CN104698090A - 一种冷却塔故障诊断方法 - Google Patents
一种冷却塔故障诊断方法 Download PDFInfo
- Publication number
- CN104698090A CN104698090A CN201510115861.9A CN201510115861A CN104698090A CN 104698090 A CN104698090 A CN 104698090A CN 201510115861 A CN201510115861 A CN 201510115861A CN 104698090 A CN104698090 A CN 104698090A
- Authority
- CN
- China
- Prior art keywords
- cooling tower
- rvm
- sound
- particle
- diagnosing faults
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种冷却塔故障诊断方法,属于冷却塔技术领域,本发明方法包括如下步骤:步骤一:利用近场声全息方法用于声场重建和可视化,建立声像图;步骤二:求取图像的二阶组合条件概率密度,并对声音图像进行灰度级量化,采用灰度共生矩阵特征提取纹理上二阶统计特征,用统计特征提取声像图中声场分布特征;步骤三:将声场特征输入支持向量机RVM模型,进行故障分类,输出故障类型。本发明方法具有无损、非接触、简便易行的特点。
Description
技术领域
本发明属于冷却塔技术领域,具体涉及一种冷却塔故障诊断方法。
背景技术
冷却塔是应用非常普遍的水资源循环利用设备,其主要功能是将含有废热的冷却水与空气在塔内进行热交换,使水温降至要求的温度,以便进行再次循环。目前,为冷却塔供水的水泵以及冷却塔的风机均由电动机驱动。
冷却塔在运行过程中存在着极其复杂的动态扰动,当声波作用在固体或者流体上产生振动时,不仅会影响周围环境,还可能与振动一起对设备产生巨大破坏,长期带故障运行的设备辐射噪声和振动耦合后形成巨大的激振力。当机械系统出现故障时,其声学特性亦会发生改变,从而蕴含设备状态信息。
发明内容
为了克服现有技术的不足,本发明提供一种冷却塔故障诊断方法,通过对声场重建可视化声音图像,提取其中的特征值,判断故障。
本发明的技术方案是:一种冷却塔故障诊断方法,包括如下步骤:步骤一:利用近场声全息方法用于声场重建和可视化,建立声像图;步骤二:求取图像的二阶组合条件概率密度,并对声音图像进行灰度级量化,采用灰度共生矩阵特征提取纹理上二阶统计特征,用统计特征提取声像图中声场分布特征;步骤三:将声场特征输入支持向量机RVM模型,进行故障分类,输出故障类型。所述步骤一中包括:设立声像图的格林函数,用于限定边界。所述步骤二中对声音图像进行灰度级量化的过程为: ,其中,int表示取整运算,pmax、pmi分别为声压级矩阵p(x,y)中最大值、最小值。所述步骤三具体为:a:预处理,对特征样本的先验数据进行归一化处理,并建立声场分布特征与冷却塔状态之间的对应关系;b:机器训练,选择合适的核函数并对其超参数进行粒子群优化训练,建立合适的 RVM 模型;c:故障诊断,采用“一对一”RVM 分类器进行待测样本故障诊断并输出结果。所述粒子群优化RVM超参数的具体过程为:a:初始化粒子群: 确定粒子群的规模,初始位置和速度,根据约束条件对每个粒子初始化一个满足条件的拉格朗日因子 a 的值;b:计算每一个粒子的目标函数值,即所要优化函数的值;c:更新每一个粒子 a 的位置局部最优值和全局最优值;d:更新每一个粒子的飞行速度和位置,并根据飞行空间的限制调整其速度;e:判断是否满足终止条件,满足条件跳出循环,并计算相关系数,否则返回的步骤b,直到满足迭代的次数;f:返回最优a的值,并将最优化的参数传递给RVM 模型。RVM分类器通过网格搜索和交叉验证方式进行分类。
本发明有如下积极效果:本发明方法具有无损、非接触、简便易行的特点。
附图说明
图1为本发明具体实施方式粒子群优化RVM参数流程图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
冷却塔噪声能量主要是通过轴流风机的进出风口向外传播的,冷却塔塔顶部轴流风机工作时,桨叶与空气作用产生振动,向外辐射噪声,由于桨叶长细比较大,因此,加大了桨叶的振动,这是冷却塔噪声的主要来源。冷却塔内水流自由下落,产生落水噪声,箱体下部进风口为噪声声波提供传播路径,这是冷却塔又一个主要噪声源。空气在冷却塔塔顶导流管内产生湍流和摩擦,激发的压强扰动产生噪声。当机械出现故障时,其声学特性亦会发生改变,从中蕴含设备故障信息。本发明通过多通道声信号同步测量与分析重建整个声场,利用声场空间分布信息对设备状态进行诊断。
纹理特征广泛用于各类图像的分析与分类,本文采用灰度共生矩阵方法提取声像图中反映声场空间分布特J性的纹理特征,揭示潜藏于声场的故障模式,用于故障诊断。故障诊断实质即模式识别或分类问题,本发明采用支持向量机进行故障分类。
1.近场声全息
近场声全息主要用于声场重建和可视化,通过声源面附近(全息测量面)的声压测量重建整个三维声场。假设全息测量面Sh位于z=zh,重建面Sc位于z=zc,声源面Sc位于z=zs,Sh和Sc上的声压分别为φ(x,y,zh,f)和φ(x,y,zc,f),f为重建频率。给定满足Dirichlet边界条件的格林函数GD(x,y,zh-zc,f) ,则可得Sc上的广义重建表达式为:
QUOTE (1)
(2)
(3)
(4)
式中:F为二维空间傅里叶变换,一1表示逆变换,kx,ky分别为x,y方向空间波数。格林函数空间波数域封闭表达式为:
(5)
式中: QUOTE 为辐射圆,k为空间波数, QUOTE 代表传播波成分, QUOTE 代表倏逝波成分。
2.灰度共生矩阵特征
灰度共生矩阵特征方法建立在估计图像的二阶组合条件概率密度基础上,描述图像在θ方向、相隔为d的像素对分别具有灰度i和j出现的概率:P(i,j,d, θ)={C(i,j)|(d, θ)},C(i,j)为i,j的的共生概率:
(6)
式中:P(i,j)为灰度i,j共生数量:
(7)
式中:Γ为共生数量,(x1,y1),(x2,y2)分别为灰度为i,j,的空间坐标,Lx,Ly分别为x,y方向像素位置,i,j=1,2,……,L,L为量化灰度级,取32.
矩阵P为基于图像灰度级进行计算,故需先对声像图进行灰度级量化:
(8)
式中:int表示取整运算,pmax、pmi分别为声压级矩阵p(x,y)中最大值、最小值。系统计算d=1及θ={00,450,900,1350}四个方向的四个灰度共生矩阵提取纹理上二阶统计特征,并采用12个统计特征提取声像图中声场分布特征。
3.基于支持向量机的智能诊断
本文用基于“一对一”策略的多分类RVM对所提特征样本进行分类识别。设有K个类,则需构造K(K-1)/2个二分类RVM,对来自第i类、第j类的输人样本xi∈Rm,每个二分类问题求解式为:
(9)
式中:xt通过核函数Φ被映射到高维空间,yt为输出类向量,wij为定义分离两类数据边界, QUOTE 为松弛因子,bij为偏置量,C为惩罚系数。利用“Max Wins”投票法进行类别确定。如,基于决策函数sgn (( wij) T Φ(x)+bij)判别未知类别数据x为第i类时,则第i类获得1票;否则第j类获得1票,当全部二分类RVM都识别一遍后,数据x被认为是得票数最多的那一类。映射核选径向基核K(x, x')=exp(一γ||x一x,||2), γ为核函数系数。分类器通过网格搜索和交叉验证,以最小化均方差为目标函数训练样本得到最佳分类参数(C, γ)。
RVM 算法中超参数的选择对 RVM 算法的分类准确率起着决定性的作用,以往文献常用的参数寻优方法多采用人为列举寻优、交叉验证等方式设置参数,但是此类方法所需时间过长,同时还存在容易陷入局部最优的问题。粒子群算法是一种高效的全局寻优算法,可用于机器学习算法的参数优化设置。本发明采用 PSO 算法优化 RVM 算法的超参数设置,从而建立故障诊断的机器模型。
整个优化训练过程的具体步骤如下:
1) 初始化粒子群: 确定粒子群的规模,初始位置和速度,根据约束条件对每个粒子初始化一个满足条件的拉格朗日因子 a 的值。
2) 计算每一个粒子的目标函数值,即所要优化函数的值。
3) 更新每一个粒子 a 的位置局部最优值和全局最优值。
4) 更新每一个粒子的飞行速度和位置,并根据飞行空间的限制调整其速度。
5) 判断是否满足终止条件,满足条件跳出循环,并计算相关系数,否则返回的步骤 2) ,直到满足迭代的次数。
6) 返回最优 a 的值,并将最优化的参数传递给RVM 模型。经过超参数优化训练后得到的 RVM 模型,即可用于数据的分类。PSO对RVM 算法的参数优化过程如图 1所示。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (6)
1.一种冷却塔故障诊断方法,其特征在于:包括如下步骤:
步骤一:利用近场声全息方法用于声场重建和可视化,建立声像图;
步骤二:求取图像的二阶组合条件概率密度,并对声音图像进行灰度级量化,采用灰度共生矩阵特征提取纹理上二阶统计特征,用统计特征提取声像图中声场分布特征;
步骤三:将声场特征输入支持向量机RVM模型,进行故障分类,输出故障类型。
2.根据权利要求1所述的一种冷却塔故障诊断方法,其特征在于:所述步骤一中包括:设立声像图的格林函数,用于限定边界。
3.根据权利要求1所述的一种冷却塔故障诊断方法,其特征在于:所述步骤二中对声音图像进行灰度级量化的过程为:
,
其中,int表示取整运算,pmax、pmi分别为声压级矩阵p(x,y)中最大值、最小值。
4.根据权利要求1所述的一种冷却塔故障诊断方法,其特征在于:所述步骤三具体为:
步骤一:预处理,对特征样本的先验数据进行归一化处理,并建立声场分布特征与冷却塔状态之间的对应关系;
步骤二:机器训练,选择合适的核函数并对其超参数进行粒子群优化训练,建立合适的 RVM 模型;
步骤三:故障诊断,采用“一对一”RVM 分类器进行待测样本故障诊断并输出结果。
5.根据权利要求4所述的一种冷却塔故障诊断方法,其特征在于:所述步骤二中粒子群优化RVM超参数的具体过程为:
步骤一:初始化粒子群: 确定粒子群的规模,初始位置和速度,根据约束条件对每个粒子初始化一个满足条件的拉格朗日因子 a 的值;
步骤二:计算每一个粒子的目标函数值,即所要优化函数的值;
步骤三:更新每一个粒子 a 的位置局部最优值和全局最优值;
步骤四:更新每一个粒子的飞行速度和位置,并根据飞行空间的限制调整其速度;
步骤五:判断是否满足终止条件,满足条件跳出循环,并计算相关系数,否则返回的步骤二,直到满足迭代的次数;
步骤六:返回最优 a 的值,并将最优化的参数传递给RVM 模型。
6.根据权利要求4所述的一种冷却塔故障诊断方法,其特征在于:所述步骤三中RVM分类器通过网格搜索和交叉验证方式进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510115861.9A CN104698090A (zh) | 2015-03-17 | 2015-03-17 | 一种冷却塔故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510115861.9A CN104698090A (zh) | 2015-03-17 | 2015-03-17 | 一种冷却塔故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104698090A true CN104698090A (zh) | 2015-06-10 |
Family
ID=53345434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510115861.9A Pending CN104698090A (zh) | 2015-03-17 | 2015-03-17 | 一种冷却塔故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104698090A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065842A (zh) * | 2017-05-26 | 2017-08-18 | 宁波大学 | 一种基于粒子群优化核独立元分析模型的故障检测方法 |
CN108846411A (zh) * | 2018-05-03 | 2018-11-20 | 武汉理工大学 | 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法 |
CN109085248A (zh) * | 2018-07-03 | 2018-12-25 | 内蒙古科技大学 | 承压管道壁冲击源的定位方法、装置及系统 |
CN111612879A (zh) * | 2020-05-22 | 2020-09-01 | 浙江讯飞智能科技有限公司 | 设备检测方法、装置、设备及可读存储介质 |
CN112066751A (zh) * | 2020-09-11 | 2020-12-11 | 广州览讯科技开发有限公司 | 一种离心式鼓风横流开式冷却塔 |
CN117558295A (zh) * | 2024-01-11 | 2024-02-13 | 北京谛声科技有限责任公司 | 一种基于slam和sonah融合的声纹监测方法及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5712805A (en) * | 1995-11-03 | 1998-01-27 | Wayne State University | Noise diagnostic system |
CN1931087A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 舌象纹理自动分析方法 |
CN101865789A (zh) * | 2010-06-30 | 2010-10-20 | 上海交通大学 | 近场声全息声像模式识别故障检测装置及其检测方法 |
CN101894251A (zh) * | 2009-05-21 | 2010-11-24 | 国家广播电影电视总局广播科学研究院 | 一种视频检测方法及装置 |
CN102539523A (zh) * | 2011-12-29 | 2012-07-04 | 浙江工业大学 | 一种近场声全息填料塔液泛监测方法 |
CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
CN103712684A (zh) * | 2013-12-25 | 2014-04-09 | 广西科技大学 | 声场重建方法 |
-
2015
- 2015-03-17 CN CN201510115861.9A patent/CN104698090A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5712805A (en) * | 1995-11-03 | 1998-01-27 | Wayne State University | Noise diagnostic system |
CN1931087A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 舌象纹理自动分析方法 |
CN101894251A (zh) * | 2009-05-21 | 2010-11-24 | 国家广播电影电视总局广播科学研究院 | 一种视频检测方法及装置 |
CN101865789A (zh) * | 2010-06-30 | 2010-10-20 | 上海交通大学 | 近场声全息声像模式识别故障检测装置及其检测方法 |
CN102539523A (zh) * | 2011-12-29 | 2012-07-04 | 浙江工业大学 | 一种近场声全息填料塔液泛监测方法 |
CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
CN103712684A (zh) * | 2013-12-25 | 2014-04-09 | 广西科技大学 | 声场重建方法 |
Non-Patent Citations (1)
Title |
---|
王波 等: "相关向量机及其在机械的应用研究进展", 《振动与冲击》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065842A (zh) * | 2017-05-26 | 2017-08-18 | 宁波大学 | 一种基于粒子群优化核独立元分析模型的故障检测方法 |
CN107065842B (zh) * | 2017-05-26 | 2019-04-26 | 宁波大学 | 一种基于粒子群优化核独立元分析模型的故障检测方法 |
CN108846411A (zh) * | 2018-05-03 | 2018-11-20 | 武汉理工大学 | 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法 |
CN109085248A (zh) * | 2018-07-03 | 2018-12-25 | 内蒙古科技大学 | 承压管道壁冲击源的定位方法、装置及系统 |
CN111612879A (zh) * | 2020-05-22 | 2020-09-01 | 浙江讯飞智能科技有限公司 | 设备检测方法、装置、设备及可读存储介质 |
CN112066751A (zh) * | 2020-09-11 | 2020-12-11 | 广州览讯科技开发有限公司 | 一种离心式鼓风横流开式冷却塔 |
CN112066751B (zh) * | 2020-09-11 | 2021-06-01 | 广州览讯科技开发有限公司 | 一种离心式鼓风横流开式冷却塔 |
CN117558295A (zh) * | 2024-01-11 | 2024-02-13 | 北京谛声科技有限责任公司 | 一种基于slam和sonah融合的声纹监测方法及设备 |
CN117558295B (zh) * | 2024-01-11 | 2024-03-26 | 北京谛声科技有限责任公司 | 一种基于slam和sonah融合的声纹监测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104698090A (zh) | 一种冷却塔故障诊断方法 | |
Yoo et al. | Integrating deep learning into CAD/CAE system: generative design and evaluation of 3D conceptual wheel | |
Zhang et al. | Machine learning on FPGAs to face the IoT revolution | |
Ghadai et al. | Learning localized features in 3D CAD models for manufacturability analysis of drilled holes | |
Movshovitz-Attias et al. | How useful is photo-realistic rendering for visual learning? | |
Chen et al. | Synthesizing designs with interpart dependencies using hierarchical generative adversarial networks | |
Zhang et al. | Structural symmetry recognition in planar structures using convolutional neural networks | |
CN102254105B (zh) | 一种基于云模型元胞自动机的城市扩展预测方法 | |
CN104899446A (zh) | 基于数据驱动的脉动风速模拟方法 | |
CN108932499A (zh) | 一种基于局部二值模式和深度置信网络的滚动轴承预测方法和系统 | |
Dimitriou et al. | A deep learning framework for simulation and defect prediction applied in microelectronics | |
Zhu et al. | Not all features matter: Enhancing few-shot clip with adaptive prior refinement | |
Brekke et al. | Multimodal 3d object detection from simulated pretraining | |
Sun et al. | PGCNet: patch graph convolutional network for point cloud segmentation of indoor scenes | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
KR102021980B1 (ko) | 산업용 플랜트 및 반도체 설비 설계 방법 및 장치 | |
Li et al. | Densely constrained depth estimator for monocular 3d object detection | |
Zhang et al. | Fast 3d visualization of massive geological data based on clustering index fusion | |
Seiler et al. | A collection of deep learning-based feature-free approaches for characterizing single-objective continuous fitness landscapes | |
Yun et al. | Machine learning for object recognition in manufacturing applications | |
Yan et al. | A novel model modification method for support vector regression based on radial basis functions | |
KR102054500B1 (ko) | 설계 도면 제공 방법 | |
Shang et al. | A Domain Adversarial Transfer Model with Inception and Attention Network for Rolling Bearing Fault Diagnosis Under Variable Operating Conditions | |
CN113159142B (zh) | 一种用于细粒度图像分类的损失函数可变超参数确定方法 | |
Fan et al. | Rpr-net: A point cloud-based rotation-aware large scale place recognition network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150610 |