CN110030187B - 一种基于支持向量机的机泵安康诊断方法 - Google Patents
一种基于支持向量机的机泵安康诊断方法 Download PDFInfo
- Publication number
- CN110030187B CN110030187B CN201910216247.XA CN201910216247A CN110030187B CN 110030187 B CN110030187 B CN 110030187B CN 201910216247 A CN201910216247 A CN 201910216247A CN 110030187 B CN110030187 B CN 110030187B
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- pump
- time
- support vector
- frequency
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及机泵维护技术,旨在提供一种基于支持向量机的机泵安康诊断方法。包括:采集机泵运行过程中的实时振动信号数据,并对振动信号进行时频域分析;从时频域分析获得的频域波形图中提取出时频域特征信号;将时频域特征信号代入经训练的支持向量机安康诊断模型中进行诊断,获得机泵运行状态故障情况。本发明通过使用多个二类支持向量机,结构简单,计算方便,提高了故障诊断的速度和准确率;大大减少了支持向量机的数目,且避免了分类重叠和不可分类现象;支持向量机诊断模型可随着实际样本的变化进行实时更新;降低了对数据样本结构和数量的要求,大大简化了问题的难度,具有很好的实用价值。
Description
技术领域
本发明涉及机泵维护技术,具体涉及一种基于支持向量机的机泵安康诊断方法,是统计分析技术和机器学习技术在机泵安康诊断中的应用。
背景技术
支持向量机与1995年正式发表后,由于在文本分类任务中显示卓越性能,很快成为机器学习的主流技术,并直接掀起了“统计学习”的学习高潮。支持向量机是一种新的非线性模式识别方法,比传统的神经网络、贝叶斯网络算法具有更好的分类精度和推广能力。此外支持向量机是一个典型的二分类器,对样本数据数量要求低,实现方便,同时随着各种算法的发展,可以将多个二分类器组合起来实现多分类的功能,这为故障诊断领域提供了新的想法。
机泵设备如风机、水泵、空压机等是石油化工、冶金、钢铁和电力等现代企业中的关键设备,其故障诊断和安康监测一直是难点,目前还未有利用支持向量机具体的进行机泵安康诊断的方法。
发明内容
本发明要解决的技术问题是,克服现有技术中的不足,提供一种基于支持向量机的机泵安康诊断方法,用于提高机泵安康监测的可靠性和服务质量。
为解决技术问题,本发明的解决方案是:
提供一种基于支持向量机的机泵安康诊断方法,包括以下步骤:
(1)采集机泵运行过程中的实时振动信号数据,并对振动信号进行时频域分析;
(2)从时频域分析获得的频域波形图中提取出时频域特征信号;
(3)将时频域特征信号代入经训练的支持向量机安康诊断模型中进行诊断,获得机泵运行状态故障情况。
本发明中,步骤(1)中所述振动信号是指机泵的振动加速度值;所述时频域分析包括以下步骤:
(1.1)对振动加速度值积分得到振动速度值,在此基础上建立相应的时域波形图;
(1.2)对时域波形图中的时域振动速度值进行傅里叶变换,得到频域波形图。
本发明中,步骤(2)中所述频域特征信号包括:时域波形形状,以及频域上的0.5倍频幅值、1倍频幅值、2倍频幅值和3倍频幅值。
本发明中,步骤(3)中所述经训练的支持向量机安康诊断模型,是通过下述步骤建立的:
(3.1)将提取的机泵频域特征信息归一化到[0,1]之间:
其中,x′为归一化后的特征数据,x为原始的特征数据;提取的频域特征信号包括时域波形形状,以及频域上的0.5倍频幅值、1倍频幅值、2倍频幅值和3倍频幅值;
(3.2)完成归一化后,将五个频域特征信号表示成一个特征向量:
X={X1,X2,X3,X4,X5}T;
X1,X2,X3,X4,X5分别为时域波形形状,以及频域上的0.5倍频幅值、1倍频幅值、2倍频幅值和3倍频幅值,T为矩阵X的转置;
(3.3)采用有向无环图DAG支持向量机来实现多分类器,即调用k-1个二类分类器进行故障类型分类,k指故障类型数量;
(3.4)将多分类器转化为求解二次优化问题,按如下方式求解:
其中,m为样本数量;αi、αj是第i、j个样本xi、xj对应的拉格朗日乘子;yi、yj分别是第i、j个样本对应的故障类型值;
(3.5)求解得到最优拉格朗日乘子集,完成模型的建立与训练。
本发明中,步骤(3)所述机泵运行状态故障情况是指存储于样本数据库中的单一故障类型,至少包括:输出转子不平衡、转子不对中、轴向裂纹、油膜失稳或动静摩擦;若实际工况中出现新的故障类型,则把新的故障类型代入样本数据库进行训练。
本发明中,该方法进一步包括步骤(4):将诊断后的机泵运行状态故障情况与机泵故障知识库比对,根据匹配情况提出相应的维保指导意见。
与现有技术相比,本发明的有益效果在于:
(1)使用多个二类支持向量机,结构简单,计算方便,提高了故障诊断的速度和准确率;
(2)本发明采用DAG(有向五环图)支持向量机的形式,大大减少了支持向量机的数目,且避免了分类重叠和不可分类现象;
(3)本发明中的支持向量机诊断模型可随着实际样本的变化进行实时更新;
(4)本发明支持向量机在机泵安康诊断中的应用,降低了对数据样本结构和数量的要求,大大简化了问题的难度,具有很好的实用价值。
附图说明
图1为利用支持向量机实现故障类型多分类的分类示意图;
图2为基于支持向量机的机泵安康诊断方法工作流程图。
图3为建立支持向量机诊断模型的流程图;
图4为机泵故障类型和时频域特征示意图。
具体实施方式
为了使本发明的目的和技术方案以及优点更加清楚明白,结合附图作进一步详细说明。应当理解,此处所描述的具体实施例仅仅拥有解释本发明,并不用与限定本发明。
本实施例中,通过提取某化工厂一段时间内的机泵运行历史数据作为样本数据,并利用其实现基于支持向量机的机泵安康诊断方法。具体如下:
步骤1:
实时采集机泵运行过程中的振动加速度值,对其积分得到振动速度值,在此基础上建立相应的时域波形图,再通过傅里叶变换得到频域波形图。
步骤2:
从时频域分析获得的频域波形图中提取出时频域特征信号,至少包括:时域波形形状,以及频域上的0.5倍频幅值、1倍频幅值、2倍频幅值和3倍频幅值。
步骤3:
将时频域特征信号代入经训练的支持向量机安康诊断模型中进行诊断,获得机泵运行状态故障情况。所述机泵运行状态故障情况是指存储于样本数据库中的单一故障类型,至少包括:输出转子不平衡、转子不对中、轴向裂纹、油膜失稳或动静摩擦;若实际工况中出现新的故障类型,则把新的故障类型代入样本数据库进行训练。
其中,经训练(已经训练好的)的支持向量机安康诊断模型的建立方法:
(1)将提取的机泵频域特征信息归一化到[0,1]之间:
其中,x′为归一化后的特征数据,x为原始的特征数据;提取的频域特征信号包括时域波形形状,以及频域上的0.5倍频幅值、1倍频幅值、2倍频幅值和3倍频幅值;
(2)完成归一化后,将五个频域特征信号表示成一个特征向量:
X={X1,X2,X3,X4,X5}T;
X1,X2,X3,X4,X5分别为时域波形形状,以及频域上的0.5倍频幅值、1倍频幅值、2倍频幅值和3倍频幅值,T为矩阵X的转置;
(3)采用有向无环图DAG支持向量机来实现多分类器,即调用k-1个二类分类器进行故障类型分类,k指故障类型数量;
如图1所示,本发明采用DAG(有向无环图)支持向量机来实现多分类器,即调用5个二类分类器即可,这样在分类时,先进行分类器“1对6”(即判断“是第1类还是第6类”),如果是第6类,就往左继续判断分类器“1对5”,再判断“2对6”这个分类器,如果它还说是“6”,就继续往左进行下面的分类器判断,直到可以得到分类结果。这样的流程只调用了4个分类器(如果类别数是k,则只调用k-1个),分类速度飞快,且没有分类重叠和不可分类现象。
图1底部方框中数字1-6分别代表机泵的转子不平衡、转子不对中、轴向裂纹、油膜失稳和动静摩擦等六种故障类型。
(4)将多分类器转化为求解二次优化问题,按如下方式求解:
其中,m为样本数量;αi、αj是第i、j个样本xi、xj对应的拉格朗日乘子;yi、yj分别是第i、j个样本对应的故障类型值;
(5)求解得到最优拉格朗日乘子集,完成模型的建立与训练。
步骤4:
将诊断后的机泵运行状态故障情况与机泵故障知识库比对,根据匹配情况提出相应的维保指导意见。
机泵故障知识库是一个大型知识库,可以由多个组件构成。例如:(1)将各品类机泵不同型号的产品部件在不同使用状态下的振动烈度数据和频谱特征进行汇总、归类,即能构建成为机泵部件振动数据组件;(2)以标准(如ISO2372振动标准)规定的整体振动速度烈度等级范围构建振动烈度数据组件;(3)以标准(如JB/T5294-91温度标准)规定的运行温度等级范围构建温度数据组件;(4)以历史大数据覆盖的故障记录,以及整合海量运转设备故障实例组成知识库组件;该组件能够涵盖大部分机泵可能出现的故障及其检测方法,分为机械类故障、电气类故障、安装不规范、保养不到位、产品元件故障、使用不当故障等几大类。机泵故障知识库的设立可依据现有技术实现,故不再赘述。
Claims (2)
1.一种基于支持向量机的机泵安康诊断方法,其特征在于,包括以下步骤:
(1)采集机泵运行过程中的实时振动信号数据,并对振动信号进行时频域分析;
所述振动信号是指机泵的振动加速度值;所述时频域分析包括以下步骤:
(1.1)对振动加速度值积分得到振动速度值,在此基础上建立相应的时域波形图;
(1.2)对时域波形图中的时域振动速度值进行傅里叶变换,得到频域波形图;
(2)从时频域分析获得的频域波形图中提取出时频域特征信号;
所述频域特征信号包括:时域波形形状,以及频域上的0.5倍频幅值、1倍频幅值、2倍频幅值和3倍频幅值;
(3)将时频域特征信号代入经训练的支持向量机安康诊断模型中进行诊断,获得机泵运行状态故障情况;
所述经训练的支持向量机安康诊断模型,是通过下述步骤建立的:
(3.1)将提取的机泵频域特征信息归一化到[0,1]之间:
其中,x'为归一化后的特征数据,x为原始的特征数据;提取的频域特征信号包括时域波形形状,以及频域上的0.5倍频幅值、1倍频幅值、2倍频幅值和3倍频幅值;
(3.2)完成归一化后,将五个频域特征信号表示成一个特征向量:
X={X1,X2,X3,X4,X5}T;
X1,X2,X3,X4,X5分别为时域波形形状,以及频域上的0.5倍频幅值、1倍频幅值、2倍频幅值和3倍频幅值,T为矩阵X的转置;
(3.3)采用有向无环图DAG支持向量机来实现多分类器,即调用k-1个二类分类器进行故障类型分类,k指故障类型数量;
(3.4)将多分类器转化为求解二次优化问题,按如下方式求解:
其中,m为样本数量;αi、αj是第i、j个样本xi、xj对应的拉格朗日乘子;yi、yj分别是第i、j个样本对应的故障类型值;
(3.5)求解得到最优拉格朗日乘子集,完成模型的建立与训练;
(4)将诊断后的机泵运行状态故障情况与机泵故障知识库比对,根据匹配情况提出相应的维保指导意见。
2.根据权利要求1所述的方法,其特征在于,步骤(3)所述机泵运行状态故障情况是指存储于样本数据库中的单一故障类型,至少包括:输出转子不平衡、转子不对中、轴向裂纹、油膜失稳或动静摩擦;若实际工况中出现新的故障类型,则把新的故障类型代入样本数据库进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216247.XA CN110030187B (zh) | 2019-03-20 | 2019-03-20 | 一种基于支持向量机的机泵安康诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216247.XA CN110030187B (zh) | 2019-03-20 | 2019-03-20 | 一种基于支持向量机的机泵安康诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110030187A CN110030187A (zh) | 2019-07-19 |
CN110030187B true CN110030187B (zh) | 2021-05-14 |
Family
ID=67236415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910216247.XA Active CN110030187B (zh) | 2019-03-20 | 2019-03-20 | 一种基于支持向量机的机泵安康诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110030187B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116044740B (zh) * | 2023-03-07 | 2023-09-29 | 西安理工大学 | 基于声信号的泵故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
CN104596767A (zh) * | 2015-01-13 | 2015-05-06 | 北京工业大学 | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 |
CN105718956A (zh) * | 2016-01-26 | 2016-06-29 | 上海经达信息科技股份有限公司 | 基于支持向量机的超载判断方法 |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN107688820A (zh) * | 2017-07-11 | 2018-02-13 | 浙江新再灵科技股份有限公司 | 一种基于bcsa优化支持向量机的电梯故障诊断方法 |
-
2019
- 2019-03-20 CN CN201910216247.XA patent/CN110030187B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
CN104596767A (zh) * | 2015-01-13 | 2015-05-06 | 北京工业大学 | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 |
CN105718956A (zh) * | 2016-01-26 | 2016-06-29 | 上海经达信息科技股份有限公司 | 基于支持向量机的超载判断方法 |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN107688820A (zh) * | 2017-07-11 | 2018-02-13 | 浙江新再灵科技股份有限公司 | 一种基于bcsa优化支持向量机的电梯故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110030187A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN107631867B (zh) | 一种基于深度学习的旋转机械故障智能分类方法 | |
CN109115491B (zh) | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN110333077B (zh) | 一种基于近似支持向量的滚动轴承故障诊断方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN106092578A (zh) | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 | |
CN110044623A (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
CN112304614B (zh) | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN111504675A (zh) | 一种气体绝缘组合电器机械故障在线诊断方法 | |
CN109376794A (zh) | 一种铁水脱硫搅拌器的智能故障诊断方法及系统 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN110030187B (zh) | 一种基于支持向量机的机泵安康诊断方法 | |
CN111442927B (zh) | 一种基于多尺度数学形态学的滚动轴承故障诊断方法 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN115407753B (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
CN114692695B (zh) | 基于多指标融合的故障特征选择及分类方法研究 | |
CN113821888B (zh) | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 | |
CN113822565B (zh) | 一种风机监测数据时频特征分级细化分析的方法 | |
CN110874088B (zh) | 基于多维向量模型的船舶关键设备系统的监测方法 |
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 |