CN114358075A - 一种数据驱动的转子系统典型故障自动识别方法 - Google Patents
一种数据驱动的转子系统典型故障自动识别方法 Download PDFInfo
- Publication number
- CN114358075A CN114358075A CN202111669219.7A CN202111669219A CN114358075A CN 114358075 A CN114358075 A CN 114358075A CN 202111669219 A CN202111669219 A CN 202111669219A CN 114358075 A CN114358075 A CN 114358075A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- signal
- rotor system
- mode
- 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
Images
Classifications
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种数据驱动的转子系统典型故障自动识别方法,包括:离线训练模块、故障分类知识库模块和在线故障自动识别模块。采用优化的经验模态分解将原始振动波形信号自适应分解为一系列本征模态函数分量;提出特征联合分析方法筛选敏感的IMF分量进行信号重构,并筛选重构信号计算出的多尺度散布熵值作为特征值;构造LSSVM分类器自适应确定惩罚因子C和核参数σ;应用迁移学习最小化源域数据与目标域数据之间的距离,构建的迁移特征向量矩阵作为模型的输入,实现转子系统的故障模式识别。本发明采用原始时间序列振动波形数据作为输入,故障识别结论可自动输出,对于不同设备和不同工况下的转子系统故障数据有较高识别准确率和较好的泛化性。
Description
技术领域
本发明涉及一种转子系统的故障自动识别方法,尤其涉及一种数据驱动的转子系统典型故障自动识别方法,属于故障识别技术领域。
背景技术
转子系统是旋转机械的核心部分,其一旦发生故障,将直接影响整个旋转机械的工作状态,甚至造成停机或设备损毁事故。因此,深入研究转子系统的故障模式识别技术,对确保旋转机械安全运行、消除事故具有重要意义。旋转机械转子系统故障类型繁多,其典型故障主要包括:轴系不对中、转子不平衡、油膜涡动、动静碰摩、喘振等故障。目前,许多基于时频域分析和深度学习的转子系统状态监测系统和故障诊断方法还大量依赖于外部专家的先验知识。此外,现有研究人员提出的故障识别模型基本上停留在实验室研究阶段,对于工程实际故障案例诊断的准确性和精度尚未达到理想的地步,往往难以在工业中应用。
经验模态分解(EMD)、集合经验模态分解(EEMD)、传统的小波变换(WT)、局部均值分解(LMD)、变分模态分解(VMD)、局域特征尺度分解(LCD)、固有时间尺度分析(ITD),可以有效降低工业应用中转子系统实际振动信号的噪声。当旋转机械转子系统暴露在强背景噪声的复杂环境中时,系统往往会出现非线性、非平稳特征。此时,基于信号处理的统计特征参数提取几乎无法准确识别故障特征。而熵指数作为一种复杂性测度,在故障模式识别领域中样本熵(SampEn)、排列熵(PeEn)、近似熵(ApEn)、功率谱熵(PSE)、奇异值熵(SVE)、多尺度散布熵(MDE)等熵特征得到了广泛的应用。集成学习算法能将多个弱分类器通过加权组合的方式构成一个强分类器,能够提升单个分类器的性能。通过与机器学习方法的结合,支持向量机(SVM)、K最近邻分类器(KNN)、Softmax分类器、最小二乘支持向量机(LSSVM)已经有效地应用在故障模式识别领域。最小二乘支持向量机(LSSVM)对非线性和高维度数据的分类有效,学习速度快,十分适合作为集成算法的弱分类器。为了解决依赖人为经验设置惩罚因子C和核参数σ的问题,提出改进的LSSVM分类器。此外,实际工程应用中,不同设备、不同环境工况、不同故障程度的转子系统振动信号差异明显,引入迁移成分分析(TCA)、光谱特征对齐(SFA)、迁移核学习(TKL)、测地线流式核(GFK)迁移学习方法,最小化源域与目标域之间的距离来实现跨域转子系统故障诊断是十分必要的。
发明内容
本发明的目的在于克服现有技术的不足,构建一种泛化的转子系统故障识别模型,包括:信号预处理模块、故障敏感特征筛选模块、迁移学习模块和故障分类辨识模块。该模型不需要依赖外部专家知识经验。它既克服了基于时-频域分析和深度学习的故障模式识别方法和状态监测系统的缺点,又考虑到了工业互联网预测性维修和工业化应用中模型泛化性的客观需求,可以适用于不同设备不同运行工况以及相同设备不同工况下的转子系统故障模式自动识别。
本发明的信号预处理模块,可以采用经验模态分解(EMD)原始振动信号预处理方法,还可以选择小波变换(WT)、局部均值分解(LMD)、变分模态分解(VMD)、局域特征尺度分解(LCD)、固有时间尺度分析(ITD)任一方法。
本发明的故障敏感特征筛选模块,采用多尺度散布熵(MDE)敏感特征,还可以选择样本熵特征、排列熵特征、近似熵特征、功率谱熵特征、奇异值熵特征中的任一熵特征。
本发明的迁移学习模块,采用迁移成分分析(TCA)的迁移学习方法,还可以采用光谱特征对齐(SFA)、迁移核学习(TKL)、测地线流式核(GFK)中的任一方法。
本发明的故障分类辨识模块,采用最小二乘支持向量机(LSSVM)分类器,也可以采用支持向量机(SVM)、K最近邻分类器(KNN)、Softmax任一分类器。
为实现上述目的,本发明所提供的技术方案为:
一种数据驱动的转子系统典型故障模式自动识别方法,其特征在于,利用优化的经验模态分解(EMD)进行信号预处理,筛选多尺度散布熵(MDE)作为故障敏感特征信号,采用迁移成分分析(TCA)进行迁移学习,应用改进的最小二乘支持向量机(LSSVM)进行故障模式分类。转子系统故障识别模型有离线训练模式和在线诊断模式两种工作模式。
离线训练模式如下:离线训练工作模式包括信号处理、特征提取及故障识别知识库的构建。具体步骤如下:
Step1:转子系统原始振动信号数据构成典型故障训练数据集,包括轴系不对中故障数据、转子不平衡故障数据、油膜涡动故障数据、碰摩故障数据和喘振故障数据。
Step2:针对步骤1所述的训练数据集,利用EMD方法进行数据降噪处理。EMD方法对应的分解函数表达式为:
式中,t为原始信号时间序列,x(t)为步骤1训练数据集中原始振动波形信号,K为原始信号的分解层数,ck为原始信号分解得到的IMF分量信号,rk为原始信号分解后的残差信号。
根据人工蜂群算法(ABC)自适应确定原始信号的分解层数K值。然后,利用优化的EMD将振动信号分解为一系列IMF分量。
Step3:针对步骤2分解得到的一系列IMF分量,为筛选包含故障信息的敏感IMF分量,提出特征联合分析方法筛选IMF分量,对敏感的IMF分量进行重构。
提出一个敏感IMF分量评价指标IRE,将这些IRE值从大到小排序。选取敏感IMF分量重构,其他分量被视为噪声成分除去。
式中,ri为第i个IMF分量与其原始振动信号之间的相关系数,ei为第i个IMF分量与原始信号之间的能量比ei。
Step4:针对步骤3筛选重构后的信号,进行特征值计算:计算重构信号的MDE值。
MDE的计算公式为:
式中,X是步骤3筛选出的重构信号,c是将重构信号转变为映射向量之后的类别个数,m是将映射向量转化为嵌入向量的嵌入维数,d是嵌入向量的时延因子,为嵌入向量对应的散布模式π的概率,τ为重构信号分解的尺度因子。
Step5:针对步骤4计算的特征值,建立五类旋转机械典型故障特征向量空间。计算五种典型的已知标签故障数据的MDE值,构建转子系统典型故障识别知识库。
在线诊断模式如下:在线诊断工作模式包括特征值计算、迁移学习和故障自动识别模块。具体步骤如下:
Step1:将未经过预处理的转子系统实时振动数据输入模型。
Step2:针对步骤1中的实时数据,利用优化的EMD算法对实时振动信号进行分解,对敏感的IMF分量进行筛选重构,再计算重构信号的MDE值。
Step3:针对步骤2计算的MDE值,应用TCA方法,最小化训练数据与实时数据间的数据差异。将实时数据计算得到的MDE值作为目标域数据和故障识别知识库中的源域数据分别映射到高维再生希尔伯特空间,分别得到目标域样本特征和源域样本特征。
源域中的输入XS和目标域中的输入XT间的距离如式(6)所示:
Dist(XS,XT)=tr(KL) (4)
其中,源域数据和目标域数据的核矩阵K和参数矩阵L的定义如下所示:
式中,KS,S,KT,T,KS,T分别对应源域、目标域、跨域数据上定义的核矩阵;xi为实时数据,xj为故障知识库中的数据;ns为源域数据的样本数,nt为目标域数据的样本数。
Step4:针对步骤3获得的目标域样本特征和源域样本特征,进行转子系统典型故障模式识别。如图2所示,构建改进的LSSVM分类器,迁移后的特征向量矩阵输入到改进的LSSVM分类器中,实现基于实时监测数据的故障分类。
本发明利用基于RBF核的LSSVM作为弱分类器。在使用RBF核训练LSSVM时,惩罚因子C和核函数宽度参数σ是决定其分类性能和泛化能力最重要的两个参数。本发明提出改进的LSSVM对这两个参数进行优化,自适应确定初始参数值,更精确的锁定集成算法搜索迭代范围,提高分类性能。算法的数学表达式为:
式中,为寻找两个参数C和σ最优位置的迭代公式,Xbest和Xworst分别表示当前针对源域数据和目标域数据的全局最优位置和最差位置,t为当前迭代次数,β为正态分布随机数,ε为最小的常数,避免分母为零,K为[-1,1]之间的随机数,fi为根据源域和目标域数据针对当前迭代次数的适应度值,fg为全局最优适应度值,fw为全局最差适应度值。
本发明具有以下有益效果:
本发明提出的一种基于数据驱动的转子系统典型故障自动识别方法,解决了实际工程应用中不同设备不同工况转子系统跨域故障诊断的问题,突破了设备故障诊断依赖外部专家和先验知识以及传统自动故障识别模型泛化性不高造成的模型识别精度低的问题。相比于通过每台设备获取所有的故障类型数据构建一对一的故障诊断模型,本发明的优点是:快速(大幅减少数据建模时间)、简洁(降低故障分类的复杂度)、泛化性好(提高不同工况转子系统故障识别效率),不会出现由于某台设备故障数据缺失而无法进行故障诊断的情况,值得推广。
附图说明
图1为本发明算法流程示意图。
图2为改进的LSSVM算法流程图。
图3为训练数据时域波形。
图4为训练数据频谱。
图5为测试数据时域波形。
图6为测试数据频谱。
图7为模型测试结果。
具体实施方式
为详细叙述上述过程,以某公司真实的离心压缩机、蒸汽轮机、烟气轮机转子系统的典型故障标签数据为例,选择分别来自五家不同的石化企业的轴系不对中、转子不平衡、油膜涡动、碰摩和喘振五类典型故障案例数据作为训练数据。训练数据说明如表1所示,每类故障状态数据各150组,共750组数据作为训练集。
表1.训练数据集描述
(1)通过ABC算法自适应确定参数K取值;
(2)利用EMD方法将转子系统诊断信号分解为一系列IMF分量;
(3)通过敏感IMF分量评价指标筛选敏感的IMF分量重构;
(4)计算重构信号的15个尺度MDE值;
(5)综合计算时间和特征信息对故障识别准确率的影响考虑,筛选计算出的MDE值作为样本的特征向量。由轴系不对中、转子不平衡、油膜涡动、碰摩和喘振五类故障标签数据计算出的特征值作为故障识别知识库,且分别对应标签1,2,3,4,5。
选择另外五家石化企业转子系统故障数据作为测试数据,如表2所示,每类故障数据各100组,共500组数据作为测试数据。
表2.测试数据集描述
(1)利用优化的EMD将实时振动数据分解为K个IMF分量;
(2)通过敏感特征指标筛选IMF分量进行重构;
(3)计算重构信号的MDE值;
(4)将故障识别知识库中的特征值作为源域输入,实时数据计算出的特征值作为目标域输入,利用TCA方法将两者同时映射到高维再生希尔伯特空间中,最小化源域与目标域之间的距离。
(5)将迁移变化后得到的特征矩阵输入改进的LSSVM分类器中,通过“一对一”分类原则,自动输出故障识别结论。
训练数据的时域波形和频谱如图3和图4所示,测试数据的时域波形和频谱如图5和图6所示,表明选择的五类代表性故障数据均有典型且有区别的故障特征,可以用于模型的训练和测试。测试结果如图7所示,模型对轴系不对中、转子不平衡、油膜涡动、碰摩和喘振五类故障的识别精度分别为98%,100%,99%,97%和99%,平均识别精度为98.6%。结果表明,该模型对不同设备和运行工况下的转子系统故障数据有较好的识别效果,表现出该方法具有良好的泛化性能和工程应用前景。
Claims (4)
1.一种数据驱动的转子系统典型故障模式自动识别方法,其特征在于,利用优化的经验模态分解进行信号预处理,筛选多尺度散布熵作为故障敏感特征信号,采用迁移成分分析进行迁移学习,应用改进的最小二乘支持向量机进行故障模式分类;转子系统故障识别模型有离线训练模式和在线诊断模式两种工作模式。
2.根据权利要求1所述的一种数据驱动的转子系统典型故障模式自动识别方法,其特征在于:离线训练模式如下:离线训练工作模式包括信号处理、特征提取及故障识别知识库的构建;具体步骤如下:
Step1:转子系统原始振动信号数据构成典型故障训练数据集,包括轴系不对中故障数据、转子不平衡故障数据、油膜涡动故障数据、碰摩故障数据和喘振故障数据;
Step2:针对步骤1所述的训练数据集,利用EMD方法进行数据降噪处理;EMD方法对应的分解函数表达式为:
式中,t为原始信号时间序列,x(t)为步骤1训练数据集中原始振动波形信号,K为原始信号的分解层数,ck为原始信号分解得到的IMF分量信号,rk为原始信号分解后的残差信号;
根据人工蜂群算法自适应确定原始信号的分解层数K值;利用优化的EMD将振动信号分解为一系列IMF分量;
Step3:针对步骤2分解得到的一系列IMF分量,为筛选包含故障信息的敏感IMF分量,提出特征联合分析方法筛选IMF分量,对敏感的IMF分量进行重构;
提出一个敏感IMF分量评价指标IRE,将这些IRE值从大到小排序;选取敏感IMF分量重构,其他分量被视为噪声成分除去;
式中,ri为第i个IMF分量与其原始振动信号之间的相关系数,ei为第i个IMF分量与原始信号之间的能量比ei;
Step4:针对步骤3筛选重构后的信号,进行特征值计算:计算重构信号的MDE值;
MDE的计算公式为:
式中,X是步骤3筛选出的重构信号,c是将重构信号转变为映射向量之后的类别个数,m是将映射向量转化为嵌入向量的嵌入维数,d是嵌入向量的时延因子,为嵌入向量对应的散布模式π的概率,τ为重构信号分解的尺度因子;
Step5:针对步骤4计算的特征值,建立五类旋转机械典型故障特征向量空间;计算五种典型的已知标签故障数据的MDE值,构建转子系统典型故障识别知识库。
3.根据权利要求1所述的一种数据驱动的转子系统典型故障模式自动识别方法,其特征在于:在线诊断模式如下:在线诊断工作模式包括特征值计算、迁移学习和故障自动识别模块;具体步骤如下:
Step1:将未经过预处理的转子系统实时振动数据输入模型;
Step2:针对步骤1中的实时数据,利用优化的EMD算法对实时振动信号进行分解,对敏感的IMF分量进行筛选重构,再计算重构信号的MDE值;
Step3:针对步骤2计算的MDE值,应用TCA方法,最小化训练数据与实时数据间的数据差异;将实时数据计算得到的MDE值作为目标域数据和故障识别知识库中的源域数据分别映射到高维再生希尔伯特空间,分别得到目标域样本特征和源域样本特征;
源域中的输入XS和目标域中的输入XT间的距离如式(6)所示:
Dist(XS,XT)=tr(KL) (4)
其中,源域数据和目标域数据的核矩阵K和参数矩阵L的定义如下所示:
式中,KS,S,KT,T,KS,T分别对应源域、目标域、跨域数据上定义的核矩阵;xi为实时数据,xj为故障知识库中的数据;ns为源域数据的样本数,nt为目标域数据的样本数;
Step4:针对步骤3获得的目标域样本特征和源域样本特征,进行转子系统典型故障模式识别;构建改进的LSSVM分类器,迁移后的特征向量矩阵输入到改进的LSSVM分类器中,实现基于实时监测数据的故障分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669219.7A CN114358075A (zh) | 2021-12-31 | 2021-12-31 | 一种数据驱动的转子系统典型故障自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669219.7A CN114358075A (zh) | 2021-12-31 | 2021-12-31 | 一种数据驱动的转子系统典型故障自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358075A true CN114358075A (zh) | 2022-04-15 |
Family
ID=81106022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111669219.7A Pending CN114358075A (zh) | 2021-12-31 | 2021-12-31 | 一种数据驱动的转子系统典型故障自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358075A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994308A (zh) * | 2023-03-22 | 2023-04-21 | 中科航迈数控软件(深圳)有限公司 | 基于元学习的数控机床故障识别方法、系统、设备及介质 |
CN117873909A (zh) * | 2024-03-13 | 2024-04-12 | 上海爱可生信息技术股份有限公司 | 故障诊断执行方法、故障诊断执行系统、电子设备及存储介质 |
-
2021
- 2021-12-31 CN CN202111669219.7A patent/CN114358075A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994308A (zh) * | 2023-03-22 | 2023-04-21 | 中科航迈数控软件(深圳)有限公司 | 基于元学习的数控机床故障识别方法、系统、设备及介质 |
CN117873909A (zh) * | 2024-03-13 | 2024-04-12 | 上海爱可生信息技术股份有限公司 | 故障诊断执行方法、故障诊断执行系统、电子设备及存储介质 |
CN117873909B (zh) * | 2024-03-13 | 2024-05-28 | 上海爱可生信息技术股份有限公司 | 故障诊断执行方法、故障诊断执行系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Intelligent fault diagnosis method based on full 1-D convolutional generative adversarial network | |
Saufi et al. | Gearbox fault diagnosis using a deep learning model with limited data sample | |
Lindemann et al. | Anomaly detection in discrete manufacturing using self-learning approaches | |
Huo et al. | Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures | |
Zhang et al. | Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111259532B (zh) | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 | |
CN114358075A (zh) | 一种数据驱动的转子系统典型故障自动识别方法 | |
Zhou et al. | Remaining useful life prediction and fault diagnosis of rolling bearings based on short-time fourier transform and convolutional neural network | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN112036301A (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN112393934B (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
Zhao et al. | Data augmentation via randomized wavelet expansion and its application in few-shot fault diagnosis of aviation hydraulic pumps | |
Dong et al. | Intelligent fault diagnosis of rolling bearings based on refined composite multi-scale dispersion q-complexity and adaptive whale algorithm-extreme learning machine | |
CN112765890A (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
Xin et al. | An intelligent fault diagnosis method of rotating machinery based on deep neural networks and time-frequency analysis | |
CN112860183A (zh) | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 | |
Addeh et al. | Control chart patterns detection using COA based trained MLP neural network and shape features | |
Huo et al. | A class-level matching unsupervised transfer learning network for rolling bearing fault diagnosis under various working conditions | |
Xu et al. | Bearing Fault Diagnosis in the Mixed Domain Based on Crossover‐Mutation Chaotic Particle Swarm | |
Xiao et al. | Health assessment for piston pump using LSTM neural network | |
Cao et al. | A novel method for detection of wind turbine blade imbalance based on multi-variable spectrum imaging and convolutional neural network | |
CN115563464A (zh) | 一种基于量子卷积神经网络的核阀门异常状态识别方法 | |
Li et al. | Comparison of data-driven prognostics models: A process perspective | |
Kang et al. | Gearbox fault diagnosis method based on wavelet packet analysis and support vector machine |
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 |