CN109242215B - 一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法 - Google Patents
一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法 Download PDFInfo
- Publication number
- CN109242215B CN109242215B CN201811254907.5A CN201811254907A CN109242215B CN 109242215 B CN109242215 B CN 109242215B CN 201811254907 A CN201811254907 A CN 201811254907A CN 109242215 B CN109242215 B CN 109242215B
- Authority
- CN
- China
- Prior art keywords
- vibration
- particle
- class
- state
- support vector
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于粒子群‑支持向量机的旋转机械设备运行工况预测方法,包括以下步骤:步骤1、采集振动速度信号,并计算振动烈度值作为训练样本集;步骤2、使用样本集结合改进的粒子群算法对支持向量回归机中的参数进行迭代寻优;步骤3、使用样本集和寻优得到的参数对支持向量回归机进行训练,得到支持向量机回归模型函数;步骤4、使用支持向量机回归模型函数预测未来一段时间的振动烈度值,得到预测集;步骤5、结合ISO2372设备振动标准,对预测集中的振动烈度进行分析,得到旋转机械设备在未来一段时间的运行状态。本发明可以对旋转机械设备的振动数据走势进行有效预测,最大限度保证设备的安全可靠运行。
Description
技术领域
本发明涉及到一种基于粒子群-支持向量机(PSO-SVM)的旋转机械设备运行工况预测方法。
技术背景
随着旋转机械设备的老化,加上机械长久高负荷运转,从而给企业保障旋转机械设备安全高效运行带来了很大的压力,若出现突发性故障,不仅企业会受到巨大的经济损失,而且还会影响人民日常工作生活。如何准确的预测这些旋转机械设备的运行工况,并能根据预测的设备运行状态进行有效的设备维护,对于企业来说有着重要的现实意义。
发明内容
为了有效预测旋转机械设备的运行工况,降低突发性故障的产生,本发明提供了一种基于粒子群-支持向量机(PSO-SVM)的旋转机械设备运行工况预测方法,通过刚性安装在旋转机械设备固定底座上的振动传感器采集设备的振动速度信号,并使用支持向量回归机(SVR)对采集到的数据进行分析处理,有效预测旋转机械设备的运行工况。
本发明所采用的技术方案是:
一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法,包括以下步骤:
步骤1、连续采集n组振动速度信号,计算每组振动速度信号的振动烈度值作为样本集,即S={(t1,d1),(t2,d2),…,(ti,di),…,(tn,dn)},其中di为从ti-1时刻到ti时刻采集到的振动速度信号集合对应的振动烈度
步骤2、使用改进的粒子群算法结合样本集S对支持向量回归机中的核参数g和惩罚因子C进行迭代寻优;得到最优的gopt和Copt;
步骤3、使用样本集S和gopt、Copt,对支持向量回归机进行训练,得到支持向量机回归模型函数f(t);
步骤4、使用f(t)预测tn时刻之后连续的m个振动烈度,即Sp={(tn+1,dn+1),(tn+2,dn+2),…,(tn+m,dn+m)},预测过程为:
(4.2)将t=tn+i代入f(t),得到tn+i的振动烈度值dn+i,将(tn+i,dn+i)添加到预测集Sp和样本集S中;
(4.3)将i自身增加1,如果i>m,则执行步骤5,否则返回到步骤4.2;
步骤5、根据ISO2372设备振动标准,对Sp进行分析,判断Sp中的振动烈度值被包含在哪种状态对应的振动烈度取值范围中,并给出旋转机械设备的运行状态。
进一步,所述步骤5中,判断过程为:
(5.1)根据旋转机械的功率和安装方式(刚性安装和弹性安装)判断当前旋转机械设备所属类别,类别包括以下四类:
Ⅰ类为小型设备,如:小于15Kw的电动机;
Ⅱ类为中型设备,如15Kw~75Kw的电动机;
Ⅲ类为刚性安装的大型旋转原动机,如最高功率可达100Kw的电动机;
Ⅳ类为柔性安装的大型旋转原动机,如最高功率可达100Kw的电动机;
(5.2)根据当前旋转机械所属类别,对照ISO2372振动标准卡,找到四种状态对应的上下限值,这四种状态分别为:
A状态:好,表示设备状态良好,可安全运行;
B状态:满意,表示设备状态在可接受范围内,仍然可以正常运行;
C状态:不满意,表示设备状态不乐观,应减少运行时间或停机进行检查;
D状态:不允许,表示设备状态非常糟糕,要立刻发出故障警报,停机进行维修;
四种状态对应的上下限值分别为:
(5.3)将Sp中振动烈度与四种状态的上下限值进行比较,如果振动烈度全部小于则给出旋转机械状态为A;如果有多于u,u∈[1,m]个振动烈度大于但是有少于r,r∈[1,m]个振动烈度大于则给出旋转机械状态为B;如果有多于u个振动烈度大于但是有少于r个振动烈度大于则给出旋转机械状态为C;如果有多于u个振动烈度大于则给出旋转机械状态为D;经过以上判断,得出旋转机械设备运行状态。
再进一步,所述步骤1中,采集和计算过程如下:
(1.1)设置振动速度信号采样周期为T秒,从t0时刻开始连续采集k个振动速度信号组成一组,累计采集n组,有Sv={(t1,s1),(t2,s2),…,(ti,si),…,(tn,sn)},其中si表示从ti-1时刻到ti时刻采集到的振动速度信号集合,即si={v1,v2,…,vk};
(1.2)计算振动烈度:计算每组振动速度信号集合的振动烈度值,得到样本集为S={(t1,d1),(t2,d 2),…,(ti,d i),…,(tn,d n)},d i为si的振动烈度,振动烈度计算公式为:
更进一步,所述步骤2中,利用改进的粒子群算法对支持向量机回归机中的核参数g和惩罚因子C进行迭代寻优,过程为:
(2.1)初始化粒子群:在二维空间中初始化粒子群P={p1,p2,…,pi,…,pm},其中pi粒子的位置为xi=(xi1,xi2),速度为vi=(vi1,vi2)。粒子的初始位置为待优化的惩罚因子和核参数的取值范围中的随机数,取值范围分别为[Cmin,Cmax]、[gmin,gmax];粒子的初始速度为待优化的惩罚因子和核参数的速度范围的随机数,速度范围分别为[-Cvmax,Cvmax]、[-gvmax,gvmax];pi粒子的局部最优位置为Xi=(Xi1,Xi2),初始值Xi=xi;粒子群的全局最优位置为Xg=(Xg1,Xg2),初始值Xg=xi;全局最优位置对应的粒子速度为Vg=(Vg1,Vg2),初始值Vg=xi。创建一个最佳替换粒子R,并让R的位置、R的局部最优位置和R的全局最优位置都等于Xg,R的速度等于Vg;
(2.2)计算适应度:如果当前迭代次数t>G,G为总迭代次数,则执行步骤2.6,否则使用适应度函数计算每个粒子的适应度,如果pi粒子在当前位置的适应度优于其局部最优位置适应度,则将pi粒子的局部最优位置更新为pi粒子的当前位置;如果pi粒子在当前位置的适应度优于全局最优位置适应度,则将全局最优位置更新为pi粒子的当前位置,将全局最优位置对应的粒子速度更新为pi粒子的当前速度,上述的适应度函数采用均方根误差函数,其公式为:
其中,n为测试样本数量,yi为实际测量值,yi *为模型预测值,均方根误差越小,适应度越好;
(2.3)粒子群迭代更新:根据下述粒子群的位置和速度迭代公式进行迭代,更新每个粒子的位置和速度;
(2.4)判断:如果t≥(a/b)G,a<b,且全局最优位置的适应度大于等于最佳替换粒子的适应度,则设置最佳替换粒子的位置等于Xg,最佳替换粒子的速度等于Vg,执行步骤2.5,否则返回到步骤2.2;
(2.5)最佳替换粒子迭代更新:如果t>G,则执行步骤2.6,否则让R代替P,使用上述的粒子群位置和速度迭代公式进行迭代,得到粒子R’,若R’的适应度大于等于R的适应度,则让R的位置等于R’的位置,R的速度等于R’的速度,t=t+1,重复本步骤,否则设置Xg等于R的位置,Vg等于R的速度,返回到步骤2.2;
(2.6)输出最优值:如果全局最优位置的适应度大于等于R的适应度,则寻优结果为Xg,否则为R的位置。
所述步骤1中,振动烈度是指物体振动速度的均方根值。目前,常使用位移、速度和加速度这三个标准来衡量物体的振动强度的大小,而通常情况下会采用振动烈度来衡量振动强度的大小,它反映了包含各次谐波能量的总振动能量的大小。
所述步骤5中,ISO2372设备振动标准是对设备振动定义的一个国际标准,振动烈度等级卡依据ISO2372标准可以对设备的振动状况进行快速评估,该标准的适应范围是操作转速为10~200Hz(600~12000RPM)的机器。
本发明的有益效果表现在:由于本发明利用旋转机械设备中电动机的振动烈度作为样本集,使用了在后期迭代更快的改进PSO算法对支持向量回归机的重要参数进行寻优,之后使用训练得到的支持向量机回归模型预测未来一段时间的振动烈度,最后结合ISO2372设备振动标准分析预测得到的振动烈度,判断旋转机械的运行状态,从而实现对旋转机械设备的运行工况的有效预测。
附图说明
图1为本发明方法的整体流程图;
图2为本发明中改进的PSO算法执行流程图;
图3为ISO2372振动标准卡;
图4为振动速度信号集合Sv的数据示意图;
图5为振动烈度样本集S的数据示意图;
图6为振动烈度预测效果图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1~图6,一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法,包括以下步骤:
步骤1、连续采集n组振动速度信号,计算每组振动速度信号的振动烈度值作为样本集,即S={(t1,d1),(t2,d2),…,(ti,di),…,(tn,dn)},其中di为从ti-1时刻到ti时刻采集到的振动速度信号集合计算得到的振动烈度,计算过程如下:
(1.1)设置振动速度信号采样周期为T秒,从t0时刻开始连续采集k个振动速度信号组成一组,累计采集n组,有Sv={(t1,s1),(t2,s2),…,(ti,si),…,(tn,sn)},其中si表示从ti-1时刻到ti时刻采集到的振动速度信号集合,即si={v1,v2,…,vk};
(1.2)计算振动烈度:计算每组振动速度信号集合的振动烈度值,得到样本集为S={(t1,d1),(t2,d 2),…,(ti,d i),…,(tn,d n)},d i为si的振动烈度,计算公式为:
步骤2、使用改进的粒子群算法结合样本集S对支持向量回归机中的核参数g和惩罚因子C进行迭代寻优;得到最优的gopt和Copt;
支持向量机(SVM)是以统计学习理论和结构风险最小化原理为基础的机器学习算法,包括支持向量分类机和支持向量回归机,SVM可被描述为如下优化问题:
在给定的样本集SS={(x1,z1),…,(xi,zi),…,(xl,zl)}中,xi∈Rn(R为实数域,n为维数)为输入变量,zi∈R1为对应的输出变量,可根据SVM构造出回归估计函数为:
f(x)=<w·Φ(x)>+b
其中,w为权值系数;Φ(x)为输入空间样本在高维特征空间中的非线性映射;b为常数项偏差。为了保证所有分类到SVM最优分类超平面的分类间隔最大化,等价于‖w‖2最小化,考虑到拟合误差,得到线性回归估计优化问题为:
s.t.wTФ(xi)+b-zi≤ε+ξi,
其中,ξi和ξ*为松弛变量;C为惩罚因子,且C>0;ε为损失半径。利用拉格朗日乘子法把上式转换成无约束的二次规划问题进行求解,再根据鞍点定理把原问题转化为对偶问题,经过计算最终可得回归估计函数为:
采用径向基核函数(RBF)构建支持向量机回归模型,该核函数对于常见的分类或回归问题都有着优异的泛化性能,RBF为:
K(x,x′)=exp(-|x-x′|2)/g2
其中g为核参数;
粒子群算法(PSO)核心思想是通过群体中个体之间的协作和信息共享来不断调整自身的飞行速度和位置,寻找最优解,其速度和位置更新公式如下:
其中,c1和c2为学习因子,通常取常数2;rand1和rand2为介于(0,1)之间的随机数;为第i个粒子在第t次迭代时的个体最优位置;Gbestt为第t次迭代时的群体最优位置;w为惯性权重,其值较大,表示全局寻优能力强,局部寻优能力弱;其值较小,表示全局寻优能力弱,局部寻优能力强。动态的w能获得比固定值更好的寻优效果,采用较多的是线性递减权值(LDW)策略,其公式为:
其中wstart为w的上限,常取值为0.9,wend为w的下限常取值为0.4,G为总迭代数;
由粒子速度和位置迭代公式可知,在迭代前期,由于粒子距离全局最优位置较远,且w较大,于是粒子速度和位置变换也较大,寻优进行较快;而在迭代后期,由于粒子距离全局最好位置都较近,且w变得很小,导致粒子速度和位置变换较小,即使在很小的空间范围内,也需要很长的时间才能搜寻到全局最优解。
综上,要想得到精确度更高的支持向量回归机模型,需要对上述中的惩罚因子C和核参数g进行组合优化。为了加快粒子群算法在后期的迭代速度,本发明采用改进的粒子群算法对其进行优化,如图2所示,过程为:
(2.1)初始化粒子群:在二维空间中初始化粒子群P={p1,p2,…,pi,…,ph},其中pi粒子的位置为xi=(xi1,xi2),速度为vi=(vi1,vi2)。粒子的初始位置为待优化的惩罚因子和核参数的取值范围中的随机数,取值范围分别为[Cmin,Cmax]、[gmin,gmax];粒子的初始速度为待优化的惩罚因子和核参数的速度范围的随机数,速度范围分别为[-Cvmax,Cvmax]、[-gvmax,gvmax];pi粒子的局部最优位置为Xi=(Xi1,Xi2),初始值Xi=xi;粒子群的全局最优位置为Xg=(Xg1,Xg2),初始值Xg=xi;全局最优位置对应的粒子速度为Vg=(Vg1,Vg2),初始值Vg=xi。创建一个最佳替换粒子R,并让R的位置Xg,R的速度等于Vg;
(2.2)计算适应度:如果当前迭代次数t>G,G为总迭代次数,则执行步骤2.6,否则使用适应度函数计算每个粒子的适应度,如果pi粒子在当前位置的适应度优于其局部最优位置适应度,则将pi粒子的局部最优位置更新为pi粒子的当前位置;如果pi粒子在当前位置的适应度优于全局最优位置适应度,则将全局最优位置更新为pi粒子的当前位置,将全局最优位置对应的粒子速度更新为pi粒子的当前速度,上述的适应度函数采用均方根误差函数,其公式为:
其中,n为测试样本数量,yi为实际测量值,yi *为模型预测值。均方根误差越小,适应度越好;
(2.3)粒子群迭代更新:根据上述的粒子群位置和速度迭代公式进行迭代,更新每个粒子的位置和速度;
(2.4)判断:如果t≥(2/3)G,且全局最优位置的适应度大于等于最佳替换粒子的适应度,则设置最佳替换粒子的位置等于Xg,最佳替换粒子的速度等于Vg,执行步骤2.5,否则返回到步骤2.2;
(2.5)最佳替换粒子迭代更新:如果t>G,则执行步骤2.6,否则让R代替P,使用上述的粒子群位置和速度迭代公式进行迭代,得到粒子R’,若R’的适应度大于等于R的适应度,则让R的位置等于R’的位置,R的速度等于R’的速度,t=t+1,重复本步骤,否则设置Xg等于R的位置,Vg等于R的速度,返回到步骤2.2;
(2.6)输出最优值:如果全局最优位置的适应度大于等于R的适应度,则寻优结果为Xg,否则为R的位置;
步骤3、使用样本集S和gopt、Copt,对支持向量回归机进行训练,得到支持向量机回归模型函数f(t);
步骤4、使用f(t)预测tn时刻之后连续的m个振动烈度,即Sp={(tn+1,dn+1),(tn+2,dn+2),…,(tn+m,dn+m)},使用支持向量机回归模型函数进行预测时,只需要给出一个序列值,便能预测出该序列值对应的振动烈度,过程如下:
(4.2)将t=tn+i代入f(t),得到sn+i的振动烈度值dn+i,将(tn+i,dn+i)添加到预测集Sp和样本集S中;
(4.3)将i自身增加1,如果i>m,则执行步骤5,否则返回到步骤4.2;
步骤5、根据ISO2372设备振动标准,对Sres进行分析,判断Sres中的振动烈度值被包含在哪种状态对应的振动烈度取值范围中,并给出旋转机械设备的运行状态。
如图3所示,ISO设备振动标准中的振动烈度等级卡将机器分为如下四类:
Ⅰ类为小型电机(小于15Kw的电动机);
Ⅱ类为中型电机(15Kw~75Kw的电动机);
Ⅲ类为刚性安装的大型旋转原动机(若为电动机,最高功率可达100Kw);
Ⅳ类为柔性安装的大型旋转原动机(若为电动机,最高功率可达100Kw);
同时,将振动烈度的取值范围划分在四个机器运行状态中,如下:
A:好,表示电动机状态良好,可安全运行;
B:满意,表示电动机状态在可接受范围内,仍然可以继续运行;
C:不满意,表示电动机状态不乐观,应减少运行时间或停机进行检查;
D:不允许,表示电动机状态非常糟糕,要立刻发出故障警报,停机进行维修;
四种状态对应的上下限值分别为:
根据上述的四种机器分类和四种运行状态分类,步骤5的判断过程如下:
(5.1)根据旋转机械的功率和安装方式(刚性安装和弹性安装)判断当前旋转机械设备所属类别;
(5.2)根据当前旋转机械所属类别,对照ISO2372振动标准卡,找到四种状态对应振动烈度的上限值;
(5.3)将Sp中振动烈度与四种状态的上下限值进行比较,如果振动烈度全部小于则给出旋转机械状态为A;如果有多于m/3个振动烈度大于但是有少于m/5个振动烈度大于则给出旋转机械状态为B;如果有多于m/3个振动烈度大于但是有少于m/5个振动烈度大于则给出旋转机械状态为C;如果有多于m/3个振动烈度大于则给出旋转机械状态为D。经过以上判断,可得出旋转机械设备运行状态。
下面结合实例对本发明做进一步说明,本发明包括但不仅限于下述实例。
以采集某风机数据为例,该风机为小于15Kw的的电动机,并以额定功率运行。设置振动速度数据采样周期T=10秒,每组包含k=12个振动速度信号,累计采集n=50组数据。振动速度信号集合Sv数据示意图如图4所示。经过振动烈度值的计算,样本集S中的50组数据如表1所示,示意图如图5所示。
t<sub>i</sub> | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
d<sub>i</sub> | 1.249 | 1.268 | 1.256 | 1.257 | 1.252 | 1.259 | 1.257 | 1.248 | 1.248 | 1.269 |
t<sub>i</sub> | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
d<sub>i</sub> | 1.260 | 1.258 | 1.270 | 1.257 | 1.257 | 1.255 | 1.253 | 1.252 | 1.265 | 1.258 |
t<sub>i</sub> | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
d<sub>i</sub> | 1.274 | 1.275 | 1.259 | 1.255 | 1.258 | 1.266 | 1.253 | 1.244 | 1.272 | 1.270 |
t<sub>i</sub> | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 4- |
d<sub>i</sub> | 1.267 | 1.265 | 1.275 | 1.265 | 1.245 | 1.263 | 1.252 | 1.242 | 1.287 | 1.255 |
t<sub>i</sub> | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 |
d<sub>i</sub> | 1.253 | 1.241 | 1.256 | 1.249 | 1.259 | 1.266 | 1.255 | 1.256 | 1.262 | 1.259 |
表1
样本集准备完毕后,使用改进的粒子群算法结合样本集S对支持向量回归机中的核参数g和惩罚因子C进行迭代寻优。在改进的粒子群算法中,设置总迭代次数G=100,粒子个数h=30,Cmin=0.1,Cmax=100,gmin=0.1,gmax=100,Cvmax=60,gvmax=60,最终寻优得到惩罚因子Copt=62.3525,核参数gopt=61.406。
使用样本集S和gopt、Copt对支持向量回归机进行训练,得到支持向量机回归模型函数f(t),依次预测产生10组振动烈度值,如表2所示。
t<sub>i</sub> | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 |
d<sub>i</sub> | 1.255 | 1.260 | 1.261 | 1.243 | 1.259 | 1.258 | 1.262 | 1.255 | 1.278 | 1.268 |
表2
由于该风机为小于15Kw的电动机,对照振动烈度等级卡,该设备属于Ⅰ类,且预测的10个振动烈度值都在1.12到1.80范围内,属于B,表示满意,最终得到该风机在未来20分钟的运行状态为满意状态。
进一步,在该实施例中,采集50组样本集后,继续采集10组振动烈度值,如表3所示。将预测得到的10组振动烈度值与表3中的实际振动烈度值进行比较,如图6所示,预测结果基本吻合。
t<sub>i</sub> | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 |
d<sub>i</sub> | 1.250 | 1.261 | 1.266 | 1.238 | 1.261 | 1.253 | 1.267 | 1.250 | 1.283 | 1.273 |
表3
本发明所述的一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法对旋转机械设备的振动数据走势进行预测,以便维护人员提前掌握旋转机械设备在未来一段时间内的运行工况,最大限度保证设备的安全可靠运行。
本技术领域中的普通技术人员应当认识到,以上内容仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上实例的变化、变型都将落在本发明的权利要求书范围内。
Claims (5)
1.一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法,其特征在于,所述方法包括以下步骤:
步骤1、连续采集n组振动速度信号,计算每组振动速度信号的振动烈度值作为样本集,即S={(t1,d1),(t2,d2),…,(ti,di),…,(tn,dn)},其中di为从ti-1时刻到ti时刻采集到的振动速度信号集合对应的振动烈度;
步骤2、使用改进的粒子群算法结合样本集S对支持向量回归机中的核参数g和惩罚因子C进行迭代寻优;得到最优的gopt和Copt;
步骤3、使用样本集S和gopt、Copt,对支持向量回归机进行训练,得到支持向量机回归模型函数f(t);
步骤4、使用f(t)预测tn时刻之后连续的m个振动烈度,即Sp={(tn+1,dn+1),(tn+2,dn+2),…,(tn+m,dn+m)},预测过程为:
(4.2)将t=tn+i代入f(t),得到tn+i的振动烈度值dn+i,将(tn+i,dn+i)添加到预测集Sp和样本集S中;
(4.3)将i自身增加1,如果i>m,则执行步骤5,否则返回到步骤4.2;
步骤5、根据ISO2372设备振动标准,对Sp进行分析,判断Sp中的振动烈度值被包含在哪种状态对应的振动烈度取值范围中,并给出旋转机械设备的运行状态;
所述步骤5中,判断过程为:
(5.1)根据旋转机械的功率和安装方式判断当前旋转机械设备所属类别,类别包括以下四类:
Ⅰ类为小型设备,如:小于15Kw的电动机;
Ⅱ类为中型设备,如15Kw~75Kw的电动机;
Ⅲ类为刚性安装的大型旋转原动机;
Ⅳ类为柔性安装的大型旋转原动机;
(5.2)根据当前旋转机械所属类别,对照ISO2372振动标准卡,找到四种状态对应的上下限值,这四种状态分别为:
A状态:好,表示设备状态良好,可安全运行;
B状态:满意,表示设备状态在可接受范围内,仍然可以正常运行;
C状态:不满意,表示设备状态不乐观,应减少运行时间或停机进行检查;
D状态:不允许,表示设备状态非常糟糕,要立刻发出故障警报,停机进行维修;
四种状态对应的上下限值分别为:
2.如权利要求1所述的一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法,其特征在于,所述步骤1中,采集和计算过程如下:
(1.1)设置振动速度信号采样周期为T秒,从t0时刻开始连续采集k个振动速度信号组成一组,累计采集n组,有Sv={(t1,s1),(t2,s2),…,(ti,si),…,(tn,sn)},其中si表示从ti-1时刻到ti时刻采集到的振动速度信号集合,即si={v1,v2,…,vk};
(1.2)计算振动烈度:计算每组振动速度信号集合的振动烈度值,得到样本集为S={(t1,d1),(t2,d2),…,(ti,di),…,(tn,dn)},di为si的振动烈度,振动烈度计算公式为:
3.如权利要求1所述的一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法,其特征在于,所述步骤2中,利用改进的粒子群算法对支持向量机回归机中的核参数g和惩罚因子C进行迭代寻优,过程为:
(2.1)初始化粒子群:在二维空间中初始化粒子群P={p1,p2,…,pi,…,pm},其中pi粒子的位置为xi=(xi1,xi2),速度为vi=(vi1,vi2),粒子的初始位置为待优化的惩罚因子和核参数的取值范围中的随机数,取值范围分别为[Cmin,Cmax]、[gmin,gmax];粒子的初始速度为待优化的惩罚因子和核参数的速度范围的随机数,速度范围分别为[-Cvmax,Cvmax]、[-gvmax,gvmax];pi粒子的局部最优位置为Xi=(Xi1,Xi2),初始值Xi=xi;粒子群的全局最优位置为Xg=(Xg1,Xg2),初始值Xg=xi;全局最优位置对应的粒子速度为Vg=(Vg1,Vg2),初始值Vg=xi,创建一个最佳替换粒子R,并让R的位置、R的局部最优位置和R的全局最优位置都等于Xg,R的速度等于Vg;
(2.2)计算适应度:如果当前迭代次数t>G,G为总迭代次数,则执行步骤2.6,否则使用适应度函数计算每个粒子的适应度,如果pi粒子在当前位置的适应度优于其局部最优位置适应度,则将pi粒子的局部最优位置更新为pi粒子的当前位置;如果pi粒子在当前位置的适应度优于全局最优位置适应度,则将全局最优位置更新为pi粒子的当前位置,将全局最优位置对应的粒子速度更新为pi粒子的当前速度,上述的适应度函数采用均方根误差函数,其公式为:
其中,n为测试样本数量,yi为实际测量值,yi *为模型预测值,均方根误差越小,适应度越好;
(2.3)粒子群迭代更新:根据下述粒子群的位置和速度迭代公式进行迭代,更新每个粒子的位置和速度;
(2.4)判断:如果t≥(a/b)G,a<b,且全局最优位置的适应度大于等于最佳替换粒子的适应度,则设置最佳替换粒子的位置等于Xg,最佳替换粒子的速度等于Vg,执行步骤2.5,否则返回到步骤2.2;
(2.5)最佳替换粒子迭代更新:如果t>G,则执行步骤2.6,否则让R代替P,使用上述的粒子群位置和速度迭代公式进行迭代,得到粒子R’,若R’的适应度大于等于R的适应度,则让R的位置等于R’的位置,R的速度等于R’的速度,t=t+1,重复本步骤,否则设置Xg等于R的位置,Vg等于R的速度,返回到步骤2.2;
(2.6)输出最优值:如果全局最优位置的适应度大于等于R的适应度,则寻优结果为Xg,否则为R的位置。
4.如权利要求1所述的一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法,其特征在于,所述步骤1中,振动烈度是指物体振动速度的均方根值。
5.如权利要求1所述的一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法,其特征在于,所述步骤5中,ISO2372设备振动标准是对设备振动定义的一个国际标准,振动烈度等级卡依据ISO2372标准可以对设备的振动状况进行快速评估,该标准的适应范围是操作转速为10~200Hz(600~12000RPM)的机器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811254907.5A CN109242215B (zh) | 2018-10-26 | 2018-10-26 | 一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811254907.5A CN109242215B (zh) | 2018-10-26 | 2018-10-26 | 一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242215A CN109242215A (zh) | 2019-01-18 |
CN109242215B true CN109242215B (zh) | 2021-06-29 |
Family
ID=65082117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811254907.5A Active CN109242215B (zh) | 2018-10-26 | 2018-10-26 | 一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242215B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816555A (zh) * | 2019-01-30 | 2019-05-28 | 云南电网有限责任公司电力科学研究院 | 一种基于支持向量机的负荷建模方法 |
CN110175698B (zh) * | 2019-04-26 | 2021-08-03 | 浙江工业大学 | 一种基于改进粒子群优化bp神经网络的水泵设备状态预测方法 |
CN110852017A (zh) * | 2019-10-08 | 2020-02-28 | 湖南省计量检测研究院 | 基于粒子群优化的支持向量机的氢燃料电池故障诊断方法 |
CN112525336B (zh) * | 2020-11-18 | 2023-06-27 | 西安因联信息科技有限公司 | 一种机械设备振动连续增长的自动化检测方法 |
CN112749506B (zh) * | 2020-12-21 | 2022-08-26 | 哈尔滨理工大学 | 基于ceemd和gwo-svr的振动信号预测方法 |
CN113064456B (zh) * | 2021-03-01 | 2022-06-14 | 大唐东北电力试验研究院有限公司 | 一种火电厂旋转机械振动控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102539192B (zh) * | 2012-01-20 | 2015-06-17 | 北京信息科技大学 | 一种基于ica重构的故障预测方法 |
CN103678901A (zh) * | 2013-12-05 | 2014-03-26 | 上海理工大学 | 一种岩爆烈度等级的评价方法 |
CN103810374B (zh) * | 2013-12-09 | 2017-04-05 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
CN105444923B (zh) * | 2015-11-18 | 2017-12-29 | 浙江工业大学 | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 |
US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN107144428B (zh) * | 2017-03-17 | 2019-02-22 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
-
2018
- 2018-10-26 CN CN201811254907.5A patent/CN109242215B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109242215A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242215B (zh) | 一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法 | |
Xiang et al. | Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mechanism | |
Wen et al. | Wind turbine fault diagnosis based on ReliefF-PCA and DNN | |
Yin et al. | Recent advances on SVM based fault diagnosis and process monitoring in complicated industrial processes | |
Joshuva et al. | An insight on VMD for diagnosing wind turbine blade faults using C4. 5 as feature selection and discriminating through multilayer perceptron | |
Yang et al. | A multi-source ensemble domain adaptation method for rotary machine fault diagnosis | |
Aydın et al. | Combined intelligent methods based on wireless sensor networks for condition monitoring and fault diagnosis | |
Zhang et al. | Time series anomaly detection for smart grids: A survey | |
WO2018171165A1 (zh) | 预测风机的故障的方法和设备 | |
CN112800682B (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
Zhang et al. | End-to-end unsupervised fault detection using a flow-based model | |
Zhou et al. | Bearing performance degradation assessment using lifting wavelet packet symbolic entropy and SVDD | |
CN116186578A (zh) | 风电机组故障辨识方法、装置及终端设备 | |
Wen et al. | A novel machine learning model for safety risk analysis in flywheel-battery hybrid energy storage system | |
Yao et al. | A novel composed method of cleaning anomy data for improving state prediction of wind turbine | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
Lai et al. | Multiscale wavelet-driven graph convolutional network for blade icing detection of wind turbines | |
Bai et al. | A two-phase-based deep neural network for simultaneous health monitoring and prediction of rolling bearings | |
Xiong et al. | Combining the multi-genetic algorithm and support vector machine for fault diagnosis of bearings | |
CN113435228A (zh) | 一种基于振动信号建模的电动机轴承寿命预测与分析方法 | |
Pei et al. | Multisensor prognostic of RUL based on EMD-ESN | |
Fu et al. | Fault classification for wind turbine benchmark model based on hilbert-huang transformation and support vector machine strategies | |
Ma et al. | Reconstruction‐based fault prognosis for flue gas turbines with independent component analysis | |
CN111461565A (zh) | 一种电力调控下的电源侧发电性能评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |