CN114154779A - 一种基于emd-som的健康评估与故障诊断方法及系统 - Google Patents
一种基于emd-som的健康评估与故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114154779A CN114154779A CN202111212542.1A CN202111212542A CN114154779A CN 114154779 A CN114154779 A CN 114154779A CN 202111212542 A CN202111212542 A CN 202111212542A CN 114154779 A CN114154779 A CN 114154779A
- Authority
- CN
- China
- Prior art keywords
- som
- value
- data
- training
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000013139 quantization Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002860 competitive effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 16
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明实施例公开一种基于EMD‑SOM的健康评估与故障诊断方法、系统及计算机设备，所述方法包括：获取至少一台机械设备全生命周期的监测数据，并对所述监测数据进行预处理以得到测试集和训练集；对所述训练集和测试集中的数据进行经验模态分解以得到能量特征向量作为训练样本数据和测试样本数据；将所述训练样本数据作为输入训练所述SOM待训练模型以得到SOM模型，并基于所述SOM模型得到测试样本数据的最小量化误差；对所述最小量化误差进行归一化处理得到CV值，基于所述CV值进行所述机械设备的故障预警。
Description
技术领域
本发明涉及设备故障预警技术领域。更具体地，涉及一种基于EMD-SOM的健康评估与故障诊断方法及系统。
背景技术
目前，武器装备主要采用的是事后维修(修复性维修)和定时维修(预防性维修)两种方式，不期望的设备故障停机仍然是影响武器装备战备完好性、任务成功性高效保持和有效发挥的重大问题。在缩减维修费用、缩短维修停机时间及提高装备可用度等需求的牵引下，设备维修策略从被动的修复性维修、盲目的定期预防性维修，向基于状态的维修(CBM)方向的转变发展已极为迫切。当前的问题和挑战是，如何将设备状态监测数据转换成直观有效的健康状态信息，实现实时准确的健康状态评估、监测和故障诊断已成为设备智能维护的研究热点之一。
相关研究表明除了个别突发的灾难性故障，大部分机械设备故障都有一个缓慢退化的过程。设备健康状态评估需要探索退化过程的特征提取及健康表征方法，将直接的传感器数据转换成能够表征设备健康状态的特征空间，以准确全面地反映设备的健康状态。鉴于传感器数据所提取的特征信息应具有简洁性、全面性、准确性和代表性等特性，需要研究提出更为简约高效的特征提取方法；并且，鉴于工程实际往往缺少从正常状态到故障状态的全周期数据，所获取的先验数据主要是正常状态数据或故障状态数据，需要探索一种当前状态与正常运行状态所对应特征空间的重合度或偏离度的度量方法，通过这种重合度或偏离度的量化指标以直观表征设备健康状态。
因此，本发明提出了一种基于EMD的能量特征提取方法，构建健康多维表征空间；在健康多维表征空间构建的基础上，提炼健康状态评估的核心思想，研究特征空间变化与健康状态退化之间的映射关系以及健康指标度量建模技术，从而提出基于SOM的健康评估方法，以其度量结果MQE和CV表征健康状态，并结合设定的阈值实现故障诊断。
发明内容
本发明的目的在于提供一种基于EMD-SOM的健康评估与故障诊断方法及系统，以解决现有技术存在的问题中的至少一个。
为达到上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种基于EMD-SOM的健康评估与故障诊断方法，包括：
获取至少一台机械设备全生命周期的监测数据，并对所述监测数据进行预处理以得到测试集和训练集；
对所述训练集中的数据进行经验模态分解以得到能量特征向量作为训练样本数据和测试样本数据；
将所述训练样本数据作为输入训练所述SOM待训练模型以得到SOM模型，并基于所述SOM模型得到测试样本数据的最小量化误差；
对所述最小量化误差进行归一化处理得到CV值，基于所述CV值进行所述机械设备的故障预警。
所述获取至少一台机械设备全生命周期的监测数据，并对所述监测数据进行预处理得到测试集和训练集包括：
采集至少一台机械设备的正常工作状态和各类故障工作状态的振动信号，将部分所述正常工作状态下的振动信号作为训练集，将剩余部分的所述正常工作状态和各类故障工作状态下的振动信号作为测试集；
所述对所述训练集中的数据进行经验模态分解以得到能量特征向量作为训练样本数据包括：
分别对所述训练集中的每组振动信号X(t)进行经验模态分解获得一组包含不同频率成分的IMF分量ci(t)，i＝1,2,L,n；
选取包含主要能量特征的前p个IMF分量ck(t)，k＝1,2,L,p，p＝n*δ，n表示IMF分量的个数，δ表示预设占比，并利用式(1)计算各个IMF分量的能量Eck，k＝1,2,L,p：
其中，ckj表示第k个IMF分量的第j个离散点的幅值，k＝1,2,L,p，j＝1,2,L,l，l表示信号长度；
利用式(2)以能量为元素得到归一化的能量特征向量T：
T＝[Ec1/E,Ec2/E,L,Ecp/E] (2)
其中，Ec1,Ec2,L,Ecp分别代表p个IMF分量的能量，
进一步地，所述训练样本数据输入SOM待训练模型得到SOM模型，并基于所述SOM模型得到测试样本数据的最小量化误差包括：
将训练样本数据作为输入训练所述SOM待训练模型，采取自组织竞争学习原则训练所述SOM待训练模型，训练好的SOM模型的输出层节点体现了数据的拓扑分布状况；
对所述测试集中的数据进行经验模态分解以得到测试样本数据D，将所述测试样本数据D输入所述SOM中，即可得到其最佳匹配单元BMU，通过计算所述待测数据与最佳匹配单元BMU之间的距离即可得到最小量化误差MQE：
MQE＝||D-mBMU|| (3)
其中D为输入的测试样本数据，mBMU为最佳匹配单元BMU的权重。
进一步地，所述对所述最小量化误差进行归一化处理得到CV值，基于所述CV值，进行所述机械设备的故障预警包括：
基于公式(4)计算出最小量化误差MQE对应的CV值：
其中，a为预设的尺度参数，由正常状态下的MQE和设定基准值确定；将所述CV值与预设故障阈值进行比较，若当前CV值小于预设故障阈值，则进行故障预警。
本发明第二方面提供了一种基于EMD-SOM的健康评估与故障诊断系统，包括：
下位机、上位机和故障诊断与预警结果显示模块；
所述下位机包括信号滤波与预处理模块，用于对采集到的振动信号进行滤波与预处理，将模拟信号转化为数字信号；
所述上位机包括能量特征向量分析和SOM神经网络健康评估模块，所述能量特征向量分析模块用于对所述数字信号进行经验模态分解得到其能量特征向量；
所述SOM神经网络健康评估模块，用于接收来自能量特征向量分析模块的信息，并利用SOM神经网络算法对所述能量特征向量进行计算与处理，实时评估计算健康状态CV值，在线监测和评估设备健康状态；
所述故障诊断与预警显示模块用于播报并显示所述SOM神经网络健康评估模块发送的健康状态CV值，并基于健康状态CV值与预设故障阈值的比较，触发故障预警；
所述接收来自能量特征向量分析模块的信息，并利用SOM神经网络算法对所述能量特征向量进行计算与处理，进行状态评估与故障预警，在线监测机械设备当前的状态包括：
基于所述SOM模型得到最小量化误差，对所述最小量化误差进行归一化处理得到CV值，基于所述CV值进行所述机械设备的健康状态评估与故障诊断。
进一步地，所述SOM神经网络健康评估模块需预先进行训练。
本发明第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明第一方面提供的基于EMD-SOM的健康评估与故障诊断方法。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面提供的基于EMD-SOM的健康评估与故障诊断方法。
本发明的有益效果如下：
本申请所提供的方案，是当前状态与正常运行状态所对应的特征空间之间重合度或偏离度的度量方法，能够基于正常状态数据建立健康状态评估模型，降低了对历史数据的依赖性，利用EMD进行信号分解，分解所得的IMF分量不但在频域上具有显著的缓变波包特征，在时域上也具有局部化特征，并且各IMF分量间具有较好的正交性，提供了高质量的输入数据，实现了机械设备的健康评估与故障诊断。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明的一个实施例提供的一种基于EMD-SOM的健康评估与故障诊断方法的步骤图；
图2为本发明的一个实施例提供的MQE分布图；
图3为本发明的一个实施例提供的CV分布图；
图4示出本发明的一个实施例提供的一种基于EMD-SOM的健康评估与故障诊断系统的结构图。
图5示出实现本发明实施例提供的装置的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明，下面结合实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明的一个实施例提出了一种基于EMD-SOM的健康评估与故障诊断方法，包括：
S101：获取至少一台机械设备全生命周期的监测数据，并对所述监测数据进行预处理以得到测试集和训练集；
S102：对所述训练集和测试集中的数据进行EMD分解(经验模态分解)以得到能量特征向量作为训练样本数据和测试样本数据；
S103：将所述训练样本数据作为输入训练所述SOM(自组织映射神经网络)待训练模型以得到SOM模型，并基于所述SOM模型得到测试样本数据的MQE(最小量化误差)；
S104：对所述最小量化误差进行归一化处理得到CV值，基于所述CV值进行所述机械设备的故障预警；
在一个具体的实施例中，所述获取至少一台机械设备全生命周期的监测数据，并对所述监测数据进行预处理得到测试集和训练集包括：
采集至少一台机械设备的正常工作状态和各类故障工作状态的振动信号，所述正常工作状态下的振动信号作为训练集，所述各类故障工作状态下的振动信号作为测试集。
在一个具体的实施例中，所述训练集为部分正常状态下的振动信号，所述测试集为各类故障工作状态下的振动信号以及剩余部分正常状态下的振动信号。
在一个具体的实施例中，监测一台轴承设备，试验台由一个2hp(马力)的电机(左)，一个扭矩变换器/编码器(中)，一个测功机(右)和控制电路。装在电机上型号为6205-2RS JEM SKF的深沟球测试轴承，通过电火花加工分别注入内环、外环和滚动体单点故障。在正常状态和内环故障、外环故障、滚动体故障三种故障状态下，由连接在磁基外壳上的加速度传感器采集振动数据，设定轴转速为1750RPM，采样频率为12000HZ，在正常工作状态下采集30组数据，在内环故障、外环故障和滚动体故障三种故障状态下分别采集10组数据，其中，前10组正常数据作为训练集，剩余20组正常数据和30组故障状态下采集数据作为测试集。
在一个具体的实施例中，所述机械设备具体为汽轮机、燃气轮机、离心式和轴流式压缩机、风机、泵、水轮机、发电机、轴承或航空发动机；
所述机械设备可为2、5、10或20台相同机械设备或不同机械设备。
在一种可能的实施方式中，对所述训练集中的数据进行经验模态分解以得到能量特征向量作为训练样本数据包括：
对所述训练集中的各组振动信号X(t)进行经验模态分解获得至少一个IMF分量ci(t)，i＝1,2,L,n；
选取前p个IMF分量，并利用式(1)计算其各个IMF分量的能量Eck，k＝1,2,L,p，其中，p＝n*δ，n表示IMF分量的个数，δ表示预设占比：
其中，ckj表示第k个IMF分量的第j个离散点的幅值，k＝1,2,L,p，j＝1,2,L,l，l表示信号长度；
利用式(2)以能量为元素得到归一化的能量特征向量T：
T＝[Ec1/E,Ec2/E,L,Ecp/E] (2)
其中，Ec1,Ec2,L,Ecp分别代表p个IMF分量的能量，
所述对测试集中的数据进行EMD分解以得到能量特征向量作为测试样本数据的步骤与上述雷同，在此不再赘述。
EMD分解所得的IMF分量不但在频域上具有显著的缓变波包特征，在时域上也具有局部化特征，并且各IMF分量间具有较好的正交性，这些特性为状态监测和故障诊断提供了高质量的输入数据。
在一个具体的实施例中，对训练集中的10组数据进行EMD分解，每组得到8个IMF分量和残余项R，n＝8，令p＝5，选取前5个IMF分量Ec1、Ec2、Ec3、Ec4和Ec5，根据公式1-2得到各组数据的能量特征向量T。
所述测试样本数据为测试集中的数据进行经验模态分解得到，其具体流程与上述训练集的经验模态分解相似，相关之处可以参照上述说明，在此不再赘述。
在一个具体的实施例中，所述将所述训练样本数据输入SOM待训练模型得到SOM模型，并基于所述SOM模型得到测试样本数据的最小量化误差包括：
如图2所示，为样本集输入SOM模型后得到的最小量化误差值，将训练样本数据作为输入训练所述SOM待训练模型，采取自组织竞争学习原则训练所述SOM待训练模型，训练好的SOM模型的输出层节点体现了数据的拓扑分布状况；对所述测试集中的数据进行经验模态分解以得到测试样本数据D，将所述测试样本数据D输入所述SOM中，即可得到其最佳匹配单元BMU，通过计算所述待测数据与最佳匹配单元BMU之间的距离即可得到最小量化误差MQE：
MQE＝||D-mBMU|| (3)
其中D为输入的测试样本数据，mBMU为最佳匹配单元BMU的权重。正常状态特征数据作为基准进行SOM网络的训练，之后将获取的状态监测特征数据作为SOM网络的输入向量，计算所得的MQE就是当前状态与正常基准状态的偏移量。如果当前状态接近正常基准，MQE值就越小，反之，MQE值越大，当前状态与正常基准偏移越大，这意味着不正常状态或者故障已经发生。应用这种方法，多维特征空间能够转化为一种表征健康状态的距离度量值(MQE)。
在一种可能的实施方式中，SOM网络的训练采取自组织竞争学习原则，在SOM网络训练开始前，输出节点被赋予一个很小的随机权值，输入训练样本后，输出节点进行竞争，并调整获胜节点及其邻域内节点的权值，SOM网络竞争层中的各神经元通过竞争来获取对输入模式的响应机会，最后剩一个神经元成为竞争的胜利者，并对那些与获胜神经元有关的各连接全朝着更有利于它竞争的方向调整。通过对网络进行训练，能够自动地对网络的输入进行分类，从而达到聚类的效果。训练完成时，输出层节点分布能够较好地保留数据在原空间中的拓扑分布状况。
在一个具体的实施例中，如图3所示，所述对所述最小量化误差进行归一化处理得到CV值，基于所述CV值，进行所述机械设备的故障预警包括：
基于公式(4)计算出最小量化误差MQE对应的CV值：
其中，a为预设的尺度参数，由正常状态下的MQE和设定基准值确定；将所述CV值与预设故障阈值进行比较，若当前CV值小于预设故障阈值，则进行故障预警。
所述预设故障阈值的取值为0.6-0.8，例如取0.6、0.65、0.7、0.75或0.8。
在一个具体的实施例，基于公式(5)将最小量化误差MQE转换为CV：
在一个具体的实施例，基于公式(6)将最小量化误差MQE转换为CV：
其中，a是一个尺度参数，它是由正常基准状态下的MQE和设定基准CV确定的，它能够自适应地调节CV的变化，所述基准CV的取值为0.95-0.99，例如取0.95、0.97或0.99。
在一个具体的实施例中，对于不同的维修策略可以适当调整故障阈值指标。如果采取严厉的维修方案，那么故障阈值就要设定到较高的水平，一旦被监测设备的健康状态即CV值达到或者低于设定的阈值就要触发维修活动。如果采取宽松的维修方案，设定一个较低的故障阈值以保证设备具有一定的故障容忍性，从而降低维修费用。
如图4所示，本发明的第二个实施例提供一种基于EMD-SOM健康评估和故障诊断系统，包括：
下位机101、上位机102和故障诊断与预警结果显示模块103；
所述下位机101包括信号滤波与预处理模块，用于对采集到的振动信号进行滤波与预处理，将模拟信号转化为数字信号；
所述上位机102包括能量特征向量分析和SOM神经网络健康评估模块，所述能量特征向量分析模块用于对所述振动信号进行经验模态分解得到其能量特征向量；
所述SOM神经网络健康评估模块，用于接收来自能量特征向量分析模块的信息，并利用SOM神经网络算法对所述能量特征向量进行计算与处理，进行状态辨识与故障预警，在线监测机械设备当前的状态。
所述预警结果显示模块103用于播报并显示所述SOM神经网络健康评估模块发送的状态辨识结果和故障预警信息。
在一个具体的实施例中，所述接收来自能量特征向量分析模块的信息，并利用SOM神经网络算法对所述能量特征向量进行计算与处理，进行状态辨识与故障预警，在线监测机械设备当前的状态包括：
基于所述SOM模型得到最小量化误差，对所述最小量化误差进行归一化处理得到CV值，基于所述CV值进行所述机械设备的故障预警。
所述SOM神经网络健康评估模块需预先进行训练，其训练步骤参照本发明第一实施例所提供的一种基于EMD-SOM的健康评估与故障诊断方法步骤S101-S103。
在一个具体的实施例中，所述下位机采集至少一台机械设备全生命周期的振动信号。
所述机械设备具体可为汽轮机、燃气轮机、离心式和轴流式压缩机、风机、泵、水轮机、发电机、轴承或航空发动机。
需要说明的是，本实施例提供的基于EMD-SOM的健康评估与故障诊断系统的原理及工作流程与上述基于EMD-SOM的健康评估与故障诊断方法相似，相关之处可以参照上述说明，在此不再赘述。
如图5所示，本发明的第三个实施例提供的一种计算机设备的结构示意图。图5显示的计算机设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备40以通用计算设备的形式表现。计算机设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元41，系统存储器47，连接不同系统组件(包括系统存储器47和处理单元41)的总线43。
总线43表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器47可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)44和/或高速缓存存储器45。计算机设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统46可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线43相连。存储器47可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块47的程序/实用工具52，可以存储在例如存储器47中，这样的程序模块47包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块47通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备40也可以与一个或多个外部设备48(例如键盘、指向设备、显示器49等)通信，还可与一个或者多个使得用户能与该计算机设备40交互的设备通信，和/或与使得该计算机设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口50进行。并且，计算机设备40还可以通过网络适配器51与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器51通过总线43与计算机设备40的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元41通过运行存储在系统存储器47中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种基于EMD-SOM的健康评估与故障诊断方法。
本申请的第四个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：
S101：获取至少一台机械设备全生命周期的监测数据，并对所述监测数据进行预处理以得到测试集和训练集；
S102：对所述训练集和测试集中的数据进行EMD分解以得到能量特征向量作为训练样本数据和测试样本数据；
S103：将所述训练样本数据作为输入训练所述SOM(自组织映射神经网络)待训练模型以得到SOM模型，并基于所述SOM模型得到测试样本数据的MQE(最小量化误差)；
S104：对所述最小量化误差进行归一化处理得到CV值，基于所述CV值进行所述机械设备的故障预警。
在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是，在本发明的描述中，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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种基于EMD-SOM的健康评估与故障诊断方法，其特征在于，包括：
获取至少一台机械设备全生命周期的监测数据，并对所述监测数据进行预处理以得到测试集和训练集；
对所述训练集和测试集中的数据进行经验模态分解以得到能量特征向量作为训练样本数据和测试样本数据；
将所述训练样本数据作为输入训练所述SOM待训练模型以得到SOM模型，并基于所述SOM模型得到测试样本数据的最小量化误差；
对所述最小量化误差进行归一化处理得到CV值，基于所述CV值进行所述机械设备的故障预警。
2.根据权利要求1所述的方法，其特征在于，
所述获取至少一台机械设备全生命周期的监测数据，并对所述监测数据进行预处理得到测试集和训练集包括：
采集至少一台机械设备的正常工作状态和各类故障工作状态的振动信号，将部分所述正常工作状态下的振动信号作为训练集，将剩余部分的所述正常工作状态和各类故障工作状态下的振动信号作为测试集。
3.根据权利要求2所述的方法，其特征在于，
所述对所述训练集中的数据进行经验模态分解以得到能量特征向量作为训练样本数据包括：
分别对所述训练集中的每组振动信号X(t)进行经验模态分解获得一组包含不同频率成分的IMF分量ci(t)，i＝1,2,L,n；
选取包含主要能量特征的前p个IMF分量ck(t)，k＝1,2,L,p，p＝n*δ，n表示IMF分量的个数，δ表示预设占比，并利用式(1)计算各个IMF分量的能量Eck，k＝1,2,L,p：
其中，ckj表示第k个IMF分量的第j个离散点的幅值，k＝1,2,L,p，j＝1,2,L,l，l表示信号长度；
利用式(2)以能量为元素得到归一化的能量特征向量T：
T＝[Ec1/E,Ec2/E,L,Ecp/E] (2)
其中，Ec1,Ec2,L,Ecp分别代表p个IMF分量的能量，
4.根据权利要求1所述的方法，其特征在于，
所述训练样本数据输入SOM待训练模型得到SOM模型，并基于所述SOM模型得到测试样本数据的最小量化误差包括：
将训练样本数据作为输入训练所述SOM待训练模型，采取自组织竞争学习原则训练所述SOM待训练模型，训练好的SOM模型的输出层节点体现了数据的拓扑分布状况；
对所述测试集中的数据进行经验模态分解以得到能量特征向量D，将所述测试样本数据D输入所述SOM中，即可得到其最佳匹配单元BMU，通过计算所述待测数据与最佳匹配单元BMU之间的距离即可得到最小量化误差MQE：
MQE＝||D-mBMU|| (3)
其中D为输入的测试样本数据，mBMU为最佳匹配单元BMU的权重。
5.根据权利要求1所述的方法，其特征在于，
所述对所述最小量化误差进行归一化处理得到CV值，基于所述CV值，进行所述机械设备的故障预警包括：
基于公式(4)计算出最小量化误差MQE对应的CV值：
其中，a为预设的尺度参数，由正常状态下的MQE和设定基准值确定；将所述CV值与预设故障阈值进行比较，若当前CV值小于预设故障阈值，则进行故障预警。
6.一种基于EMD-SOM的健康评估与故障诊断系统，其特征在于，包括：
下位机、上位机和述故障诊断与预警显示模块；
所述下位机包括信号滤波与预处理模块，用于对采集到的机械设备的振动信号进行滤波与预处理，将模拟信号转化为数字信号；
所述上位机包括能量特征向量分析和SOM神经网络健康评估模块，所述能量特征向量分析模块用于对所述数字信号进行经验模态分解得到其能量特征向量；
所述SOM神经网络健康评估模块，用于接收来自能量特征向量分析模块的信息，并利用SOM神经网络算法对所述能量特征向量进行计算与处理，实时评估计算健康状态CV值，在线监测和评估设备健康状态；
所述故障诊断与预警显示模块用于播报并显示所述SOM神经网络健康评估模块发送的健康状态CV值，并基于健康状态CV值与预设故障阈值的比较，触发故障预警。
7.根据权利要求6所述的系统，其特征在于，
所述接收来自能量特征向量分析模块的信息，并利用SOM神经网络算法对所述能量特征向量进行计算与处理，进行状态评估与故障预警，在线监测机械设备当前的状态包括：
基于所述SOM模型得到最小量化误差，对所述最小量化误差进行归一化处理得到CV值，基于所述CV值进行所述机械设备的健康状态评估与故障诊断。
8.根据权利要求6所述的系统，其特征在于，
所述SOM神经网络健康评估模块需预先进行训练。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111212542.1A CN114154779A (zh) | 2021-10-19 | 2021-10-19 | 一种基于emd-som的健康评估与故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111212542.1A CN114154779A (zh) | 2021-10-19 | 2021-10-19 | 一种基于emd-som的健康评估与故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114154779A true CN114154779A (zh) | 2022-03-08 |
Family
ID=80462707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111212542.1A Pending CN114154779A (zh) | 2021-10-19 | 2021-10-19 | 一种基于emd-som的健康评估与故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154779A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117196267A (zh) * | 2023-11-07 | 2023-12-08 | 浙江正泰中自控制工程有限公司 | 一种基于设备健康分析技术的智能巡检方法及系统 |
| CN117744893A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
| CN112528414A (zh) * | 2020-12-17 | 2021-03-19 | 震兑工业智能科技有限公司 | 一种基于som-mqe的飞机发动机故障预警方法 |
-
2021
- 2021-10-19 CN CN202111212542.1A patent/CN114154779A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
| CN112528414A (zh) * | 2020-12-17 | 2021-03-19 | 震兑工业智能科技有限公司 | 一种基于som-mqe的飞机发动机故障预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHEN LU 等: "Bearing performance degradation assessment and prediction based on EMD and PCA-SOM", 《JOURNAL OR VIBROENGINEERING》, 15 May 2014 (2014-05-15), pages 1 - 10 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117196267A (zh) * | 2023-11-07 | 2023-12-08 | 浙江正泰中自控制工程有限公司 | 一种基于设备健康分析技术的智能巡检方法及系统 |
| CN117744893A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
| CN117744893B (zh) * | 2024-02-19 | 2024-05-17 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108681747B (zh) | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 | |
| US10935458B2 (en) | Facility condition monitoring device and facility condition monitoring method | |
| JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
| JP5101396B2 (ja) | 健全性診断方法及びプログラム並びに風車の健全性診断装置 | |
| Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
| WO2011024304A1 (ja) | 風車の監視装置及び方法並びにプログラム | |
| CN110866314A (zh) | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 | |
| CN114154779A (zh) | 一种基于emd-som的健康评估与故障诊断方法及系统 | |
| Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
| CN112766342A (zh) | 一种电气设备的异常检测方法 | |
| CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
| CN112036042A (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
| WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN114881157A (zh) | 换流阀工作状态的检测方法、装置、设备和存储介质 | |
| CN114705432A (zh) | 防爆电机轴承健康状态评估方法及系统 | |
| CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
| CN111337764A (zh) | 充电桩故障诊断系统、方法及存储介质 | |
| CN117536872B (zh) | 一种罗茨风机状态监测系统与故障预测方法 | |
| KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
| CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、系统及设备 |
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 |