CN111637045A - 一种海洋平台空气压缩机故障诊断方法 - Google Patents
一种海洋平台空气压缩机故障诊断方法 Download PDFInfo
- Publication number
- CN111637045A CN111637045A CN202010388867.4A CN202010388867A CN111637045A CN 111637045 A CN111637045 A CN 111637045A CN 202010388867 A CN202010388867 A CN 202010388867A CN 111637045 A CN111637045 A CN 111637045A
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- sensor
- fault diagnosis
- air compressor
- 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
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
Abstract
本发明提供一种海洋平台空气压缩机故障诊断方法,属于海洋工程装备故障诊断技术领域。该方法首先将海洋平台空气压缩机的监测信号划分为温度信号、压力信号和机械信号三类,分别在海洋平台空气压缩机信号采集点安装数据传感器对工作信号进行采集。数据处理阶段使用线性滤波方法卡尔曼滤波,实现多传感器数据融合,并将融合后数据进一步划分为训练集、验证集与测试集。在对藤式贝叶斯分类器进行逻辑构建之后,通过训练集数据对似然概率控制参数进行优化,最终得到完整的海洋平台空气压缩机故障诊断方法,导入实测数据后可实现故障诊断。
Description
技术领域
本发明涉及一种海洋平台空气压缩机故障诊断方法,属于海洋工程装备故障诊断技术领域。
背景技术
伴随人类社会的迅速发展,人类对油气资源的需求的急剧增加,油气开采规模的也日益扩大,并呈现出由路向海的发展趋势。海上油气开采以海洋平台为主要载体,其系统设计复杂且连接紧密,设备种类繁多,在海上恶劣的工作环境下,极易出现不同类型的故障模式,在设备系统的关联性影响下,一种故障模式很可能会扩展出其他类型的故障模式,从而使平台的生产安全性受到影响,严重时会给整个平台造成重大的经济和人员损失,而针对海洋平台系统设备故障诊断方法的提出和应用极大的缓解了上述问题。
海洋平台空气压缩机作为海洋平台仪器仪表系统、起动空气系统、气动控制系统等系统设备的动力源,是保证油气开采生产正常进行、系统控制与安全保护顺利进行的重中之重。由于处在“链式反应”的顶端,一旦空气压缩机发生故障,会对整个平台会造成最大化负面影响,故作为海洋平台设备故障诊断的核心对象之一,海洋平台空气压缩机的运行过程信号采集、故障诊断和故障排除等工作对于平台的长期稳定安全生产具有极为重要的意义。
在故障诊断领域已有较多的方法被应用到实际生产过程中,并取得较为丰厚的成果,其中故障诊断信号方面有关学者提出使用模糊逻辑推理(FLR,Fuzzy LogicReasoning)、经验模态分解(EMD,Empirical Mode Decomposition)等方法;在故障信号分析方面提出采用数学模型法、朴素贝叶斯分类等方法。但上述方法都存在一定的缺点,存在原始数据处理效率低下、信号分析建模困难等问题,极大地限制了故障信号采集的保真度和故障诊断精度,增加了误诊率,为设备后期维护与健康管理带来诸多不确定性。近年来,机器学习(Machine Learning)与数字信号处理技术的发展应用为故障诊断的发展提供了新的方向:新的数字数字处理技术在故障诊断的前期阶段提出了避免失真干扰、数据流整合带来等优化的解决途径,机器学习(Machine Learning)技术为故障诊断模型的执行效率和执行精度添加了更为强劲的算法助力。
海洋工程装备故障诊断的发展可以借助机器学习(Machine Learning)技术的产业辐射效应,快速融合适合自身的实践体系,并不断优化故障诊断效率和精度,提高诊断模型的适应性、易维护性。这对于快速精确定位海工设备故障模式、避免产生系统设备关联性故障危害,保障海洋平台正常生产工作安全具有重大现实意义。
发明内容
本发明的目的是为了解决海洋平台空气压缩机运行过程中存在的故障问题而提供一种海洋平台空气压缩机故障诊断方法。
本发明的目的是这样实现的:步骤一:对海洋平台空气压缩机工作信号进行分类与采集;
步骤二:构建传感器信号时序序列、故障种类时序序列并通过卡尔曼滤波实现多传感器数据融合;
步骤三:对原始融合数据集进行集合划分与标准化处理;
步骤四:构建基于藤式贝叶斯分类器的故障诊断模型;
步骤五:将训练集经由输入层导入训练层;
步骤六:通过验证集进行似然函数的控制参数循环更新测试;
步骤七:使用满足精度要求的模型进行海洋平台空气压缩机故障诊断;
步骤八:基于空气压缩机故障信号种类与位置的模型后期维护。
本发明还包括这样一些结构特征:
1.根据海洋平台空气压缩机运行过程中出现的故障模式确定出监测信号,并分为温度信号、压力信号和机械信号,其中温度信号包含的主要监测目标有海洋平台空气压缩机干燥机出口温度TS-1、压缩机排气温度TS-2、压缩机轴承润滑油温度TS-3、压缩机主轴承温度TS-4;压力信号包含的主要监测目标有海洋平台空气压缩机气缸输出压PS-1、压缩机润滑管路内压PS-2两种信号;机械信号的主要监测目标为海洋平台空气压缩机电动机振动MS-1、压缩机气缸振动MS-2和储气罐振动MS-3;三类信号对应的故障种类依次为干燥剂出口温度异常TF1、压缩机排气温度异常TF2、压缩机轴承润滑油温度异常TF3、压缩机主轴承温度异常TF4、压缩机气缸输出压异常PF1、压缩机润滑管路内压异常PF2、压缩机电动机振动异常MF1、压缩机气缸振动异常MF2和储气罐振动异常MF3,以上述采集信号的具体位置为依据,选取故障信号采集点并安装对应类型传感器。
2.所述步骤二中的传感器信号时序序列具体为:
Sensor-Signal
={TS-1,TS-2,TS-3,TS-4,PS-1,PS-2,MS-1,MS-2,MS-3}T
其中Sensor-Signal为传感器信号时序序列的集合名称,
所述步骤二中的故障种类时序序列九种监测信号对应的故障信号构成,其中Fault-Signal={TF1,TF2,TF3,TF4,PF1,PF2,MF1,MF2,MF3},Fault-Signal为故障种类时序序列的集合名称,故障种类的信号TF1、TF2、TF3、TF4、PF1、PF2、MF1、MF2、MF3均为t时间节点对应的故障状态构成的1行t列矩阵,故障状态为正常时信号值为0,故障状态异常时信号值为1;
所述步骤二中的卡尔曼滤波具体公式为:
(2)Yt=Hxt+v;其中Yt为t时刻传感器测量信号,H为观测矩阵,v表示测量误差;
则经过多传感器数据融合之后的滤波监测信号数据集为:
其中,Sensor-NS为滤波监测信号数据集的集合名称。
3.所述步骤三具体为:将滤波监测信号数据集Sensor-NS和故障种类时序序列集合Fault-Signal进行分割,各取滤波监测信号数据集和故障种类时序序列两个集合的前百分之八十列数据,并将滤波监测信号数据集的取出数据进行标准化处理作为训练集,得到{Sensor-NS}train、{Fault-Signal}train,各取滤波监测信号数据集和故障种类时序序列两个集合的后百分之二十列,并将故障种类时序序列的取出数据标准化之后作为验证集,得到{Sensor-NS}validation、{Fault-Signal}validation。
4.所述步骤四还包括下述步骤:以计算机为硬件基础,以集成式开发环境为软件基础,构建藤式贝叶斯基本结构,藤式贝叶斯基本结构采用D藤分解规则,通过单元封装,形成具备输入层、训练层和概率计算分类层的藤式贝叶斯模型;
所述藤式贝叶斯计算的原理公式为:
其中,P(signal)是从所有滤波监测信号集合中随机抽取任一种滤波监测信号的概率,P(statei)为从所有滤波监测信号集合中随机抽取任一中滤波检测信号;P(signal|statei)为滤波监测信号属于给定状态的概率;P(statei|signal)为验证集中的滤波监测信号属于正常信号或者故障信号的概率;
所述D藤分解理论涉及的n个随机变量的联合概率密度函数公式如下:
其中,cj,j+i|j+1:j+i-1为二元Copula条件概率密度函数,具体选用二元GaussianCopula函数进行计算,θ表示对应的Copula参数,F(xj|xj+1,…,xj+i-1)与F(xj+i|xj+1,…,xj+i-1)为条件分布函数。
5.所述步骤五包括将{Sensor-NS}train、{Fault-Signal}train导入藤式贝叶斯模型的输入层,并进行先验概率和类条件概率函数密度计算,通过训练过程完成对似然概率控制参数的计算优化,训练完成后以矩阵形式保存在程序代码中。
6.所述步骤六使用的故障诊断评价指标计算公式为:
Accuracy=(TP+TN)/(TP+TN+FP+FN)
Precision=TP/(TP+FP)
其中,Accuracy为准确率,Precision为查准率,TP、TN、FP、FN表示为:
TN=True Negative表示真负,将正常状态诊断为正常状态的数量;
FP=False Positive表示假正,将正常状态诊断为故障状态的数量;
FN=False Negative表示假负,将故障状态诊断为正常状态的数目;
TP=True Positive表示真正,将故障状态诊断为故障状态的数目;具体步骤如下:
(1)调用训练完毕的藤式贝叶斯模型,计算验证集的后验概率,通过最大似然概率比较得到最终分类结果,主要计算公式为:
state(signal)=argmax{P(signal|statei)·P(statei)};
其中state(signal)为最大似然概率对应的空气压缩机运行状态;
通过还原最优似然函数控制参数,将验证集{Sensor-NS}validation、{Fault-S}validation导入藤式贝叶斯输入层,设定准确率和查准率的阈值,将其作为是否进行逻辑循环的判断依据;
(2)若准确率和查准率低于设定阈值,则对藤式贝叶斯的训练集数目和质量进行调整,直至准确率和查准率达到或超过设定阈值;
(3)若准确率和查准率指标达到或超过设定阈值,则直接进行故障诊断。
7.所述步骤七具体操作为:故障诊断过程将实测数据集或符合要求的数值模拟数据集导入满足精度要求的藤式贝叶斯模型中,进行实用性检验。
8.所述步骤八还包括:
(1)故障诊断应用环境因故障信号种类的转变而发生变换时,按照步骤一所述的方式进行新的故障诊断应用环境中的传感器信号采集,按照步骤二中的构建传感器信号时序序列集合与故障种类时序序列集合,通过多传感器融合中的卡尔曼滤波得到滤波监测信号数据集;新故障诊断场景中的训练集、验证集和测试集划分根据步骤三所述步骤进行;新故障诊断场景中的藤式贝叶斯模型构建和模型训练分别按照步骤四合步骤五所述步骤进行;新故障诊断场景中的故障诊断过程根据步骤六所述进行;
(2)故障诊断场景因传感器测点变换而改变时,新故障诊断场景中的传感器布置按照具体需要进行改动,且传感器信号编号数目随之发生改变,传感器信号时序序列集合与故障种类时序序列集合的构建、滤波监测信号数据集获取根据步骤二所述进行;新故障诊断场景中的训练集、验证集和测试集划分根据步骤三所述步骤进行;新故障诊断场景中的藤式贝叶斯模型构建和模型训练分别按照步骤四和步骤五所述步骤进行;新故障诊断场景中的故障诊断过程根据步骤六所述进行。
与现有技术相比,本发明的有益效果是:
(1)本发明对海洋平台空气压缩机的三类传感器信号分别进行时序序列构建,为卡尔曼滤波和后期的藤式贝叶斯模型构建提供了高效合理的数据结构支持,有利于提高前期线型滤波的去噪效果,且有助于后期在藤式贝叶斯的似然概率控制参数优化中以更加快速的方式进行。
(2)本发明选用的卡尔曼滤波是一种线性最优滤波器,有助于省略繁杂的传感器信号处理过程,响应时间短,滤波效果优越,适应范围广。
(3)本发明融合数字信号处理与机器学习(Machine Learning)技术,使得繁杂的故障诊断过程转化为低软硬件需求的易用式诊断方法,通过藤式贝叶斯的使用,最大程度的降低计算响应时长,为故障修复争取到更多宝贵时间。
(4)本发明在应对故障诊断应用环境变换时,提前在信号序列设计、数据集处理、构建模型等阶段考虑了方法后期的移植性,将外界变量与方法外部端口紧密连接,实现不同应用环境下的海洋平台空气压缩机故障诊断。
综上所述。本发明设计了一种基于卡尔曼滤波和藤式贝叶斯分类器的海洋平台空气压缩机故障诊断方法,充分使用藤式贝叶斯分类器的高效计算能力,并结合卡尔曼线性最优滤波法,实现在现有传感器监测数据条件下,实现高效、高识别率、高适应性的海洋平台空气压缩机的故障诊断。
附图说明
图1是本发明的故障诊断方法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
如图1所示,一种基于卡尔曼滤波和藤式贝叶斯分类器的海洋平台空气压缩机故障诊断方法包括以下八个步骤:
步骤一,对海洋平台空气压缩机工作信号进行分类与采集;
所述步骤一还包括下述过程:根据海洋平台空气压缩机运行过程中出现的故障模式确定出监测信号,并分为温度信号、压力信号和机械信号,其中温度信号包含的主要监测目标有海洋平台空气压缩机干燥机出口温度、压缩机排气温度、压缩机轴承润滑油温度、压缩机主轴承温度,分别以TS-1、TS-2、TS-3、TS-4四种信号表示;、压力信号包含的主要监测目标有海洋平台空气压缩机气缸输出压、压缩机润滑管路内压两种信号,分别以PS-1、PS-2表示,机械信号的主要监测目标为海洋平台空气压缩机电动机振动、压缩机气缸振动和储气罐振动,分别以MS-1、MS-2、MS-3等三种信号表示。三类信号对应的故障种类依次为干燥剂出口温度异常、压缩机排气温度异常、压缩机轴承润滑油温度异常、压缩机主轴承温度异常、压缩机气缸输出压异常、压缩机润滑管路内压异常、压缩机电动机振动异常、压缩机气缸振动异常和储气罐振动异常,上述故障种类的信号表示为TF1、TF2、TF3、TF4、PF1、PF2、MF1、MF2、MF3。以上述采集信号的具体位置为依据,选取故障信号采集点并安装对应类型传感器;
步骤二,构建传感器信号时序序列、故障种类时序序列并通过卡尔曼滤波实现多传感器数据融合;
所述步骤二中的传感器信号时序序列具体为:
Sensor-Signal
={TS-1,TS-2,TS-3,TS-4,PS-1,PS-2,MS-1,MS-2,MS-3}T
其中Sensor-Signal为传感器信号时序序列的集合名称,各子序列表示为:
TS-1={TS-11,TS-12,TS-13,…,TS-1t-2,TS-1t-1,TS-1t}
TS-2={TS-21,TS-22,TS-23,…,TS-2t-2,TS-2t-1,TS-2t}
TS-3={TS-31,TS-32,TS-33,…,TS-3t-2,TS-3t-1,TS-3t}
TS-4={TS-41,TS-42,TS-43,…,TS-4t-2,TS-4t-1,TS-4t}
PS-1={PS-11,PS-12,PS-13,…,PS-1t-2,PS-1t-1,PS-1t}
PS-2={PS-21,PS-22,PS-23,…,PS-2t-2,PS-2t-1,PS-2t}
MS-1={MS-11,MS-12,MS-13,…,MS-1t-2,MS-1t-1,MS-1t}
MS-2={MS-21,MS-22,MS-23,…,MS-2t-2,MS-2t-1,MS-2t}
MS-3={MS-31,MS-32,MS-33,…,MS-3t-2,MS-3t-1,MS-3t}
所述步骤二中的故障种类时序序列九种监测信号对应的故障信号构成,其中Fault-Signal={TF1,TF2,TF3,TF4,PF1,PF2,MF1,MF2,MF3},Fault-Signal为故障种类时序序列的集合名称,故障种类的信号TF1、TF2、TF3、TF4、PF1、PF2、MF1、MF2、MF3均为t时间节点对应的故障状态构成的1行t列矩阵,故障状态为正常时信号值为0,故障状态异常时信号值为1。
所述步骤二中的卡尔曼滤波具体公式为:
(2)Yt=Hxt+v;其中Yt为t时刻传感器测量信号,H为观测矩阵,v表示测量误差。
所述步骤2主要包括下述过程:构建利用卡尔曼滤波的方法,通过时序概率模型上的推理,将传感器信号时序序列中的噪声进行线性过滤,经过多传感器数据融合之后的滤波监测信号数据集为:
其中,Sensor-NS为滤波监测信号数据集的集合名称。
步骤三,对原始融合数据集进行集合划分与标准化处理;
所述步骤三还包括下述步骤:首先将滤波监测信号数据集Sensor-NS和故障种类时序序列集合Fault-Signal进行分割,各取滤波监测信号数据集和故障种类时序序列两个集合的前百分之八十列数据,并将滤波监测信号数据集的取出数据进行标准化处理作为训练集,得到{Sensor-NS}train、{Fault-Signal}train,各取滤波监测信号数据集和故障种类时序序列两个集合的后百分之二十列,并将故障种类时序序列的取出数据标准化之后作为验证集,得到{Sensor-NS}validation、{Fault-Signal}validation。
步骤四,构建基于藤式贝叶斯分类器的故障诊断模型;
所述步骤四还包括下述步骤:以计算机为硬件基础,以集成式开发环境为软件基础,构建藤式贝叶斯基本结构,藤式贝叶斯基本结构采用D藤分解规则,通过单元封装,形成具备输入层、训练层和概率计算分类层的藤式贝叶斯模型。
所述藤式贝叶斯计算的原理公式为:
其中,P(signal)是从所有滤波监测信号集合中随机抽取任一种滤波监测信号的概率,由于每个类别的抽取概率相同,可视为常数归一化因子;
P(statei)为从所有滤波监测信号集合中随机抽取任一中滤波检测信号,其属于正常或者故障的概率,即先验概率;
P(signal|statei)为滤波监测信号属于给定状态的概率,为似然概率,在连续自变量下也成为类条件概率密度;
P(statei|signal)为验证集中的滤波监测信号属于正常信号或者故障信号的概率,即后验概率。
所述类条件概率密度求解采用Copula函数与D藤分解理论,其中Copula函数涉及的具体公式如下:对于一个具有n维随机变量x=(x1,x2,…,xn)T的联合分布函数F,且该函数具有n个一维边缘分布F1(x1),F2(x2)…,Fn(xn),则一定存在一个Copula函数C,并满足:
C(F1(x1),F2(x2)…,Fn(xn))=F(x1,x2,…xn)
满足数学条件下的n个随机变量的联合概率密度函数:
f(x1,x2,…,xn)=f1(x1)×f2(x2)×…×fn(xn)×c(F1(x1),F2(x2),…,Fn(xn);θ)
其中fi(xi)为第i个变量xi的边缘概率密度函数,c为Copula的密度函数,其定义为:
所述D藤分解理论涉及的n个随机变量的联合概率密度函数公式如下:
其中,cj,j+i|j+1:j+i-1为二元Copula条件概率密度函数,具体选用二元GaussianCopula函数进行计算,θ表示对应的Copula参数,F(xj|xj+1,…,xj+i-1)与F(xj+i|xj+1,…,xj+i-1)为条件分布函数。
所述二元Gaussian Copula函数涉及的公式如下:
步骤五,将训练集经由输入层导入训练层;
所述步骤五包括将{Sensor-NS}train、{Fault-Signal}train导入藤式贝叶斯模型的输入层,并进行先验概率和类条件概率函数密度计算,通过训练过程完成对似然概率控制参数的计算优化,训练完成后以矩阵形式保存在程序代码中。
步骤六,通过验证集进行似然函数的控制参数循环更新测试;
所述步骤六使用的故障诊断评价指标计算公式为:
Accuracy=(TP+TN)/(TP+TN+FP+FN)
Precision=TP/(TP+FP)
其中,Accuracy为准确率,Precision为查准率,TP、TN、FP、FN表示为:
TN=True Negative表示真负,将正常状态诊断为正常状态的数量;
FP=False Positive表示假正,将正常状态诊断为故障状态的数量;
FN=False Negative表示假负,将故障状态诊断为正常状态的数目;
TP=True Positive表示真正,将故障状态诊断为故障状态的数目。
所述步骤六还包括以下步骤:
(1)调用训练完毕的藤式贝叶斯模型,计算验证集的后验概率,通过最大似然概率比较得到最终分类结果,主要计算公式为:
state(signal)=argmax{P(signal|statei)·P(statei)};
其中state(signal)为最大似然概率对应的空气压缩机运行状态。
通过还原最优似然函数控制参数,将验证集{Sensor-NS}validation、{Fault-S}validation导入藤式贝叶斯输入层,设定准确率和查准率的阈值,将其作为是否进行逻辑循环的判断依据;
(2)若准确率和查准率低于设定阈值,则对藤式贝叶斯的训练集数目和质量进行调整,直至准确率和查准率达到或超过设定阈值;
(3)若准确率和查准率指标达到或超过设定阈值,则直接进行故障诊断;
步骤七,使用满足精度要求的模型进行海洋平台空气压缩机故障诊断;
所述步骤七具体操作为:故障诊断过程将实测数据集或符合要求的数值模拟数据集导入满足精度要求的藤式贝叶斯模型中,进行实用性检验。
步骤八,基于空气压缩机故障信号种类与位置的模型后期维护。
所述步骤八还包括下述处理方式:
(1)故障诊断场景因故障种类改变而发生变换时,新故障诊断场景中的传感器信号采集按照步骤1所述的方式进行,并按照步骤2中的构建传感器信号时序序列集合与故障种类时序序列集合,通过多传感器融合中的卡尔曼滤波得到滤波监测信号数据集;新故障诊断场景中的训练集、验证集和测试集划分根据步骤3所述步骤进行;新故障诊断场景中的藤式贝叶斯模型构建和模型训练分别按照步骤4和步骤5所述步骤进行;新故障诊断场景中的故障诊断过程根据步骤6所述进行。
(2)故障诊断场景因传感器测点变换而改变时,新故障诊断场景中的传感器布置按照具体需要进行改动,且传感器信号编号数目随之发生改变,传感器信号时序序列集合与故障种类时序序列集合的构建、滤波监测信号数据集获取根据步骤2所述进行;新故障诊断场景中的训练集、验证集和测试集划分根据步骤3所述步骤进行;新故障诊断场景中的藤式贝叶斯模型构建和模型训练分别按照步骤4和步骤5所述步骤进行;新故障诊断场景中的故障诊断过程根据步骤6所述进行。
综上,本发明公开了一种基于卡尔曼滤波和藤式贝叶斯分类器的海洋平台空气压缩机故障诊断方法,属于海洋工程装备故障诊断技术领域。该方法首先将海洋平台空气压缩机的监测信号划分为温度信号、压力信号和机械信号三类,分别在海洋平台空气压缩机信号采集点安装数据传感器对工作信号进行采集。数据处理阶段使用线性滤波方法卡尔曼滤波,实现多传感器数据融合,并将融合后数据进一步划分为训练集、验证集与测试集。在对藤式贝叶斯分类器进行逻辑构建之后,通过训练集数据对似然概率控制参数进行优化,最终得到完整的海洋平台空气压缩机故障诊断方法,导入实测数据后可实现故障诊断。
Claims (9)
1.一种海洋平台空气压缩机故障诊断方法,其特征在于:步骤如下:
步骤一:对海洋平台空气压缩机工作信号进行分类与采集;
步骤二:构建传感器信号时序序列、故障种类时序序列并通过卡尔曼滤波实现多传感器数据融合;
步骤三:对原始融合数据集进行集合划分与标准化处理;
步骤四:构建基于藤式贝叶斯分类器的故障诊断模型;
步骤五:将训练集经由输入层导入训练层;
步骤六:通过验证集进行似然函数的控制参数循环更新测试;
步骤七:使用满足精度要求的模型进行海洋平台空气压缩机故障诊断;
步骤八:基于空气压缩机故障信号种类与位置的模型后期维护。
2.根据权利要求1所述的一种海洋平台空气压缩机故障诊断方法,其特征在于:步骤一具体包括:根据海洋平台空气压缩机运行过程中出现的故障模式确定出监测信号,并分为温度信号、压力信号和机械信号,其中温度信号包含的主要监测目标有海洋平台空气压缩机干燥机出口温度TS-1、压缩机排气温度TS-2、压缩机轴承润滑油温度TS-3、压缩机主轴承温度TS-4;压力信号包含的主要监测目标有海洋平台空气压缩机气缸输出压PS-1、压缩机润滑管路内压PS-2两种信号;机械信号的主要监测目标为海洋平台空气压缩机电动机振动MS-1、压缩机气缸振动MS-2和储气罐振动MS-3;三类信号对应的故障种类依次为干燥剂出口温度异常TF1、压缩机排气温度异常TF2、压缩机轴承润滑油温度异常TF3、压缩机主轴承温度异常TF4、压缩机气缸输出压异常PF1、压缩机润滑管路内压异常PF2、压缩机电动机振动异常MF1、压缩机气缸振动异常MF2和储气罐振动异常MF3,以上述采集信号的具体位置为依据,选取故障信号采集点并安装对应类型传感器。
3.根据权利要求2所述的一种海洋平台空气压缩机故障诊断方法,其特征在于:所述步骤二中的传感器信号时序序列具体为:
Sensor-Signal
={TS-1,TS-2,TS-3,TS-4,PS-1,PS-2,MS-1,MS-2,MS-3}T
其中Sensor-Signal为传感器信号时序序列的集合名称,
所述步骤二中的故障种类时序序列九种监测信号对应的故障信号构成,其中Fault-Signal={TF1,TF2,TF3,TF4,PF1,PF2,MF1,MF2,MF3},Fault-Signal为故障种类时序序列的集合名称,故障种类的信号TF1、TF2、TF3、TF4、PF1、PF2、MF1、MF2、MF3均为t时间节点对应的故障状态构成的1行t列矩阵,故障状态为正常时信号值为0,故障状态异常时信号值为1;
所述步骤二中的卡尔曼滤波具体公式为:
(2)Yt=Hxt+v;其中Yt为t时刻传感器测量信号,H为观测矩阵,v表示测量误差;
则经过多传感器数据融合之后的滤波监测信号数据集为:
其中,Sensor-NS为滤波监测信号数据集的集合名称。
4.根据权利要求3所述的一种海洋平台空气压缩机故障诊断方法,其特征在于:所述步骤三具体为:将滤波监测信号数据集Sensor-NS和故障种类时序序列集合Fault-Signal进行分割,各取滤波监测信号数据集和故障种类时序序列两个集合的前百分之八十列数据,并将滤波监测信号数据集的取出数据进行标准化处理作为训练集,得到{Sensor-NS}train、{Fault-Signal}train,各取滤波监测信号数据集和故障种类时序序列两个集合的后百分之二十列,并将故障种类时序序列的取出数据标准化之后作为验证集,得到{Sensor-NS}validation、{Fault-Signal}validation。
5.根据权利要求4所述的一种海洋平台空气压缩机故障诊断方法,其特征在于:所述步骤四还包括下述步骤:以计算机为硬件基础,以集成式开发环境为软件基础,构建藤式贝叶斯基本结构,藤式贝叶斯基本结构采用D藤分解规则,通过单元封装,形成具备输入层、训练层和概率计算分类层的藤式贝叶斯模型;
所述藤式贝叶斯计算的原理公式为:
其中,P(signal)是从所有滤波监测信号集合中随机抽取任一种滤波监测信号的概率,P(statei)为从所有滤波监测信号集合中随机抽取任一中滤波检测信号;P(signal|statei)为滤波监测信号属于给定状态的概率;P(statei|signal)为验证集中的滤波监测信号属于正常信号或者故障信号的概率;
所述D藤分解理论涉及的n个随机变量的联合概率密度函数公式如下:
其中,cj,j+i|j+1:j+i-1为二元Copula条件概率密度函数,具体选用二元Gaussian Copula函数进行计算,θ表示对应的Copula参数,F(xj|xj+1,…,xj+i-1)与F(xj+i|xj+1,…,xj+i-1)为条件分布函数。
6.根据权利要求5所述的一种海洋平台空气压缩机故障诊断方法,其特征在于:所述步骤五包括将{Sensor-NS}train、{Fault-Signal}train导入藤式贝叶斯模型的输入层,并进行先验概率和类条件概率函数密度计算,通过训练过程完成对似然概率控制参数的计算优化,训练完成后以矩阵形式保存在程序代码中。
7.根据权利要求6所述的一种海洋平台空气压缩机故障诊断方法,其特征在于:所述步骤六使用的故障诊断评价指标计算公式为:
Accuracy=(TP+TN)/(TP+TN+FP+FN)
Precision=TP/(TP+FP)
其中,Accuracy为准确率,Precision为查准率,TP、TN、FP、FN表示为:
TN=True Negative表示真负,将正常状态诊断为正常状态的数量;
FP=False Positive表示假正,将正常状态诊断为故障状态的数量;
FN=False Negative表示假负,将故障状态诊断为正常状态的数目;
TP=True Positive表示真正,将故障状态诊断为故障状态的数目;具体步骤如下:
(1)调用训练完毕的藤式贝叶斯模型,计算验证集的后验概率,通过最大似然概率比较得到最终分类结果,主要计算公式为:
state(signal)=arg max{P(signal|statei)·P(statei)}
其中state(signal)为最大似然概率对应的空气压缩机运行状态;
通过还原最优似然函数控制参数,将验证集{Sensor-NS}validation、{Fault-S}validation导入藤式贝叶斯输入层,设定准确率和查准率的阈值,将其作为是否进行逻辑循环的判断依据;
(2)若准确率和查准率低于设定阈值,则对藤式贝叶斯的训练集数目和质量进行调整,直至准确率和查准率达到或超过设定阈值;
(3)若准确率和查准率指标达到或超过设定阈值,则直接进行故障诊断。
8.根据权利要求7所述的一种海洋平台空气压缩机故障诊断方法,其特征在于:所述步骤七具体操作为:故障诊断过程将实测数据集或符合要求的数值模拟数据集导入满足精度要求的藤式贝叶斯模型中,进行实用性检验。
9.根据权利要求8所述的一种海洋平台空气压缩机故障诊断方法,其特征在于:所述步骤八还包括:
(1)故障诊断应用环境因故障信号种类的转变而发生变换时,按照步骤一所述的方式进行新的故障诊断应用环境中的传感器信号采集,按照步骤二中的构建传感器信号时序序列集合与故障种类时序序列集合,通过多传感器融合中的卡尔曼滤波得到滤波监测信号数据集;新故障诊断场景中的训练集、验证集和测试集划分根据步骤三所述步骤进行;新故障诊断场景中的藤式贝叶斯模型构建和模型训练分别按照步骤四合步骤五所述步骤进行;新故障诊断场景中的故障诊断过程根据步骤六所述进行;
(2)故障诊断场景因传感器测点变换而改变时,新故障诊断场景中的传感器布置按照具体需要进行改动,且传感器信号编号数目随之发生改变,传感器信号时序序列集合与故障种类时序序列集合的构建、滤波监测信号数据集获取根据步骤二所述进行;新故障诊断场景中的训练集、验证集和测试集划分根据步骤三所述步骤进行;新故障诊断场景中的藤式贝叶斯模型构建和模型训练分别按照步骤四和步骤五所述步骤进行;新故障诊断场景中的故障诊断过程根据步骤六所述进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388867.4A CN111637045B (zh) | 2020-05-09 | 2020-05-09 | 一种海洋平台空气压缩机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388867.4A CN111637045B (zh) | 2020-05-09 | 2020-05-09 | 一种海洋平台空气压缩机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111637045A true CN111637045A (zh) | 2020-09-08 |
CN111637045B CN111637045B (zh) | 2021-09-10 |
Family
ID=72326768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010388867.4A Active CN111637045B (zh) | 2020-05-09 | 2020-05-09 | 一种海洋平台空气压缩机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111637045B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116019A (zh) * | 2020-09-27 | 2020-12-22 | 四川大学 | 一种多传感器Vine Copula异构信息决策融合方法 |
CN113377595A (zh) * | 2021-06-11 | 2021-09-10 | 上海壁仞智能科技有限公司 | 故障诊断方法、装置、电子设备和存储介质 |
CN114218197A (zh) * | 2021-12-17 | 2022-03-22 | 上海繁易信息科技股份有限公司 | 基于面向对象的工业物联网数据建模方法与系统 |
CN114542444A (zh) * | 2022-01-18 | 2022-05-27 | 江苏日易能源科技有限公司 | 一种空压机智能监控方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101048626A (zh) * | 2004-08-27 | 2007-10-03 | 开利公司 | 基于距离故障分类器的故障诊断和预测 |
CN101446283A (zh) * | 2008-12-17 | 2009-06-03 | 西安交通大学 | 一种基于进化计算诊断压缩机故障的方法 |
CN103147972A (zh) * | 2013-03-19 | 2013-06-12 | 北京化工大学 | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 |
CN104712542A (zh) * | 2015-01-12 | 2015-06-17 | 北京博华信智科技股份有限公司 | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 |
CN105135591A (zh) * | 2015-07-01 | 2015-12-09 | 西安理工大学 | 基于多分类策略的列车空调机组故障诊断方法 |
CN111022313A (zh) * | 2019-12-30 | 2020-04-17 | 哈尔滨工程大学 | 一种基于lstm的海洋平台空气压缩机故障诊断方法 |
-
2020
- 2020-05-09 CN CN202010388867.4A patent/CN111637045B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101048626A (zh) * | 2004-08-27 | 2007-10-03 | 开利公司 | 基于距离故障分类器的故障诊断和预测 |
CN101446283A (zh) * | 2008-12-17 | 2009-06-03 | 西安交通大学 | 一种基于进化计算诊断压缩机故障的方法 |
CN103147972A (zh) * | 2013-03-19 | 2013-06-12 | 北京化工大学 | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 |
CN104712542A (zh) * | 2015-01-12 | 2015-06-17 | 北京博华信智科技股份有限公司 | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 |
CN105135591A (zh) * | 2015-07-01 | 2015-12-09 | 西安理工大学 | 基于多分类策略的列车空调机组故障诊断方法 |
CN111022313A (zh) * | 2019-12-30 | 2020-04-17 | 哈尔滨工程大学 | 一种基于lstm的海洋平台空气压缩机故障诊断方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116019A (zh) * | 2020-09-27 | 2020-12-22 | 四川大学 | 一种多传感器Vine Copula异构信息决策融合方法 |
CN112116019B (zh) * | 2020-09-27 | 2022-09-02 | 四川大学 | 一种多传感器Vine Copula异构信息决策融合方法 |
CN113377595A (zh) * | 2021-06-11 | 2021-09-10 | 上海壁仞智能科技有限公司 | 故障诊断方法、装置、电子设备和存储介质 |
CN113377595B (zh) * | 2021-06-11 | 2023-06-23 | 上海壁仞智能科技有限公司 | 故障诊断方法、装置、电子设备和存储介质 |
CN114218197A (zh) * | 2021-12-17 | 2022-03-22 | 上海繁易信息科技股份有限公司 | 基于面向对象的工业物联网数据建模方法与系统 |
CN114542444A (zh) * | 2022-01-18 | 2022-05-27 | 江苏日易能源科技有限公司 | 一种空压机智能监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111637045B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111637045B (zh) | 一种海洋平台空气压缩机故障诊断方法 | |
CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
CN111022313B (zh) | 一种基于lstm的海洋平台空气压缩机故障诊断方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN105631596A (zh) | 一种基于多维分段拟合的设备故障诊断方法 | |
CN111737909A (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
Sun et al. | A robust approach of multi-sensor fusion for fault diagnosis using convolution neural network | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN114492533A (zh) | 一种变工况轴承故障诊断模型的构建方法及应用 | |
CN113703422B (zh) | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 | |
CN115014789A (zh) | 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法 | |
Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples | |
Zhang et al. | A Flexible Monitoring Framework via Dynamic-Multilayer Graph Convolution Network | |
CN111753876B (zh) | 一种基于深度神经网络的产品质量检测方法 | |
Zhi-hong et al. | Sensor Fault Diagnosis Based on Wavelet Analysis and LSTM Neural Network | |
Zhou et al. | Multisensor-Based Heavy Machine Faulty Identification Using Sparse Autoencoder-Based Feature Fusion and Deep Belief Network-Based Ensemble Learning | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
Yu et al. | Multifractal analysis and stacked autoencoder-based feature learning method for multivariate processes monitoring | |
CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
CN114383846B (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
WO2024065777A1 (en) | Method, apparatus, electronic device, and storage medium for diagnosing industrial fault |
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 |