CN112380782A - 一种基于混合指标和神经网络的旋转设备故障预测方法 - Google Patents
一种基于混合指标和神经网络的旋转设备故障预测方法 Download PDFInfo
- Publication number
- CN112380782A CN112380782A CN202011418859.6A CN202011418859A CN112380782A CN 112380782 A CN112380782 A CN 112380782A CN 202011418859 A CN202011418859 A CN 202011418859A CN 112380782 A CN112380782 A CN 112380782A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- data
- characteristic quantity
- historical
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种基于混合指标和神经网络的旋转设备故障预测方法,解决如何降低成本并提高故障预测精度的技术问题,采集旋转类设备的历史故障数据,并对历史故障数据进行归一化处理以统一数量级;构建训练样本集:归一化后的历史故障数据作为输入向量,提取历史故障数据的故障特征量作为参考输出向量;利用训练样本集对神经网络进行训练,输入待测故障数据到训练完成后的神经网络中,获取故障特征量;根据各个故障特征量在故障预测类型中的权重系数选择故障特征量进行组合,计算各个故障特征量与相应的未发生故障的标准特征量之间的加权距离,计算加权距离的均值得到混合指标,若混合指标超过距离阈值范围,则预测发生故障。
Description
技术领域
本发明涉及旋转类设备故障预测技术领域。
背景技术
旋转类设备故障诊断方法可以分为两类:基于模型的方法和基于数据的方法。基于模型的诊断是系统基于构建模型的一组规则评估观察结果,基于模型的方法需要对系统进行详细的数学建模,并对故障的物理现象有一定的了解。例如小波变换和自适应滤波器等先进的信号处理技术,已被证明在及时检测出与缺陷相关的特征频率很有用。但是,在缺少某些特征谐波或特征的情况下并不能保证设备是绝对正常的。
另一方面,以数据为依据的诊断方法主要基于历史数据信息,并由观测值本身来确定。基于数据驱动诊断是近年来应用最广泛的方法,例如,在电流信号分析中使用人工神经网络进行电机故障检测,使用卷积神经网络和决策树分类在故障预测中也有广泛应用。
目前现有技术虽然一定程度上能够判断旋转类设备状态是否正常,但目前监测仍旧存在的问题在于检测精度不够高,需增加其他检测设备,预测成本高昂等等。因此如何探索一种预测精度高、易于检测、成本低廉的在线监测方法,这是本领域亟待解决的技术问题。
发明内容
针对上述技术的不足,本发明提供了一种基于混合推理和神经网络的旋转设备故障预测方法,解决如何降低成本并提高故障预测精度的技术问题。
为解决上述技术问题,本发明提供一种基于混合推理和神经网络的旋转设备故障预测方法, 包括以下步骤:
采集旋转类设备的历史故障数据,并对历史故障数据进行归一化处理以统一数量级;
构建训练样本集:归一化后的历史故障数据作为输入向量,提取历史故障数据的故障特征量作为参考输出向量;
利用训练样本集对神经网络进行训练,使得训练完成后的神经网络具备根据故障数据提取故障特征量的能力;
输入待测故障数据到训练完成后的神经网络中,获取故障特征量;
根据各个故障特征量在故障预测类型中的权重系数选择故障特征量进行组合,计算所述组合中的各个故障特征量与相应的未发生故障的标准特征量之间的加权距离,计算加权距离的均值得到混合指标,若混合指标超过距离阈值范围,则预测发生故障。
与现有技术相比,本发明具有的优点包括:
1、本发明按照权重线性占比对故障特征量重新组合,得到故障预测综合评判指标,提高了故障预测的精确度。
2、本发明依赖算法实现故障预测,不需要增加额外设备,降低了成本。
具体实施方式
一种基于混合指标和神经网络的旋转设备故障预测方法,包括以下步骤:
①采集旋转类设备的历史故障数据,并对历史故障数据进行归一化处理以统一数量级。
通过SCADA系统采集某一旋转设备正常状态和故障状态的历史运行数据,对采集的数据进行筛选。在数据处理方面,因为各个运行参数的数量级相差较大,为了准确预测相应故障,需要进行归一化处理,把所有运行参数的范围限定在[0,1]之间,采用线性转化函数进行归一化处理。本具体实施方式中,历史故障数据包括温度、噪声、振动与轴心位置数据。
历史数据包括故障类型数据和旋转设备状态数据,故障类型数据:保持架故障、径向摩擦、内圈故障、外圈故障、滚动体故障、不平衡、不对中等。旋转设备状态数据:温度、噪声、振动与轴心位置数据等。
②构建训练样本集:归一化后的历史故障数据作为输入向量,提取历史故障数据的故障特征量作为参考输出向量。
对旋转设备关键部件的故障进行特征选择,通过分析故障特征量的变化趋势来判断机组是否存在故障隐患,故障特征选择的方法没有局限,依据本发明,只要能得到各个参数对特定故障敏感程度的定量值,就可以应用本发明的综合判定指标计算方法。
故障特征的选择总的原则是:在选择参量尽量少的前提下,依据权重选择能够反映故障类型的主要参量。本具体实施方式中,在选择故障特征量尽量少的前提下,依据权重大小选择故障特征量:剔除掉权重系数小于0.5的故障特征量。
③利用训练样本集对LSSVM神经网络进行训练,使得训练完成后的LSSVM神经网络具备根据故障数据提取故障特征量的能力。
LSSVM是目前应用十分广泛的非线性映射算法,主要体现在分类、回归方面。 故障预测是在回归的基础上实现的。首先建立正常的LSSVM计算网络:输入样本集对模型进行训练。参考输出向量用于验证神经网络的训练效果,如训练过程中的输出向量与参考输出向量的误差符合要求,则可以停止训练。
④输入待测故障数据到训练完成后的LSSVM神经网络中,获取故障特征量。
本具体实施方式中,故障特征量包括温度均值、温度峰值、温升、噪声声强、噪声声压、噪声粗糙度、噪声频谱,振动速度时域均值和频谱、振动加速度时域均值和频谱、轴心轨迹。
⑤根据各个故障特征量在故障预测类型中的权重系数选择故障特征量进行组合,计算所述组合中的各个故障特征量与相应的未发生故障的标准特征量之间的加权距离,计算加权距离的均值得到混合指标,若混合指标超过距离阈值范围,则预测发生故障。
由于是多参数故障预测,因此有必要对各个故障特征参量进行有效组合,从而得到组合判定指标。以多个故障特征量作为输出观测向量,通过计算其与标准特征量的距离来判断机组状态,同时在计算距离时加入故障特征量权重系数,即故障特征量与相应的未发生故障的标准特征量的距离乘以权重系数以得到加权距离。
Claims (5)
1.一种基于混合指标和神经网络的旋转设备故障预测方法,其特征在于,包括以下步骤:
采集旋转类设备的历史故障数据,并对历史故障数据进行归一化处理以统一数量级;
构建训练样本集:归一化后的历史故障数据作为输入向量,提取历史故障数据的故障特征量作为参考输出向量;
利用训练样本集对神经网络进行训练,使得训练完成后的神经网络具备根据故障数据提取故障特征量的能力;
输入待测故障数据到训练完成后的神经网络中,获取故障特征量;
根据各个故障特征量在故障预测类型中的权重系数选择故障特征量进行组合,计算所述组合中的各个故障特征量与相应的未发生故障的标准特征量之间的加权距离,计算加权距离的均值得到混合指标,若混合指标超过距离阈值范围,则预测发生故障。
2.根据权利要求1所述的基于混合指标和神经网络的旋转设备故障预测方法,其特征在于,历史故障数据包括温度、噪声、振动与轴心位置数据。
3.根据权利要求2所述的基于混合指标和神经网络的旋转设备故障预测方法,其特征在于,故障特征量包括温度均值、温度峰值、温升、噪声声强、噪声声压、噪声粗糙度、噪声频谱,振动速度时域均值和频谱、振动加速度时域均值和频谱、轴心轨迹。
4.根据权利要求1所述的基于混合指标和神经网络的旋转设备故障预测方法,其特征在于,采用LSSVM神经网络。
5.根据权利要求1所述的基于混合指标和神经网络的旋转设备故障预测方法,其特征在于,在选择故障特征量尽量少的前提下,依据权重大小选择故障特征量:剔除掉权重系数小于0.5的故障特征量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011418859.6A CN112380782A (zh) | 2020-12-07 | 2020-12-07 | 一种基于混合指标和神经网络的旋转设备故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011418859.6A CN112380782A (zh) | 2020-12-07 | 2020-12-07 | 一种基于混合指标和神经网络的旋转设备故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112380782A true CN112380782A (zh) | 2021-02-19 |
Family
ID=74590348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011418859.6A Pending CN112380782A (zh) | 2020-12-07 | 2020-12-07 | 一种基于混合指标和神经网络的旋转设备故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380782A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408718A (zh) * | 2021-06-07 | 2021-09-17 | 厦门美图之家科技有限公司 | 设备处理器选择方法、系统、终端设备及存储介质 |
CN117310353A (zh) * | 2023-11-30 | 2023-12-29 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及系统 |
CN113408718B (zh) * | 2021-06-07 | 2024-05-31 | 厦门美图之家科技有限公司 | 设备处理器选择方法、系统、终端设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学(保定) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
US20160350194A1 (en) * | 2015-05-27 | 2016-12-01 | Tata Consultancy Services Limited | Artificial intelligence based health management of host system |
CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 |
CN108614548A (zh) * | 2018-04-03 | 2018-10-02 | 北京理工大学 | 一种基于多模态融合深度学习的智能故障诊断方法 |
CN108844735A (zh) * | 2018-06-22 | 2018-11-20 | 上海电力学院 | 基于卷积编码器和闵式距离的行星齿轮箱故障检测方法 |
CN111639678A (zh) * | 2020-05-08 | 2020-09-08 | 西安工业大学 | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 |
-
2020
- 2020-12-07 CN CN202011418859.6A patent/CN112380782A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350194A1 (en) * | 2015-05-27 | 2016-12-01 | Tata Consultancy Services Limited | Artificial intelligence based health management of host system |
CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学(保定) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 |
CN108614548A (zh) * | 2018-04-03 | 2018-10-02 | 北京理工大学 | 一种基于多模态融合深度学习的智能故障诊断方法 |
CN108844735A (zh) * | 2018-06-22 | 2018-11-20 | 上海电力学院 | 基于卷积编码器和闵式距离的行星齿轮箱故障检测方法 |
CN111639678A (zh) * | 2020-05-08 | 2020-09-08 | 西安工业大学 | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 |
Non-Patent Citations (2)
Title |
---|
张娜: "基于多特征的模拟电路故障预测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
煤炭工业职业技能鉴定指导中心: "《采掘电钳工》", 31 May 2017, 北京:煤炭工业出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408718A (zh) * | 2021-06-07 | 2021-09-17 | 厦门美图之家科技有限公司 | 设备处理器选择方法、系统、终端设备及存储介质 |
CN113408718B (zh) * | 2021-06-07 | 2024-05-31 | 厦门美图之家科技有限公司 | 设备处理器选择方法、系统、终端设备及存储介质 |
CN117310353A (zh) * | 2023-11-30 | 2023-12-29 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及系统 |
CN117310353B (zh) * | 2023-11-30 | 2024-02-09 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Helmi et al. | Rolling bearing fault detection of electric motor using time domain and frequency domain features extraction and ANFIS | |
Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
Ertunc et al. | ANN-and ANFIS-based multi-staged decision algorithm for the detection and diagnosis of bearing faults | |
CN109211548A (zh) | 一种机械故障诊断方法 | |
CN109033930B (zh) | 基于故障机理和统计模型在线学习的设备故障诊断方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
Yang et al. | Intelligent diagnosis of rotating machinery faults-a review | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN114184367A (zh) | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN112686279B (zh) | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
Liu et al. | An Interpretable Multiplication-Convolution Network for Equipment Intelligent Edge Diagnosis | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
Morgan et al. | Predicting future states with $ n $-dimensional Markov chains for fault diagnosis | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
Zhao et al. | Fault Diagnosis of Rolling Bearings based on GA-SVM model | |
Latuny | A sensitivity comparison of Neuro-fuzzy feature extraction methods from bearing failure signals | |
CN117268535B (zh) | 一种基于振动数据的电机转轴状态监测方法 | |
CN117786549A (zh) | 基于组合赋权法的减速机健康状态评估方法、系统、设备及介质 | |
Wang et al. | Intelligent diagnosis methods for plant machinery | |
Liao et al. | Bearing Remaining Useful Life Prediction Using FNN-based Feature Principal Component and GRNN |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |