CN111709297A - 一种基于narmax-frf和pca的智能诊断与预测故障方法及系统 - Google Patents

一种基于narmax-frf和pca的智能诊断与预测故障方法及系统 Download PDF

Info

Publication number
CN111709297A
CN111709297A CN202010420114.7A CN202010420114A CN111709297A CN 111709297 A CN111709297 A CN 111709297A CN 202010420114 A CN202010420114 A CN 202010420114A CN 111709297 A CN111709297 A CN 111709297A
Authority
CN
China
Prior art keywords
prediction
narmax
frf
pca
fault
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.)
Pending
Application number
CN202010420114.7A
Other languages
English (en)
Inventor
陈汉新
苗育茁
黄浪
柯耀
王琪
杨柳
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.)
Wuhan Institute of Technology
Original Assignee
Wuhan Institute of 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 Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202010420114.7A priority Critical patent/CN111709297A/zh
Publication of CN111709297A publication Critical patent/CN111709297A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Toxicology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于NARMAX‑FRF和PCA的智能诊断与预测故障方法及系统，其中，方法包括以下步骤：S1:输入兰姆波信号至RFID模块,通过所述RFID模块获得试验样品的响应输出信号；S2:通过所述响应输出信号基于NARMAX‑FRF进行时域建模并进行频域特征提取；S3:根据提取的频域特征获得响应函数G1以及对应的响应函数G1的特征参数；S4：通过PCA分析法模型对不同状态下的响应函数G1的特征参数进行故障预测，能有效区分故障类别和位置，有效提高正确率。

Description

一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法及 系统
技术领域
本发明涉及离心泵故障检测领域，尤其涉及一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法及系统。
背景技术
离心泵主要是利用机械能或其他能量使流体的位能、压力能和动能增加，从而完成流体的输送，可以使流体从低位区到高位区，或者从低压区到高压区，在化工行业中是必不可少的机械设备。具有较广的适用性能、尺寸小、质量轻，低成本、结构较简单、操作方便、故障少、寿命长、排出液体无脉动等优点，由于泵的结构简单、经久耐用因此被广泛用于农田灌溉、石油化工工程、水利工程、冶金和造船等。
离心泵在工作过程中,即使非常轻微的一些机械缺陷或损伤都会引起整个系统的振动,例如,基座松动、叶片磨损、泵轴与传动轴的不平衡等，因此,利用振动进行故障监测诊断是目前应用最广泛的方法，由于离心泵速度变化过程的振动信号具有信息量大、非平稳、重复再现性不佳等特点,使得一些基于传统时域或频域的分析方法无法及时地反映出系统的运行状况，
现有技术中，离心泵的故障检测因为振动信号繁多，样本抽取工作量大，且复杂，不具有代表性，在进行多故障状态识别时，难以，区分故障类别和位置，使得检测正确率不高。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法及系统，能有效区分故障类别和位置，有效提高正确率。
本发明解决上述技术问题的技术方案如下：一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法，包括以下步骤：
S1:输入兰姆波信号至RFID模块,通过所述RFID模块获得试验样品的响应输出信号；
S2:通过所述响应输出信号基于NARMAX-FRF进行时域建模并进行频域特征提取；
S3:根据提取的频域特征获得响应函数G1以及对应的响应函数G1的特征参数；
S4：通过PCA分析法模型对不同状态下的响应函数G1的特征参数进行故障预测。
本发明的有益效果是，以往的工作主要集中在PEC响应的时域或频域特征提取上，没有研究输入信号与输出响应之间的物理性质关系，通过基于NARMAX-FRF进行时域建模，研究了输入信号和输出信号响应之间动态关系，获得频率响应函数G1及其特征参数后，可根据频率响应函数的变化来进行系统故障诊断和无损检测，再通过PCA进行主元分析，筛选出表征缺陷的主要特征参数并进行故障预测，能有效区分故障类别和位置，有效提高正确率。
所述S1具体为：
对试验样品发射兰姆波信号，经过RFID读写器和数据采集系统分析后获得响应输出信号。
所述S2包括：
S201:根据所述响应输出信号建立非线性差分方程：
y(t)＝f(y(t-1)，···，y(t-ny)，u(t-1)，···，u(t-nu)，ε(t-1)，..·，ε(t-nε))+ε(t)
其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；
S202:通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近
Figure BDA0002496551950000021
如下所示：
Figure BDA0002496551950000031
并改写为：
Figure BDA0002496551950000032
再进行频域特征提取，其中，预测误差为:
Figure BDA0002496551950000033
φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。
采用上述进一步方案的有益效果是，材料缺陷被表示为结构动态行为的时域模型参数的未知输入或干扰，基于NARMAX-FRF模型参数变量的缺陷表示可以在频率响应函中显示，基本原理是，可以通过基于NARMAX模型的时域模型来描述物理系统的动态过程，从而建立激励输入与系统响应之间的定量关系。结构系统物理特性的变量可以反映在时域模型中，这也可以通过系统的变化来表示。
进一步，所述频率响应函数G1为：
Figure BDA0002496551950000034
采用上述进一步方案的有益效果是：获得了频率响应函数G1，通过分析已识别系统非线性模型的频域特征，可根据频率响应函数的变化来进行系统故障诊断和无损检测。
进一步，所述S4包括以下步骤：
S401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的。令随机向量的协方差矩阵x＝[x1,x2,…,xm]T为S，其特征值为λ1≥λ2≥λ3…λm≥0；
S402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：
Figure BDA0002496551950000035
其中，λi为协方差的特征值，m为变量个数。
S403:当发生故障时，SPE或T2明显超过控制极限；当系统正常运行时，SPE或T2都在控制范围内。
采用上述进一步方案的有益效果是，采用PCA对特征参数进行降维，提取主要表征缺陷的参数，再进行故障预测，有效降低运算量，增加处理速度。
一种基于NARMAX-FRF和PCA的智能诊断与预测故障系统，包括:
数据获取模块，用于根据输入兰姆波信号至RFID模块,通过所述RFID模块获得试验样品的响应输出信号；
频域特征提取模块，用于根据所述响应输出信号基于NARMAX-FRF进行时域建模并进行频域特征提取；
特征参数获取模块，用于根据提取的频域特征获得响应函数G1以及对应的响应函数G1的特征参数；
故障预测模块：用于通过PCA模型对不同状态下的响应函数G1的特征参数进行故障检测预测。
本发明的有益效果是，以往的工作主要集中在PEC响应的时域或频域特征提取上，没有研究输入信号与输出响应之间的物理性质关系，通过基于NARMAX-FRF进行时域建模，研究了输入信号和输出信号响应之间动态关系，获得频率响应函数G1及其特征参数后，可根据频率响应函数的变化来进行系统故障诊断和无损检测，再通过PCA进行主元分析，筛选出表征缺陷的主要特征参数并进行故障预测，能有效区分故障类别和位置，有效提高正确率。
进一步，所述数据获取模块获取数据的具体过程为：
对试验样品发射兰姆波信号，经过RFID读写器和数据采集系统分析后获得响应输出信号。
进一步，所述特征参数获取模块获取特征参数的的具体过程为：
S201:根据所述响应输出信号建立非线性差分方程：
y(t)＝f(y(t-1),K,y(t-ny),u(t-1),K,u(t-nu),ε(t-1),K,ε(t-nε))+ε(t)
其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；
S202:通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近
Figure BDA0002496551950000051
如下所示：
Figure BDA0002496551950000052
并改写为：
Figure BDA0002496551950000053
再进行频域特征提取，其中，预测误差为:
Figure BDA0002496551950000054
φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。
采用上述进一步方案的有益效果是，材料缺陷被表示为结构动态行为的时域模型参数的未知输入或干扰，基于NARMAX-FRF模型参数变量的缺陷表示可以在频率响应函中显示，基本原理是，可以通过基于NARMAX模型的时域模型来描述物理系统的动态过程，从而建立激励输入与系统响应之间的定量关系。结构系统物理特性的变量可以反映在时域模型中，这也可以通过系统的变化来表示。
进一步，所述特征参数获取模块中频率响应函数G1为:
Figure BDA0002496551950000055
采用上述进一步方案的有益效果是：获得了频率响应函数G1，通过分析已识别系统非线性模型的频域特征，可根据频率响应函数的变化来进行系统故障诊断和无损检测。
进一步，所述故障预测模块进行故障预测的具体过程为：
S401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的。令随机向量的协方差矩阵x＝[x1,x2,…,xm]T为S，其特征值为λ1≥λ2≥λ3…λm≥0；
S402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：
Figure BDA0002496551950000056
其中，λi为协方差的特征值，m为变量个数。
S403:当发生故障时，SPE或T2明显超过控制极限；当系统正常运行时，SPE或T2都在控制范围内。
采用上述进一步方案的有益效果是，采用PCA对特征参数进行降维，提取主要表征缺陷的参数，再进行故障预测，有效降低运算量，增加处理速度。
附图说明
图1为本发明基于NARMAX-FRF和PCA的智能诊断与预测故障方法流程示意图；
图2为本发明输入信号的波形图；
图3为本发明通过FRID模块后的输出信号波形图；
图4为本发明各个样品的缺陷检测结果；
图5为本发明基于NARMAX-FRF和PCA的智能诊断与预测故障系统的连接关系图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法，包括以下步骤：
S1:输入兰姆波信号至RFID模块,通过所述RFID模块获得试验样品的响应输出信号；
S2:通过所述响应输出信号基于NARMAX-FRF进行时域建模并进行频域特征提取；
S3:根据提取的频域特征获得响应函数G1以及对应的响应函数G1的特征参数；
S4：通过PCA分析法模型对不同状态下的响应函数G1的特征参数进行故障预测。
以往的工作主要集中在PEC响应的时域或频域特征提取上，没有研究输入信号与输出响应之间的物理性质关系，通过基于NARMAX-FRF进行时域建模，研究了输入信号和输出信号响应之间动态关系，获得频率响应函数G1及其特征参数后，可根据频率响应函数的变化来进行系统故障诊断和无损检测，再通过PCA进行主元分析，筛选出表征缺陷的主要特征参数并进行故障预测，能有效区分故障类别和位置，有效提高正确率。
其中，NARMAX-FRF模型表示系统输入与输出之间的非线性函数关系；PCA(Principal Component Analysis)主成分分析法；兰姆波是指，声波传播在当板较薄时，板的两个边界都会有影响，声波在两个自由边界上均会发生反射，叠加后就形成了LAMB波，即兰姆度波。响应函数是指，在网络的输入端加上激励信号，则在网络的输出端便可获得相应的响应信号，该响应信号称为响应函数；特征参数有：幅频特性、相频特性、实频特性和虚频特性；频域特征是指，自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图，频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。
所述S1具体为：
如图2和图3所示，对试验样品发射兰姆波信号，经过RFID读写器和数据采集系统分析后获得响应输出信号。
所述S2具体为：
S201:根据所述响应输出信号建立非线性差分方程：
y(t)＝f(y(t-1)，…，y(t-ny)，u(t-1)，…，u(t-nu)，ε(t-1)，…，ε(t-nε))+ε(t)其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；
S202:通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近
Figure BDA0002496551950000091
如下所示：
Figure BDA0002496551950000092
将非线性差分方程改写为：
Figure BDA0002496551950000093
再进行频域特征提取，其中，预测误差为:
Figure BDA0002496551950000094
φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。
材料缺陷被表示为结构动态行为的时域模型参数的未知输入或干扰，基于NARMAX-FRF模型参数变量的缺陷表示可以在频率响应函中显示，基本原理是，可以通过基于NARMAX模型的时域模型来描述物理系统的动态过程，从而建立激励输入与系统响应之间的定量关系。结构系统物理特性的变量可以反映在时域模型中，这也可以通过系统的变化来表示。
所述频率响应函数G1为：
Figure BDA0002496551950000095
具体的，所述S4包括以下步骤：
获得了频率响应函数G1，通过分析已识别系统非线性模型的频域特征，可根据频率响应函数的变化来进行系统故障诊断和无损检测。
S401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的。令随机向量的协方差矩阵x＝[x1,x2,…,xm]T为S，其特征值为λ1≥λ2≥λ3…λm≥0；
随机变量的线性组合x1,x2,L,xm如式(1)所示。
Figure BDA0002496551950000096
Figure BDA0002496551950000101
Figure BDA0002496551950000102
其中，t1,t2,L,tk为主成分，主成分个数为A。第一个主元t是满足下列性质的线性组合:
Figure BDA0002496551950000103
s.t.||w1||＝1
第i个主成分t满足以下性质:i
Figure BDA0002496551950000104
s.t.||wi||＝1,cov(ti,tj)＝0,j＜i
S402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：
Figure BDA0002496551950000105
其中，λi为协方差的特征值，m为变量个数。
S403:当发生故障时，SPE或T2明显超过控制极限；当系统正常运行时，SPE或T2都在控制范围内。
λi为协方差的特征值，m为变量个数。一般情况下，当前一个主元A的累积方差贡献率为0时。前面的主成分A可以用来解释原始数据的主要信息。
对于采样数据Xn×m＝[x1,x2,L,xn](xi∈Rm,i＝1,2,3,L,n)，采样点的个数表示为n,m表示变量的个数。对采样数据Xn×m进行归一化得到
Figure BDA0002496551950000111
然后获得
Figure BDA0002496551950000112
的特征值λi和特征向量pi。第一个A原则的得分向量的计算公式如下:
Figure BDA0002496551950000113
计算剩余子空间的投影数据：
Figure BDA0002496551950000114
进一步计算得到：
Figure BDA0002496551950000115
SPE指数是一种统计量，反映了样本向量在剩余空间中的投影变化；
Figure BDA0002496551950000116
其中
Figure BDA0002496551950000117
是置信度α的控制极限，当残差变量服从正态分布时，其中，残差是指：实际观察值与估计值(拟合值)之间的差，控制极限的计算公式如下：
Figure BDA0002496551950000118
其中，
Figure BDA0002496551950000119
为
Figure BDA00024965519500001110
的协方差矩阵的特征值。Cα是置信度α标准正态分布的阈值。
统计霍特林T2度量的是主成分空间中一个变量的变化。
Figure BDA00024965519500001111
其中,
Figure BDA00024965519500001112
表示T2的控制限,置信区间是α。假设系统正常运行时，样本服从正态分布，则控制极限可由如下公式计算：
Figure BDA00024965519500001113
在方程(15)Fα(A,n-A)是自由度A，n-A和置信度α的F分布的临界值。
SPE统计指标主要反映正常过程变量之间的相关性变化的程度，说明过程异常状态。统计指标T2估计现有样本到主成分子空间原点的距离。将计算的统计数据SPE和T2与获得的控制极限进行比较，以确定是否发生了故障。
在本实施例中，使用的样本如表1所示。
表1
缺陷的形状 曝光时间 条件
正方形30mm×30mm 1个月 未涂层
正方形30mm×30mm 1个月 涂层
正方形30mm×30mm 3个月 未涂层
正方形30mm×30mm 3个月 涂层
正方形30mm×30mm 6个月 未涂层
正方形30mm×30mm 6个月 涂层
正方形30mm×30mm 10个月 未涂层
正方形30mm×30mm 10个月 涂层
正方形30mm×30mm 12个月 未涂层
正方形30mm×30mm 12个月 涂层
如图4所示，不同暴露时间的腐蚀涂层样品在3125HZ处G1的振幅是不同的，可用振幅表示缺陷深度，该方法可以有效区分故障类别和位置，提高正确率。
实施例2
如图5所示，在实施例1的基础上，一种基于NARMAX-FRF和PCA的智能诊断与预测故障系统，包括:数据获取模块，用于根据输入兰姆波信号至RFID模块,通过所述RFID模块获得试验样品的响应输出信号；频域特征提取模块，用于根据所述响应输出信号基于NARMAX-FRF进行时域建模并进行频域特征提取；特征参数获取模块，用于根据提取的频域特征获得响应函数G1以及对应的响应函数G1的特征参数；故障预测模块：用于通过PCA模型对不同状态下的响应函数G1的特征参数进行故障检测预测。
所述数据获取模块获取数据的具体过程为：
对试验样品发射兰姆波信号，经过RFID读写器和数据采集系统分析后获得响应输出信号。
以往的工作主要集中在PEC响应的时域或频域特征提取上，没有研究输入信号与输出响应之间的物理性质关系，通过基于NARMAX-FRF进行时域建模，研究了输入信号和输出信号响应之间动态关系，获得频率响应函数G1及其特征参数后，可根据频率响应函数的变化来进行系统故障诊断和无损检测，再通过PCA进行主元分析，筛选出表征缺陷的主要特征参数并进行故障预测，能有效区分故障类别和位置，有效提高正确率。
所述特征参数获取模块获取特征参数的的具体过程为：
S201：根据所述响应输出信号建立非线性差分方程：
y(t)＝f(y(t-1)，K，y(t-ny)，u(t-1)，K，u(t-nu)，ε(t-1)，K，ε(t-nε))+ε(t)
其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；
S202：通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近
Figure BDA0002496551950000131
如下所示：
Figure BDA0002496551950000132
并改写为：
Figure BDA0002496551950000133
再进行频域特征提取，其中，预测误差为：
Figure BDA0002496551950000134
φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。
材料缺陷被表示为结构动态行为的时域模型参数的未知输入或干扰，基于NARMAX-FRF模型参数变量的缺陷表示可以在频率响应函中显示，基本原理是，可以通过基于NARMAX模型的时域模型来描述物理系统的动态过程，从而建立激励输入与系统响应之间的定量关系。结构系统物理特性的变量可以反映在时域模型中，这也可以通过系统的变化来表示。
所述特征参数获取模块中频率响应函数G1为:
Figure BDA0002496551950000141
获得了频率响应函数G1，通过分析已识别系统非线性模型的频域特征，可根据频率响应函数的变化来进行系统故障诊断和无损检测。所述故障预测模块进行故障预测的具体过程为：
S401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的。令随机向量的协方差矩阵x＝[x1,x2,…,xm]T为S，其特征值为λ1≥λ2≥λ3…λm≥0；
S402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：
Figure BDA0002496551950000142
其中，λi为协方差的特征值，m为变量个数。
S403:当发生故障时，SPE或T2明显超过控制极限；当系统正常运行时，SPE或T2都在控制范围内。
在本实施例中，故障预测装置可包括中央处理单元(Central Processing Unit，CPU)，还可包括其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
故障预测装置的硬件装置还包括存储器。存储器可以是故障预测装置的内部存储单元，存储器也可以是故障预测装置的外部存储设备，例如处理器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。存储器还可以既包括故障预测装置的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及处理器所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
λi为协方差的特征值，m为变量个数。一般情况下，当前一个主元A的累积方差贡献率为0时。前面的主成分A可以用来解释原始数据的主要信息。
对于采样数据Xn×m＝[x1,x2,L,xn](xi∈Rm,i＝1,2,3,L,n)，采样点的个数表示为n,m表示变量的个数。对采样数据Xn×m进行归一化得到
Figure BDA0002496551950000151
然后获得
Figure BDA0002496551950000152
的特征值λi和特征向量pi。第一个A原则的得分向量的计算公式如下:
Figure BDA0002496551950000153
计算剩余子空间的投影数据：
Figure BDA0002496551950000154
进一步计算得到：
Figure BDA0002496551950000155
SPE指数反映了样本向量在剩余空间中的投影变化；
Figure BDA0002496551950000156
其中
Figure BDA0002496551950000157
是置信度α的控制极限，当残差变量服从正态分布时，Mudholkar和Jackson给出了控制极限的计算公式如下：
Figure BDA0002496551950000158
其中，
Figure BDA0002496551950000161
为
Figure BDA0002496551950000162
的协方差矩阵的特征值。Cα是置信度α标准正态分布的阈值。
统计霍特林T2度量的是主成分空间中一个变量的变化。
Figure BDA0002496551950000163
其中,
Figure BDA0002496551950000164
表示T2的控制限,置信区间是α。假设系统正常运行时，样本服从正态分布，则控制极限可由如下公式计算：
Figure BDA0002496551950000165
在方程(15)Fα(A,n-A)是自由度A，n-A和置信度α的F分布的临界值。
SPE统计指标主要反映正常过程变量之间的相关性变化的程度，说明过程异常状态。统计指标T2估计现有样本到主成分子空间原点的距离。将计算的统计数据SPE和T2与获得的控制极限进行比较，以确定是否发生了故障。
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，即应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法，其特征在于，包括以下步骤：
S1:输入兰姆波信号至RFID模块,通过所述RFID模块获得试验样品的响应输出信号；
S2:通过所述响应输出信号基于NARMAX-FRF进行时域建模并进行频域特征提取；
S3:根据提取的频域特征获得响应函数G1以及对应的响应函数G1的特征参数；
S4：通过PCA分析法模型对不同状态下的响应函数G1的特征参数进行故障预测。
2.根据权利要求1所述的一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法，其特征在于，所述S1具体为：
对试验样品发射兰姆波信号，经过RFID读写器和数据采集系统分析后获得响应输出信号。
3.根据权利要求1或2所述一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法，其特征在于，所述S2包括：
S201:根据所述响应输出信号建立非线性差分方程：
y(t)＝f(y(t-1),…,y(t-ny),u(t-1),…,u(t-nu),ε(t-1),…,ε(t-nε))+ε(t)
其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；
S202:通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近
Figure FDA0002496551940000011
如下所示：
Figure FDA0002496551940000012
，
并改写为：
Figure FDA0002496551940000021
再进行频域特征提取，其中，预测误差为:
Figure FDA0002496551940000022
φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。
4.根据权利要求3所述一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法，其特征在于，所述频率响应函数G1为：
Figure FDA0002496551940000023
5.根据权利要求1所述的一种基于NARMAX-F、RF和PCA的智能诊断与预测故障方法，其特征在于，所述S4包括以下步骤：
S401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的，令随机向量的协方差矩阵x＝[x1,x2,…,xm]T为S，其特征值为λ1≥λ2≥λ3…λm≥0；
S402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：
Figure FDA0002496551940000024
其中，λi为协方差的特征值，m为变量个数；
S403:当发生故障时，SPE或T2明显超过控制极限；当系统正常运行时，SPE或T2都在控制范围内。
6.一种基于NARMAX-FRF和PCA的智能诊断与预测故障系统，其特征在于，包括:
数据获取模块，用于根据输入兰姆波信号至RFID模块,通过所述RFID模块获得试验样品的响应输出信号；
频域特征提取模块，用于根据所述响应输出信号基于NARMAX-FRF进行时域建模并进行频域特征提取；
特征参数获取模块，用于根据提取的频域特征获得响应函数G1以及对应的响应函数G1的特征参数；
故障预测模块：用于通过PCA模型对不同状态下的响应函数G1的特征参数进行故障检测预测。
7.根据权利要求6所述的一种基于NARMAX-FRF和PCA的智能诊断与预测故障系统，其特征在于，所述数据获取模块获取数据的具体过程为：
对试验样品发射兰姆波信号，经过RFID读写器和数据采集系统分析后获得响应输出信号。
8.根据权利要求6或7所述的一种基于NARMAX-FRF和PCA的智能诊断与预测故障系统，其特征在于，所述特征参数获取模块获取特征参数的的具体过程为：
S201:根据所述响应输出信号建立非线性差分方程：
y(t)＝f(y(t-1),K,y(t-ny),u(t-1),K,u(t-nu),ε(t-1),K,ε(t-nε))+ε(t)
其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；
S202:通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近
Figure FDA0002496551940000031
如下所示：
Figure FDA0002496551940000032
并改写为：
Figure FDA0002496551940000033
再进行频域特征提取，其中，预测误差为:
Figure FDA0002496551940000034
φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。
9.根据权利要求8所述的一种基于NARMAX-FRF和PCA的智能诊断与预测故障系统，其特征在于，所述特征参数获取模块中频率响应函数G1为:
Figure FDA0002496551940000041
10.根据权利要求9所述的一种基于NARMAX-FRF和PCA的智能诊断与预测故障系统，其特征在于，所述故障预测模块进行故障预测的具体过程为：
S401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的，令随机向量的协方差矩阵x＝[x1,x2,…,xm]T为S，其特征值为λ1≥λ2≥λ3…λm≥0；
S402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：
Figure FDA0002496551940000042
其中，λi为协方差的特征值，m为变量个数；
S403:当发生故障时，SPE或T2明显超过控制极限；当系统正常运行时，SPE或T2都在控制范围内。
CN202010420114.7A 2020-05-18 2020-05-18 一种基于narmax-frf和pca的智能诊断与预测故障方法及系统 Pending CN111709297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010420114.7A CN111709297A (zh) 2020-05-18 2020-05-18 一种基于narmax-frf和pca的智能诊断与预测故障方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010420114.7A CN111709297A (zh) 2020-05-18 2020-05-18 一种基于narmax-frf和pca的智能诊断与预测故障方法及系统

Publications (1)

Publication Number Publication Date
CN111709297A true CN111709297A (zh) 2020-09-25

Family

ID=72537654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010420114.7A Pending CN111709297A (zh) 2020-05-18 2020-05-18 一种基于narmax-frf和pca的智能诊断与预测故障方法及系统

Country Status (1)

Country Link
CN (1) CN111709297A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112540358A (zh) * 2020-12-02 2021-03-23 中国电子科技集团公司第三十八研究所 一种基于状态预测的功能自修复雷达系统
CN112729793A (zh) * 2020-12-24 2021-04-30 东北大学 基于非线性频谱分析的微弱故障特征提取方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103884359A (zh) * 2014-04-17 2014-06-25 哈尔滨工业大学 一种基于主元分析算法的卫星陀螺部件故障诊断方法
CN106980262A (zh) * 2017-03-21 2017-07-25 西安交通大学 基于核递归最小二乘算法的自适应飞行器鲁棒控制方法
CA2965340A1 (en) * 2016-05-11 2017-11-11 Mahmoud Ismail An enhanced system and method for conducting pca analysis on data signals
CN108446529A (zh) * 2018-06-22 2018-08-24 太原理工大学 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法
CN110274961A (zh) * 2019-04-24 2019-09-24 武汉工程大学 基于pec检测管道微观缺陷非线性声发射系统识别方法
CN111043050A (zh) * 2019-12-19 2020-04-21 武汉工程大学 一种离心泵故障诊断方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103884359A (zh) * 2014-04-17 2014-06-25 哈尔滨工业大学 一种基于主元分析算法的卫星陀螺部件故障诊断方法
CA2965340A1 (en) * 2016-05-11 2017-11-11 Mahmoud Ismail An enhanced system and method for conducting pca analysis on data signals
CN106980262A (zh) * 2017-03-21 2017-07-25 西安交通大学 基于核递归最小二乘算法的自适应飞行器鲁棒控制方法
CN108446529A (zh) * 2018-06-22 2018-08-24 太原理工大学 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法
CN110274961A (zh) * 2019-04-24 2019-09-24 武汉工程大学 基于pec检测管道微观缺陷非线性声发射系统识别方法
CN111043050A (zh) * 2019-12-19 2020-04-21 武汉工程大学 一种离心泵故障诊断方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
（芬）雷高阔；沈文浩: "《造纸过程控制与维护管理 中文版》", 北京：中国轻工业出版社, pages: 266 - 268 *
刘强;卓洁;郎自强;秦泗钊;: "数据驱动的工业过程运行监控与自优化研究展望", no. 11, pages 26 - 38 *
崔刚;张希营;: "基于主元分析的柱塞泵故障诊断方法", no. 03, pages 68 - 69 *
明廷锋: "基于小波-主成分分析的离心泵故障诊断方法", vol. 34, no. 6, pages 1190 - 1193 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112540358A (zh) * 2020-12-02 2021-03-23 中国电子科技集团公司第三十八研究所 一种基于状态预测的功能自修复雷达系统
CN112729793A (zh) * 2020-12-24 2021-04-30 东北大学 基于非线性频谱分析的微弱故障特征提取方法
CN112729793B (zh) * 2020-12-24 2021-09-28 东北大学 基于非线性频谱分析的微弱故障特征提取方法

Similar Documents

Publication Publication Date Title
Hu et al. Review of model-based and data-driven approaches for leak detection and location in water distribution systems
Chen et al. Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment
Song et al. Gas leak detection in galvanised steel pipe with internal flow noise using convolutional neural network
US7565262B2 (en) Bayesian sensor estimation for machine condition monitoring
Cai et al. A new fault detection method for non-Gaussian process based on robust independent component analysis
Vashishtha et al. A two-level adaptive chirp mode decomposition and tangent entropy in estimation of single-valued neutrosophic cross-entropy for detecting impeller defects in centrifugal pump
CN111709297A (zh) 一种基于narmax-frf和pca的智能诊断与预测故障方法及系统
Hayashi et al. Study of machine fault diagnosis system using neural networks
CN111043050A (zh) 一种离心泵故障诊断方法及系统
US11836617B2 (en) Techniques for analytical instrument performance diagnostics
Song et al. Some robust approaches based on copula for monitoring bivariate processes and component-wise assessment
Yu et al. Application of kernel density estimation in lamb wave-based damage detection
Quy et al. Pipeline leak detection using acoustic emission and state estimate in feature space
Kumar et al. Identification of inlet pipe blockage level in centrifugal pump over a range of speeds by deep learning algorithm using multi-source data
NO20181116A1 (en) Portable system for testing a valve in a process plant
CN113607817B (zh) 一种管道环焊缝检测方法、系统、电子设备及介质
Mustapha et al. Structural health monitoring of an annular component using a statistical approach
CN114722856A (zh) 管道损伤监测方法及装置
Yang et al. An incipient fault diagnosis methodology using local Mahalanobis distance: Fault isolation and fault severity estimation
Ye et al. Multi-variable classification model for valve internal leakage based on acoustic emission time–frequency domain characteristics and random forest
CN115436470A (zh) 一种管道裂纹精准定位方法、系统、终端及其存储介质
CN110274961A (zh) 基于pec检测管道微观缺陷非线性声发射系统识别方法
CN114896877A (zh) 一种管道泄漏判断方法、装置及系统
CN117906937B (zh) 一种水压试验方法、试验系统及存储介质
Wengang et al. Application of rough set theory to fault diagnosis of check valves in reciprocating pumps

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