CN110363141A - 用于诊断燃气调压器故障的方法 - Google Patents
用于诊断燃气调压器故障的方法 Download PDFInfo
- Publication number
- CN110363141A CN110363141A CN201910637281.4A CN201910637281A CN110363141A CN 110363141 A CN110363141 A CN 110363141A CN 201910637281 A CN201910637281 A CN 201910637281A CN 110363141 A CN110363141 A CN 110363141A
- Authority
- CN
- China
- Prior art keywords
- signal
- indicates
- indicate
- hilbert
- spectrum
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本公开的实施例公开了一种用于诊断燃气调压器故障的方法。该方法的具体实施方式包括:获取目标燃气调压器的原始信号;使用CEEMDAN算法对所述原始信号进行处理,生成一系列本征模函数;基于所获得的本征模函数,确定出希尔伯特谱、希尔伯特边缘谱和特征向量;基于所述希尔伯特谱、所述希尔伯特边缘谱、所述特征向量和预定的各个故障类型,确定所述目标燃气调压器的故障类型。该实施方式实现了对燃气调压器故障的诊断。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于诊断燃气调 压器故障的方法。
背景技术
调压器能够保持恒定的输出压力无论上游或下游气体压力的变化 如何。这种控制阀已广泛应用于工业和民用领域,如飞机、航空航天、 车辆、采矿等。民用天然气由一系列压力调节器调节,最终以较低的 压力进入家庭供应系统。该链条中的气体压力调节器的任何故障都可 能导致爆炸性气体的泄漏,造成经济损失和人员伤亡。因此,需要一 种有效的燃气调压器的故障检测与识别方法来解决此问题。在燃气管 网中,出口压力的稳定性是反映燃气调节器性能的重要参数之一。根 据最大允许工作压力(MAOP),我们可以定义三种类型的管网:高、 中、低压燃气管网。最终进入家庭供应系统的低压管网的压力值范围 从20千帕降至2千帕。当有故障的调压器工作时,出口压力信号 异常波动,这些压力信号包含着丰富的故障信息量。但由于干扰因素 的多样性和管道中环境的不稳定,从气体调节器收集到的信号往往呈 现非线性和非平稳性。因此出口压力的信号处理过程就显得尤为重要。
发明内容
本公开的一些实施例提供了用于诊断燃气调压器故障的方法,包 括:获取目标燃气调压器的原始信号;使用CEEMDAN算法对上述原 始信号进行处理,生成一系列本征模函数;基于所获得的本征模函数, 确定出希尔伯特谱、希尔伯特边缘谱和特征向量;基于上述希尔伯特 谱、上述希尔伯特边缘谱、上述特征向量和预定的各个故障类型,确 定上述目标燃气调压器的故障类型。该实施方式实现了对燃气调压器 故障的诊断。
在一些实施例中,上述使用CEEMDAN算法对上述原始信号进行 处理,生成一系列本征模函数,包括:
根据以下公式,将上述原始信号分解:
其中,x(t)表示原始信号,IMF表示本征 模函数,n表示本征模函数的个数,IMFi(t)表示第i个本征模函数,r(t) 表示信号分解后剩余的残余量,t表示时间;
X(n)=x(n)+εωi(n),其中,ωi(n)代表第i个添加的高斯白噪声,ε表 示噪声的幅值,x(n)表示原始信号,X(n)表示添加噪声后的原始信号;
第一个本征模函数分量是根据以下公式确定的: 其中,表示使用CEEMDAN算法得出的
第一个本征模函数分量,I表示重复加噪声的实验次数;
第二个本征模函数是根据以下公式确定的:
其中,表示使用 CEEMDAN算法得出的第二个本征模函数分量,i=1,2…I,r1(n)表示 第一次分解后剩余的余量,E1[εωi(n)]表示使用经验模态分解算法对 εωi(n)进行第一次分解后的结果;
以此类推,直到分解出最后一个本征模函数分量。
在一些实施例中,r1(n)所表示的第一次分解后的余量是根据以下 公式确定的:
其中,r1(n)表示第一次分解后的余量。
在一些实施例中,基于所得到的本征模函数,确定出希尔伯特谱、 希尔伯特边缘谱和特征向量,包括:
根据以下公式确定上述希尔伯特谱:
其中,H表示信号的希尔伯特谱,表 示信号的能量在时间和频率上的分布,ω表示信号的频率,t表示信号 的时间,ai代表第i个本征模函数分量的瞬时幅度,Re表示实部,e是 一个无理数,j是虚部表示方法,ωi表示第i个本征模函数分量的瞬时 频率,t表示时间,dt表示时间上的微分;
根据以下公式确定上述希尔伯特边缘谱:
其中,T表示信号的长度,h(ω)表示信号的希 尔伯特边缘谱,表示信号的能量随着频率的分布,ω表示信号的频率;
根据以下公式构建特征向量:
T=[E1/E E2/E … E5/E],其中,T表示特征向量,E表 示信号的总能量,E1表示第1个频带的能量,E2表示第2个频带的能 量,E5表示第5个频带的能量,j表示第j个频带,Ej表示第j个频带 的能量。
在一些可选的实施例中,上述Ej是根据以下公式确定的:
其中,Ej表示第j个频带的能量。n1频 带的下限。n2表示频带的上限。j表示第j个频带。h(ω)表示信号的希 尔伯特边缘谱。表示信号的能量随着频率的分布。ω示信号的频率,d 表示微分符号。
在一些实施例中,基于上述希尔伯特谱、上述希尔伯特边缘谱、 上述特征向量和预定的各个故障类型,确定上述目标燃气调压器的故 障类型,包括:
基于上述预定的各个故障类型的特征向量确定聚类中心;
基于上述希尔伯特谱、上述希尔伯特边缘谱、上述特征向量确定 上述目标燃气调压器和上述聚类中心的隶属度;
根据上述目标燃气调压器和上述聚类中心的隶属度确定上述目标 燃气调压器的故障类型。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描 述,本公开的其它特征、目的和优点将会变得更明显:
图1是根据本公开的一些实施例的用于诊断燃气调压器故障的方 法的一个实施例的流程图。
图2(a)调压箱,(b)输出压力波形。
图3(a)喘振信号的经验模态分解算法分解结果(b)本征模函 数分量的希尔伯特边缘谱。((a)喘振信号的EMD算法分解结果(b) IMF分量的希尔伯特边缘谱如图3所示)
图4(a)喘振信号的CEEEMDAN算法分解结果(b)IMF分量 的希尔伯特边缘谱
图5本征模函数分量希尔伯特边缘谱(a)经验模态分解算法 (b)CEEMDAN算法。(IMF分量希尔伯特边缘谱(a)EMD(b) CEEMDAN如图5所示)
图6原始信号的希尔伯特谱和希尔伯特边缘谱(a)正常信号(b) 喘振(c)出口压力偏低(d)关闭压力偏高。
图7健康的调压器和三个典型故障调压器的总能量,一组18个 样本(健康调压器阈值=7.7646)。
图8调压器三种故障类型的特征向量。
图9经验模态分解算法与CEEMDAN算法诊断准确性比较。(EMD 与CEEMDAN诊断准确性比较如图9所示)
图10基于经验模态分解算法的聚类中心。(基于EMD算法的聚类 中心如图10所示)
图11基于CEEMDAN算法的聚类中心。
图12基于经验模态分解算法的聚类结果。(基于EMD算法的聚类 结果如图12所示)
图13基于CEEMDAN算法的聚类结果。
具体实施方式
如图1所示,示出了根据本公开的用于诊断燃气调压器故障的方 法的一些实施例的流程100。上述用于诊断燃气调压器故障的方法, 包括以下步骤:
步骤101,获取目标燃气调压器的原始信号。
目标燃气调压器的原始信号可以是无线压力监测终端中获得调节 器的出口压力信号。
例如,本文主要选取正常、喘振、中午出口压力低、夜间关闭压 力高四种调压器运行状态进行分析。但不仅限于这四种调压器运行状 态。
步骤102,使用CEEMDAN算法对原始信号进行处理,生成一系 列本征模函数,包括:
根据以下公式,将原始信号分解:
其中,x(t)表示原始信号。IMF表示本 征模函数。n表示本征模函数的个数。IMFi(t)表示第i个本征模函数。 r(t)表示信号分解后剩余的残余量。t表示时间。
NordneE.Huang等人提出了本征模函数(Intrinsic Mode Function, 简称IMF)的概念,本征模函数任意一点的瞬时频率都是有意义的。 Huang等人认为任何信号都是由若干本征模函数组成,任何时候,一 个信号都可以包含若干个本征模函数,如果本征模函数之间相互重 叠,便形成复合信号。
经验模态分解(Empirical Mode Decomposition,简称EMD)是由 Huang等人于1998年提出的一种针对非线性、非平稳信号的自适应信 号分解算法。
CEEMDAN方法,用于解决EMD分解过程中的模态混叠问题, 同常用的方法相比,其有效减少了迭代次数,增加了重构精度,更加 适合非线性信号的分析。
经验模态分解算法的具体流程分为4步:首先提取号的极值点, 然后用插值法生成上下包络线,接下来计算上下包络线的均值,最后 用原信号减去均值,然后判断这个余量是否满足两个本征模函数条 件,两个本征模函数判别条件如下:
局部极值点和零点的个数必须相等或最多相差一个;
上下包络线的相加的均值必须为零。
虽然经验模态分解算法被证实为是一种很有效的方法在处理非线 性非平稳信号时。但经验模态分解算法仍然有很多缺点,模态混叠就 是其中之一。模态混叠是指同种频率的分量分布不同本征模函数 (IMFs)之间。当模态混叠发生时,本征模函数本身就不在具有物理 意义。针对模态混叠现象,Mara E.Torres提出了一种全新的算法,叫 做CEEMDAN算法。
由于在经验模态分解算法分解的每一步都加入高斯白噪声会导致 噪声不完全分解,基于此,CEEMDAN算法定义一个公式:Ej[*],代 表使用经验模态分解算法的第j次分解,ωi(n)代表加入的第i个高斯白 噪声。每次试验都由经验模态分解算法分解的结果加上Ej[ωi(n)]组成。 这样附加的ωi(n)会被分解为不同尺度的分量并均匀分布在整个时频空间内,虽然单次的实验加入噪声会对实验结果产生影响,但在多次实 验取平均值的情况下,加入的噪声会彼此之间相互抵消。最后得出的 平均值就是最终的本征模函数。
CEEMDAN算法的具体步骤如下:
(1)原始信号添加εωi(n):X(n)=x(n)+εωi(n),其中,x(n)表 示原始信号,n是时间序列,ωi(n)代表第i个添加的高斯白噪声,ε表 示噪声的幅值,使用EMD算法对上述式子进行I次分解并求取均值就 可得到第一个IMF分量:
表示使用CEEMDAN算法得出的第一个IMF分量,I表示 实验次数。
(2)计算分解完第一个IMF之后剩下的余量,用原始信号减去 所得到的第一个IMF就可以得到第一步分解的余量r1(n): r1(n)加上E1[εωi(n)]可以得到:r1(n)+E1[εωi(n)],其中,i=1,2…I。 E1表示使用EMD算法对中括号内的信号进行第一次分解后的结果。 E1[εωi(n)]表示对括号内的噪声进行EMD分解,除去括号内信号分解的第一个本征模函数剩下的余量。r1(n)表示第一步分解的余量。
(3)使用EMD算法对r1(n)+E1[εωi(n)]分解I次并取平均值,可 以得到第2个IMF:其中,表 示使用CEEMDAN算法得出的第二个IMF分量。
(4)令k=2,3…K,计算第k个余量rk(n):其 中,rk(n)表示第K个余量。对rk(n)+Ek[εωi(n)]进行I次分解并取平均 值就可以得到第k+1个IMF:
其中,Ek表示使用EMD算法对中括号内的信号进行第k次分解后 的结果。表示使用CEEMDAN算法得出的第k+1个IMF分量。
(5)重复步骤(4)直到不能分解为止。
在CEEMDAN分解前需要设置两个参数,分别是加入噪声的幅值 和每次试验加入噪声的次数,其中,这两个参数和标准差之间的关系 式如下所示:
其中,I代表试验次数,ε代表噪声的幅值,e代表标准误差。减 少噪声的幅值会使误差变小,但是如果噪声的幅值太小,在抑制模式 混叠方面不会取得很好地效果,同时也不会引起原始信号的局部极值 点的变化。所以根据公式2可以通过在增加实验次数的条件下适当的 增加噪声的幅值以取得很好地效果,通常,当气体压力信号以高频分 量为主时,需要减小噪声的振幅。当气体压力信号以低频分量为主时, 应增大附加噪声的幅度。例如,本文选取实验次数为500、白噪声幅 度为压力信号标准差0.2倍作为CEEMDAN算法的参数。
步骤103,基于上述本征模函数,确定出希尔伯特谱、希尔伯特 边缘谱和特征向量,包括:
根据以下公式确定上述希尔伯特谱:
其中,H表示信号的希尔伯特谱,表 示信号的能量在时间和频率上的分布。ω表示信号的频率。t表示信号 的时间。ai代表瞬时幅度。ai(t)表示第i个本征模函数分量的瞬时幅度。 Re表示实部。e是一个无理数,约等于2.71828。j是虚部表示方法。 ωi表示第i个本征模函数分量的瞬时频率。t表示时间。dt表示时间上的微分。
根据以下公式确定上述希尔伯特边缘谱:
其中,T表示信号的长度。h(ω)表示信号的希 尔伯特边缘谱,表示信号的能量随着频率的分布。ω表示信号的频率。
根据以下公式构建上述特征向量:
T=[E1/E E2/E … E5/E];其中,T表示特征向量,表 示信号的长度。E表示信号的总能量。E1表示第1个频带的能量。E2表 示第2个频带的能量。E5表示第5个频带的能量。j表示第j个频带。 Ej第j个频带的能量。
其中,希尔伯特谱、希尔伯特边缘谱和特征向量的具体计算如下:
假设第i个IMF为ci,其希尔伯特变换可以定义为:
其中,di(t)表示对信号ci(t)进行希尔伯特变换后的结果。d表示微 分符号。τ表示积分变量。t表示时间。将ci和di结合起来可以得到复数 分析信号:
其中,di(t)表示对信号ci(t)进行希尔伯特转换后的复数信号。ci(t) 表示原始信号分解出来的第i个IMF分量。ai(t)表示第i个IMF分量的 瞬时幅度。θi(t)表示第i个IMF分量的瞬时相位。ai代表瞬时幅度。θi代 表瞬时相位。zi(t)为得到的复数信号。如果信号是单分量的,那么瞬 时频率可以表示为:
其中,ωi表示第i个IMF分量的瞬时频率。dt表示时间上的微分。 d表示微分符号。
根据以上定义,原始信号x(t)可以表示为:
其中,Re表示实部。j是虚部表示方法。根据公式6,希尔伯特谱 H可以定义为:
其中,H表示信号的希尔伯特谱,表示信号的能量在时间和频率 上的分布。ω表示信号的频率。t表示信号的时间。
根据公式7可以得出希尔伯特边缘谱h(ω),定义为:
其中,T表示信号的长度。h表示信号的希尔伯特边缘谱,表示信 号的能量随着频率的分布。ω代表频率。希尔伯特边缘谱可以准确的 描述信号的能量-频率分布,根据希尔伯特边缘谱,可以得到信号的总 能够量:
其中,E表示原始信号的总能量。dω表示在频率的微分。对于不 同的故障信号,其在希尔伯特谱上的能量分布也是不同的,为了准确 的得到故障信号的信号特征,我们将希尔伯特边缘谱划分为5个频 带,每个频带的能量可以表示为:
其中,j表示第j个频带。Ej表示第j个频带的能量。n1表示频带 的下限,n2表示频带的上限。根据这些定义我们可以构建调压器出口 压力的特征向量:
T=[E1/EE2/E…E5/E] 公式11
步骤104,基于上述希尔伯特谱、上述希尔伯特边缘谱、上述特 征向量和预定的各个故障类型,确定上述目标燃气调压器的故障类 型,包括:
基于上述预定的各个故障类型的特征向量确定聚类中心。
基于上述希尔伯特谱、上述希尔伯特边缘谱、上述特征向量确定 目标燃气调压器和上述聚类中心的隶属度;
根据上述目标燃气调压器和上述聚类中心的隶属度确定上述目标 燃气调压器的故障类型。
模糊C均值聚类FCM算法由James.C Bezdek等人提出,是一种基于模 糊数学的聚类分析方法,可以用来解决这类模糊分类问题。
根据大量的实验数据和以往的研究,发现每种故障类型下的数据 具有聚类结构。因此,我们使用模糊C均值聚类算法来识别气体压力 调节器的故障类型,包括:
利用模糊C均值聚类算法对故障类型进行分类,目标函数可以表示 为:
其中,J(U,Z)这里的J是模糊C均值聚类算法里的目标函数。U表示 初始隶属度矩阵。Z为聚类中心。i表示第i个聚类中心,i∈(1…t…C)。 j表示第j个样本的特征向量,j∈(1…k…n)。n表示样本个数。m表示 权重也称为平滑因子。例如,m所表示的权重也称平滑因子通常取2。 dij表示第j个样本到第i个聚类中心的距离。μij表示第j个样本的特征向 量和第i个聚类中心的隶属度。
通常用下面的式子表示:
其中,xj表示样本特征向量。zi表示聚类中心。
其中,目标函数中的每个样本和对应聚类中心的隶属度必须满足 下面的关系:
其中,C代表分类的个数。μij表示第j个样本的特征向量和第i个 聚类中心的隶属度。
FCM算法是找到中心向量使样本到中心向量之间的距离最小,换 一句话说也就是让目标函数最小。根据公式13,这个过程可以定义为:
其中,min{J(U,Z)}表示目标函数J的最小值。
根据上述公式和公式15的限制条件,我们可以利用拉格朗日法计 算聚类中心和样本之间的隶属度。设拉格朗日函数为:
其中,λ为一个参数,F表示使用拉格朗日法构建的拉格朗日函数, 设其中,表示微分符号。表 示对λ的偏导数。μ表示隶属度。d表示距离。i表示第i个聚类中心, i∈(1…t…C)。j表示第j个样本的特征向量,j∈(1…k…n)。dtk表示第k 个样本的特征向量到第t个聚类中心的距离。μij表示第j个样本的特征 向量和第i个聚类中心的隶属度。μtk表示第k个样本的特征向量和第t 个聚类中心的隶属度。
我们可以得到下面的式子:
将公式18带入中,可以得到下面的公式:
将公式20带入到公式18中可以得到隶属度μtk的表达式:
在得到每个样本和聚类中心的隶属度之后,就可以得到隶属度矩 阵。对于聚类中心的求解,令我们可以得到下面式子:
根据上使聚类中心可以表示为:
其中,μik表示第k个样本特征向量和第i个聚类中心的隶属度。xk表 示第k个样本的特征向量。zi表示第i个聚类中心。
以下是根据本文所做实验的内容:
实验结果和分析
1实验平台介绍
如图2(a)所示。该调压器由调节器、出口压力阀、入口压力阀、 无线压力监测终端和一些辅助装置组成。我们可以从无线压力监测终 端中获得调节器的出口压力数据,如图2(b)所示为正常压力信号的 输出波形,本实验通过无线压力监测终端获得了四种具有代表性的气 体调节器的出口压力数据。每隔15分钟记录一次压力数据,一天获得 96个压力数据。由于采用间隔为15分钟,导致采样频率过低,为了 更好地显示结果,对下一节中频域进行了归一化处理并乘以一个系数 α(∝·f,α=4.6×106),f为归一化后的频率,本实验主要选取正常、 喘振、中午出口压力低、夜间关闭压力高四种调压器运行状态进行分 析。
2基于CEEMDAN的故障提取
在从调压器无线压力监测终端得到压力信号后,首先用EMD算 法对压力信号进行分解并测试其分解效果,图3(a)是显示了喘振压 力信号经EMD算法分解的结果,一共获得了5个IMF分量和一个余量。 为了便于展现每个IMF分量的频率—能量(振幅)分布,我们分别求 出了每个IMF分量的希尔伯特边缘谱如图3(b)所示。接下来,使用 同样的信号用CEEMDAN对其进行分解,其分解结果如图4(a)所示, 可以清楚的观察到CEEMDAN分解出来的IMF个数相比于EMD算法要 多,同时也说明CEEMDAN对信号的分解更加彻底,与此同时,从图4 (b)中的CEEMDAN分解出来IMF的希尔伯特边缘谱中可以发现,每个 IMF分量都几乎占据着唯一的频段。
为了验证CEEMDAN对模态混叠的抑制效果,我们从另一个测试组 数据中选取了一组压力信号分别用EMD和CEEMDAN算法对其进行分 解,并取前5个分量画出其希尔伯特边缘谱,结果如图5所示,我们 可以发现,基于CEEMDAN的IMF谱线比EMD的谱线重叠少,表明每个IMF分量在频域上分离更加彻底,同时也说明CEEMDAN能有效的抑制 的模态混叠现象,可以更加准确的实现调压器压力信号的特征提取。
3基于希尔伯特谱分析的特征向量地求解
在前一节验证了CEEMDAN的有效性并把信号分解为一系列IMF 后,接下来使用HSA对调压器出口压力信号进行一步分析。根据公式 3—8,我们分别计算了调压器在4种工作状态下希尔伯特谱和希尔伯 特边缘谱,结果如图6所示。4个小边缘谱的Y轴范围为0–3.398, 对应于1-2500频率的对数值。在希尔伯特谱上,原始信号的任何波动 都将在希尔伯特谱中产生局部能量峰值。图6(a)是正常压力信号的 时间—频率—能量分布图,可以发现,在整个时频空间内,其图像的 颜色比其他三种故障信号的颜色要浅,这表明正常的调压器出口压力 信号能量低,信号相对平稳,无剧烈波动。此外,通过分析比较另外 三种故障信号可以发现,喘振在高频段的能量相比于另外两种故障要 大,图像的高频区域颜色也相对更深。高峰时期出口压力低和夜晚关 闭压力高这两种故障都属于低频故障,其希尔伯特谱的低频区域颜色 相比于高频区域的颜色要深的多,其能量也主要分布在低频区域,但图6(c)的低频能量更高,颜色也更深。此外,希尔伯特边缘谱能更 好地反映原始信号在频域内的能量分布,根据公式9,可以通过调压 器四种工作状态下的希尔伯特边缘谱来计算出原始压力信号总能量, 其结果如图7所示,我们发现健康调压器信号的能量值远低于其他故 障压力信号,这个结论与希尔伯特谱中的对应的图像颜色深浅一致。 因此,可以通过统计方法计算确定正常压力信号的能量阈值。
本实验收集了51组健康压力调节器的数据来计算这一阈值。每组 数据的周期为2天,获取每组数据的方法与前面提到的相同。设51 组总能量的平均值加上三倍的标准差为正常压力信号的阈值,最终计 算的阈值为7.7646。通过调压器出口压力信号的能量阈值,我们可以 从未知的数据集中选择正常的压力数据。
在判断出调压器是否发生故障后,接下来对故障的种类进行区 分,考虑到不同种类的故障信号在频域内的能量分布不同,我们把希 尔伯特边缘谱的频域划分为5个频带,分别计算每个频带的能量值在 进行归一化处理。从如图6所示的三个压力信号希尔伯特谱可以发 现,每个希尔伯特谱中1-500的低频带都包含大量特征尺度,因此将 其分为两个频带。因此,这些频段的范围为1–253、254–508、509– 1021、1022–1533和1534–2557,然后根据公式9–11,计算故障压 力信号的特征向量。图8显示了三个典型故障的特征向量,从左到右依次为喘振,出口压力低和关闭压力高三种故障,从可以清晰的观测 到每种故障信号能量分布的差异和不同。同时也为故障种类的区分提 供了可行性。
4基于FCM的故障诊断
如实验平台章节所述,一共进行了三组实验,包括喘振故障、低 出口压力和高关闭压力,以验证我们提出的区分故障类型的方法的有 效性。每个实验组的数据采样间隔为15分钟,完整的数据收集过程持 续两天包含192个采样点。该收集过程重复18次,每个实验组获得 18个数据,我们的诊断过程如下:首先,根据CEEMDAN算法计算这些 样本的IMF分量。然后根据公式3—11计算特征向量,将三种故障类 型的特征向量放入数据集中,所以总特征向量数为54。最后,采用FCM 算法对故障类型进行识别。为了验证该方法的优点,我们还利用相同 的样本数据,通过EMD计算特征向量进行比较。图10和图11显示了 基于EMD和CEEMDAN获得的聚类中心,部分诊断结果如图12和图13 所示。在图12中,出现了错误的分类结果,包括两个出口压力低故障 样本被归类为高关闭压力故障,两个出口压力高故障样本被归类为喘 振和低出口压力故障。与图13的结果比较,我们可以发现使用CEEMDAN 算法的故障识别准确率相对较高。
为了便于观察两种算法的诊断稳定性,我们计算了54个采集到的 压力数据的特征向量,得到了它们对应的故障类型的隶属度。基于EMD 和CEEMDAN算法的结果如图9所示。可以看出,使用CEEMDAN算法的 所有样本数据的隶属度基本稳定在0.9-1之间,是稳定的。相反,EMD 算法计算结果的隶属度比较不稳定。某些隶属度的值明显较低,甚至 出现错误诊断结果。实验结果表明,使用基于CEEMDAN算法构建特征 向量来诊断故障类型的方法是有效的。
本公开的实施例公开的用于诊断燃气调压器故障的方法,该方法 实现了对燃气调压器故障的诊断。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说 明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围, 并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在 不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任 意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公 开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技 术方案。
Claims (6)
1.一种用于诊断燃气调压器故障的方法,包括:
获取目标燃气调压器的原始信号;
使用CEEMDAN算法对所述原始信号进行处理,生成一系列本征模函数;
基于所获得的本征模函数,确定出希尔伯特谱、希尔伯特边缘谱和特征向量;
基于所述希尔伯特谱、所述希尔伯特边缘谱、所述特征向量和预定的各个故障类型,确定所述目标燃气调压器的故障类型。
2.根据权利要求1所述的方法,所述使用CEEMDAN算法对所述原始信号进行处理,生成一系列本征模函数,包括:
根据以下公式,将原始信号分解:
其中,x(t)表示原始信号,IMF表示征模函数,n表示本征模函数的个数,IMFi(t)表示第i个本征模函数,r(t)表示信号分解后剩余的残余量,t表示时间;
X(n)=x(n)+εωi(n),其中,ωi(n)代表第i个添加的高斯白噪声,ε表示噪声的幅值,x(n)表示原始信号,X(n)表示添加噪声后的原始信号;
第一个本征模函数分量是根据以下公式确定的:
其中,表示使用CEEMDAN算法得出的
第一个本征模函数分量,I表示重复加噪声的实验次数;
第二个本征模函数是根据以下公式确定的:
其中,表示使用CEEMDAN算法得出的第二个本征模函数分量,i=1,2...I,r1(n)表示第一次分解后剩余的余量,E1[εωi(n)]表示使用经验模态分解算法对εωi(n)进行第一次分解后的结果;
以此类推,直到分解出最后一个本征模函数分量。
3.根据权利要求2所述的方法,其中,r1(n)所表示的第一次分解后的余量是根据以下公式确定的:
其中,r1(n)表示第一次分解后的余量。
4.根据权利要求1所述的方法,其中,基于所得到的本征模函数,确定出希尔伯特谱、希尔伯特边缘谱和特征向量,包括:
根据以下公式确定所述希尔伯特谱:
其中,H表示信号的希尔伯特谱,表示信号的能量在时间和频率上的分布,ω表示信号的频率,t表示信号的时间,ai代表第i个本征模函数分量的瞬时幅度,Re表示实部,e是一个无理数,j是虚部表示方法,ωi表示第i个本征模函数分量的瞬时频率,t表示时间,dt表示时间上的微分;
根据以下公式确定所述希尔伯特边缘谱:
其中,T表示信号的长度,h(ω)表示信号的希尔伯特边缘谱,表示信号的能量随着频率的分布,ω表示信号的频率;
根据以下公式构建所述特征向量:
T=[E1/E E2/E ... E5/E],其中,T表示特征向量,E表示信号的总能量,E1表示第1个频带的能量,E2表示第2个频带的能量,E5表示第5个频带的能量,j表示第j个频带,Ej表示第j个频带的能量。
5.根据权利要求4所述的方法,其中,所述Ej是根据以下公式确定的:
其中,Ej表示第j个频带的能量,n1频带的下限,n2表示频带的上限,j表示第j个频带,h(ω)表示信号的希尔伯特边缘谱,表示信号的能量随着频率的分布,ω表示信号的频率,d表示微分符号。
6.根据权利要求1所述的方法,其中,基于所述希尔伯特谱、所述希尔伯特边缘谱、所述特征向量和预定的各个故障类型,确定所述目标燃气调压器的故障类型,包括:
基于所述预定的各个故障类型的特征向量确定聚类中心;
基于所述希尔伯特谱、所述希尔伯特边缘谱、所述特征向量确定目标燃气调压器和所述聚类中心的隶属度;
根据所述目标燃气调压器和所述聚类中心的隶属度确定所述目标燃气调压器的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637281.4A CN110363141B (zh) | 2019-07-15 | 2019-07-15 | 用于诊断燃气调压器故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637281.4A CN110363141B (zh) | 2019-07-15 | 2019-07-15 | 用于诊断燃气调压器故障的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363141A true CN110363141A (zh) | 2019-10-22 |
CN110363141B CN110363141B (zh) | 2021-09-17 |
Family
ID=68219165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910637281.4A Active CN110363141B (zh) | 2019-07-15 | 2019-07-15 | 用于诊断燃气调压器故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363141B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026075A (zh) * | 2019-11-26 | 2020-04-17 | 上海电力大学 | 一种基于误差匹配的中低压燃气调压器故障检测方法 |
CN111985315A (zh) * | 2020-07-10 | 2020-11-24 | 合肥工业大学 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063899A (zh) * | 2010-10-27 | 2011-05-18 | 南京邮电大学 | 一种非平行文本条件下的语音转换方法 |
CN104931197A (zh) * | 2015-06-29 | 2015-09-23 | 吉林大学 | 基于eemd的自动平衡机振动信号处理方法 |
CN105232026A (zh) * | 2015-10-29 | 2016-01-13 | 无锡南理工科技发展有限公司 | 一种非接触式生命体征检测系统的心跳频率检测算法 |
CN106228529A (zh) * | 2016-09-05 | 2016-12-14 | 上海理工大学 | 一种激光散斑图像处理分析方法 |
CN106371002A (zh) * | 2015-07-24 | 2017-02-01 | 国网四川省电力公司眉山供电公司 | 一种基于希尔伯特黄变换算法对断路器故障诊断的方法 |
CN106546818A (zh) * | 2016-10-20 | 2017-03-29 | 南京航空航天大学 | 一种基于差分非线性模式分解的谐波信号检测方法 |
CN106840637A (zh) * | 2017-03-24 | 2017-06-13 | 国网山东省电力公司莱芜供电公司 | 基于改进hht算法的gis机械振动信号时频分析方法 |
CN106932184A (zh) * | 2017-03-15 | 2017-07-07 | 国网四川省电力公司广安供电公司 | 一种基于改进层次聚类的变压器故障诊断方法 |
CN108241850A (zh) * | 2017-12-08 | 2018-07-03 | 浙江工业大学 | 一种基于hht的控制阀气密性故障诊断方法 |
CN108444712A (zh) * | 2018-05-07 | 2018-08-24 | 东南大学 | 基于改进hht和模糊熵的风电传动系统主轴承振动信号分析方法 |
CN108734192A (zh) * | 2018-01-31 | 2018-11-02 | 国家电网公司 | 一种基于投票机制的支持向量机机械故障诊断方法 |
CN109299430A (zh) * | 2018-09-30 | 2019-02-01 | 淮阴工学院 | 基于两阶段分解与极限学习机的短期风速预测方法 |
CN109948861A (zh) * | 2019-03-26 | 2019-06-28 | 西南交通大学 | 一种基于模态分解及深度学习的城轨短时客流预测方法 |
-
2019
- 2019-07-15 CN CN201910637281.4A patent/CN110363141B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063899A (zh) * | 2010-10-27 | 2011-05-18 | 南京邮电大学 | 一种非平行文本条件下的语音转换方法 |
CN104931197A (zh) * | 2015-06-29 | 2015-09-23 | 吉林大学 | 基于eemd的自动平衡机振动信号处理方法 |
CN106371002A (zh) * | 2015-07-24 | 2017-02-01 | 国网四川省电力公司眉山供电公司 | 一种基于希尔伯特黄变换算法对断路器故障诊断的方法 |
CN105232026A (zh) * | 2015-10-29 | 2016-01-13 | 无锡南理工科技发展有限公司 | 一种非接触式生命体征检测系统的心跳频率检测算法 |
CN106228529A (zh) * | 2016-09-05 | 2016-12-14 | 上海理工大学 | 一种激光散斑图像处理分析方法 |
CN106546818A (zh) * | 2016-10-20 | 2017-03-29 | 南京航空航天大学 | 一种基于差分非线性模式分解的谐波信号检测方法 |
CN106932184A (zh) * | 2017-03-15 | 2017-07-07 | 国网四川省电力公司广安供电公司 | 一种基于改进层次聚类的变压器故障诊断方法 |
CN106840637A (zh) * | 2017-03-24 | 2017-06-13 | 国网山东省电力公司莱芜供电公司 | 基于改进hht算法的gis机械振动信号时频分析方法 |
CN108241850A (zh) * | 2017-12-08 | 2018-07-03 | 浙江工业大学 | 一种基于hht的控制阀气密性故障诊断方法 |
CN108734192A (zh) * | 2018-01-31 | 2018-11-02 | 国家电网公司 | 一种基于投票机制的支持向量机机械故障诊断方法 |
CN108444712A (zh) * | 2018-05-07 | 2018-08-24 | 东南大学 | 基于改进hht和模糊熵的风电传动系统主轴承振动信号分析方法 |
CN109299430A (zh) * | 2018-09-30 | 2019-02-01 | 淮阴工学院 | 基于两阶段分解与极限学习机的短期风速预测方法 |
CN109948861A (zh) * | 2019-03-26 | 2019-06-28 | 西南交通大学 | 一种基于模态分解及深度学习的城轨短时客流预测方法 |
Non-Patent Citations (2)
Title |
---|
HE ZHENGYUN 等: "Marginal Hilbert Spectrum Based on EMD Reconstruction and Its Application in Fault Diagnosis of Cooling Tower", 《2013 THIRD INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEM DESIGN AND ENGINEERING APPLICATIONS》 * |
姜万录 等: "基于HHT和模糊C均值聚类的轴向柱塞泵故障识别", 《吉林大学学报(工学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026075A (zh) * | 2019-11-26 | 2020-04-17 | 上海电力大学 | 一种基于误差匹配的中低压燃气调压器故障检测方法 |
CN111985315A (zh) * | 2020-07-10 | 2020-11-24 | 合肥工业大学 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110363141B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | A rotating machinery fault diagnosis method based on multi-scale dimensionless indicators and random forests | |
Long et al. | Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance | |
US7552005B2 (en) | Method for fault diagnosis of a turbine engine | |
CN110516339B (zh) | 基于Adaboost算法的多失效模式下密封结构可靠性评估方法 | |
Rabcan et al. | Application of fuzzy decision tree for signal classification | |
CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
CN105116400B (zh) | 基于iMMFA模型的雷达高分辨距离像的目标识别方法 | |
CN110363141A (zh) | 用于诊断燃气调压器故障的方法 | |
CN109000921A (zh) | 一种风电机组主轴故障的诊断方法 | |
CN111553178A (zh) | 转动机械振动特性的智能识别方法 | |
Wang et al. | A novel sliding window PCA-IPF based steady-state detection framework and its industrial application | |
CN110701087A (zh) | 基于单分类超限学习机的轴流压气机气动失稳检测方法 | |
CN112747921A (zh) | 一种基于na-memd的多传感器机械故障诊断的方法 | |
CN113782113B (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN115081331A (zh) | 一种基于状态参数重构误差的风电机组运行状态异常检测方法 | |
CN113359435B (zh) | 用于火电机组动态工况数据的修正方法 | |
CN116028865A (zh) | 基于特征扩增的航空发动机故障诊断方法 | |
CN111308985B (zh) | 一种基于nsct和dm的飞机环控系统控制组件性能退化评估方法 | |
CN114781083A (zh) | 一种发动机稳态数据层次分析与稳态数据特征值提取方法 | |
Jiang et al. | Recurrence plot quantitative analysis-based fault recognition method of rolling bearing | |
Zhi-hong et al. | Sensor Fault Diagnosis Based on Wavelet Analysis and LSTM Neural Network | |
CN108197824B (zh) | 一种高坝服役安全空间警戒域诊断方法 | |
Huang et al. | Gas path deterioration observation based on stochastic dynamics for reliability assessment of aeroengines | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 |
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 |