CN116089848A - 一种基于核模糊c均值聚类的输油泵故障诊断自学习方法 - Google Patents
一种基于核模糊c均值聚类的输油泵故障诊断自学习方法 Download PDFInfo
- Publication number
- CN116089848A CN116089848A CN202211573646.XA CN202211573646A CN116089848A CN 116089848 A CN116089848 A CN 116089848A CN 202211573646 A CN202211573646 A CN 202211573646A CN 116089848 A CN116089848 A CN 116089848A
- Authority
- CN
- China
- Prior art keywords
- vibration data
- transfer pump
- oil transfer
- diagnosed
- fuzzy
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种输油泵故障诊断技术领域,尤其涉及一种基于核模糊C均值聚类的输油泵故障诊断自学习方法,包括:得到每条历史振动数据对应的归一化后的六维的特征向量采集并根据待诊断输油泵运行过程的振动数据,得到待诊断输油泵的振动数据对应的归一化后的六维的特征向量;根据待诊断输油泵的振动数据对应的归一化后的六维的特征向量,计算该振动数据与各聚类中心的相似度,判断待诊断输油泵的振动数据是否对应已知故障,得到判断结果;若是,确定待诊断输油泵的振动数据对应的故障,若否,记录为一条新故障模式数据并存储。能够及时对输油泵进行故障诊断,并在故障诊断的基础上使模型具有自学习能力。
Description
背景技术
油气管道作为重要的基础设施,关系到能源安全和社会稳定。输油泵是油气管道的关键设备,随着服役年限的增长,输油泵发生故障的概率增加,如果不能及时发现,消除隐患,将会对输油生产造成严重影响。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了一种基于核模糊C均值聚类的输油泵故障诊断自学习方法。
本发明的一种基于核模糊C均值聚类的输油泵故障诊断自学习方法的技术方案如下:
获取输油泵的历史振动数据集中的每条历史振动数据对应的归一化后的六维的特征向量,利用所有归一化后的六维的特征向量,构造训练集和测试集;
基于训练集和测试集,得到训练好的核模糊C均值聚类模型;
采集并根据待诊断输油泵运行过程的振动数据,得到所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量;
根据所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量,计算该振动数据与各聚类中心的相似度,判断所述待诊断输油泵的振动数据是否对应已知故障,得到判断结果;
当判断结果为是时,则将所述待诊断输油泵的振动数据划分至与该振动数据相似度最高的聚类中心,并结合该聚类中心的故障标签确定所述待诊断输油泵的振动数据对应的故障,当判断结果为否时,则记录该未知故障出现的次数,当出现的次数达到设定的阈值时,将其标记为新故障模式,将该故障模式下的振动数据制作为样本,并加入所述训练集,重新训练核模糊C均值聚类模型。
本发明的一种基于核模糊C均值聚类的输油泵故障诊断自学习系统的技术方案如下:
包括获取构造模块、训练模块、采集获取模块、第一判断模块和确定模块;
所述获取构造模块用于:获取输油泵的历史振动数据集中的每条历史振动数据对应的归一化后的六维的特征向量,利用所有归一化后的六维的特征向量,构造训练集和测试集;
所述训练模块用于:基于训练集和测试集,得到训练好的核模糊C均值聚类模型;
所述采集获取模块用于:采集并根据待诊断输油泵运行过程的振动数据,得到所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量;
所述第一判断模块用于:根据所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量,计算该振动数据与各聚类中心的相似度,判断所述待诊断输油泵的振动数据是否对应已知故障,得到判断结果;
所述确定模块用于:当判断结果为是时,则将所述待诊断输油泵的振动数据划分至与该振动数据相似度最高的聚类中心,并结合该聚类中心的故障标签确定所述待诊断输油泵的振动数据对应的故障,当判断结果为否时,则记录该未知故障出现的次数,当出现的次数达到设定的阈值时,将其标记为新故障模式,将该故障模式下的振动数据制作为样本,并加入所述训练集,重新训练核模糊C均值聚类模型。
本发明的一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上述任一项所述的一种基于核模糊C均值聚类的输油泵故障诊断自学习方法。
本发明的一种电子设备,包括处理器和上述的存储介质,所述处理器执行所述存储介质中的指令。
本发明技术方案的有益效果如下:
能够及时对输油泵进行故障诊断,并在故障诊断的基础上使模型具有自学习能力,可以完善、扩充模型的可识别故障的类型,能够使得更多的故障变得可识别、可预警,提高输油泵的安全使用能力,更好的提升效率、节约成本。
附图说明
图1为本发明实施例的一种基于核模糊C均值聚类的输油泵故障诊断自学习方法的流程示意图;
图2为振动数据的波形图;
图3为集合经验模态分解后所得到的IMF分量;
图4为对新故障模式的识别发现实验结果的示意图;
图5为模型自学习能力实验结果;
图6为本发明实施例的一种基于核模糊C均值聚类的输油泵故障诊断自学习系统的结构示意图。
具体实施方式
如图1所示,本发明实施例的一种基于核模糊C均值聚类的输油泵故障诊断自学习方法,包括如下步骤:
S1、获取输油泵的历史振动数据集中的每条历史振动数据对应的归一化后的六维的特征向量,利用所有归一化后的六维的特征向量,构造训练集和测试集;
S2、基于训练集和测试集,得到训练好的核模糊C均值聚类模型;
S3、采集并根据待诊断输油泵运行过程的振动数据,得到待诊断输油泵的振动数据对应的归一化后的六维的特征向量;
S4、根据待诊断输油泵的振动数据对应的归一化后的六维的特征向量,计算该振动数据与各聚类中心的相似度,判断待诊断输油泵的振动数据是否对应已知故障,得到判断结果;
S5、当判断结果为是时,则将待诊断输油泵的振动数据划分至与该振动数据相似度最高的聚类中心,并结合该聚类中心的故障标签确定待诊断输油泵的振动数据对应的故障,当判断结果为否时,则记录该未知故障出现的次数,当出现的次数达到设定的阈值时,将其标记为新故障模式,将该故障模式下的振动数据制作为样本,并加入训练集,重新训练核模糊C均值聚类模型。
本发明能够及时对输油泵进行故障诊断,并在故障诊断的基础上使模型具有自学习能力,可以完善、扩充模型的可识别故障的类型,能够使得更多的故障变得可识别、可预警,提高输油泵的安全使用能力,更好的提升效率、节约成本。
可选地,在上述技术方案中,S1中,得到每条历史振动数据对应的归一化后的六维的特征向量的过程为:
S10、对历史振动数据集中每条历史振动数据进行集合经验模态分解,获取每条历史振动数据的IMF分量;
S11、在每条历史振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到每条历史振动数据对应的六维的特征向量;
S12、对每个六维的特征向量进行归一化处理,得到每条历史振动数据对应的归一化后的六维的特征向量。
可选地,在上述技术方案中,S2中,基于训练集和测试集,得到训练好的核模糊C均值聚类模型,包括:
S20、构建核模糊C均值聚类模型,并且初始化核模糊C均值聚类模型中的聚类中心和隶属度矩阵;
S21、迭代计算聚类中心,更新隶属度矩阵;
S22、判断隶属度矩阵的变化精度是否符合要求,达到要求则终止训练,否则继续迭代训练,重复执行S21,直至隶属度矩阵的变化精度符合要求;
S23、对符合变化精度符合要求的隶属度矩阵进行模糊化处理,使训练集中的每个样本对最新得到的聚类中心的隶属度最大为1,其余为0,得到训练好的核模糊C均值聚类模型,训练好的核模糊C均值聚类模型包括符合变化精度符合要求的隶属度矩阵和最新得到的聚类中心。
可选地,在上述技术方案中,S3中,根据待诊断输油泵运行过程的振动数据,得到待诊断输油泵的振动数据对应的归一化后的六维的特征向量,包括:
S30、对待诊断输油泵的振动数据进行集合经验模态分解,获取待诊断输油泵的振动数据的IMF分量;
S31、在待诊断输油泵的振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到待诊断输油泵的振动数据对应的六维的特征向量;
S32、对待诊断输油泵的振动数据对应的六维的特征向量进行归一化处理,得到待诊断输油泵的振动数据对应的归一化后的六维的特征向量。
下面通过一个完整的实施例,对本发明的一种基于核模糊C均值聚类的输油泵故障诊断自学习方法进行说明,包括S100~S114,具体地:
S100、获取输油泵的历史振动数据集;
S101、对历史振动数据集中每条历史振动数据进行集合经验模态分解,获取每条历史振动数据的IMF分量,其中,振动数据如图2所示。
其中,集合经验模态分解的原理为:
在原始振动信号的基础上加入一组或多组白噪声信号,再讲混合后的复杂信号分解为有限个本征模函数(IMF),所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信息,表征了数据的内在振动模式。同时,由于加入了白噪声信号,抑制了分解过程中出现的端点效应和模态混叠现象。由于引入了白噪声扰动并进行集合平均,从而避免了尺度混合问题,使得最终分解的各分量保持了物理上的唯一性,保留了信号本身具有实际物理意义的信息,具体包括S1011~S1014:
S1011、对原始信号添加白噪声序列:
xi(t)=x(t)+ni(t)
式中,xi(t)是对原始信号数据x(t)添加第i个白噪声后得到的新信号,ni(t)是白噪声。
S1012、对于加入白噪声后的信号,做经验模态分解。首先找出其所有局部极大值和极小值,然后利用三次样条插值方法形成上包络线u1(t)和下包络线u2(t),则局部均值包络线m1(t)可表示为:
添加白噪声后的信号xi(t)减去局部均值包络线m1(t),可得第一向量h1:
h1(t)=xi(t)-m1(t)
如h1(t)不满足IMF条件,则视其为新的xi(t),重复以上计算步骤,经过多次重复,得到满足要求的IMF分量。
S1013、反复重复以上两步操作即反复重复执行S1011和S1012,每次加入振幅相同的新生的白噪声序列从而得到不同的IMFs,如图3所示。
S1014、将各次分解得到的IMFs进行集合平均,使加入的白噪声互相抵消,得到最终分解后的IMFs,以便于选取与原始振动信号相关性较高的前6个IMF用于表征原始振动信号。
S102、在每条历史振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到每条历史振动数据对应的六维的特征向量。
其中,奇异值分解的原理为:奇异值分解可对任意矩阵进行矩阵分解,一个m×n的矩阵,通过奇异值分解可将其分解为:
A=U∑VT
其中,A是一个m×n的矩阵,U是一个m×n的正交矩阵,∑是一个n×n的对角矩阵,V是一个n×n的正交矩阵,∑也称作奇异值矩阵,其除了对角线上是奇异值其他位置都是0,对于奇异值,它在奇异值矩阵中按照从大到小排列,而且奇异值的减少快,在大多数情况下,前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例,因此,使用用最大的k个的奇异值和矩阵U、V中对应的左右其奇异向量可近似描述原始矩阵A。由于上述性质,可通过奇异值分解对集合经验模态分解得到的各IMFs组成的矩阵进行特征降维,以计算出的奇异值作为特征来表征原始振动信号。具体包括S1021~S1023:
S1021、将各IMFs组成的矩阵A的转置矩阵AT和A做矩阵乘法,得到方阵ATA,并进行以下特征分解:
(ATA)vi=λivi
由此可以得到ATA的n个特征向量vi,ATA的所有特征向量组成n×n的矩阵V。
S1022、将各IMFs组成的矩阵A与其转置矩阵AT做矩阵乘法,得到方阵AAT,并进行以下特征分解:
(AAT)ui=λiui
由此可以得到AAT的m个特征向量ui,AAT的所有特征向量组成m×m的矩阵U。
S1023、由于矩阵∑除了对角线上是奇异值其他位置都是0,因此需要求取每个奇异值σ,通过A=U∑VT,可得AV=U∑,因此Avi=σiui,σi=Avi/ui,由此可求得各奇异值。由于矩阵A由6个IMF组成,因此可求得6个奇异值,组成一个六维的向量,以此作为原始振动信号的特征向量,通过集合经验模态分解和奇异值分解对原始振动信号进行特征提取,最终得到六维的特征向量。
S103、对每个六维的特征向量进行归一化处理,得到每条历史振动数据对应的归一化后的六维的特征向量。
S104、利用所有归一化后的六维的特征向量,构造训练集和测试集。
S105、构建核模糊C均值聚类模型,并且初始化核模糊C均值聚类模型中的聚类中心和隶属度矩阵。
其中,构建核模糊C均值聚类模型的构建主要包括两方面,一方面需要选取合适的核函数,另一方面需要将核函数与模糊C均值聚类模型结合,构建核模糊C均值聚类算法模型,用于输油泵已知、未知故障的识别诊断。构建核模糊C均值聚类模型的过程为S1051~S1052:
S1051、选取核函数:
核函数可以将原始空间中的向量从低维空间转换至高维空间,使得在低维空间中不可线性分类的问题,在高维度空间可以线性分类。基于以上原理,核函数可提高分类算法在振动数据集等复杂数据集上的分类准确率。核函数主要包括线性核函数、多项式核函数、高斯核函数等,具体问题中核函数常根据输入数据的维度进行选择,由于本算法模型的输入为经过特征提取后的六维特征,特征向量的维度比较小,因为选取高斯核函数,高斯核函数定义如下:
其中,x′为核函数中心,||x-x′||2为向量x和向量x′的欧式距离,随着两个向量的距离增大,高斯核函数单调递减。
S1052、构建核模糊C均值聚类算法模型:
将核函数与模糊C均值聚类模型相结合,在计算样本与聚类的距离时加入核函数,对模糊C均值聚类的目标函数进行优化,得到最终的核模糊C均值聚类算法模型目标函数为:
其中,oi为聚类中心,c为聚类数量,n为样本数量,μik为第k个样本相对于第i个类之间的隶属度,m为权重因子。
S106、迭代计算聚类中心,更新隶属度矩阵。
S107、判断隶属度矩阵的变化精度是否符合要求,达到要求则终止训练,否则继续迭代训练,重复执行S21,直至隶属度矩阵的变化精度符合要求。
S108、对符合变化精度符合要求的隶属度矩阵进行模糊化处理,使训练集中的每个样本对最新得到的聚类中心的隶属度最大为1,其余为0,得到训练好的核模糊C均值聚类模型,训练好的核模糊C均值聚类模型包括符合变化精度符合要求的隶属度矩阵和最新得到的聚类中心。
S109、获取待诊断输油泵运行过程的振动数据。
S110、对待诊断输油泵的振动数据进行集合经验模态分解,获取待诊断输油泵的振动数据的IMF分量。
S111、在待诊断输油泵的振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到待诊断输油泵的振动数据对应的六维的特征向量。
S112、对待诊断输油泵的振动数据对应的六维的特征向量进行归一化处理,得到待诊断输油泵的振动数据对应的归一化后的六维的特征向量。
S113、根据待诊断输油泵的振动数据对应的归一化后的六维的特征向量,计算该振动数据与各聚类中心的相似度,判断待诊断输油泵的振动数据是否对应已知故障,得到判断结果。
其中,对输油泵运行过程中采集的振动数据进行识别诊断时,需要构造合适的相似度函数来计算样本xnew与通过训练最终输出的各聚类中心oi的相似度,区分已知故障和未知故障。构造相似度函数如下:
其中,d(xnew,oi)为新样本xnew与聚类中心oi在和空间上的欧式距离,davg为第i类中所有严讷对于聚类中心oi在和空间上的平均欧式距离。
其中,|Ci|为划分在第i类的样本数量。
S114、当判断结果为是时,则将待诊断输油泵的振动数据划分至与该振动数据相似度最高的聚类中心,并结合该聚类中心的故障标签确定待诊断输油泵的振动数据对应的故障,当判断结果为否时,则记录该未知故障出现的次数,当出现的次数达到设定的阈值时,将其标记为新故障模式,将该故障模式下的振动数据制作为样本,并加入训练集,重新训练核模糊C均值聚类模型。
对于模型自学习能力的验证,利用输油泵振动数据集进行测试,该数据集主要包括正常、内圈故障、外圈故障、滚动体故障四种类型,分别在已知故障诊断能力、未知故障识别发现能力及模型自学习能力两方面进行了验证。
1)已知故障诊断能力验证:
利用输油泵历史振动数据对核模糊C均值聚类算法模型进行训练,由表一可以得出,采用本算法模型,可以在迭代次数相对较少的情况下,达到99%的分类准确率,证明了本算法模型对已知故障诊断的有效性,对已知故障的诊断能力如表1所示。
表1:
2)未知故障识别发现能力及自学习能力验证:
将输油泵正常、外圈故障、滚动体故障三类故障数据作为训练数据,输入本算法模型中进行分类,并以内圈故障数据作为测试数据,计算内圈故障测试数据与三类历史已知故障的相似度,其中某一振动数据样本的相似度计算结果如下:
[2.52×10-18,2.88×10-8,2.86×10-9]
设置相似度阈值为0.5,由计算结果可得,测试样本与三类历史已知故障相似度均小于阈值0.5,则输出测试样本是除三类历史已知故障以外的其他未知故障,这与实际情况相符。本算法模型对新故障的识别发现实验结果图见图4,其中“+”表示测试数据,从图4可以看出,测试数据与其他三类历史已知故障距离较大,因此通过本算法模型,可以实现对已知故障与未知故障的区分,实现对未知故障的发现。
同时,由于内圈故障数据作为测试数据被本算法模型识别为未知故障模式,且该故障模式被模型识别检测到多次,达到了设置的阈值常数10,因此,模型将其识别为新故障模式,并将多次检测到的该故障模式数据加入训练数据集,结合人工现场对该故障模式检测结果,重新训练算法模型,实现对模型可诊断故障类型的扩充。加入新故障数据后,重新训练算法模型的结果见图5,算法模型所能识别的历史已知故障由三种变为四种,证明了本算法模型的自学习能力。
本发明的技术效果如下:
1)本发明的方法具有自学习能力,可以使故障诊断模型半自动的扩充可诊断故障类型。
2)利用集合经验模态分解和奇异值分解对振动数据进行特征提取,降低了振动数据的维度,进而降低了算法运算的复杂度,减少了模型训练的时间花销。
3)在进行了大量实验的基础上,发现模糊C均值聚类算法融合了K-means等硬聚类算法与模糊数学理论,可以得到比硬聚类更加灵活准确的聚类结果,但其在振动数据集上表现不好,诊断准确率不高,因此,在模糊C均值聚类算法中加入核函数,通过核函数将振动数据特征变换到高维空间后,再利用模糊C均值聚类方法进行聚类分析,得到了最终对已知故障分类精确度达到99%,并且能够发现新故障模式的模型。
4)本发明设计了一种基于核模糊C均值聚类的故障诊断自学习方法,应用在输油泵的故障诊断上。针对传统故障诊断方法只可以对训练集中已知故障进行诊断的不足,本方法设计自学习模式,可以对未知故障进行发现,使故障诊断模型半自动的扩充可诊断故障类型。本方法利用集合经验模态分解和奇异值分解对振动数据进行特征提取,降低了振动数据的维度,减少了模型训练的时间花销;利用融合了核函数的模糊C均值聚类算法,以特征提取后的六维特征向量作为模型的输入,在已知故障诊断能力、未知故障识别发现能力及模型自学习能力两方面分别进行了验证,证明了算法模型的有效性,并将最终得到的模型运用到输油泵的故障诊断中。
在上述各实施例中,虽然对步骤进行了编号S1、S2等,但只是本申请给出的具体实施例,本领域的技术人员可根据实际情况调整S1、S2等的执行顺序,此也在本发明的保护范围内,可以理解,在一些实施例中,可以包含如上述各实施方式中的部分或全部。
如图6所示,本发明实施例的一种基于核模糊C均值聚类的输油泵故障诊断自学习系统200,包括获取构造模块210、训练模块220、采集获取模块230、第一判断模块240和确定模块250;
获取构造模块210用于:获取输油泵的历史振动数据集中的每条历史振动数据对应的归一化后的六维的特征向量,利用所有归一化后的六维的特征向量,构造训练集和测试集;
训练模块220用于:基于训练集和测试集,得到训练好的核模糊C均值聚类模型;
采集获取模块230用于:采集并根据待诊断输油泵运行过程的振动数据,得到待诊断输油泵的振动数据对应的归一化后的六维的特征向量;
第一判断模块240用于:根据待诊断输油泵的振动数据对应的归一化后的六维的特征向量,计算该振动数据与各聚类中心的相似度,判断待诊断输油泵的振动数据是否对应已知故障,得到判断结果;
确定模块250用于:当判断结果为是时,则将待诊断输油泵的振动数据划分至与该振动数据相似度最高的聚类中心,并结合该聚类中心的故障标签确定待诊断输油泵的振动数据对应的故障,当判断结果为否时,则记录该未知故障出现的次数,当出现的次数达到设定的阈值时,将其标记为新故障模式,将该故障模式下的振动数据制作为样本,并加入训练集,重新训练核模糊C均值聚类模型。
可选地,在上述技术方案中,获取构造模块210具体用于:
对历史振动数据集中每条历史振动数据进行集合经验模态分解,获取每条历史振动数据的IMF分量;
在每条历史振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到每条历史振动数据对应的六维的特征向量;
对每个六维的特征向量进行归一化处理,得到每条历史振动数据对应的归一化后的六维的特征向量。
可选地,在上述技术方案中,训练模块220包括构造模块、迭代更新模块、第二判断模块和模糊化处理模块;
构造模块用于:构建核模糊C均值聚类模型,并且初始化核模糊C均值聚类模型中的聚类中心和隶属度矩阵;
迭代更新模块用于:迭代计算聚类中心,更新隶属度矩阵;
第二判断模块用于:判断隶属度矩阵的变化精度是否符合要求,达到要求则终止训练,否则继续迭代训练,重复调用迭代更新模块,直至隶属度矩阵的变化精度符合要求;
模糊化处理模块用于:对符合变化精度符合要求的隶属度矩阵进行模糊化处理,使训练集中的每个样本对最新得到的聚类中心的隶属度最大为1,其余为0,得到训练好的核模糊C均值聚类模型,训练好的核模糊C均值聚类模型包括符合变化精度符合要求的隶属度矩阵和最新得到的聚类中心。
可选地,在上述技术方案中,采集获取模块230具体用于:
对待诊断输油泵的振动数据进行集合经验模态分解,获取待诊断输油泵的振动数据的IMF分量;
在待诊断输油泵的振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到待诊断输油泵的振动数据对应的六维的特征向量;
对待诊断输油泵的振动数据对应的六维的特征向量进行归一化处理,得到待诊断输油泵的振动数据对应的归一化后的六维的特征向量。
上述关于本发明的一种基于核模糊C均值聚类的输油泵故障诊断自学习系统200中的各参数和各个单元模块实现相应功能的步骤,可参考上文中关于一种输油泵故障诊断自学习方法的实施例中的各参数和步骤,在此不做赘述。
本发明实施例的一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上述任一项所述的一种输油泵故障诊断自学习方法。
本发明实施例的一种电子设备,包括处理器和上述的存储介质,所述处理器执行所述存储介质中的指令,其中,电子设备可以选用电脑、手机等。
所属技术领域的技术人员知道,本发明可以实现为系统、方法或计算机程序产品。
因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
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一一但不限于——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。在本文件中,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。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于核模糊C均值聚类的输油泵故障诊断自学习方法,其特征在于,包括:
获取输油泵的历史振动数据集中的每条历史振动数据对应的归一化后的六维的特征向量,利用所有归一化后的六维的特征向量,构造训练集和测试集;
基于训练集和测试集,得到训练好的核模糊C均值聚类模型;
采集并根据待诊断输油泵运行过程的振动数据,得到所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量;
根据所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量,计算该振动数据与各聚类中心的相似度,判断所述待诊断输油泵的振动数据是否对应已知故障,得到判断结果;
当判断结果为是时,则将所述待诊断输油泵的振动数据划分至与该振动数据相似度最高的聚类中心,并结合该聚类中心的故障标签确定所述待诊断输油泵的振动数据对应的故障,当判断结果为否时,则记录该未知故障出现的次数,当出现的次数达到设定的阈值时,将其标记为新故障模式,将该故障模式下的振动数据制作为样本,并加入所述训练集,重新训练核模糊C均值聚类模型。
2.根据权利要求1所述的一种基于核模糊C均值聚类的输油泵故障诊断自学习方法,其特征在于,得到每条历史振动数据对应的归一化后的六维的特征向量的过程为:
对历史振动数据集中每条历史振动数据进行集合经验模态分解,获取每条历史振动数据的IMF分量;
在每条历史振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到每条历史振动数据对应的六维的特征向量;
对每个六维的特征向量进行归一化处理,得到每条历史振动数据对应的归一化后的六维的特征向量。
3.根据权利要求1所述的一种基于核模糊C均值聚类的输油泵故障诊断自学习方法,其特征在于,基于训练集和测试集,得到训练好的核模糊C均值聚类模型,包括:
S20、构建核模糊C均值聚类模型,并且初始化核模糊C均值聚类模型中的聚类中心和隶属度矩阵;
S21、迭代计算聚类中心,更新隶属度矩阵;
S22、判断隶属度矩阵的变化精度是否符合要求,达到要求则终止训练,否则继续迭代训练,重复执行S21,直至隶属度矩阵的变化精度符合要求;
S23、对符合变化精度符合要求的隶属度矩阵进行模糊化处理,使所述训练集中的每个样本对最新得到的聚类中心的隶属度最大为1,其余为0,得到训练好的核模糊C均值聚类模型,训练好的核模糊C均值聚类模型包括符合变化精度符合要求的隶属度矩阵和最新得到的聚类中心。
4.根据权利要求2所述的一种基于核模糊C均值聚类的输油泵故障诊断自学习方法,其特征在于,根据待诊断输油泵运行过程的振动数据,得到所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量,包括:
对所述待诊断输油泵的振动数据进行集合经验模态分解,获取所述待诊断输油泵的振动数据的IMF分量;
在所述待诊断输油泵的振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到所述待诊断输油泵的振动数据对应的六维的特征向量;
对所述待诊断输油泵的振动数据对应的六维的特征向量进行归一化处理,得到所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量。
5.一种基于核模糊C均值聚类的输油泵故障诊断自学习系统,其特征在于,包括获取构造模块、训练模块、采集获取模块、第一判断模块和确定模块;
所述获取构造模块用于:获取输油泵的历史振动数据集中的每条历史振动数据对应的归一化后的六维的特征向量,利用所有归一化后的六维的特征向量,构造训练集和测试集;
所述训练模块用于:基于训练集和测试集,得到训练好的核模糊C均值聚类模型;
所述采集获取模块用于:采集并根据待诊断输油泵运行过程的振动数据,得到所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量;
所述第一判断模块用于:根据所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量,计算该振动数据与各聚类中心的相似度,判断所述待诊断输油泵的振动数据是否对应已知故障,得到判断结果;
所述确定模块用于:当判断结果为是时,则将所述待诊断输油泵的振动数据划分至与该振动数据相似度最高的聚类中心,并结合该聚类中心的故障标签确定所述待诊断输油泵的振动数据对应的故障,当判断结果为否时,则记录该未知故障出现的次数,当出现的次数达到设定的阈值时,将其标记为新故障模式,将该故障模式下的振动数据制作为样本,并加入所述训练集,重新训练核模糊C均值聚类模型。
6.根据权利要求5所述的一种基于核模糊C均值聚类的输油泵故障诊断自学习系统,其特征在于,所述获取构造模块具体用于:
对历史振动数据集中每条历史振动数据进行集合经验模态分解,获取每条历史振动数据的IMF分量;
在每条历史振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到每条历史振动数据对应的六维的特征向量;
对每个六维的特征向量进行归一化处理,得到每条历史振动数据对应的归一化后的六维的特征向量。
7.根据权利要求6所述的一种基于核模糊C均值聚类的输油泵故障诊断自学习系统,其特征在于,所述训练模块包括构造模块、迭代更新模块、第二判断模块和模糊化处理模块;
所述构造模块用于:构建核模糊C均值聚类模型,并且初始化核模糊C均值聚类模型中的聚类中心和隶属度矩阵;
所述迭代更新模块用于:迭代计算聚类中心,更新隶属度矩阵;
所述第二判断模块用于:判断隶属度矩阵的变化精度是否符合要求,达到要求则终止训练,否则继续迭代训练,重复调用所述迭代更新模块,直至隶属度矩阵的变化精度符合要求;
所述模糊化处理模块用于:对符合变化精度符合要求的隶属度矩阵进行模糊化处理,使所述训练集中的每个样本对最新得到的聚类中心的隶属度最大为1,其余为0,得到训练好的核模糊C均值聚类模型,训练好的核模糊C均值聚类模型包括符合变化精度符合要求的隶属度矩阵和最新得到的聚类中心。
8.根据权利要求5所述的一种基于核模糊C均值聚类的输油泵故障诊断自学习系统,其特征在于,所述采集获取模块具体用于:
对所述待诊断输油泵的振动数据进行集合经验模态分解,获取所述待诊断输油泵的振动数据的IMF分量;
在所述待诊断输油泵的振动数据的IMF分量中,选取前6个分量,分别进行奇异值分解,得到所述待诊断输油泵的振动数据对应的六维的特征向量;
对所述待诊断输油泵的振动数据对应的六维的特征向量进行归一化处理,得到所述待诊断输油泵的振动数据对应的归一化后的六维的特征向量。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至4中任一项所述的一种基于核模糊C均值聚类的输油泵故障诊断自学习方法。
10.一种电子设备,其特征在于,包括处理器和权利要求9所述的存储介质,所述处理器执行所述存储介质中的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211573646.XA CN116089848A (zh) | 2022-12-08 | 2022-12-08 | 一种基于核模糊c均值聚类的输油泵故障诊断自学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211573646.XA CN116089848A (zh) | 2022-12-08 | 2022-12-08 | 一种基于核模糊c均值聚类的输油泵故障诊断自学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116089848A true CN116089848A (zh) | 2023-05-09 |
Family
ID=86205461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211573646.XA Pending CN116089848A (zh) | 2022-12-08 | 2022-12-08 | 一种基于核模糊c均值聚类的输油泵故障诊断自学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116089848A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312965A (zh) * | 2023-11-30 | 2023-12-29 | 国网辽宁省电力有限公司 | 一种gis高压隔离开关未知故障自学习方法 |
-
2022
- 2022-12-08 CN CN202211573646.XA patent/CN116089848A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312965A (zh) * | 2023-11-30 | 2023-12-29 | 国网辽宁省电力有限公司 | 一种gis高压隔离开关未知故障自学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829402B (zh) | 基于gs-svm的不同工况下轴承损伤程度诊断方法 | |
CN107784325B (zh) | 基于数据驱动增量融合的螺旋式故障诊断方法 | |
Afrasiabi et al. | Real-time bearing fault diagnosis of induction motors with accelerated deep learning approach | |
CN112633098B (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN107480386B (zh) | 一种基于响应混叠性度量与遗传算法的测试激励优选方法 | |
CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
CN111611867B (zh) | 基于多分类模糊相关向量机的滚动轴承智能故障诊断方法 | |
CN116089848A (zh) | 一种基于核模糊c均值聚类的输油泵故障诊断自学习方法 | |
CN115017945A (zh) | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 | |
CN112101142A (zh) | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN110543166A (zh) | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 | |
CN109949324A (zh) | 基于非经典感受野非线性亚单元响应的轮廓检测方法 | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 | |
CN116578843A (zh) | 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 | |
CN115901249A (zh) | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 | |
CN112486722B (zh) | 一种系统故障检测方法及相关装置 | |
CN113051092B (zh) | 一种基于优化核密度估计和js散度的故障诊断方法 | |
CN117291224A (zh) | 基于沙猫群算法优化的高压套管局放模式识别方法及系统 | |
CN114548555B (zh) | 一种深度自回归网络的轴流压气机失速喘振预测方法 | |
CN114021275B (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
CN115326398A (zh) | 一种基于模糊宽度学习模型的轴承故障诊断方法 | |
CN114970600A (zh) | 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置 | |
CN115169740A (zh) | 基于压缩感知的池化回声状态网络的序列预测方法及系统 | |
CN113113085A (zh) | 基于人工智能的用宏基因组测序数据进行肿瘤检测的分析系统及分析方法 |
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 |