CN112966400A - 一种基于多源信息融合的离心风机趋势预测方法 - Google Patents

Abstract

本发明涉及一种多源信息融合的离心风机故障趋势预测方法，包括以下步骤：首先选取能表征风机退化状态的信息，使用SAE构建离心风机的退化信息的健康指标；其次将健康指标作为深度学习网络的输入信息，得到退化趋势的变化，最终实现离心风机的故障趋势预测和预警。

Description

一种基于多源信息融合的离心风机趋势预测方法

技术领域

本发明涉及离心风机设备运维领域，具体涉及一种离心风机故障趋势预测方法。

技术背景

离心风机包括离心压缩机、离心鼓风机、离心通风机等，在火力发电站、污水处理厂等有着广泛应用。随着离心风机向高速、自动和大型化方向发展，结构复杂、子系统繁多，故障率攀升，故障后果严重。因此，通过实时采集离心风机运行状态数据(如温度、油液、压力、振动、转速等)，进行离心风机故障预警研究，在故障发生及时对设备进行维护维修，有效避免故障发生。

目前关于离心风机的故障诊断研究主要是基于单一信息利用数据驱动的方法进行诊断，而单一信息可靠性与稳定性差，容错能力不佳，传统的数据驱动方法诊断能力和泛化性能不足，因此，考虑利用多源信息开展基于深度学习的离心风机故障趋势预测方法研究具有重要的现实意义。故本方法从离心风机的监测信息出发，利用数据融合的方法得到健康指标，并采用深度学习建立离心风机的故障趋势预测模型，提高预测的精确性与稳定性。

发明内容

本发明提供一种多源信息融合的离心风机故障趋势预测方法，以提供更加精确与稳定的故障诊断模型。

为实现本发明目的而采用的技术方案是这样的，即一种多源信息融合的离心风机故障诊断方法，它包括以下步骤：

步骤1：根据离心风机监测采集数据，获取能表征离心风机状态的监测数据；

步骤2：根据步骤1得到的离心风机监测数据信息多，通过多源信息特征融合方法构建得到具有退化趋势代表性的健康指标；

步骤3：基于步骤2得到的离心风机健康指标，采用深度学习方法实现离心风机故障趋势预测。

优选地，其特征在于步骤1获取的能表征离心风机退化趋势的多源信息集合MI表示为：

MI＝{v_h,v_v,t_bf,t_br,t_tb,t_pa,t_pb,t_pc,i_m,p_o}

式中，v_h为转子水平方向振动，v_v为转子垂直方向振动，t_bf为转子前轴承温度，t_br为转子后轴承温度，t_tb为转子推力轴承温度，t_pa为电机A相绕组温度，t_pb为电机B相绕组温度，t_pc为电机C相绕组温度，i_m为电机电流，p_o为润油压力；

优选地，其特征在于步骤1获取的多源信息融合具有退化趋势的健康指标方法遵循以下步骤：

(1)利用SAE提取多源传感器信号的特征后，实现输入数据的特征重构；

(2)通过计算网络重构值与输入值的差异程度可构建离心风机的具有退化趋势的健康指标。

优选地，步骤3中，基于深度学习建立的离心风机故障趋势预测流程为：

(1)构建离心风机的故障趋势健康指标H并直观展示自编码网络输入值和重构值的异常；

离心风机的故障趋势健康指标H计算公式如下：

式中，d_euc、d_cos分别为重构向量和输入向量的欧氏距离和余弦距离，表示两向量位置和方向的差异，X为自编码网络输入值，Z为自编码网络重构值；dot(X,Z)表示X，Z的内积运算，||·||为向量的2范数。

(2)本发明采用核密度估计方法来确定预警阈值：

式中，

是指标值的核密度估计，k为传感器信号的个数，H_i表示样本的第i个健康指标值，

是高斯密度函数，σ²是方差。设某一小概率值α，当设备处于正常运行状态时，健康指标将落在置信度为1-α的置信区间[0，H_δ]。当设备发生故障时，健康指标将处于置信区间外，即小概率事件发生时，可以认为设备出现异常。H_δ即为预警阈值，其关系如下。

(3)将融合后得到的具有退化趋势的健康指标输入建立的深度学习离心风机故障趋势预测模型，预测离心风机未来一段时间健康指标的时间序列值。

(4)得到未来时间序列的健康指标值后，实时计算离心风机的健康指标H和连续越限次数Q。当健康指标H连续超过预警阈值H_δ的次数多于Q_δ时，即Q>Q_δ时，发出故障预警信息。

与现有技术相比，本发明的有益效果是：

本发明提出了一种将多源信息特征融合与深度学习结合的故障趋势预测方法，使用SAE对原始多源信息融合得到表征风机退化的健康指标，并将健康指标作为输入LSTM模型进行训练，实现对风机的故障趋势预测。

附图说明

图1稀疏自编码器建立健康指标

图2基于LSTM的健康指标构建

图3健康指标构建结果

图4故障预警实现步骤

图5基于LSTM的预警结果

具体实施方式

下面结合附图和实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

本发明在某厂离心风机故障趋势预测试验台上进行转子退化试验，得到离心风机转子从正常状态至出现故障的全生命周期测试数据。试验过程中转子转速为20kr/min，离心风机故障趋势预测模拟试验台的运行参数如表1所示。

表1故障趋势预测试验台运行参数

为了验证基于多传感器信号融合故障趋势预测的有效性，分别将多传感器信号、转子水平方向振动信号、转子推力轴承温度信号、电机电流信号、润油压力信号输入SAE网络中进行特征融合，通过计算网络重构值与输入值的差异程度构建健康指标H，构建过程如图1所示；然后将健康指标H的全生命周期时间序列输入构建的LSTM趋势预测模型，每次利用1000个数据点预测未来30个数据点的变化趋势，如此循环迭代预测30个数据，网络构建步骤如图2所示。

使用多源信息融合后与单信号预测结果对比如表2所示：

表2不同传感器信号预测结果评价指标

从表2中可以看出，基于多传感器信号所建立的故障趋势预测模型的RMSE、MAE和MAPE值均小于单一振动信号、温度信号、电流信号、压力信号所建预测模型的评价值，而R²的值大于这四种单一信号。基于多传感器信号融合的故障趋势预测精度更高，健康指标真实值与预测值的偏差也明显更小，基于本发明方法得到的健康指标如图3所示。还可看出多传感器信号融合对于预测30个数据点仍然有较高的预测精度，单信号预测方法真实值与预测值有较大差异，预测精度明显降低。这也进一步说明多传感器信号融合有效实现了特征信息的互补，弥补了单一传感器信号退化特征有限的缺点，经融合后的信号含有更丰富的故障退化信息，预测精度更高，且能实现较长时间序列的预测。

使用本发明所提LSTM方法与SVR、RNN、GRU三种时间序列预测模型进行对比。不同预测方法预测结果评价指标如表3所示：

表3不同预测方法预测结果评价指标

为了进一步说明所提SAE-LSTM方法的优越性，不同预测方法训练集与测试集的评价指标结果如表3所示。由表可知，不管是训练集还是测试集，LSTM模型的RMSE、MAE、MAPE值均小于SVR、RNN和GRU所对应的评价指标值，而R²的值大于其他三种方法的，这表明LSTM网络的各项评价指标均优于其他三种方法，能够实现很好的预测效果。其中，LSTM网络的MAPE值小于5％，R²大于95％，而其他三种方法的R²值均低于95％，这也表明LSTM网络所建立的趋势预测模型预测精度高，具有较高的可靠性，能够实现离心风机精确的故障趋势预测。为了清晰地反映所提方法的预警效果，选取转子全生命周期运行过程中预测健康指标在预警阈值H_δ附近的连续30个数据点进行分析，构建过程如图4所示，得到的预警曲线如图5所示，由图5可知，LSTM所建的故障趋势预测模型在第8天的22点14分实现了故障预警，通过现场拆机发现转子的整个退化停机时间为10天，在第8天的23点05分时风机运行已经极不稳定了，且影响设备的正常使用，此时刻即为转子发生故障的实际时刻。因此，LSTM网络所建的预测模型在离心风机发生故障前已经实现了故障预警，且预警时刻与实际发生故障时刻非常接近，这表明LSTM网络能够有效提取多传感器信号的故障退化信息，对离心风机未来健康状态的走势实现了精准预测，也证明了LSTM在故障趋势预测上的可靠性与稳定性。

Claims (4)

1.一种基于多源信息融合的离心风机趋势预测方法，其特征在于包括以下步骤：

步骤1：根据离心风机监测采集数据，获取能表征离心风机状态的监测数据；

步骤2：通过多源信息特征融合方法构建得到具有退化趋势的健康指标；

步骤3：基于步骤2得到的离心风机具有退化趋势的健康指标，采用深度学习方法对离心风机故障趋势预测。

2.根据权利要求1所述的一种多源信息融合的离心风机故障趋势预测方法，其特征在于步骤1获取能表征离心风机的故障趋势信息，离心风机多源信息集合MI表示为：

MI＝{v_h,v_v,t_bf,t_br,t_tb,t_pa,t_pb,t_pc,i_m,p_o}

式中，v_h为转子水平方向振动，v_v为转子垂直方向振动，t_bf为转子前轴承温度，t_br为转子后轴承温度，t_tb为转子推力轴承温度，t_pa为电机A相绕组温度，t_pb为电机B相绕组温度，t_pc为电机C相绕组温度，i_m为电机电流，p_o为润油压力。

3.根据权利要求1所述的一种多源信息融合的离心风机故障趋势预测方法，其特征在于步骤2中构建具有退化趋势的健康指标步骤如下：

(1)利用SAE提取多源传感器信号的特征后，实现输入数据的特征重构；

(2)通过计算网络重构值与输入值的差异程度可构建离心风机的退化趋势的健康指标。

4.根据权利要求1所述的一种多源信息融合的离心风机故障预测方法，其特征在于步骤3中，所述的离心风机故障趋势预测流程为：

(1)构建离心风机的故障趋势健康指标H并直观展示自编码网络输入值和重构值的异常；

离心风机的故障趋势健康指标H计算公式如下：

式中，d_euc、d_cos分别为重构向量和输入向量的欧氏距离和余弦距离，表示两向量位置和方向的差异，X为自编码网络输入值，Z为自编码网络重构值；dot(X,Z)表示X，Z的内积运算，||·||为向量的2范数。

(2)本发明采用核密度估计方法来确定预警阈值：

式中，

是指标值的核密度估计，k为传感器信号的个数，H_i表示样本的第i个健康指标值，

是高斯密度函数，σ²是方差，设某一小概率值α，当设备处于正常运行状态时，健康指标将落在置信度为1-α的置信区间[0，H_δ]，当设备发生故障时，健康指标将处于置信区间外，即小概率事件发生时，可以认为设备出现异常，H_δ即为预警阈值，其关系如下；

(3)将融合后得到的具有退化趋势的健康指标值输入建立的深度学习离心风机故障趋势预测模型，预测离心风机未来一段时间健康指标的时间序列值；

(4)得到未来时间序列的具有退化趋势的健康指标值后，实时计算离心风机的健康指标H和连续越限次数Q，当健康指标H连续超过预警阈值H_δ的次数多于Q_δ时，即Q>Q_δ时，发出故障预警信息。

Images