CN111259990A - 基于多源信息融合的海水泵故障监测装置与诊断方法 - Google Patents

基于多源信息融合的海水泵故障监测装置与诊断方法 Download PDF

Info

Publication number
CN111259990A
CN111259990A CN202010123546.1A CN202010123546A CN111259990A CN 111259990 A CN111259990 A CN 111259990A CN 202010123546 A CN202010123546 A CN 202010123546A CN 111259990 A CN111259990 A CN 111259990A
Authority
CN
China
Prior art keywords
data
fault
module
fusion
signal
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
Application number
CN202010123546.1A
Other languages
English (en)
Other versions
CN111259990B (zh
Inventor
朱志宇
崔石玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202010123546.1A priority Critical patent/CN111259990B/zh
Publication of CN111259990A publication Critical patent/CN111259990A/zh
Application granted granted Critical
Publication of CN111259990B publication Critical patent/CN111259990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明属于故障诊断技术领域，尤其涉及一种基于多源信号融合的故障监测装置与诊断方法，故障监测装置包括振动信号采集单元A、电流信号采集单元B和信号处理单元C；信号采集单元A和B使用传感器采集海水冷却泵的振动和电流数据，信号处理单元C对其进行快速傅里叶变换(FFT)处理得到频域信息，故障监测装置能实时监测海水泵的振动信号和电流信号的时频域状态，并作为故障诊断的数据准备。基于多源信息融合的海水泵故障诊断方法，以迁移核局部保持投影算法为模型，将故障监测装置得到的多源信号信息作为输入，以Acc和F1‑score为评价指标，利用训练好的分类器对未知故障数据进行分类识别，能够快速获取故障信息，增强泛化能力，提高诊断的准确率。

Description

基于多源信息融合的海水泵故障监测装置与诊断方法
技术领域
本发明属于故障诊断技术领域，尤其涉及一种基于多源信号融合的故障监测装置与诊断方法。
背景技术
随着智能船舶信息化的发展，以及行业产品工艺的精益求精，船舶辅机的运行健康状况开始受到关注。海水泵作为船舶辅机冷却系统的重要组成设备，他们能否正常运转关系到船舶出行安全问题，因此对其进行故障诊断具有重要的意义。海水泵机组由电动机驱动，泵体、叶轮、轴承和机械密封等组件构成，结构复杂，激励源多，处于高温高湿高盐雾与船体摇摆晃动的恶劣环境，故障信号往往具有非线性和非平稳性。
目前海水泵普遍采用振动信号与报警的方式进行故障监测，现有方法通常安排船员使用手持式的测振仪进行周期性振动检测，由于分布较为分散使测量耗时较长，由于周围环境影响和单一信号监测产生误报漏报严重问题，并且报警无法给出详细的故障位置、原因、损伤程度等信息，依旧需要人工分析检查，并没有达到减少事故和损失的目的。
时频分析是设备故障诊断中应用最多的一种方法，可以根据信号的频率分布特征和变化趋势来判断故障类型和程度，但需要掌握大量信号处理专业知识，且对于复杂信号在内外多激励干扰情况下，很难提取到有效的早期故障特征。进一步地，伴随大数据时代的到来，信号处理、机器学习与深度学习算法在故障诊断领域成为热点研究。但是这些方法通用性差，只能诊断同一工况下的故障，无法学习故障相似特征，并且在实际故障诊断中很难收集到同一海水泵甚至同一运行工况下的故障数据，由此产生的数据困境导致其无法用于实际故障诊断，不能满足日益发展的船舶智能化、信息化的要求。
发明内容
为了克服现有技术中海水泵单一信号监测、故障信息不具象、多源数据融合以及诊断精度差的技术问题，本发明提供基于多源信息耦合的海水泵故障监测装置与诊断方法，以迁移核局部保持投影算法为模型，将多种传感器采集到的振动信号与电流信号的时频域信息作为模型输入，以数据融合的评价指标为依据，利用训练好的分类器对待诊断的海水泵多源数据进行分类识别，能够快速获取故障具体信息，提高故障诊断的准确率。
为达到上述目的，本发明是通过以下技术方案实现的：
本发明提供一种海水泵故障监测装置，包括:振动信号采集单元A、电流信号采集单元B和信号处理单元C；振动信号采集单元A使用加速度传感器采集海水冷却泵的原始振动数据，电流信号采集单元B使用电流互感器采集海水泵机组的电机三相电流，信号处理单元C对加速度数据和电流信号数据进行快速傅里叶变换(FFT)处理得到频域信息，故障监测单元能实时监测海水泵的振动信号和电流信号的时频域状态，并将其作为故障诊断的数据准备前提，判断船舶设备的正常振动状态及异常状态。
本发明的进一步改进，振动信号采集单元A包括：stm32f103模块1，三轴加速度传感器模块2，RS485通信模块3，电源供电模块4；通过加速度传感器模块2采集海水冷却泵的三轴加速度数据，并通过SPI接口向stm32f103模块1传输原始加速度数据，stm32f103模块1接收到加速度数据后进行消除趋势项处理，再通过RS485模块3将其传输给信号处理单元。
本发明的进一步改进，电流信号采集单元B包括：stm32f103模块5，电流互感器模块6，RS485通信模块7，电源供电模块8；通过电流互感器模块6采集海水冷却泵的三相电流数据，并向stm32f103模块5传输三相电流数据，stm32f103模块5接收到电流数据后进行消除趋势项处理，再通过RS485模块7将其传输给信号处理单元。
本发明的进一步改进，信号处理单元C包括：stm32f407模块9，RS485通信模块10，CAN通讯模块11，电源供电模块12；stm32f407模块9接收到数据后进行快速傅里叶变换(FFT)后得到时频信号数据，上传至上位机中的故障诊断软件作为诊断的数据库。
本发明提供一种海水泵故障诊断的方法，该故障诊断方法步骤包括：
(1)获取海水泵的故障多源信号进行时频分析，选取时频特征作为故障特征向量的标准；
(2)通过对数据的预处理，即构造相对特征向量与归一化，获取更直接有效的故障多源数据；
(3)基于迁移核局部保持投影方法对预处理后的故障多源数据进行特征降维，消除冗余和数据噪音，进行故障数据的相似度度量后训练自适应分类器分类；
(4)对振动不同位置的信号采用基于模型的融合方法，即加权精度，两大类的故障数据使用基于类的融合方法，以Acc和F1score为衡量标准，找到具有最大融合概率的类别做为测试数据样本分类识别的依据。
(5)模型搭建好后用训练好的分类器和最大融合概率类别对测试集样本进行识别，给出诊断后的故障位置、准确度、精确度等信息。
上述故障多源信号包括振动信号、电流信号。振动信号监测海水泵的三轴加速度振动数据，监测三个不同位置(轴承、电机、泵体)的振动状况，海水泵主要的机械故障有转子不平衡、不对中、轴承外圈故障、内圈故障、滚动体故障；电流信号监测电机的三相电流，电流能监测到海水泵主要电气故障有转子断条、气隙偏心、三相电压不平衡、三相短路等，共有两大类的故障；
进一步地，在进行数据预处理前需要对振动信号和电流信号进行时频分析，选取时域的均方根值、方差、峭度和峰度和频域的故障频率和对应的振幅作为特征向量，数据的预处理包括两个步骤：(1)构造相对特征向量；(2)归一化。构造相对特征向量是基于故障特征相对于正常样本中心的变化，相同故障的特征值在正常基础上发生的变化也相似。归一化采用“2-范数”进行归一化操作，使相同故障样本位于“2-范数”邻域内。预处理步骤能够将测试样本映射到具有相同标签样本的训练集样本的邻域。
进一步地，迁移核局部保持投影方法对预处理后的故障多源数据进行特征降维，构建目标函数Q＝QKLPP+μQR，QKLPP是核局部保持投影的目标函数，用于将原始特征空间映射到高维特征空间，相同故障类别的数据样本在该空间内彼此聚类。正则化项QR用来控制复杂度，使分类器泛化能力增强。迁移核局部保持投影方法中加入了余弦距离用于衡量训练数据样本与测试数据样本的相似度，故能保留相同故障类别内的样本脚邻域关系。通过TKLPP建模，将故障诊断的正常与故障样本间的相对关系从训练阶段转移到测试阶段，并且在此新空间中训练的分类器对测试样本的泛化能力会增强。
进一步地，对不同位置的振动信号使用基于模型的融合方法，即加权精度，以Acc为衡量标准；对两大类的故障数据使用基于类的融合方法，以F1score为衡量标准，找到具有最大融合概率的类别分配给测试样本进行识别。
进一步地，模型搭建好后用训练好的分类器和最大融合概率类别对测试集样本进行识别，给出诊断后的故障位置、准确度、精确度等信息。
与现有技术相比，本发明包括以下优点和有益效果：
1.本发明采用模块化设计硬件结构和软件编程，采用stm32f407单片机进行FFT处理，得到多源信号时频数据方便故障预诊断，延长设备检修周期和寿命，从而获得最佳的经济效益。
2.本发明采用多源信号结合的方法，能够更全面地获取海水泵故障(机械、电气故障)，利用振动信号与电流信号的相互配合，互相验证海水泵的故障状况。
3.本发明提出的方法，放宽了收集多源信号数据的条件，在不同工况下或其他想同类型的海水泵故障多源信号均可作为输入数据，具有通用性。
4.本发明提出的方法在历史数据与待测试数据之间实现“知识共享”，将样本数据从原始特征空间映射到高维空间，通过保留海水泵故障数据的先验结构特性，在待测试数据分布信息不足时仍能够有效地迁移知识。
5.本发明对多源信号数据进行信息融合，以准确度Acc和F1为衡量标准验收诊断结果，这种方法能够将故障具象化，包括故障位置、故障类型、原因等信息。
附图说明
图1是本发明基于多源信号采集的故障监测装置示意图。
图2是本发明原始特征向量预处理过程。
图3是本发明构造相对特征向量预处理过程。
图4是本发明归一化的特征向量预处理过程。
图5是本发明采用的迁移核局部保持投影(TKLPP)方法的模型框架。
图6是本发明三个振动传感器的分类器权重融合流程图。
图7是基于两大类融合的流程图。
图8是两种数据的决策融合流程图。
图9是本发明一实施例振动信号单工况下的识别准确率Acc和F1检测率的评估指标对比表。
图10是实施例在转速为1792rpm，负载为20N.m时海水泵各故障类别的二维散点图。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
本发明提出利用多源信号共同监测海水泵的运行状况，并进行故障诊断识别。分别采用传感器采集振动信号和电流信号，送入信号处理单元进行FFT处理得到多源信号的时频域信息，作为故障诊断的数据前提准备。本发明提出的基于多源信息融合的故障诊断方法能通过保留海水泵故障数据的先验结构特性，在待测试数据分布信息不足时仍能够有效地迁移知识实现故障识别。并且，利用准确率Acc和F1score作为指标，检验海水泵不同位置和不同类别的数据融合后故障识别效果。
如图1所示，本发明提出一种基于多源信号融合的故障监测装置，包括振动信号采集单元A，电流信号采集单元B和信号处理单元C。振动信号采集单元A包括：stm32f103模块1，三轴加速度传感器模块2，RS485通信模块3，电源模块4。电流信号采集单元B包括：stm32f103模块5，电流互感器模块6，RS485通信模块7，电源供电模块8。信号处理单元C包括：stm32f407模块9，RS485模块10，CAN通讯模块11电源模块12。
振动信号采集单元A通过加速度传感器模块2采集海水泵的三轴加速度数据，并通过SPI接口向stm32f103模块1输出原始加速度数据。stm32f103模块1接收到数据后进行消除趋势项处理，再通过RS485模块3将数据传输给信号处理单元C的单片机stm32f407模块9。电流信号采集单元B通过电流互感器模块6采集海水冷却泵的三相电流数据，并向stm32f103模块5传输三相电流数据，stm32f103模块5接收到电流数据后进行消除趋势项处理，再通过RS485模块7将其传输给信号处理单元C的单片机stm32f407模块9；stm32f407模块9接收到数据对其进行FFT运算得到时频域多源信号数据通过RS485模块10或者CAN模块11向上位机发送，作为故障诊断的诊断数据。
三轴加速度传感器模块2的型号为ADcmXL3021，通过磁体吸附于被测设备表面，输出三轴加速度数据。采样速率为3438Hz，分辨率为0.83Hz，带宽为1719Hz。电流互感器模块6的型号为3TA8350-300，采用超微晶铁芯进行三相电流组合检测，具有全密封，环氧灌封，抗电强度高等特点，输出三相电流时域数据。
stm32f103模块1的控制器具有功耗低特点，主要用于接受原始数据，并进行消除趋势项的处理，将处理后的数据传输给stm32f407模块9。RS485通信模块3为stm32f103和stm32f407提供通讯支持。电源模块4的型号为IB2405T-1WR2，主要作用是为stm32f103模块提供稳定的5V电压。
stm32f407模块9主要进行FFT运算输出时频域多源信号数据，CAN通讯模块10和RS485模块11是为stm32f407模块9与上位机进行通讯，都支持Modbus-RTU协议，其中485通讯总线最长可达到1200m，主要用于与内部stm32f103单片机模块的通讯，CAN通讯总线距离达200m，可通过协议转换器进行转接提升通讯距离。电源模块10的型号为IB2405T-1WR2，主要作用是为stm32f407模块提供稳定的5V电压。
如图5所示，本发明提出一种基于多源信号融合的故障诊断方法，所述故障诊断方法步骤包括：(1)获取海水泵的故障多源信号进行时频分析，(2)通过对数据的预处理，获取更有效的故障多源数据；(3)基于迁移核局部保持投影方法对多源数据进行特征降维后训练自适应分类器分类；(4)对振动不同位置的信号采用基于模型的融合方法，两大类的故障数据使用基于类的融合方法；(5)模型搭建好后用训练好的分类器和最大融合概率类别对测试集样本进行识别，给出诊断后的故障位置、准确度、精确度等信息。
所述的故障多源信号包括振动信号、电流信号。振动信号监测海水泵的三轴加速度振动数据，振动信号能监测到三个不同位置(泵体、轴承、电机)的振动，海水泵主要的机械故障有转子不平衡、不对中、轴承外圈故障、内圈故障、滚动体故障；电流信号监测电机的三相电流，电流能监测到海水泵主要电气故障有转子断条、气隙偏心、三相电压不平衡、三相短路等，共有两大类的故障；
进一步地，在进行数据预处理前需要对振动信号和电流信号进行时频分析，选取时域的均方根值
Figure BDA0002393722610000061
方差
Figure BDA0002393722610000062
偏度
Figure BDA0002393722610000063
峰度
Figure BDA0002393722610000064
和频域的故障频率ffault、对应的振幅Ffault作为特征向量；
进一步地，预处理步骤能够将测试样本映射到具有相同标签样本的训练集样本的邻域。数据的预处理包括两个步骤：(1)构造相对特征向量；(2)归一化。如图2和图3所示，构造相对特征向量是基于故障特征相对于正常样本中心的变化，相同故障的特征值在正常基础上发生的变化也相似。相对特征向量公式如式(1)所示，其中，n是正常状态的样本数量，xi是正常状态下的样本集，xfi是故障状况的样本集。
Figure BDA0002393722610000065
如图4所示，归一化采用“2-范数”归一化操作，使相同故障样本位于“2-范数”邻域内。如式(2)所示，其中
Figure BDA0002393722610000066
是归一化的特征向量，
Figure BDA0002393722610000067
是相对特征向量。
Figure BDA0002393722610000068
进一步地，所述迁移核局部保持投影方法对预处理后的故障多源数据进行特征降维，给定预处理后的训练数据集
Figure BDA0002393722610000069
假设TKLPP非线性映射函数是
Figure BDA00023937226100000610
存在列向量α＝[α1,…αn+m]T使得
Figure BDA00023937226100000611
构建TKLPP目标函数Q＝QKLPP+μQR，QKLPP是核局部保持投影的目标函数，用于将原始特征空间映射到高维特征空间，保留训练数据的先验分布属性，相同故障类别的数据样本在该空间内彼此聚类。如式(3)所示，K是高斯核矩阵，L＝D-W为拉普拉斯矩阵，W是加权矩阵，D是对角矩阵，Dii=ΣjWij。
Figure BDA00023937226100000612
QKLPP＝tr(αTKLKα)
s.t.αTKDKα＝I (3)
迁移核局部保持投影方法中加入了余弦距离用于衡量训练数据样本与测试数据样本的相似度，故能保留相同故障类别内的样本脚邻域关系，如式(4)所示，其中，
Figure BDA0002393722610000071
是
Figure BDA0002393722610000072
和
Figure BDA0002393722610000073
的点积表示。
Figure BDA0002393722610000074
正则项QR用来控制复杂度，具体表示为QR＝tr(αTα)，通过正则项增强模型的泛化能力。
通过TKLPP建模，将故障诊断的正常与故障样本间的相对关系从训练阶段转移到测试阶段，并且在此新空间中训练的分类器对测试样本的泛化能力会增强。综上，TKLPP目标函数最小化表示为式(5)，其中，μ＞0正则化参数，且
Figure BDA0002393722610000075
Figure BDA0002393722610000076
进一步地，对不同位置的振动信号使用基于模型的融合方法，即加权精度。如图6所示，以准确率Acc为衡量标准，用于每个振动传感器的分类器精度Acc＝(TP+TN)/(TP+TN+FT+FN)，计算加权精度
Figure BDA0002393722610000077
再与Pij＝{pi1(x1),…,pik(xn)},i=1,…,m故障类别概率向量相乘得到Pw=WAccPij，最后将三个振动传感器分类器的类概率Pw相加创建类别概率向量，找到具有最大概率的类别分配给测试集样本。
进一步地，对两大类的故障数据使用基于类的融合方法，如图7所示，以F1score为衡量标准，对于多标签分类，计算所有类别的F1并取平均值。F1是准确性的指标，尤其是在多类问题中评估每个类的识别度，同时体现了敏感性和特异性。
F1-score=2*precision*recall/(precision+recall) (6)
Precision＝TP/(TP+FP) (7)
Recall＝TP/(TP+FN) (8)
进一步地，模型搭建好后用训练好的分类器和最大融合概率类别对测试集样本进行识别，给出诊断后的故障信息。如图8所示，为了评估各个分类器的性能和融合结果，给出两种评估指标：加权精度能够表征算法的性能，基于检测率的加权融合能够评估数据的融合能力，用于检测每个类别并求平均值的算法。
如图9所示，相比较于传统及其学习和迁移学习，TKLPP的平均准确度达到97.7％，F1得分达到88.37％，是所有比较方法中最好的结果。与传统学习方法MLP相比，准确率实现了11.64％的增长，F1得分实现了14.9％的增加。如图10所示，在转速为1792rpm，负载为20N.m时海水泵故障的二维散点图，表明所提方法确实从训练集学到了一些有用的知识，并提高了测试集模型的诊断性能。本发明提出的方法提高了传统识别方法的泛化能力。总之，采用多源信号共同监测海水泵的运行状态，能直接从根本上提高诊断的精确度。本发明提出的迁移核局部保持投影算法放宽了数据采集的条件，在不同的工况下或其他相同类型的海水泵采集到的历史数据均可作为输入样本，TKLPP算法旨在通过从这些历史数据中迁移“共享知识”来学习测试样本的故障分类器。它将样本数据从原始特征空间映射到高维空间，通过保留海水泵故障数据的先验结构特性，在待测试数据的分布信息不足的情况下能够有效地迁移知识。本发明方法具有较好的诊断识别效果。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于多源信息融合的海水泵故障监测装置，其特征在于，包括：振动信号采集单元、电流信号采集单元和信号处理单元，所述振动信号采集单元使用加速度传感器采集海水冷却泵的原始振动数据，所述电流信号采集单元使用电流互感器采集海水泵机组的电机三相电流，所述信号处理单元对加速度数据和电流信号数据进行快速傅里叶变换(FFT)处理得到频域信息，所述故障监测单元能实时监测海水泵的振动信号和电流信号的时频域状态，并将其作为故障诊断的数据准备前提。
2.根据权利要求1所述的基于多源信息融合的海水泵故障监测装置，其特征在于，所述振动信号采集单元包括：stm32f103模块，三轴加速度传感器模块，RS485通信模块，电源供电模块；通过加速度传感器模块采集海水冷却泵的三轴加速度数据，并通过SPI接口向stm32f103模块传输原始加速度数据，stm32f103模块接收到加速度数据后进行消除趋势项处理，再通过RS485模块将其传输给信号处理单元。
3.根据权利要求1所述的基于多源信息融合的海水泵故障监测装置，其特征在于，所述电流信号采集单元包括：stm32f103模块，电流互感器模块，RS485通信模块，电源供电模块；通过电流互感器模块采集海水冷却泵的三相电流数据，并向stm32f103模块传输三相电流数据，stm32f103模块接收到电流数据后进行消除趋势项处理，再通过RS485模块7将其传输给信号处理单元。
4.根据权利要求1所述的基于多源信息融合的海水泵故障监测装置，其特征在于，所述信号处理单元包括：stm32f407模块，RS485通信模块，CAN通讯模块，电源供电模块；stm32f407模块接收到数据后进行快速傅里叶变换(FFT)后得到时频信号数据，上传至上位机中的故障诊断软件作为诊断的数据库。
5.一种基于多源信号融合的故障诊断方法，其特征在于，包括以下步骤：步骤一：获取海水泵的故障多源信号进行时频分析；
步骤二：通过对数据的预处理，获取更有效的故障多源数据；
步骤三：基于迁移核局部保持投影方法对多源数据进行特征降维后训练自适应分类器分类；
步骤四：对振动不同位置的信号采用基于模型的融合方法，两大类的故障数据使用基于类的融合方法；
步骤五：模型搭建好后用训练好的分类器和最大融合概率类别对测试集样本进行识别，给出诊断后的故障位置、准确度、精确度等信息。
6.根据权利要求5所述的基于多源信息融合的故障诊断方法，其特征在于，在所述步骤二之前对振动信号和电流信号进行时频分析，选取时域的均方根值、方差、峭度和峰度和频域的故障频率和对应的振幅作为特征向量，数据的预处理包括两个步骤：(1)构造相对特征向量；(2)归一化。
7.根据权利要求5所述的基于多源信息融合的故障诊断方法，其特征在于，所述迁移核局部保持投影方法对预处理后的故障多源数据进行特征降维，将原始特征空间映射到高维特征空间，相同故障类别的数据样本在该空间内彼此聚类；加入正则化项，使分类器泛化能力增强；通过TKLPP建模，将故障诊断的正常与故障样本间的相对关系从训练阶段转移到测试阶段，并且在此新空间中训练的分类器对测试样本的泛化能力会增强。
8.根据权利要求5所述的基于多源信息融合的故障诊断方法，其特征在于，所述步骤四中，数据融合的方法具体包括：对不同位置的振动信号使用基于模型的融合方法，即加权精度，以Acc为衡量标准；对两大类的故障数据使用基于类的融合方法，以F1score为衡量标准，找到具有最大融合概率的类别分配给测试样本进行识别。
9.根据权利要求5所述的基于多源信息融合的故障诊断方法，其特征在于，所述步骤五模型搭建好后，用训练好的分类器和最大融合概率类别对测试集样本进行识别，给出诊断后的故障位置、准确度、精确度信息。
CN202010123546.1A 2020-02-27 2020-02-27 基于多源信息融合的海水泵故障监测装置与诊断方法 Active CN111259990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010123546.1A CN111259990B (zh) 2020-02-27 2020-02-27 基于多源信息融合的海水泵故障监测装置与诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010123546.1A CN111259990B (zh) 2020-02-27 2020-02-27 基于多源信息融合的海水泵故障监测装置与诊断方法

Publications (2)

Publication Number Publication Date
CN111259990A true CN111259990A (zh) 2020-06-09
CN111259990B CN111259990B (zh) 2023-09-12

Family

ID=70949583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010123546.1A Active CN111259990B (zh) 2020-02-27 2020-02-27 基于多源信息融合的海水泵故障监测装置与诊断方法

Country Status (1)

Country Link
CN (1) CN111259990B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111812511A (zh) * 2020-06-30 2020-10-23 佛山科学技术学院 一种基于大数据的电机故障诊断方法及装置
CN111810418A (zh) * 2020-06-10 2020-10-23 武汉工程大学 一种故障检测方法及系统
CN112491677A (zh) * 2020-11-06 2021-03-12 厦门大学 基于物理层特征指纹的can总线识别方法及装置
CN112541524A (zh) * 2020-11-18 2021-03-23 湖南大学 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN113093709A (zh) * 2021-04-08 2021-07-09 重庆理工大学 一种主动式随车运行状态监测和故障预报方法
CN113391207A (zh) * 2021-04-01 2021-09-14 国网宁夏电力有限公司检修公司 一种电机故障的检测方法、介质及系统
CN113486707A (zh) * 2021-05-24 2021-10-08 江苏大学镇江流体工程装备技术研究院 一种微型高速泵空化诊断方法、装置、设备及存储介质
CN113655351A (zh) * 2021-08-31 2021-11-16 国网湖南省电力有限公司 一种无线局部放电在线监测设备

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111810418A (zh) * 2020-06-10 2020-10-23 武汉工程大学 一种故障检测方法及系统
CN111812511A (zh) * 2020-06-30 2020-10-23 佛山科学技术学院 一种基于大数据的电机故障诊断方法及装置
CN112491677A (zh) * 2020-11-06 2021-03-12 厦门大学 基于物理层特征指纹的can总线识别方法及装置
CN112491677B (zh) * 2020-11-06 2022-10-14 厦门大学 基于物理层特征指纹的can总线识别方法及装置
CN112541524A (zh) * 2020-11-18 2021-03-23 湖南大学 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN112541524B (zh) * 2020-11-18 2024-04-02 湖南大学 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN113391207A (zh) * 2021-04-01 2021-09-14 国网宁夏电力有限公司检修公司 一种电机故障的检测方法、介质及系统
CN113093709A (zh) * 2021-04-08 2021-07-09 重庆理工大学 一种主动式随车运行状态监测和故障预报方法
CN113486707A (zh) * 2021-05-24 2021-10-08 江苏大学镇江流体工程装备技术研究院 一种微型高速泵空化诊断方法、装置、设备及存储介质
CN113486707B (zh) * 2021-05-24 2023-09-08 江苏大学镇江流体工程装备技术研究院 一种微型高速泵空化诊断方法、装置、设备及存储介质
CN113655351A (zh) * 2021-08-31 2021-11-16 国网湖南省电力有限公司 一种无线局部放电在线监测设备

Also Published As

Publication number Publication date
CN111259990B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN111259990A (zh) 基于多源信息融合的海水泵故障监测装置与诊断方法
Tang et al. An improved convolutional neural network with an adaptable learning rate towards multi-signal fault diagnosis of hydraulic piston pump
WO2021135630A1 (zh) 基于grcmse与流形学习的滚动轴承故障诊断方法
Gu et al. Bearing fault diagnosis with varying conditions using angular domain resampling technology, SDP and DCNN
Sun et al. Bearing fault diagnosis based on optimal convolution neural network
CN108920426B (zh) 一种基于幂均算子和ds证据理论的故障诊断方法
CN109932179A (zh) 一种基于ds自适应谱重构的滚动轴承故障检测方法
CN115563553B (zh) 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法
Song et al. Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal
CN110398362B (zh) 一种机器人rv减速器故障诊断和定位方法
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
Hou et al. A new bearing fault diagnosis method via simulation data driving transfer learning without target fault data
Zhao et al. Rolling bearing composite fault diagnosis method based on EEMD fusion feature
Zhang et al. Intelligent fault diagnosis of rolling bearings based on continuous wavelet transform-multiscale feature fusion and improved channel attention mechanism
Liu et al. Incipient fault detection of planetary gearbox under steady and varying condition
Du et al. Research on the application of artificial intelligence method in automobile engine fault diagnosis
CN114444222A (zh) 相似度计算模型、跨类别数据诊断模型、方法和系统
Liang et al. Multi-sensor signals multi-scale fusion method for fault detection of high-speed and high-power diesel engine under variable operating conditions
Wang et al. The research on fault diagnosis of rolling bearing based on current signal CNN-SVM
Wen et al. Fault diagnosis of rolling bearings of different working conditions based on multi-feature spatial domain adaptation
CN115238726A (zh) 一种基于性能退化空间波动评估的旋转机械状态监测方法
Zhao et al. Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network
Liu et al. Intelligent Diagnosis of Bogie Traction Seat Based on PCA‐OVO and SVM Optimized by Modified Arithmetic Optimization Algorithm
Yin et al. Fault Diagnosis of Planetary Gearbox Using Modal Multiscale Spectral Features and 1-D CNN
Huang et al. Monitoring of Valve Gap in Diesel Engine Based on Vibration Response Feature Extraction.

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