归一化处理，获得提升小波包相对特征熵。
所述融合诊断模块包括相关向量机模型诊断子模块和DS证据融合子模块；所述相关向量机模型诊断子模块分别对小波包相对能量谱与小波包相对特征熵进行诊断，并采用了‘一对一’组合模式以识别柱塞泵的状态；所述DS证据融合子模块用于将相关向量机模型诊断子模块输出的诊断结果进行融合以获取最终的诊断结果。
所述‘一对一’组合模式是指每次只选取其中的两类样本，对所有可能的两类组合构造相关向量机模型，总共需要构造M(M-1)/2个相关向量机模型，其中M表示柱塞泵状态的数目。
所述‘一对一’组合模式采用“投票法”，样本每经过一个二分类相关向量机模型都会获得一个可能的故障类型，则该故障类型获得一票，当样本经过所有二分类相关向量机模型后，对获得票数进行统计，得到每种状态的得票数，并将每种状态的得票数进行归一化，以获得每种状态发生的概率。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用了双类特征进行融合诊断，将获取的小波包相对能量谱与小波包相对特征熵两类特征分别通过相关向量机模型进行诊断，再将诊断结果通过DS证据理论进行融合，以获取最终的诊断结果，增加了诊断结果的准确性与可靠性，解决了单类特征诊断中存在的诊断结果难以明确等问题。
附图说明
图1是基于双类特征融合诊断的柱塞泵故障诊断系统示意图；
图2是基于双类特征融合诊断的柱塞泵故障诊断流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于双类特征融合诊断的柱塞泵故障诊断系统，如图1所示，包括加速度传感器、数据采集模块、双类特征提取模块和融合诊断模块，所述加速度传感器用于将柱塞泵的振动信号转换为电信号；所述数据采集模块用于将加速度传感器所采集的信号进行预处理；所述双类特征提取模块用于提取由数据采集模块预处理的信号的小波包相对能量谱与小波包相对特征熵两类特征；所述融合诊断模块用于将获取的小波包相对能量谱与小波包相对特征熵两类特征分别通过相关向量机模型进行诊断，再将诊断结果通过DS证据理论进行融合，以获取最终的诊断结果。所述显示模块用于诊断结果显示以及便于人机交互的界面。
双类特征提取模块、融合诊断模块是整个系统的核心，其中双类特征提取模块包含了提升小波变换、小波包能量谱计算及归一化、小波包相对特征熵计算及归一化等过程，提升小波变换主要将所预处理后的振动信号进行三层提升小波分解，获取8个不同频段的提升小波包；分别计算各频段提升小波包的能量谱与特征熵并分别进行归一化处理，以获得提升小波包相对能量谱与相对特征熵。融合诊断模块包含了RVM模型诊断与DS证据融合两部分，RVM模型包含了分别采用小波包相对能量谱与小波包相对特征熵进行诊断的RVM1与RVM2模型，RVM1与RVM2模型都采用了‘一对一’组合模式以识别柱塞泵的状态。‘一对一’组合模式主要是指每次只选取其中的两类样本,对所有可能的两类组合构造RVM,总共需要构造M(M-1)/2个RVM，其中M表示柱塞泵状态的数目。DS证据融合将RVM1与RVM2模型输出的诊断结果进行融合以获取最终的诊断结果。
如图2所示，基于双类特征融合诊断的柱塞泵故障诊断流程包含了采用小波包相对能量谱RVM1模型诊断、采用小波包相对特征熵RVM2模型诊断以及DS证据融合等三个过程。RVM1与RVM2模型都采用了‘一对一’组合模式以识别柱塞泵的状态，RVM1与RVM2分别包含了M(M-1)/2个RVM，其中M表示柱塞泵状态的数目。‘一对一’组合模式采用的是“投票法”，样本每经过一个二分类RVM都会获得一个可能的故障类型，则该故障类型获得一票，当样本经过所有二分类RVM后,对获得票数进行统计，得到每种状态的得票数,并将每种状态的得票数进行归一化，以获得每种状态发生的概率。最后，将RVM1与RVM2模型输出的每种状态发生的概率进行DS证据融合以获取最终的诊断结果。
不难发现，基于双类特征融合诊断的柱塞泵故障诊断系统采用了双类特征进行融合诊断，增加了诊断结果的准确性与可靠性，解决了单类特征诊断中存在的诊断结果难以明确等问题。
Claims (4)
1.一种基于双类特征融合诊断的柱塞泵故障诊断系统，包括加速度传感器、数据采集模块、双类特征提取模块和融合诊断模块，其特征在于，所述加速度传感器用于将柱塞泵的振动信号转换为电信号；所述数据采集模块用于将加速度传感器所采集的信号进行预处理；所述双类特征提取模块用于提取由数据采集模块预处理的信号的小波包相对能量谱与小波包相对特征熵两类特征；所述融合诊断模块用于将获取的小波包相对能量谱与小波包相对特征熵两类特征分别通过相关向量机模型进行诊断，再将诊断结果通过DS证据理论进行融合，以获取最终的诊断结果；所述双类特征提取模块包括提升小波变换子模块、第一计算子模块、第二计算子模块和第一归一化子模块和第二归一化子模块；所述提升小波变换子模块用于将所预处理后的振动信号进行三层提升小波分解，获取多个不同频段的提升小波包；所述第一计算子模块用于计算各频段提升小波包的能量谱；所述第二计算子模块用于计算各频段提升小波包的特征熵计算；所述第一归一化子模块用于对各频段提升小波包的能量谱进行归一化处理，得到提升小波包相对能量谱；所述第二归一化子模块用于对各频段提升小波包的特征熵进行归一化处理，获得提升小波包相对特征熵。
2.根据权利要求1所述的基于双类特征融合诊断的柱塞泵故障诊断系统，其特征在于，所述融合诊断模块包括相关向量机模型诊断子模块和DS证据融合子模块；所述相关向量机模型诊断子模块分别对小波包相对能量谱与小波包相对特征熵进行诊断，并采用了一对一组合模式以识别柱塞泵的状态；所述DS证据融合子模块用于将相关向量机模型诊断子模块输出的诊断结果进行融合以获取最终的诊断结果。
3.根据权利要求2所述的基于双类特征融合诊断的柱塞泵故障诊断系统，其特征在于，所述一对一组合模式是指每次只选取其中的两类样本，对所有可能的两类组合构造相关向量机模型，总共需要构造M(M-1)/2个相关向量机模型，其中M表示柱塞泵状态的数目。
4.根据权利要求3所述的基于双类特征融合诊断的柱塞泵故障诊断系统，其特征在于，所述一对一组合模式采用投票法，样本每经过一个二分类相关向量机模型都会获得一个可能的故障类型，则该故障类型获得一票，当样本经过所有二分类相关向量机模型后，对获得票数进行统计，得到每种状态的得票数，并将每种状态的得票数进行归一化，以获得每种状态发生的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410021106.XA CN103758742B (zh) | 2014-01-17 | 2014-01-17 | 一种基于双类特征融合诊断的柱塞泵故障诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410021106.XA CN103758742B (zh) | 2014-01-17 | 2014-01-17 | 一种基于双类特征融合诊断的柱塞泵故障诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103758742A CN103758742A (zh) | 2014-04-30 |
| CN103758742B true CN103758742B (zh) | 2016-04-06 |
Family
ID=50526036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410021106.XA Expired - Fee Related CN103758742B (zh) | 2014-01-17 | 2014-01-17 | 一种基于双类特征融合诊断的柱塞泵故障诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103758742B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105487526B (zh) * | 2016-01-04 | 2019-04-09 | 华南理工大学 | 一种Fast RVM污水处理故障诊断方法 |
| CN108520266B (zh) * | 2018-03-01 | 2019-10-22 | 西北工业大学 | 一种基于ds证据理论的时域融合故障诊断方法 |
| CN108537260A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种起重机传动轴故障诊断方法和系统 |
| CN108830291A (zh) * | 2018-05-07 | 2018-11-16 | 上海交通大学 | 一种轮式起重机液压系统故障诊断方法及系统 |
| CN111150410B (zh) * | 2020-01-17 | 2022-11-11 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
| CN116839909A (zh) * | 2023-06-30 | 2023-10-03 | 大连华冶联自动化有限公司 | 一种基于增量学习和规则推理的风机轴承故障诊断方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0694868B2 (ja) * | 1983-01-19 | 1994-11-24 | 日立建機株式会社 | 油圧ポンプの故障診断装置 |
| CN100437072C (zh) * | 2006-08-01 | 2008-11-26 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
| DE102007040538A1 (de) * | 2007-08-28 | 2009-03-05 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Zustandsdiagnose einer hydraulischen Maschine |
| CN102736027A (zh) * | 2012-07-18 | 2012-10-17 | 南京因泰莱配电自动化设备有限公司 | 一种基于断路器动特性测试仪的断路器故障诊断方法 |
| CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
| CN103291600B (zh) * | 2013-03-18 | 2015-07-08 | 北京航空航天大学 | 一种基于emd-ar和mts的液压泵故障诊断方法 |
-
2014
- 2014-01-17 CN CN201410021106.XA patent/CN103758742B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN103758742A (zh) | 2014-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103758742B (zh) | 一种基于双类特征融合诊断的柱塞泵故障诊断系统 | |
| Li et al. | The entropy algorithm and its variants in the fault diagnosis of rotating machinery: A review | |
| CN103575523B (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
| Gao et al. | Spare optimistic based on improved ADMM and the minimum entropy de-convolution for the early weak fault diagnosis of bearings in marine systems | |
| Song et al. | A simulation model based fault diagnosis method for bearings | |
| CN102175917A (zh) | 在线式非线性频谱分析与故障诊断仪 | |
| CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
| CN108361207A (zh) | 一种用于离心泵振动监测与故障预警的装置及方法 | |
| CN110457979A (zh) | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 | |
| CN105510066A (zh) | 基于自适应降噪算法的一类旋转机械系统故障诊断方法 | |
| CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
| CN104359689A (zh) | 动车组制动性能测试方法和测试装置 | |
| CN111291918A (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
| Chen et al. | A fault diagnosis method of rotating machinery based on improved multiscale attention entropy and random forests | |
| Li et al. | Joint semi-tensor compressive sensing with multiscale pyramidal residual network for rolling bearing fault diagnosis | |
| CN108984550B (zh) | 确定数据的信号规则以对数据标注的方法、装置和系统 | |
| CN104156623A (zh) | 一种机械复合故障的诊断方法 | |
| Zhang et al. | TSViT: A Time Series Vision Transformer for Fault Diagnosis | |
| TW201633025A (zh) | 工具機主軸故障形式的診斷方法及其系統 | |
| CN117213856A (zh) | 基于云边双数据源融合的轴承剩余寿命预测方法 | |
| Huang et al. | Technical aspects and case study of big data based condition monitoring of power apparatuses | |
| CN104764871B (zh) | 一种多变量检测的油中水分在线监测方法 | |
| CN204202871U (zh) | 一种风电机组齿轮箱状态评估装置 | |
| CN104267336A (zh) | 一种基于断路器操作机构的故障诊断系统 | |
| Zhang et al. | Fault diagnosis for rolling bearing based on lifting wavelet and morphological fractal dimension |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160406 Termination date: 20190117 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |