CN112651147B - 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法 - Google Patents

基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法 Download PDF

Info

Publication number
CN112651147B
CN112651147B CN202011035542.4A CN202011035542A CN112651147B CN 112651147 B CN112651147 B CN 112651147B CN 202011035542 A CN202011035542 A CN 202011035542A CN 112651147 B CN112651147 B CN 112651147B
Authority
CN
China
Prior art keywords
damage
index
support vector
vector machine
data
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.)
Active
Application number
CN202011035542.4A
Other languages
English (en)
Other versions
CN112651147A (zh
Inventor
马慧
李婉青
宿浩
张赟
张静
姜雪娜
周瀚阁
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202011035542.4A priority Critical patent/CN112651147B/zh
Publication of CN112651147A publication Critical patent/CN112651147A/zh
Application granted granted Critical
Publication of CN112651147B publication Critical patent/CN112651147B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及海洋平台故障诊断技术领域，且公开了基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，包括以下步骤：S1：数据获取，通过ANSYS软件对导管架海洋平台进行仿真，提取加速度响应数据；S2：信号处理，利用HHT对结构的响应信号进行处理，作为损伤识别指标；S3：PCA分析，利用主成分分析(PCA)对步骤2中得到的用于诊断损伤程度的指标进行处理；S4：损伤判断。本发明结合了HHT和SVM方法，恰当的损伤特征的选取帮助实现了损伤类别和位置的识别，同时可以进行损伤程度的预测，引入了PCA，实现对原始数据的降维，不仅提高了处理速度，并且充分发挥支持向量机处理小样本数据的优势，还可以提高损伤识别的准确率。

Description

基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法
技术领域
本发明涉及海洋平台故障诊断技术领域，具体为基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法。
背景技术
海洋平台作为采油、勘探等多项活动的载体，其可靠性和稳定性是至关重要的，因为其处于极其复杂的环境中，故障频频发生，因此，海洋平台的故障诊断变得极为必要，海洋平台长期处在复杂的存在噪声的工况下，导致从数据中提取损伤特征较为困难。
传统的故障诊断方法，如声学等，比较适合小型仪器的损伤检测，具有费用高、耗时长的缺点，很难应用于如海洋平台的大型结构，大型的设备进行检测时需要对初始信号进行处理得到时域和频域损伤特征后，使用不同的机器学习方法作为分类器对损伤进行分类，包括神经网络、支持向量机等，但是，神经网络存在收敛速度慢、所需训练样本数量多的缺点，不能满足人们的要求。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，主要为解决一般的海洋平台故障检测方法检测计算程度复杂，精度低，不能满足人们的要求的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：
基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，包括以下步骤：
S1：数据获取，通过ANSYS软件对导管架海洋平台进行仿真，提取加速度响应数据；
S2：信号处理，利用HHT对结构的响应信号进行处理，作为损伤识别指标；
S3：PCA分析，利用主成分分析(PCA)对步骤2中得到的用于诊断损伤程度的指标进行处理；
S4：损伤判断，将指标输入到支持向量机，然后根据支持向量机的输出进行损伤判断，如果判定为损伤则进行下一步，判定为未损伤则直接结束；
S5：损伤类别判断，上一步判定为损伤后，将损伤类别E输入到SVM分类器1中，判断损伤类别；
S6：损伤位置判断，将损伤指标DL输入到SVM分类器2中，判断损伤位置；
S7：损伤程度判断，把DS输入到SVM回归器中判断损伤程度。
进一步的，所述S5中在不同损伤情况下，提取节点21、31、41、51处的加速度数据，从30％到58％的损伤程度中每间隔2％提取一组数据，每种情况提取15组数据，对六种损伤情况进行了模拟，其中四种为单损伤，两种为复合损伤。
在前述方案的基础上，所述S5中损伤类别E计算公式为
Figure GDA0004048472890000021
其中h(w)为边际谱，E为边际谱能量。
作为本发明再进一步的方案，所述S6中在确定损伤的位置时，由于IMF1包含了原始信号的大部分特征，所以选取c1(t)的能量作为损伤特征，用于定位损伤
Figure GDA0004048472890000031
定义完好结构与受损结构的能量差比值为Di(i＝1,2,3…n)，如下式，其中n为测量节点数，
Figure GDA0004048472890000032
式中
Figure GDA0004048472890000033
为结构在不同损伤程度时的Di，使用DL来表示识别损伤位置的指示器DL＝[D1,D2,D3,D4]，然后利用主成分分析对DL进行处理，作为损伤指标，判断损伤程度。
进一步的，所述S6中选择累积贡献率大于85％的主成分作为损伤程度识别的指标。
在前述方案的基础上，所述S7中用DS来表示指示器，利用PCA对数据进行处理后，可以得到一维主成分包含了原始数据的大部分特征。
(三)有益效果
与现有技术相比，本发明提供了基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，具备以下有益效果：
1、本发明结合了HHT和SVM方法，将其应用于导管架海洋平台的故障诊断任务中，恰当的损伤特征的选取帮助实现了损伤类别和位置的识别，同时可以进行损伤程度的预测。
2、本发明引入了PCA，实现对原始数据的降维，不仅提高了处理速度，并且充分发挥支持向量机处理小样本数据的优势，还可以提高损伤识别的准确率。
3、本发明中将指标输入到支持向量机，根据支持向量机的输出进行损伤判断，然后对故障进行分类检测，提高检测精度，而且简化了检测计算度。
4、本发明中在采集数据时采集不同位置的多个数据进行损伤检测，提高了数据的范围和可参考性，使得检测的更加精确。
5、本发明中利用PCA对数据进行处理后，可以得到一维主成分包含了原始数据的大部分特征，根据随着损伤程度的增加，提出的损伤指数DS呈上升趋势。
附图说明
图1为本发明提出的基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法的流程结构示意图；
图2为本发明提出的基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法的海洋平台模型结构示意图；
图3为本发明提出的基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法的节点51的DS随损伤程度增加的变化趋势示意图；
图4为本发明提出的基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法的损伤程度预测结果示意图。
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在没有做出创造性劳动前提下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
参照图1-4，基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，包括以下步骤：
S1：数据获取，通过ANSYS软件对导管架海洋平台进行仿真，提取加速度响应数据；
S2：信号处理，利用HHT对结构的响应信号进行处理，作为损伤识别指标；
S3：PCA分析，利用主成分分析(PCA)对步骤2中得到的用于诊断损伤程度的指标进行处理，以减少数据维数，提高识别精度；
S4：损伤判断，将指标输入到支持向量机，然后根据支持向量机的输出进行损伤判断，如果判定为损伤则进行下一步，判定为未损伤则直接结束，对故障进行分类检测，提高检测精度，而且简化了检测计算度；
S5：损伤类别判断，上一步判定为损伤后，将损伤类别E输入到SVM分类器1中，判断损伤类别；
S6：损伤位置判断，将损伤指标DL输入到SVM分类器2中，判断损伤位置；
S7：损伤程度判断，把DS输入到SVM回归器中判断损伤程度。
本发明的S5中在不同损伤情况下，提取节点21、31、41、51处的加速度数据，从30％到58％的损伤程度中每间隔2％提取一组数据，每种情况提取15组数据，对六种损伤情况进行了模拟，其中四种为单损伤，两种为复合损伤，在采集数据时采集不同位置的多个数据进行损伤检测，提高了数据的范围和可参考性，使得检测的更加精确，S5中损伤类别E计算公式为
Figure GDA0004048472890000061
其中h(w)为边际谱，E为边际谱能量，用于判别结构为单损或复合损伤。
需要特别说明的是，S6中在确定损伤的位置时，由于IMF1包含了原始信号的大部分特征，所以选取c1(t)的能量作为损伤特征，用于定位损伤
Figure GDA0004048472890000062
定义完好结构与受损结构的能量差比值为Di(i＝1,2,3…n)，如下式，其中n为测量节点数，
Figure GDA0004048472890000063
式中
Figure GDA0004048472890000064
为结构在不同损伤程度时的Di，使用DL来表示识别损伤位置的指示器DL＝[D1,D2,D3,D4]，然后利用主成分分析对DL进行处理，作为损伤指标，判断损伤程度，对损伤程度进行精确的检测，而且对于小样本数据也同样适用，减少了计算的复杂度，S6中选择累积贡献率大于85％的主成分作为损伤程度识别的指标，S7中用DS来表示指示器，利用PCA对数据进行处理后，可以得到一维主成分包含了原始数据的大部分特征，随着损伤程度的增加，提出的损伤指数DS呈上升趋势。
实施例2
参照图1-4，基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，包括以下步骤：
S1：数据获取，通过ANSYS软件对导管架海洋平台进行仿真，提取加速度响应数据；
S2：信号处理，利用HHT对结构的响应信号进行处理，作为损伤识别指标；
S3：PCA分析，利用主成分分析(PCA)对步骤2中得到的用于诊断损伤程度的指标进行处理，以减少数据维数，提高识别精度；
S4：损伤判断，将指标输入到支持向量机，然后根据支持向量机的输出进行损伤判断，如果判定为损伤则进行下一步，判定为未损伤则直接结束，对故障进行分类检测，提高检测精度，而且简化了检测计算度；
S5：损伤类别判断，上一步判定为损伤后，将损伤类别E输入到SVM分类器1中，判断损伤类别；
S6：损伤位置判断，将损伤指标DL输入到SVM分类器2中，判断损伤位置；
S7：损伤程度判断，把DS输入到SVM回归器中判断损伤程度。
本发明的S5中在不同损伤情况下，提取节点21、31、41、51处的加速度数据，从32％到56％的损伤程度中每间隔1.5％-2.5％提取一组数据，每种情况提取15组数据，对六种损伤情况进行了模拟，其中四种为单损伤，两种为复合损伤，在采集数据时采集不同位置的多个数据进行损伤检测，提高了数据的范围和可参考性，使得检测的更加精确，S5中损伤类别E计算公式为
Figure GDA0004048472890000071
其中h(w)为边际谱，E为边际谱能量，用于判别结构为单损或复合损伤。
需要特别说明的是，S6中在确定损伤的位置时，由于IMF1包含了原始信号的大部分特征，所以选取c1(t)的能量作为损伤特征，用于定位损伤
Figure GDA0004048472890000081
定义完好结构与受损结构的能量差比值为Di(i＝1,2,3…n)，如下式，其中n为测量节点数，
Figure GDA0004048472890000082
式中
Figure GDA0004048472890000083
为结构在不同损伤程度时的Di，使用DL来表示识别损伤位置的指示器DL＝[D1,D2,D3,D4]，然后利用主成分分析对DL进行处理，作为损伤指标，判断损伤程度，对损伤程度进行精确的检测，而且对于小样本数据也同样适用，减少了计算的复杂度，S6中选择累积贡献率大于85％的主成分作为损伤程度识别的指标，S7中用DS来表示指示器，利用PCA对数据进行处理后，可以得到一维主成分包含了原始数据的大部分特征，随着损伤程度的增加，提出的损伤指数DS呈上升趋势。
在该文中的描述中，需要说明的是，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素，单位度均为摄氏度。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，其特征在于，包括以下步骤：
S1：数据获取，通过ANSYS软件对导管架海洋平台进行仿真，提取加速度响应数据；
S2：信号处理，利用HHT对结构的响应信号进行处理，作为损伤识别指标；
S3：PCA分析，利用主成分分析(PCA)对步骤2中得到的用于诊断损伤程度的指标进行处理；
S4：损伤判断，将指标输入到支持向量机，然后根据支持向量机的输出进行损伤判断，如果判定为损伤则进行下一步，判定为未损伤则直接结束；
S5：损伤类别判断，上一步判定为损伤后，将损伤类别E输入到SVM分类器1中，判断损伤类别；
S6：损伤位置判断，将损伤指标DL输入到SVM分类器2中，判断损伤位置；
S7：损伤程度判断，把DS输入到SVM回归器中判断损伤程度，所述S7中用DS来表示指示器，利用PCA对数据进行处理后，可以得到一维主成分包含了原始数据的大部分特征。
2.根据权利要求1所述的基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，其特征在于，所述S5中在不同损伤情况下，提取节点21、31、41、51处的加速度数据，从30％到58％的损伤程度中每间隔2％提取一组数据，每种情况提取15组数据，对六种损伤情况进行了模拟，其中四种为单损伤，两种为复合损伤。
3.根据权利要求2所述的基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，其特征在于，所述S5中损伤类别E计算公式为
Figure FDA0004074291380000021
其中h(w)为边际谱，E为边际谱能量。
4.根据权利要求1所述的基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，其特征在于，所述S6中在确定损伤的位置时，由于IMF1包含了原始信号的大部分特征，所以选取c1(t)的能量作为损伤特征，用于定位损伤
Figure FDA0004074291380000022
定义完好结构与受损结构的能量差比值为Di(i＝1,2,3…n)，如下式，其中n为测量节点数，
Figure FDA0004074291380000023
式中
Figure FDA0004074291380000024
为结构在不同损伤程度时的Di，使用DL来表示识别损伤位置的损伤指标DL＝[D1,D2,D3,D4]，然后利用主成分分析对DL进行处理，作为损伤指标，判断损伤程度。
5.根据权利要求4所述的基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法，其特征在于，所述S6中选择累积贡献率大于85％的主成分作为损伤程度识别的指标。
CN202011035542.4A 2020-09-27 2020-09-27 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法 Active CN112651147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011035542.4A CN112651147B (zh) 2020-09-27 2020-09-27 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011035542.4A CN112651147B (zh) 2020-09-27 2020-09-27 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法

Publications (2)

Publication Number Publication Date
CN112651147A CN112651147A (zh) 2021-04-13
CN112651147B true CN112651147B (zh) 2023-03-14

Family

ID=75346554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011035542.4A Active CN112651147B (zh) 2020-09-27 2020-09-27 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法

Country Status (1)

Country Link
CN (1) CN112651147B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013180723A1 (en) * 2012-05-31 2013-12-05 University Of Connecticut Methods apparatuses for defect diagnosis in a mechanical system
CN104863840A (zh) * 2015-03-16 2015-08-26 北京化工大学 一种基于emd-pca的往复压缩机智能诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064008B (zh) * 2012-12-26 2016-01-20 浙江大学 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013180723A1 (en) * 2012-05-31 2013-12-05 University Of Connecticut Methods apparatuses for defect diagnosis in a mechanical system
CN104863840A (zh) * 2015-03-16 2015-08-26 北京化工大学 一种基于emd-pca的往复压缩机智能诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于HHT和PCA的滚动轴承故障状态识别方法研究》;俞啸等;《电子设计工程》;20180605;第26卷(第11期);第28-32页 *
《张弦拱桁架结构基于模态参数的损伤识别试验（英文）》;曾滨等;《钢结构(中英文)》;20200122(第01期);第70-84页 *

Also Published As

Publication number Publication date
CN112651147A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN110132598B (zh) 旋转设备滚动轴承故障噪声诊断算法
CN112101174A (zh) 一种基于LOF-Kurtogram的机械故障诊断方法
CN111238843B (zh) 一种基于快速谱峭度分析的风机健康评价方法
CN111273623A (zh) 基于Stacked LSTM的故障诊断方法
CN106529545A (zh) 一种基于图像特征描述的散斑图像质量识别方法及系统
CN113887136A (zh) 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN108896308A (zh) 一种基于概率包络的轮对轴承故障诊断方法
CN114626413A (zh) 一种基于随机子空间算法的结构模态参数识别方法及装置
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN115060494A (zh) 一种滚动轴承的故障诊断方法
CN115876473A (zh) 基于PWVD和DenseNet的轴承故障诊断方法
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
CN103852525A (zh) 基于ar-hmm的声发射信号识别方法
CN111428772A (zh) 基于k-近邻自适应投票的光伏系统深度异常检测方法
CN112651147B (zh) 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法
CN117633588A (zh) 基于频谱加权和残差卷积神经网络的管道泄漏定位方法
Song et al. Research on rolling bearing fault diagnosis method based on improved LMD and CMWPE
CN117191396A (zh) 一种基于两阶段迁移的齿轮箱故障诊断方法
CN112946600A (zh) 基于wgan-gp的雷达hrrp数据库构建方法
CN114781466B (zh) 基于旋转机械振动信号谐波基频的故障诊断方法及系统
CN116541771A (zh) 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法
CN110020686A (zh) 一种基于群智感知传感数据的路面异常检测方法
CN116625654A (zh) 一种振动信号故障诊断方法、装置、设备及存储介质

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