CN115587294A - 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 - Google Patents

一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 Download PDF

Info

Publication number
CN115587294A
CN115587294A CN202211568124.0A CN202211568124A CN115587294A CN 115587294 A CN115587294 A CN 115587294A CN 202211568124 A CN202211568124 A CN 202211568124A CN 115587294 A CN115587294 A CN 115587294A
Authority
CN
China
Prior art keywords
blade tip
compressor
tip clearance
bearing vibration
denoising
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.)
Granted
Application number
CN202211568124.0A
Other languages
English (en)
Other versions
CN115587294B (zh
Inventor
王平
盖文
何虹亮
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.)
Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
Original Assignee
Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
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 Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center filed Critical Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
Priority to CN202211568124.0A priority Critical patent/CN115587294B/zh
Publication of CN115587294A publication Critical patent/CN115587294A/zh
Application granted granted Critical
Publication of CN115587294B publication Critical patent/CN115587294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及机械装备的健康监测领域，公开了一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，包括离线训练阶段和在线诊断阶段；其中离线训练阶段是通过调取压缩机中叶尖间隙和轴承振动的历史数据，以及对应的故障类别；训练并获得使适应度值最大的新去噪自编码器；再建立映射模型；其中在线诊断是获取最新的压缩机中叶尖间隙和轴承振动的新数据，新数据通过新去噪自编码器处理，再通过映射模型输出故障类别；本发明利用叶尖间隙和轴承振动的特征，通过黑寡妇算法优化的去噪自编码器进行降维和去噪，并通过神经网络实现压缩机的故障诊断，准确率高，计算量小。

Description

一种基于叶尖间隙和轴承振动的压缩机故障诊断方法
技术领域
本发明涉及机械装备的健康监测领域，具体讲是一种基于叶尖间隙和轴承振动的压缩机故障诊断方法。
背景技术
压缩机是动力系统中最为关键的设备，由于其对加工制造精度、安装调试、工作环境以及设备维护等方面都有极高的要求，同时具有变速、变载荷、持久工作等特点，因此压缩机是动力系统中最容易发生故障的设备。压缩机能否正常运行会对整个动力系统的运行状况产生重要的影响，不仅影响试验质量，进而影响工作进度，还会造成巨大的经济财产损失，甚至是危及工人的人身安全。
现有的方法主要是振动信号分析法，但仅通过振动信号较难诊断更多的压缩机故障。
发明内容
因此，为了解决上述不足，本发明在此提供一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，利用叶尖间隙和轴承振动的特征，通过黑寡妇算法优化的去噪自编码器进行降维和去噪，并通过神经网络实现压缩机的故障诊断。
具体的，一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，包括离线训练阶段和在线诊断阶段：
其中离线训练阶段是通过调取压缩机中叶尖间隙和轴承振动的历史数据，以及对应的故障类别；训练并获得使适应度值最大的新去噪自编码器；再建立映射模型；
其中在线诊断是获取最新的压缩机中叶尖间隙和轴承振动的新数据，新数据通过新去噪自编码器处理，再通过映射模型输出故障类别。
发明具有如下优点：
本发明利用叶尖间隙和轴承振动的特征，通过黑寡妇算法优化的去噪自编码器进行降维和去噪，能够降低外界扰动，为后期诊断提供更可靠的数据，并通过神经网络实现压缩机的故障诊断。
附图说明
图1是本发明的流程示意图，在该图中虚线箭头是在线流程，实线箭头是离线流程；
图2是从去噪自编码器中获取抽象特征的示意图；
图3是通过神经网络建立特征和对应的故障类别之间的映射模型的示意图。
具体实施方式
下面将结合附图1对本发明进行详细说明，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。
如图1所示一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，该方法包括离线训练阶段和在线诊断阶段；
其中离线训练阶段如下：
步骤101、通过调取压缩机中叶尖间隙和轴承振动的历史数据
Figure 100002_DEST_PATH_IMAGE002
，以及对应的故障类别
Figure 100002_DEST_PATH_IMAGE004
；
步骤102、提取数据
Figure 100002_DEST_PATH_IMAGE006
的时域、频域和时频域的特征
Figure 100002_DEST_PATH_IMAGE008
，并通过去噪自编码器对特征
Figure 866284DEST_PATH_IMAGE008
进行降维和去噪，得到特征
Figure 100002_DEST_PATH_IMAGE010
；
步骤103、以特征
Figure 862053DEST_PATH_IMAGE008
和特征
Figure 376211DEST_PATH_IMAGE010
中特征之差的平方和的倒数为适应度值，通过黑寡妇算法优化去噪自编码器中的参数，从而获得使适应度值最大的去噪自编码器；优选的，适应度值
Figure 100002_DEST_PATH_IMAGE012
，其中，
Figure 100002_DEST_PATH_IMAGE014
为特征
Figure 100002_DEST_PATH_IMAGE016
或
Figure 100002_DEST_PATH_IMAGE018
的个数。
步骤104、在去噪自编码器的基础上，获得中间的抽象特征为特征
Figure 100002_DEST_PATH_IMAGE020
；如图2所述，最左侧的为特征
Figure 956707DEST_PATH_IMAGE008
，中间的抽象特征为特征
Figure 505500DEST_PATH_IMAGE020
，最右侧的为去噪自编码器特征
Figure 124700DEST_PATH_IMAGE018
；
步骤105、通过神经网络建立特征
Figure 673625DEST_PATH_IMAGE020
和对应的故障类别
Figure 606946DEST_PATH_IMAGE004
之间的映射模型，如图3所示，其中最左侧为输入层，其维数与特征
Figure 806983DEST_PATH_IMAGE020
的维数相同，最右侧为输出层，其维数与故障类别
Figure 331505DEST_PATH_IMAGE004
的维数相同，中间三层为隐藏层，使用遗传算法优化神经网络的参数，即通过遗传算法优化后的神经网络就是映射模型。
具体的，所述遗传算法优化可参照论文基于GA-BP神经网络的装甲车辆电路板故障诊断（谢永成,李光升,魏宁,李刚.基于GA-BP神经网络的装甲车辆电路板故障诊断[J].自动化与仪表,2022,37(08):97-101.DOI:10.19557/j.cnki.1001-9944.2022.08.021.参见摘要、第1节和第2节）中公开的方法。
具体的，所述黑寡妇算法优化可参照论文基于黑寡妇算法的特征选择方法研究（李郅琴,杜建强,聂斌,熊旺平,徐国良,罗计根,李冰涛.基于黑寡妇算法的特征选择方法研究[J].计算机工程与应用,2022,58(16):147-156.参见摘要、第2节和第3节）中公开的方法。
其中在线诊断阶段如下：
步骤201、获取最新的压缩机中叶尖间隙和轴承振动的数据
Figure 100002_DEST_PATH_IMAGE022
；
步骤202、提取数据
Figure 100002_DEST_PATH_IMAGE024
的时域、频域和时频域的特征，并通过步骤103中所述的去噪自编码器得到特征
Figure 100002_DEST_PATH_IMAGE026
；
步骤203、将特征
Figure 194156DEST_PATH_IMAGE026
作为神经网络的输入，则神经网络的输出即为故障类别
Figure 100002_DEST_PATH_IMAGE028
。
本方法用叶尖间隙和轴承振动的特征，通过黑寡妇算法优化的去噪自编码器进行降维和去噪，并通过神经网络实现压缩机的故障诊断，该方法准确率高，计算量小。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (3)

1.一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，其特征在于，包括如下步骤：
S1、离线训练；
通过调取压缩机中叶尖间隙和轴承振动的历史数据，以及对应的故障类别；训练并获得使适应度值最大的新去噪自编码器；再建立映射模型；
S2、在线诊断；
获取最新的压缩机中叶尖间隙和轴承振动的新数据，新数据通过新去噪自编码器处理，再通过映射模型输出故障类别。
2.根据权利要求1所述一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，其特征在于，所述步骤S1离线训练的具体方法如下：
S11、通过调取压缩机中叶尖间隙和轴承振动的历史数据
Figure DEST_PATH_IMAGE002
，以及对应的故障类别
Figure DEST_PATH_IMAGE004
；
S12、提取数据
Figure DEST_PATH_IMAGE006
的时域、频域和时频域的特征
Figure DEST_PATH_IMAGE008
，并通过去噪自编码器对特征
Figure 213864DEST_PATH_IMAGE008
进行降维和去噪，得到特征
Figure DEST_PATH_IMAGE010
；
S13、以特征
Figure 976677DEST_PATH_IMAGE008
和特征
Figure 287572DEST_PATH_IMAGE010
中特征之差的平方和的倒数为适应度值
Figure DEST_PATH_IMAGE012
，通过黑寡妇算法优化去噪自编码器中的参数，从而获得使适应度值最大的去噪自编码器；
所述适应度值
Figure DEST_PATH_IMAGE014
，其中，
Figure DEST_PATH_IMAGE016
为特征
Figure DEST_PATH_IMAGE018
或
Figure DEST_PATH_IMAGE020
的个数；
S14、在去噪自编码器的基础上，获得中间的抽象特征为特征
Figure DEST_PATH_IMAGE022
；
S15、通过神经网络建立特征
Figure 745098DEST_PATH_IMAGE022
和对应的故障类别
Figure DEST_PATH_IMAGE024
之间的映射模型，使用遗传算法优化神经网络的参数。
3.根据权利要求2所述一种基于叶尖间隙和轴承振动的压缩机故障诊断方法，其特征在于，所述步骤S2在线诊断的具体方法如下：
S21、获取最新的压缩机中叶尖间隙和轴承振动的数据
Figure DEST_PATH_IMAGE026
；
S22、提取数据
Figure DEST_PATH_IMAGE028
的时域、频域和时频域的特征，并通过步骤S13中所述的去噪自编码器得到特征
Figure DEST_PATH_IMAGE030
；
S23、将特征
Figure 529777DEST_PATH_IMAGE030
作为神经网络的输入，则神经网络的输出即为故障类别
Figure DEST_PATH_IMAGE032
。
CN202211568124.0A 2022-12-08 2022-12-08 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 Active CN115587294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211568124.0A CN115587294B (zh) 2022-12-08 2022-12-08 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211568124.0A CN115587294B (zh) 2022-12-08 2022-12-08 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法

Publications (2)

Publication Number Publication Date
CN115587294A true CN115587294A (zh) 2023-01-10
CN115587294B CN115587294B (zh) 2023-02-28

Family

ID=84783237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211568124.0A Active CN115587294B (zh) 2022-12-08 2022-12-08 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法

Country Status (1)

Country Link
CN (1) CN115587294B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116609672A (zh) * 2023-05-16 2023-08-18 国网江苏省电力有限公司淮安供电分公司 一种基于改进的bwoa -fnn算法的储能电池soc估计方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657250A (zh) * 2017-10-30 2018-02-02 四川理工学院 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN108062428A (zh) * 2017-10-30 2018-05-22 南京航空航天大学 一种涡扇发动机在线部件故障诊断方法及系统
CN109902393A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法
CN111323220A (zh) * 2020-03-02 2020-06-23 武汉大学 风力发电机齿轮箱故障诊断方法及系统
US20210081511A1 (en) * 2019-09-16 2021-03-18 Palo Alto Research Center Incorporated Machine learning based systems and methods for real time, model based diagnosis
CN113740066A (zh) * 2021-11-08 2021-12-03 中国空气动力研究与发展中心设备设计与测试技术研究所 一种压缩机轴承早期故障检测方法
CN114330513A (zh) * 2021-12-13 2022-04-12 宿松吉电新能源有限公司 风机叶片故障检测方法、装置、系统及存储介质
CN114722952A (zh) * 2022-04-20 2022-07-08 哈尔滨工业大学 一种基于表示学习的轴承故障检测和分类的一体化方法
CN115018158A (zh) * 2022-06-07 2022-09-06 华北电力大学（保定） 一种基于BWOA-BiGRU-LAM的SCR出口NOx排放预测方法
CN115310561A (zh) * 2022-09-29 2022-11-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于集成即时学习的电磁阀故障监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657250A (zh) * 2017-10-30 2018-02-02 四川理工学院 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN108062428A (zh) * 2017-10-30 2018-05-22 南京航空航天大学 一种涡扇发动机在线部件故障诊断方法及系统
CN109902393A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法
US20210081511A1 (en) * 2019-09-16 2021-03-18 Palo Alto Research Center Incorporated Machine learning based systems and methods for real time, model based diagnosis
CN111323220A (zh) * 2020-03-02 2020-06-23 武汉大学 风力发电机齿轮箱故障诊断方法及系统
CN113740066A (zh) * 2021-11-08 2021-12-03 中国空气动力研究与发展中心设备设计与测试技术研究所 一种压缩机轴承早期故障检测方法
CN114330513A (zh) * 2021-12-13 2022-04-12 宿松吉电新能源有限公司 风机叶片故障检测方法、装置、系统及存储介质
CN114722952A (zh) * 2022-04-20 2022-07-08 哈尔滨工业大学 一种基于表示学习的轴承故障检测和分类的一体化方法
CN115018158A (zh) * 2022-06-07 2022-09-06 华北电力大学（保定） 一种基于BWOA-BiGRU-LAM的SCR出口NOx排放预测方法
CN115310561A (zh) * 2022-09-29 2022-11-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于集成即时学习的电磁阀故障监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SEYED MOHAMMAD JAFAR JALALI 等: "New Hybrid Deep Neural Architectural Search-Based Ensemble Reinforcement Learning Strategy for Wind Power Forecasting", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》 *
傅彦铭 等: "角逐和信息素引导的多目标黑寡妇优化算法", 《计算机科学与探索》 *
李济邦: "基于数据驱动的航空发动机气路故障诊断研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
杨战社 等: "基于 EEMD 能量熵与 ANN 的矿用异步电机故障诊断", 《微电机》 *
王太勇等: "基于注意力机制BiLSTM的设备智能故障诊断方法", 《天津大学学报(自然科学与工程技术版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116609672A (zh) * 2023-05-16 2023-08-18 国网江苏省电力有限公司淮安供电分公司 一种基于改进的bwoa -fnn算法的储能电池soc估计方法
CN116609672B (zh) * 2023-05-16 2024-05-07 国网江苏省电力有限公司淮安供电分公司 一种基于改进的bwoa-fnn算法的储能电池soc估计方法

Also Published As

Publication number Publication date
CN115587294B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
Wang et al. A novel statistical time-frequency analysis for rotating machine condition monitoring
Amarnath et al. Exploiting sound signals for fault diagnosis of bearings using decision tree
CN110674842A (zh) 一种风电机组主轴轴承故障预测方法
Yongbo et al. Review of local mean decomposition and its application in fault diagnosis of rotating machinery
Wegerich Similarity based modeling of time synchronous averaged vibration signals for machinery health monitoring
Feng et al. A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines
CN112487910A (zh) 核电汽轮机系统故障预警方法及系统
CN109187024A (zh) 一种活塞式空压机曲轴箱滚动轴承故障诊断方法
CN115587294B (zh) 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法
Wang et al. A deep learning based health indicator construction and fault prognosis with uncertainty quantification for rolling bearings
Xia et al. An improved underdamped asymmetric bistable stochastic resonance method and its application for spindle bearing fault diagnosis
Zhang et al. Generalized transmissibility damage indicator with application to wind turbine component condition monitoring
Leite et al. Bearing fault detection in induction machine using squared envelope analysis of stator current
Rafiq et al. Application of multivariate signal analysis in vibration‐based condition monitoring of wind turbine gearbox
CN114625009A (zh) 一种基于系统辨识和最优滤波的故障检测方法
Sun et al. Integrated fault diagnosis of rolling bearings based on improved multichannel singular spectrum analysis and frequency–spatial domain decomposition
CN111610021B (zh) 一种齿轮箱早期故障检测方法
CN116383739A (zh) 基于域自适应的多模态数据融合的智能故障诊断方法
Madhukar et al. A Machine Learning Based Methodology for Fault Diagnosis in Rotating Machine
Martins et al. Improved variational mode decomposition for combined imbalance-and-misalignment fault recognition and severity quantification
Magnus et al. Vibration-based condition monitoring of heavy duty machine driveline parts: Torque converter, gearbox, axles and bearings
Song et al. Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement
Gu et al. Weak fault feature extraction of rolling element bearings based on ensemble tunable Q-factor wavelet transform and non-dominated negentropy
Srilakshmi et al. A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements
AbdulBary et al. Fault Diagnosis in Rotating System Based on Vibration Analysis

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