CN112200048A - 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质 - Google Patents

一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质 Download PDF

Info

Publication number
CN112200048A
CN112200048A CN202011060798.0A CN202011060798A CN112200048A CN 112200048 A CN112200048 A CN 112200048A CN 202011060798 A CN202011060798 A CN 202011060798A CN 112200048 A CN112200048 A CN 112200048A
Authority
CN
China
Prior art keywords
sample data
data
regression model
fault
sample
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.)
Withdrawn
Application number
CN202011060798.0A
Other languages
English (en)
Inventor
付骏宇
刘立斌
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.)
Suzhou Rongsi Henghui Intelligent Technology Co ltd
Original Assignee
Suzhou Rongsi Henghui Intelligent Technology Co ltd
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 Suzhou Rongsi Henghui Intelligent Technology Co ltd filed Critical Suzhou Rongsi Henghui Intelligent Technology Co ltd
Priority to CN202011060798.0A priority Critical patent/CN112200048A/zh
Publication of CN112200048A publication Critical patent/CN112200048A/zh
Withdrawn legal-status Critical Current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
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质，包括：设定采样间隔时间，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，得到标准样本数据；通过大数据分析获取历史样本数据，并建立回归模型；将标准将本数据输入回归模型，得到多个故障预测样本；将多个故障预测样本进行相似度计算；将相似度小于预设阈值的样本数据进行归类，得到结果信息；通过结果信息进行设备故障诊断，得到故障信息；根据故障信息，生成提示信息，并发送至平台。

Description

一种基于回归模型的旋转设备故障预测方法、系统及可读存 储介质
技术领域
本发明涉及一种旋转设备故障诊断方法，尤其涉及一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质。
背景技术
现有的旋转设备故障诊断，仅仅是对旋转设备进行简单的振动信号的检测，并以此为依据对旋转设备状态进行评估，此种方式，监测的旋转设备故障诊断偏差较大，难以精确有效的确定旋转设备故障类型，此外在旋转设备运行过程中，其本身就具有一定的噪声，旋转设备本身的噪声也会相应的影响旋转设备故障的判断。
为了能够对旋转设备进行精准的故障诊断需要开发一款与其相匹配的系统进行控制，通过采集设备振动信号作为监测信号，并对振动信号进行固有时间尺度分解，提取旋转分量特征，进行旋转设备故障诊断，此种方法能够振动信号进行精准的判定设备故障程度以及通过三位空间均值聚类判断设备故障形式及故障面区域，诊断精度较高，如何对旋转设备故障诊断实现精准控制，是亟不可待要解决的问题。
发明内容
本发明克服了现有技术的不足，提供一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质。
为达到上述目的，本发明采用的技术方案为：一种基于回归模型的旋转设备故障预测方法，包括：
设定采样间隔时间，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，得到标准样本数据；
通过大数据分析获取历史样本数据，并建立回归模型；
将标准将本数据输入回归模型，得到多个故障预测样本；
将多个故障预测样本进行相似度计算；
将相似度小于预设阈值的样本数据进行归类，得到结果信息；
通过结果信息进行设备故障诊断，得到故障信息；
根据故障信息，生成提示信息，并发送至平台。
在本发明的一个较佳实施例中，设定采样间隔，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，具体包括：
采集设备振动信号，通过小波变化法对振动信号进行降噪处理；
提取振动信号产生的周期性脉冲信号，并计算脉冲信号幅值、频率；
对振动信号进行固有时间尺度分解，提取旋转分量特征；
根据脉冲信号提取振动信号的能量、峰值与持续时间三个特征；
利用三维空间均值聚类进行模式识别，结合粒子群算法进行故障诊断。
在本发明的一个较佳实施例中，采集设备状态信号，对设备状态信号进行预处理，
对多组样本数据分别提取特征向量；
将多组样本数据中处于同一频带区间内的信号进行归类，得到多个分向量；
将分向量进行标准平方和计算，获取样本数据变化趋势图及幅值曲线；
利用幅值偏离曲线及样本变化趋势图获取样本分布规律；
样本分布规律计算如下：
Figure BDA0002712301510000021
其中T表示样本数据协方差矩阵，t表示采样间隔时间，∧-1表示T矩阵的逆，M表示展开后T矩阵的列数，N表示展开后T矩阵的行数。
在本发明的一个较佳实施例中，不同采样时间间隔下的样本数据的误差为：
σ＝xt-teT,eT式中σ表示样本误差，xt表示t时刻下采集的样本数据，T表示样本数据协方差矩阵；
其中σ服从加权τ2分布，具体如下：
Figure BDA0002712301510000031
式中Q与R表示全部历史数据中对应t时刻下的数据统计量，λ表示与Q、R有关的系数，h表示加权分布的自由度，τ表示加权分布。
在本发明的一个较佳实施例中，通过大数据分析获取历史样本数据，并建立回归模型；具体包括：
将历史样本数据随机分为训练集与验证集；
对训练集内的样本数据进行分解筛选，提取因变量关联性强的自变量组合，建立样本点；
利用最小二乘法将所有样本点进行拟合，得到预测曲线，
通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线；
根据最佳拟合曲线建立回归方程；
将验证集内的样本数据输入回归方程，获取数据误差；
判断数据误差是否大于预设阈值；
若大于，则重复对样本数据进行分解筛选，并建立新的样本点，进行重建回归方程。
在本发明的一个较佳实施例中，将多个故障预测样本进行相似度计算；还包括：
采集不同时刻的样本数据，依据样本数据之间的相似度设定阈值；
记录小于阈值范围内的样本数据及对应的监测位置信息；
对样本数据以相似度为指标进行排序，按照相似度从大到小的方式进行排列，保持监测位置的一致性；
对排序后的样本数据进行分析，按照采样时间间隔进行样本数据选取；
当样本数据在同一采样间隔内波动差值大于波动阈值时；
放宽样本数据选取量，重新进行样本数据相似度排序。
本发明第二方面还提供了一种基于回归模型的旋转设备故障预测系统，该系统包括：存储器、处理器，所述存储器中包括基于回归模型的旋转设备故障预测方法程序，所述基于回归模型的旋转设备故障预测方法程序被所述处理器执行时实现如下步骤：设定采样间隔时间，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，得到标准样本数据；
通过大数据分析获取历史样本数据，并建立回归模型；
将标准将本数据输入回归模型，得到多个故障预测样本；
将多个故障预测样本进行相似度计算；
将相似度小于预设阈值的样本数据进行归类，得到结果信息；
通过结果信息进行设备故障诊断，得到故障信息；
根据故障信息，生成提示信息，并发送至平台。
在本发明的一个较佳实施例中，设定采样间隔，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，具体包括：
采集设备振动信号，通过小波变化法对振动信号进行降噪处理；
提取振动信号产生的周期性脉冲信号，并计算脉冲信号幅值、频率；
对振动信号进行固有时间尺度分解，提取旋转分量特征；
根据脉冲信号提取振动信号的能量、峰值与持续时间三个特征；
利用三维空间均值聚类进行模式识别，结合粒子群算法进行故障诊断。
在本发明的一个较佳实施例中，通过大数据分析获取历史样本数据，并建立回归模型；具体包括：
将历史样本数据随机分为训练集与验证集；
对训练集内的样本数据进行分解筛选，提取因变量关联性强的自变量组合，建立样本点；
利用最小二乘法将所有样本点进行拟合，得到预测曲线，
通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线；
根据最佳拟合曲线建立回归方程；
将验证集内的样本数据输入回归方程，获取数据误差；
判断数据误差是否大于预设阈值；
若大于，则重复对样本数据进行分解筛选，并建立新的样本点，进行重建回归方程。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于回归模型的旋转设备故障预测方法程序，所述基于回归模型的旋转设备故障预测方法程序被处理器执行时，实现上述任一项所述的基于回归模型的旋转设备故障预测方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
(1)通过采集设备振动信号作为监测信号，并对振动信号进行固有时间尺度分解，提取旋转分量特征，进行旋转设备故障诊断，此种方法能够振动信号进行精准的判定设备故障程度以及通过三位空间均值聚类判断设备故障形式及故障面区域，诊断精度较高。
(2)通过最小二乘法对样本点进行拟合，最佳拟合曲线，能够减小数据点之间的误差，提高诊断精度。
(3)通过对振动信号进行固有时间尺度分解，并提取旋转分量特征，然后利用三位空间距离进行模式识别，实现对振动信号多纬度分析，并对分析结果进行融合，剔除偏离较大的样本数据，提高诊断准确率。
(4)通过在机械设备不同位置安装振动传感器进行振动信号的监测，然后将监测数据随机分解成数据集与验证集，通过数据集进行回归方程的建立，然后通过验证集对回归方程进行验证，保证回归方程的准确性，提高多传感器下的故障诊断准确率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于回归模型的旋转设备故障预测方法的流程图；
图2示出了样本数据标准化处理方法流程图；
图3示出了设备状态信号预处理方法流程图；
图4示出了建立回归方程方法流程图；
图5示出了故障预测样本相似度计算方法流程图；
图6示出了一种基于回归模型的旋转设备故障预测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于回归模型的旋转设备故障预测方法的流程图。
如图1所示，本发明第一方面提供了一种基于回归模型的旋转设备故障预测方法，包括：
S102，设定采样间隔时间，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，得到标准样本数据；
S104，通过大数据分析获取历史样本数据，并建立回归模型；
S106，将标准将本数据输入回归模型，得到多个故障预测样本；
S108，将多个故障预测样本进行相似度计算；
S110，将相似度小于预设阈值的样本数据进行归类，得到结果信息；
S112，通过结果信息进行设备故障诊断，得到故障信息；
S114，根据故障信息，生成提示信息，并发送至平台。
需要说明的时，需要说明的是，获取设备振动数据可以通过在设备外壳不同位置设置振动传感器，通过监测设备不同位置处的振动信号作平均化处理，得到的振动信号更加具有参考性，采集到的不同时间节点的数据样本为一维特征，数据样本归一化成零均值和标准差为1的状态，此种方式能够减小不同时间节点的振动特征分布差异。
采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出，通过局部均值法能够将振动信号中的故障频率成分进行分割，从而进行单分量信号单独分析，且在对振动信号进行分提取过程中，能够有效的提取部分隐藏的故障特征，能够更加准确提取振动信号中的故障信息。
需要说明的是，获取设备振动数据可以通过在设备外壳不同位置设置振动传感器，通过监测设备不同位置处的振动信号作平均化处理，得到的振动信号更加具有参考性，采集到的不同时间节点的数据样本为一维特征，数据样本归一化成零均值和标准差为1的状态，此种方式能够减小不同时间节点的振动特征分布差异。
如图2所示，本发明公开了样本数据标准化处理方法流程图；
根据本发明实施例，设定采样间隔，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，具体包括：
S202，采集设备振动信号，通过小波变化法对振动信号进行降噪处理；
S204，提取振动信号产生的周期性脉冲信号，并计算脉冲信号幅值、频率；
S206，对振动信号进行固有时间尺度分解，提取旋转分量特征；
S208，根据脉冲信号提取振动信号的能量、峰值与持续时间三个特征；
S210，利用三维空间均值聚类进行模式识别，结合粒子群算法进行故障诊断。
需要说明的是，通过对振动信号进行固有时间尺度分解，并提取旋转分量特征，然后利用三位空间距离进行模式识别，实现对振动信号多纬度分析，并对分析结果进行融合，剔除偏离较大的样本数据，提高诊断准确率。
如图3所示，本发明公开了设备状态信号预处理方法流程图；
根据本发明实施例，S302，采集设备状态信号，对设备状态信号进行预处理，
S304，对多组样本数据分别提取特征向量；
S306，将多组样本数据中处于同一频带区间内的信号进行归类，得到多个分向量；
S308，将分向量进行标准平方和计算，获取样本数据变化趋势图及幅值曲线；
S310，利用幅值偏离曲线及样本变化趋势图获取样本分布规律；
样本分布规律计算如下：
Figure BDA0002712301510000091
其中T表示样本数据协方差矩阵，t表示采样间隔时间，∧-1表示T矩阵的逆，M表示展开后T矩阵的列数，N表示展开后T矩阵的行数。
根据本发明实施例，不同采样时间间隔下的样本数据的误差为：
σ＝xt-teT,eT式中σ表示样本误差，xt表示t时刻下采集的样本数据，T表示样本数据协方差矩阵；
其中σ服从加权τ2分布，具体如下：
Figure BDA0002712301510000092
式中Q与R表示全部历史数据中对应t时刻下的数据统计量，λ表示与Q、R有关的系数，h表示加权分布的自由度，τ表示加权分布。
如图4所示，本发明公开了建立回归方程方法流程图；
根据本发明实施例，通过大数据分析获取历史样本数据，并建立回归模型；具体包括：
S402，将历史样本数据随机分为训练集与验证集；
S404，对训练集内的样本数据进行分解筛选，提取因变量关联性强的自变量组合，建立样本点；
S406，利用最小二乘法将所有样本点进行拟合，得到预测曲线，
S408，通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线；
S410，根据最佳拟合曲线建立回归方程；
S412，将验证集内的样本数据输入回归方程，获取数据误差；
S414，判断数据误差是否大于预设阈值；
S416，若大于，则重复对样本数据进行分解筛选，并建立新的样本点，进行重建回归方程。
需要说明的是，通过在机械设备不同位置安装振动传感器进行振动信号的监测，然后将监测数据随机分解成数据集与验证集，通过数据集进行回归方程的建立，然后通过验证集对回归方程进行验证，保证回归方程的准确性，提高多传感器下的故障诊断准确率。
如图5所示，本发明公开了故障预测样本相似度计算方法流程图；
根据本发明实施例，将多个故障预测样本进行相似度计算；还包括：
S502，采集不同时刻的样本数据，依据样本数据之间的相似度设定阈值；
S504，记录小于阈值范围内的样本数据及对应的监测位置信息；
S506，对样本数据以相似度为指标进行排序，按照相似度从大到小的方式进行排列，保持监测位置的一致性；
S508，对排序后的样本数据进行分析，按照采样时间间隔进行样本数据选取；
S510，当样本数据在同一采样间隔内波动差值大于波动阈值时；
S512，放宽样本数据选取量，重新进行样本数据相似度排序。
根据本发明实施例，获取设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；
对振动信号进行重叠区域分段截取，增加信号宽度；
通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；
将结果信息进行频谱分析，得到故障信息；
故障模型为卷积神经网络模型。
需要说明的是，通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过图像识别振动数据，进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。
需要说明的是，卷积神经网络通过采用误差反向传播算法进行参数训练，神经网络的激活函数为
Figure BDA0002712301510000111
其中y表示激活函数的输出，x表示激活函数的输入，由此可知y的取值范围区间为[0,1]。
需要说明的是，旋转设备故障信息包括故障类型、旋转设备偏轴、轴心不对称、轴面磨损等，旋转设备不同故障类型的识别方法如下：
将采集到的旋转设备振动信号随即划分为训练集和测试集，对所有数据通过局部均值法分解成若干个单分量信号；
选出n个单分量信号，计算出n个单分量信号的均值，形成特征向量，
将基于训练集得到的特征向量输入到卷积神经网络模型中进行训练，得到故障识别模型，然后将基于测试集得到的特征向量输入到故障识别模型中进行故障类型识别，通过此种方式能够提高故障识别精度及快速性。
如图6所示，本发明公开了基于回归模型的旋转设备故障预测系统框图；
本发明第二方面还提供了一种基于回归模型的旋转设备故障预测系统，该系统包括：存储器、处理器，存储器中包括基于回归模型的旋转设备故障预测方法程序，基于回归模型的旋转设备故障预测方法程序被处理器执行时实现如下步骤：设定采样间隔时间，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，得到标准样本数据；
通过大数据分析获取历史样本数据，并建立回归模型；
将标准将本数据输入回归模型，得到多个故障预测样本；
将多个故障预测样本进行相似度计算；
将相似度小于预设阈值的样本数据进行归类，得到结果信息；
通过结果信息进行设备故障诊断，得到故障信息；
根据故障信息，生成提示信息，并发送至平台。
需要说明的是，获取设备振动数据可以通过在设备外壳不同位置设置振动传感器，通过监测设备不同位置处的振动信号作平均化处理，得到的振动信号更加具有参考性，采集到的不同时间节点的数据样本为一维特征，数据样本归一化成零均值和标准差为1的状态，此种方式能够减小不同时间节点的振动特征分布差异。
采集设备振动信号，通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和，单分量信号包括一个包络信号与一个调频信号的乘积，其瞬时幅值对应包络信号，瞬时频率由对应的调频函数求出，通过局部均值法能够将振动信号中的故障频率成分进行分割，从而进行单分量信号单独分析，且在对振动信号进行分提取过程中，能够有效的提取部分隐藏的故障特征，能够更加准确提取振动信号中的故障信息。
需要说明的是，获取设备振动数据可以通过在设备外壳不同位置设置振动传感器，通过监测设备不同位置处的振动信号作平均化处理，得到的振动信号更加具有参考性，采集到的不同时间节点的数据样本为一维特征，数据样本归一化成零均值和标准差为1的状态，此种方式能够减小不同时间节点的振动特征分布差异。
根据本发明实施例，设定采样间隔，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，具体包括：
采集设备振动信号，通过小波变化法对振动信号进行降噪处理；
提取振动信号产生的周期性脉冲信号，并计算脉冲信号幅值、频率；
对振动信号进行固有时间尺度分解，提取旋转分量特征；
根据脉冲信号提取振动信号的能量、峰值与持续时间三个特征；
利用三维空间均值聚类进行模式识别，结合粒子群算法进行故障诊断。
需要说明的是，通过对振动信号进行固有时间尺度分解，并提取旋转分量特征，然后利用三位空间距离进行模式识别，实现对振动信号多纬度分析，并对分析结果进行融合，剔除偏离较大的样本数据，提高诊断准确率。
根据本发明实施例，通过大数据分析获取历史样本数据，并建立回归模型；具体包括：
将历史样本数据随机分为训练集与验证集；
对训练集内的样本数据进行分解筛选，提取因变量关联性强的自变量组合，建立样本点；
利用最小二乘法将所有样本点进行拟合，得到预测曲线，
通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线；
根据最佳拟合曲线建立回归方程；
将验证集内的样本数据输入回归方程，获取数据误差；
判断数据误差是否大于预设阈值；
若大于，则重复对样本数据进行分解筛选，并建立新的样本点，进行重建回归方程。
需要说明的是，通过在机械设备不同位置安装振动传感器进行振动信号的监测，然后将监测数据随机分解成数据集与验证集，通过数据集进行回归方程的建立，然后通过验证集对回归方程进行验证，保证回归方程的准确性，提高多传感器下的故障诊断准确率。
根据本发明实施例，采集设备状态信号，对设备状态信号进行预处理，
对多组样本数据分别提取特征向量；
将多组样本数据中处于同一频带区间内的信号进行归类，得到多个分向量；
将分向量进行标准平方和计算，获取样本数据变化趋势图及幅值曲线；
利用幅值偏离曲线及样本变化趋势图获取样本分布规律；
样本分布规律计算如下：
Figure BDA0002712301510000141
其中T表示样本数据协方差矩阵，t表示采样间隔时间，∧-1表示T矩阵的逆，M表示展开后T矩阵的列数，N表示展开后T矩阵的行数。
根据本发明实施例，不同采样时间间隔下的样本数据的误差为：
σ＝xt-teT,eT式中σ表示样本误差，xt表示t时刻下采集的样本数据，T表示样本数据协方差矩阵；
其中σ服从加权τ2分布，具体如下：
Figure BDA0002712301510000142
式中Q与R表示全部历史数据中对应t时刻下的数据统计量，λ表示与Q、R有关的系数，h表示加权分布的自由度，τ表示加权分布。
根据本发明实施例，将多个故障预测样本进行相似度计算；还包括：
采集不同时刻的样本数据，依据样本数据之间的相似度设定阈值；
记录小于阈值范围内的样本数据及对应的监测位置信息；
对样本数据以相似度为指标进行排序，按照相似度从大到小的方式进行排列，保持监测位置的一致性；
对排序后的样本数据进行分析，按照采样时间间隔进行样本数据选取；
当样本数据在同一采样间隔内波动差值大于波动阈值时；
放宽样本数据选取量，重新进行样本数据相似度排序。
根据本发明实施例，获取设备振动信号，对振动信号进行降噪处理，并提取振动信号频域特征；
对振动信号进行重叠区域分段截取，增加信号宽度；
通过网络模型对振动信号进行迭代，直至收敛，得到结果信息；
将结果信息进行频谱分析，得到故障信息；
故障模型为卷积神经网络模型。
需要说明的是，通过卷积神经网络模型能够克服噪声干扰，将不同故障信号进行特征提取与信息融合，并通过图像识别振动数据，进行神经网络模型的训练，提高故障诊断准确率，针对振动信号数据点较多，计算量较大时，通过卷积神经网络模型能够提高诊断速度，并提高稳定性。
需要说明的是，卷积神经网络通过采用误差反向传播算法进行参数训练，神经网络的激活函数为
Figure BDA0002712301510000151
其中y表示激活函数的输出，x表示激活函数的输入，由此可知y的取值范围区间为[0,1]。
需要说明的是，旋转设备故障信息包括故障类型、旋转设备偏轴、轴心不对称、轴面磨损等，旋转设备不同故障类型的识别方法如下：
将采集到的旋转设备振动信号随即划分为训练集和测试集，对所有数据通过局部均值法分解成若干个单分量信号；
选出n个单分量信号，计算出n个单分量信号的均值，形成特征向量，
将基于训练集得到的特征向量输入到卷积神经网络模型中进行训练，得到故障识别模型，然后将基于测试集得到的特征向量输入到故障识别模型中进行故障类型识别，通过此种方式能够提高故障识别精度及快速性。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括基于回归模型的旋转设备故障预测方法程序，基于回归模型的旋转设备故障预测方法程序被处理器执行时，实现上述任一项的基于回归模型的旋转设备故障预测方法的步骤。
通过采集设备振动信号作为监测信号，并对振动信号进行固有时间尺度分解，提取旋转分量特征，进行旋转设备故障诊断，此种方法能够振动信号进行精准的判定设备故障程度以及通过三位空间均值聚类判断设备故障形式及故障面区域，诊断精度较高。
通过最小二乘法对样本点进行拟合，最佳拟合曲线，能够减小数据点之间的误差，提高诊断精度。
通过对振动信号进行固有时间尺度分解，并提取旋转分量特征，然后利用三位空间距离进行模式识别，实现对振动信号多纬度分析，并对分析结果进行融合，剔除偏离较大的样本数据，提高诊断准确率。
通过在机械设备不同位置安装振动传感器进行振动信号的监测，然后将监测数据随机分解成数据集与验证集，通过数据集进行回归方程的建立，然后通过验证集对回归方程进行验证，保证回归方程的准确性，提高多传感器下的故障诊断准确率。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于回归模型的旋转设备故障预测方法，其特征在于，包括：
设定采样间隔时间，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，得到标准样本数据；
通过大数据分析获取历史样本数据，并建立回归模型；
将标准将本数据输入回归模型，得到多个故障预测样本；
将多个故障预测样本进行相似度计算；
将相似度小于预设阈值的样本数据进行归类，得到结果信息；
通过结果信息进行设备故障诊断，得到故障信息；
根据故障信息，生成提示信息，并发送至平台。
2.根据权利要求1所述的一种基于回归模型的旋转设备故障预测方法，其特征在于，设定采样间隔，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，具体包括：
采集设备振动信号，通过小波变化法对振动信号进行降噪处理；
提取振动信号产生的周期性脉冲信号，并计算脉冲信号幅值、频率；
对振动信号进行固有时间尺度分解，提取旋转分量特征；
根据脉冲信号提取振动信号的能量、峰值与持续时间三个特征；
利用三维空间均值聚类进行模式识别，结合粒子群算法进行故障诊断。
3.根据权利要求2所述的一种基于回归模型的旋转设备故障预测方法，其特征在于：采集设备状态信号，对设备状态信号进行预处理，
对多组样本数据分别提取特征向量；
将多组样本数据中处于同一频带区间内的信号进行归类，得到多个分向量；
将分向量进行标准平方和计算，获取样本数据变化趋势图及幅值曲线；
利用幅值偏离曲线及样本变化趋势图获取样本分布规律；
样本分布规律计算如下：
Figure FDA0002712301500000021
其中T表示样本数据协方差矩阵，t表示采样间隔时间，∧-1表示T矩阵的逆，M表示展开后T矩阵的列数，N表示展开后T矩阵的行数。
4.根据权利要求3所述的一种基于回归模型的旋转设备故障预测方法，其特征在于：不同采样时间间隔下的样本数据的误差为：
σ＝xt-teT,eT式中σ表示样本误差，xt表示t时刻下采集的样本数据，T表示样本数据协方差矩阵；
其中σ服从加权τ2分布，具体如下：
Figure FDA0002712301500000022
式中Q与R表示全部历史数据中对应t时刻下的数据统计量，λ表示与Q、R有关的系数，h表示加权分布的自由度，τ表示加权分布。
5.根据权利要求1所述的一种基于回归模型的旋转设备故障预测方法，其特征在于：通过大数据分析获取历史样本数据，并建立回归模型；具体包括：
将历史样本数据随机分为训练集与验证集；
对训练集内的样本数据进行分解筛选，提取因变量关联性强的自变量组合，建立样本点；
利用最小二乘法将所有样本点进行拟合，得到预测曲线，
通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线；
根据最佳拟合曲线建立回归方程；
将验证集内的样本数据输入回归方程，获取数据误差；
判断数据误差是否大于预设阈值；
若大于，则重复对样本数据进行分解筛选，并建立新的样本点，进行重建回归方程。
6.根据权利要求5所述的一种基于回归模型的旋转设备故障预测方法，其特征在于：将多个故障预测样本进行相似度计算；还包括：
采集不同时刻的样本数据，依据样本数据之间的相似度设定阈值；
记录小于阈值范围内的样本数据及对应的监测位置信息；
对样本数据以相似度为指标进行排序，按照相似度从大到小的方式进行排列，保持监测位置的一致性；
对排序后的样本数据进行分析，按照采样时间间隔进行样本数据选取；
当样本数据在同一采样间隔内波动差值大于波动阈值时；
放宽样本数据选取量，重新进行样本数据相似度排序。
7.一种基于回归模型的旋转设备故障预测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于回归模型的旋转设备故障预测方法程序，所述基于回归模型的旋转设备故障预测方法程序被所述处理器执行时实现如下步骤：
设定采样间隔时间，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，得到标准样本数据；
通过大数据分析获取历史样本数据，并建立回归模型；
将标准将本数据输入回归模型，得到多个故障预测样本；
将多个故障预测样本进行相似度计算；
将相似度小于预设阈值的样本数据进行归类，得到结果信息；
通过结果信息进行设备故障诊断，得到故障信息；
根据故障信息，生成提示信息，并发送至平台。
8.根据权利要求7所述的一种基于回归模型的旋转设备故障预测系统，其特征在于：设定采样间隔，生成不同时间节点的多组样本数据，对多组样本数据进行标准化处理，具体包括：
采集设备振动信号，通过小波变化法对振动信号进行降噪处理；
提取振动信号产生的周期性脉冲信号，并计算脉冲信号幅值、频率；
对振动信号进行固有时间尺度分解，提取旋转分量特征；
根据脉冲信号提取振动信号的能量、峰值与持续时间三个特征；
利用三维空间均值聚类进行模式识别，结合粒子群算法进行故障诊断。
9.根据权利要求7所述的一种基于回归模型的旋转设备故障预测系统，其特征在于：
通过大数据分析获取历史样本数据，并建立回归模型；具体包括：
将历史样本数据随机分为训练集与验证集；
对训练集内的样本数据进行分解筛选，提取因变量关联性强的自变量组合，建立样本点；
利用最小二乘法将所有样本点进行拟合，得到预测曲线，
通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线；
根据最佳拟合曲线建立回归方程；
将验证集内的样本数据输入回归方程，获取数据误差；
判断数据误差是否大于预设阈值；
若大于，则重复对样本数据进行分解筛选，并建立新的样本点，进行重建回归方程。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括基于回归模型的旋转设备故障预测方法程序，所述基于回归模型的旋转设备故障预测方法程序被处理器执行时，实现如权利要求1至6中任一项所述的基于回归模型的旋转设备故障预测方法的步骤。
CN202011060798.0A 2020-09-30 2020-09-30 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质 Withdrawn CN112200048A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011060798.0A CN112200048A (zh) 2020-09-30 2020-09-30 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011060798.0A CN112200048A (zh) 2020-09-30 2020-09-30 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质

Publications (1)

Publication Number Publication Date
CN112200048A true CN112200048A (zh) 2021-01-08

Family

ID=74012523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011060798.0A Withdrawn CN112200048A (zh) 2020-09-30 2020-09-30 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN112200048A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086876A (zh) * 2018-09-21 2018-12-25 广州发展集团股份有限公司 设备的运行状态检测方法、装置、计算机设备和存储介质
CN113898334A (zh) * 2021-10-14 2022-01-07 辽宁弘毅科技有限公司 一种抽油机井多功能综合测试仪参数智能分析方法及系统
CN115246081A (zh) * 2022-06-02 2022-10-28 淮阴工学院 一种快速和可靠的铣削颤振检测方法
CN115654208A (zh) * 2022-10-19 2023-01-31 北京好利阀业集团有限公司 一种基于图像识别的调节阀开度监测方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086876A (zh) * 2018-09-21 2018-12-25 广州发展集团股份有限公司 设备的运行状态检测方法、装置、计算机设备和存储介质
CN113898334A (zh) * 2021-10-14 2022-01-07 辽宁弘毅科技有限公司 一种抽油机井多功能综合测试仪参数智能分析方法及系统
CN113898334B (zh) * 2021-10-14 2023-09-05 辽宁弘毅科技有限公司 一种抽油机井多功能综合测试仪参数智能分析方法及系统
CN115246081A (zh) * 2022-06-02 2022-10-28 淮阴工学院 一种快速和可靠的铣削颤振检测方法
CN115246081B (zh) * 2022-06-02 2023-08-25 淮阴工学院 一种快速和可靠的铣削颤振检测方法
CN115654208A (zh) * 2022-10-19 2023-01-31 北京好利阀业集团有限公司 一种基于图像识别的调节阀开度监测方法及系统
CN115654208B (zh) * 2022-10-19 2023-05-23 北京好利阀业集团有限公司 一种基于图像识别的调节阀开度监测方法及系统

Similar Documents

Publication Publication Date Title
CN112200048A (zh) 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质
CN109916628B (zh) 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法
CN112819207B (zh) 基于相似性度量的地质灾害空间预测方法、系统及存储介质
CN112527604A (zh) 一种基于深度学习的运维检测方法、系统、电子设备及介质
CN106778908A (zh) 一种新异类检测方法与装置
Zaccarelli et al. Anomaly detection in seismic data–metadata using simple machine‐learning models
CN116861331A (zh) 一种融合专家模型决策的数据识别方法及系统
CN116756594A (zh) 一种电网数据异常点检测方法、系统、设备及介质
CN117368651B (zh) 一种配电网故障综合分析系统及方法
CN111091194B (zh) 一种基于cavwnb_kl算法的操作系统识别方法
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
CN116662186A (zh) 基于逻辑回归的日志回放断言方法及其装置、电子设备
CN116610990A (zh) 一种基于特征空间差异化的断路器隐患识别方法及装置
CN116595465A (zh) 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统
CN115982566A (zh) 一种水电机组多通道故障诊断方法
CN112232419A (zh) 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质
CN114819777A (zh) 一种基于数字孪生技术的企业销售业务分析管理系统
CN115236272A (zh) 多工况条件下的气体传感器故障诊断方法、装置及存储介质
CN114580472A (zh) 工业互联网中因果与注意力并重的大型设备故障预测方法
CN117131425B (zh) 一种基于反馈数据的数控机床加工状态监测方法及系统
CN115905372B (zh) 一种用于核电配电柜的抗震结构分析方法及系统
CN114513374B (zh) 一种基于人工智能的网络安全威胁识别方法及系统
CN116660761B (zh) 一种锂离子电池检测方法及系统
CN115831339B (zh) 基于深度学习的医疗系统风险管控事前预测方法、系统
CN115902814B (zh) 基于信息空间度量的目标识别模型性能评估方法和装置

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210108

WW01 Invention patent application withdrawn after publication