CN116933170A - 一种机械密封故障分类算法 - Google Patents
一种机械密封故障分类算法 Download PDFInfo
- Publication number
- CN116933170A CN116933170A CN202311196117.7A CN202311196117A CN116933170A CN 116933170 A CN116933170 A CN 116933170A CN 202311196117 A CN202311196117 A CN 202311196117A CN 116933170 A CN116933170 A CN 116933170A
- Authority
- CN
- China
- Prior art keywords
- mechanical seal
- sample
- training set
- samples
- value
- 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
Links
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 230000036541 health Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 abstract description 2
- 238000007789 sealing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (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
本发明涉及流体密封技术领域，具体公开了一种机械密封故障分类算法，包括以下步骤：步骤1：信号分解，对机械密封的入口压力信号采用经验模态分解算法进行分解，提取不同时间尺度的本征模态函数；步骤2：特征提取，对本征模态函数和压力信号提取多种时域特征，利用这些时域特征建立表征机械密封健康状态的特征矩阵；步骤3：分类，采用K近邻学习算法对训练集样本进行学习，再对测试集样本进行分类。本发明实现了机械密封健康状态分类，接入系统后能够实时对机械密封状态做出判断。
Description
技术领域
本发明属于流体密封技术领域，具体涉及一种机械密封故障分类算法。
背景技术
核电站对我国的发展有着重大意义，其有利于保护国家能源安全，调整能源结构，提高装备制造业水平。因此核电站的安全运行与维护事关重大，核主泵机械密封是核电站的关键部件之一，由三级机械密封串联而成。密封泄漏量是评估密封健康状态的最重要指标。但在实际应用中，由于结构限制等原因，没有对每一级核主泵机械密封的泄漏量设置监测；且由于核电工艺系统限制，很难增加传感器来获取每一级机械密封的泄漏量。这导致核主泵机械密封的健康状态评估一直是行业共性难题。
机械密封的压力信号与泄漏量信号一样，包含丰富的状态信息，可被用于机械密封的状态评估。但由于技术复杂等原因，一直没有开发出这方面的技术，未能实现通过机械密封的压力信号来评估机械密封的健康状态。
因此，从压力信号中挖掘有用信息，开发出能够自动识别核主泵机械密封故障状态的系统，对于保障核主泵机械密封安全运行具有重大意义。
发明内容
本发明的目的在于提供一种机械密封故障分类算法，实现核主泵机械密封的故障分类，以指导核主泵机械密封的可靠运维，保障设备安全。
本发明的技术方案如下：
一种机械密封故障分类算法，包括以下步骤：
步骤1：信号分解
对机械密封的入口压力信号采用经验模态分解算法进行分解，提取不同时间尺度的本征模态函数；
其中，从一台核主泵的一段连续时长的某一级机械密封入口压力信号中随机采样抽取N个样本作为训练集，从另一台核主泵的一段连续时长的同一级机械密封入口压力信号中随机采样抽取K个样本作为测试集；
步骤2：特征提取
对本征模态函数和压力信号提取多种时域特征，利用这些时域特征建立表征机械密封健康状态的特征矩阵；
其中，将N个训练集样本构建训练集特征矩阵，将K个测试集样本构建测试集特征矩阵；
步骤3：分类
采用k近邻学习算法对N个训练集样本进行学习，再对K个测试集样本进行分类。
步骤1中提取的不同时间尺度的本征模态函数必须满足两个条件：1）在整个时间范围内，极值点的数目和过零点的数目必须相等或相差不超过1个；2）在任意时刻，由极大值形成的上包络线和极小值形成的下包络线均值为0。
步骤1中，将训练集和测试集的样本都分别分为正类样本和负类样本；
正类样本和负类样本的分类标准是：将某一时刻压力且这一时刻后第50小时压力且这一时刻后50小时内压力平均值高于特定阈值的样本定义为健康，作为正类样本；将某时刻压力或这一时刻后第50小时压力或这一时刻后50小时内压力平均值低于特定阈值的样本定义为异常，作为负类样本；
测试集与训练集的正类样本和负类样本分类标准一致。
步骤1中，训练集和训练集的正类样本和负类样本比例均为1：1。
步骤1中，找出测试集和训练集中每一个样本x(t)的所有局部极大值点并用三次样条插值拟合形成上包络线s+(t)；找出每一个样本x(t)的所有极小值点并用三次样条插值拟合形成下包络线s-(t)；计算第k次迭代的上下包络线均值mk(t)为：
mk(t)=(1/2)×[s+(t)+s-(t)]，
式中，k是迭代次数；
用x(t)减去上下包络线的均值mk(t)，得到剩余信号ck(t)为：
ck(t) = x(t) - mk(t)，
若ck(t)不满足本征模态函数的两个条件，则对ck(t)继续执行求解上下包络线均值以及做差步骤；若ck(t)满足本征模态函数的两个条件，此时的ck(t)为第k个本征模态函数分量，得到新的剩余信号rk(t)为：
rk(t)= rk-1(t)- ck(t)，
式中，rk-1(t)是第k-1个剩余信号值；
当rk(t)为单调函数或者ck(t)小于特定阈值时，循环终止；否则把rk(t)作为待处理信号执行求解上下包络线均值以及做差步骤，此处求解上下包络线均值即将rk(t)当做x(t)，计算(1/2)×[s+(t)+s-(t)]，做差即rk(t)- (1/2)×[s+(t)+s-(t)]，此时，原始压力信号样本x(t)可以表示为n个本征模态函数分量与残差分量之和：
，
式中，ci(t)为各阶本征模态函数分量，代表压力信号的不同时间尺度特征；rn(t)为残差分量，代表压力信号的平稳趋势；n代表n阶本征模态函数。
步骤2中，对每一个样本提取前三阶本征模态函数，对这些本征模态函数和原始压力信号提取12维时域特征，包括均值、峰峰值、整流平均值、方均根值、标准差、波形因子、峰值因子、脉冲因子、方根幅值、裕度因子、峭度、偏度，最终得到48维特征；将N个训练集样本构建训练集特征矩阵{X1}N×48，将K个测试集样本构建测试集特征矩阵{X2}K×48。
步骤3中，分类过程为：给定测试集样本，基于距离度量算法找出训练集中与之最接近的k个训练集样本，基于k个“邻居”进行预测；对分类结果采用选择k个样本中出现最多的类别标记作为预测结果。
在步骤2完成之后、步骤3开始之前，还要对训练集特征矩阵和测试集特征矩阵进行归一化处理。
在步骤2完成之后、步骤3开始之前，还要采用主成分分析方法，将训练集特征矩阵和测试集特征矩阵降维至二维。
降维的具体操作方法为：
将训练集特征矩阵{X1}N×48中的样本x1,x2,…,xn去中心化，公式如下：
，
式中，xj是去中心化的向量，xi是{X1}N×48中的向量，n是向量的个数；
将去中心化后的{X1}N×48中的样本x1,x2,…,xn方差变为1，公式如下：
，
，
经过上述预处理步骤后的{X1}N×48变为，计算其协方差矩阵/>，对协方差矩阵进行特征值分解，对所求得的特征值进行排序：/> .../>，取前d’个特征值对应的特征向量构成/>，这就是主成分分析的解；
{X2}K×48的降维操作方法同{ X1}N×48；
降维后的，/>。
本发明的显著效果在于：
（1）本发明利用经验模态分解（EMD）提取了机械密封压力信号多时间尺度特征，即多阶本征模态函数，并对本征模态函数提取多种时域特征，利用这些时域特征建立表征机械密封健康状态的特征矩阵。
（2）本发明基于主成分分析算法实现了特征矩阵数据压缩，可以防止过拟合现象且提高分类效率。
（3）本发明基于K近邻（KNN）算法实现了机械密封健康状态分类，接入系统后能够实时对机械密封状态做出判断。
附图说明
图1为本发明实施例算法流程图；
图2为k近邻分类器示意图；
图3为三台泵的第三级密封前压力示意图；
图4为本发明实施例预测结果准确率示意图。
具体实施方式
为了进一步理解本发明，下面结合附图及具体实施例对本发明作进一步详细说明，但明确，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明的限制。
如图1所示的一种机械密封故障分类算法，包括以下步骤：
步骤1：信号分解
对机械密封的入口压力信号采用经验模态分解算法（EMD）进行分解，提取不同时间尺度的本征模态函数（IMF）；本征模态函数必须满足两个条件：1）在整个时间范围内，极值点的数目和过零点的数目必须相等或相差不超过1个；2）在任意时刻，由极大值形成的上包络线和极小值形成的下包络线均值为0；
从某核电站的一台核主泵的一段连续时长的某一级机械密封入口压力信号中随机采样抽取N个样本作为训练集，每个样本x(t)有100个压力值，且正类样本和负类样本比例为1：1；正类样本和负类样本的分类标准是：将某一时刻压力且这一时刻后第50小时压力且这一时刻后50小时内压力平均值高于特定阈值的样本定义为健康，作为正类样本；将某时刻压力或这一时刻后第50小时压力或这一时刻后50小时内压力平均值低于特定阈值的样本定义为异常，作为负类样本；
从某核电站的另一台核主泵的一段连续时长的与前一台核主泵同一级机械密封（即选择与前一台核主泵相同的某一级机械密封，例如前一台核主泵选择第一级，另一台核主泵也要选择第一级）入口压力信号中随机采样抽取K个样本作为测试集，正类样本和负类样本比例为1：1，正类样本和负类样本的分类标准与训练集一致；
找出测试集和训练集中每一个样本x(t)的所有局部极大值点并用三次样条插值拟合形成上包络线s+(t)；找出每一个样本x(t)的所有极小值点并用三次样条插值拟合形成下包络线s-(t)；计算第k次迭代的上下包络线均值mk(t)为：
mk(t)=(1/2)×[s+(t)+s-(t)]，
式中，k是迭代次数；
用x(t)减去上下包络线的均值mk(t)，得到剩余信号ck(t)为：
ck(t) = x(t) - mk(t)，
若ck(t)不满足本征模态函数的两个条件，则对ck(t)继续执行求解上下包络线均值以及做差步骤；若ck(t)满足本征模态函数的两个条件，此时的ck(t)为第k个本征模态函数分量，得到新的剩余信号rk(t)为：
rk(t)= rk-1(t)- ck(t)，
式中，rk-1(t)是第k-1个剩余信号值；
当rk(t)为单调函数或者ck(t)小于特定阈值时，循环终止；否则把rk(t)作为待处理信号执行求解上下包络线均值以及做差步骤，此处求解上下包络线均值即将rk(t)当做x(t)，计算(1/2)×[s+(t)+s-(t)]，做差步骤即rk(t)- (1/2)×[s+(t)+s-(t)]，此时，原始压力信号样本x(t)可以表示为n个本征模态函数分量与残差分量之和：
，
式中，ci(t)为各阶本征模态函数分量，代表压力信号的不同时间尺度特征；rn(t)为残差分量，代表压力信号的平稳趋势；n代表n阶本征模态函数；
步骤2：特征提取
对每一个样本x(t)提取前三阶本征模态函数，对这些本征模态函数和原始压力信号提取12维时域特征，包括均值、峰峰值、整流平均值、方均根值、标准差、波形因子、峰值因子、脉冲因子、方根幅值、裕度因子、峭度、偏度，最终得到48维特征；将N个训练集样本构建训练集特征矩阵{X1}N×48，将K个测试集样本构建测试集特征矩阵{X2}K×48；
步骤3：归一化
为了防止不同量纲的影响，需要对{ X1}N×48和{X2}K×48进行归一化处理，例如选择采用Z标准化方法（Z-Score）；
步骤4：降维
为了防止特征维数过多导致机器学习模型过拟合，采用主成分分析方法，将原始特征值空间{X1}N×48和{X2}K×48降维至二维，降维后的特征空间为{X1 *}N×2和{X2 *}K×2；
具体的操作方法为：
将{X1}N×48中的样本x1,x2,…,xn去中心化，公式如下：
，
式中，xj是去中心化的向量，xi是{X1}N×48中的向量，n是向量的个数；
将去中心化后的{X1}N×48中的样本x1,x2,…,xn方差变为1，公式如下：
，
，
经过上述预处理步骤后的{X1}N×48变为，计算其协方差矩阵/>，对协方差矩阵进行特征值分解，对所求得的特征值进行排序：/> .../>，取前d’个特征值对应的特征向量构成/>，这就是主成分分析的解；
{X2}K×48的降维操作方法同{ X1}N×48；
降维后的，/>；
步骤5：分类
采用k近邻（KNN）学习算法对N个训练集样本进行学习，再对K个测试集样本进行分类；分类过程为：给定降维后的测试集样本，基于距离度量算法找出训练集中与之最接近的k个训练集样本，基于k个“邻居”进行预测；对分类结果采用“投票法”，即选择k个样本中出现最多的类别标记作为预测结果；
图2给出了k近邻分类器的示意图，在给定k值的条件下，选择最近的k个训练集样本，这些样本中比例最高的类别就是测试集归属的类；其中，k是一个重要参数，当其取不同值时，分类结果会显著不同；另外，若采用不同的距离度量方式，找出的邻近点也可能不同，导致分类结果不同。例如，当k取1时，选择的训练集样本中“■”类别最多，则测试集样本归属的类“？”判别为“■”；当k取3时，选择的训练集样本中“▲”类别最多，则测试集样本归属的类“？”判别为“▲”。
实施例
以某动压式核主泵机械密封为例，其第三级机械密封前压力值的正常范围为4.7~5.4MPa。在某核电站3台核主泵启动后，其第三级机械密封入口压力约为5.2MPa，在正常范围内。由图3可知，运行一段时间后，三台主泵的第三级机械密封入口压力出现了不同程度的非正常下降；同时，第三级机械密封入口压力的非正常下降伴随着第三级机械密封泄漏量的增加，这表明机械密封入口压力与机械密封故障有着重要直接联系。故将第三级机械密封入口压力确定为反映机械密封健康状态的重要特征。
采用经验模态分解算法（EMD）分解提取x(t)不同时间尺度特征，保留前三阶IMF；对每个x(t)提取其自身和前三阶IMF的时域特征，包括均值、峰峰值、整流平均值、方均根值、标准差、波形因子、峰值因子、脉冲因子、方根幅值、裕度因子、峭度、偏度，每一个x(t)处理后能得到48维特征，将1000个样本构建特征矩阵{X}1000×48；对{X}1000×48进行归一化处理后，利用主成分分析方法将{X}1000×48降维至二维，得到{X*}1000×2。
根据长期运维经验，将机械密封入口压力4.7MPa设定为表征核主泵第三级机械密封健康状态的下限阈值。从某核电站3号主泵一整年的第三级机械密封入口压力信号中随机采样抽取590个样本作为训练集，每个样本x(t)有100个压力值，正类样本和负类样本比例为1：1；分类标准是：将某一时刻压力且这一时刻后第50小时压力且这一时刻后50小时内压力平均值高于阈值（4.7MPa）的样本定义为健康；将某一时刻压力或这一时刻后第50小时压力或这一时刻后50小时内压力平均值低于阈值（4.7MPa）的样本定义为异常；
从1号泵一整年的第三级机械密封入口压力中随机采样抽取150个样本作为测试集，分类标准和训练集一致，正负样本比例为1：1。最后采用k近邻学习分类算法进行训练与测试，测试准确率如图4所示，图4中横坐标为k近邻算法预测结果；纵坐标为测试集样本的真实标签；如果分类正确，则预测结果和真实标签应该一致，可以看出“健康”样本的预测精确率为96%，“异常”样本的预测精确率为73%。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，实施例中的技术方案也可以经适当组合与扩展，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1. 一种机械密封故障分类算法，其特征在于：包括以下步骤：
步骤1：信号分解
对机械密封的入口压力信号采用经验模态分解算法进行分解，提取不同时间尺度的本征模态函数；
其中，从一台核主泵的一段连续时长的某一级机械密封入口压力信号中随机采样抽取N个样本作为训练集，从另一台核主泵的一段连续时长的同一级机械密封入口压力信号中随机采样抽取K个样本作为测试集；
步骤2：特征提取
对本征模态函数和压力信号提取多种时域特征，利用这些时域特征建立表征机械密封健康状态的特征矩阵；
其中，将N个训练集样本构建训练集特征矩阵，将K个测试集样本构建测试集特征矩阵；
步骤3：分类
采用k近邻学习算法对N个训练集样本进行学习，再对K个测试集样本进行分类。
2.如权利要求1所述的一种机械密封故障分类算法，其特征在于：步骤1中提取的不同时间尺度的本征模态函数必须满足两个条件：1）在整个时间范围内，极值点的数目和过零点的数目必须相等或相差不超过1个；2）在任意时刻，由极大值形成的上包络线和极小值形成的下包络线均值为0。
3.如权利要求2所述的一种机械密封故障分类算法，其特征在于：步骤1中，将训练集和测试集的样本都分别分为正类样本和负类样本；
正类样本和负类样本的分类标准是：将某一时刻压力且这一时刻后第50小时压力且这一时刻后50小时内压力平均值高于特定阈值的样本定义为健康，作为正类样本；将某时刻压力或这一时刻后第50小时压力或这一时刻后50小时内压力平均值低于特定阈值的样本定义为异常，作为负类样本；
测试集与训练集的正类样本和负类样本分类标准一致。
4.如权利要求3所述的一种机械密封故障分类算法，其特征在于：步骤1中，训练集和训练集的正类样本和负类样本比例均为1：1。
5.如权利要求4所述的一种机械密封故障分类算法，其特征在于：步骤1中，找出测试集和训练集中每一个样本x(t)的所有局部极大值点并用三次样条插值拟合形成上包络线s+(t)；找出每一个样本x(t)的所有极小值点并用三次样条插值拟合形成下包络线s-(t)；计算第k次迭代的上下包络线均值mk(t)为：
mk(t)=(1/2)×[s+(t)+s-(t)]，
式中，k是迭代次数；
用x(t)减去上下包络线的均值mk(t)，得到剩余信号ck(t)为：
ck(t) = x(t) - mk(t)，
若ck(t)不满足本征模态函数的两个条件，则对ck(t)继续执行求解上下包络线均值以及做差步骤；若ck(t)满足本征模态函数的两个条件，此时的ck(t)为第k个本征模态函数分量，得到新的剩余信号rk(t)为：
rk(t)= rk-1(t)- ck(t)，
式中，rk-1(t)是第k-1个剩余信号值；
当rk(t)为单调函数或者ck(t)小于特定阈值时，循环终止；否则把rk(t)作为待处理信号执行求解上下包络线均值以及做差步骤，此处求解上下包络线均值即将rk(t)当做x(t)，计算(1/2)×[s+(t)+s-(t)]，做差即rk(t)- (1/2)×[s+(t)+s-(t)]，此时，原始压力信号样本x(t)可以表示为n个本征模态函数分量与残差分量之和：
，
式中，ci(t)为各阶本征模态函数分量，代表压力信号的不同时间尺度特征；rn(t)为残差分量，代表压力信号的平稳趋势；n代表n阶本征模态函数。
6.如权利要求1所述的一种机械密封故障分类算法，其特征在于：步骤2中，对每一个样本提取前三阶本征模态函数，对这些本征模态函数和原始压力信号提取12维时域特征，包括均值、峰峰值、整流平均值、方均根值、标准差、波形因子、峰值因子、脉冲因子、方根幅值、裕度因子、峭度、偏度，最终得到48维特征；将N个训练集样本构建训练集特征矩阵{X1}N×48，将K个测试集样本构建测试集特征矩阵{X2}K×48。
7.如权利要求1所述的一种机械密封故障分类算法，其特征在于：步骤3中，分类过程为：给定测试集样本，基于距离度量算法找出训练集中与之最接近的k个训练集样本，基于k个“邻居”进行预测；对分类结果采用选择k个样本中出现最多的类别标记作为预测结果。
8.如权利要求1所述的一种机械密封故障分类算法，其特征在于：在步骤2完成之后、步骤3开始之前，还要对训练集特征矩阵和测试集特征矩阵进行归一化处理。
9.如权利要求1所述的一种机械密封故障分类算法，其特征在于：在步骤2完成之后、步骤3开始之前，还要采用主成分分析方法，将训练集特征矩阵和测试集特征矩阵降维至二维。
10.如权利要求9所述的一种机械密封故障分类算法，其特征在于：降维的具体操作方法为：
将训练集特征矩阵{X1}N×48中的样本x1,x2,…,xn去中心化，公式如下：
，
式中，xj是去中心化的向量，xi是{X1}N×48中的向量，n是向量的个数；
将去中心化后的{X1}N×48中的样本x1,x2,…,xn方差变为1，公式如下：
，
，
经过上述预处理步骤后的{X1}N×48变为，计算其协方差矩阵/>，对协方差矩阵进行特征值分解，对所求得的特征值进行排序：/> .../> ，取前d’个特征值对应的特征向量构成/>，这就是主成分分析的解；
{X2}K×48的降维操作方法同{ X1}N×48；
降维后的，/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196117.7A CN116933170B (zh) | 2023-09-18 | 2023-09-18 | 一种机械密封故障分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196117.7A CN116933170B (zh) | 2023-09-18 | 2023-09-18 | 一种机械密封故障分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116933170A true CN116933170A (zh) | 2023-10-24 |
| CN116933170B CN116933170B (zh) | 2024-01-02 |
Family
ID=88392684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311196117.7A Active CN116933170B (zh) | 2023-09-18 | 2023-09-18 | 一种机械密封故障分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933170B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170093613A (ko) * | 2016-02-05 | 2017-08-16 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
| CN110174465A (zh) * | 2019-05-27 | 2019-08-27 | 武汉科技大学 | 一种在线监测液压缸微小内泄漏装置 |
| KR102051226B1 (ko) * | 2018-09-07 | 2019-12-02 | 한국수력원자력 주식회사 | 원전 설비의 예측 진단 방법 및 시스템 |
| CN111006860A (zh) * | 2019-12-19 | 2020-04-14 | 南京航空航天大学 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
| CN112052890A (zh) * | 2020-08-28 | 2020-12-08 | 华北电力科学研究院有限责任公司 | 给水泵振动预测方法及装置 |
| CN112101142A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市行健自动化股份有限公司 | 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 |
| WO2021077567A1 (zh) * | 2019-10-24 | 2021-04-29 | 广东美的白色家电技术创新中心有限公司 | 设备故障检测方法、设备故障检测装置及计算机存储介质 |
| CN115688018A (zh) * | 2023-01-04 | 2023-02-03 | 湖南大学 | 一种多工况下轴承的状态监测与故障诊断方法 |
| CN115758216A (zh) * | 2022-11-17 | 2023-03-07 | 盐城工学院 | 一种轴承故障诊断方法 |
| CN115822943A (zh) * | 2022-11-18 | 2023-03-21 | 太原理工大学 | 液压泵泄漏故障诊断方法 |
| CN116720130A (zh) * | 2023-07-14 | 2023-09-08 | 沈阳科网通信息技术有限公司 | 一种基于知识与数据融合的轴承故障诊断方法 |
-
2023
- 2023-09-18 CN CN202311196117.7A patent/CN116933170B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170093613A (ko) * | 2016-02-05 | 2017-08-16 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
| KR102051226B1 (ko) * | 2018-09-07 | 2019-12-02 | 한국수력원자력 주식회사 | 원전 설비의 예측 진단 방법 및 시스템 |
| CN110174465A (zh) * | 2019-05-27 | 2019-08-27 | 武汉科技大学 | 一种在线监测液压缸微小内泄漏装置 |
| WO2021077567A1 (zh) * | 2019-10-24 | 2021-04-29 | 广东美的白色家电技术创新中心有限公司 | 设备故障检测方法、设备故障检测装置及计算机存储介质 |
| CN111006860A (zh) * | 2019-12-19 | 2020-04-14 | 南京航空航天大学 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
| CN112101142A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市行健自动化股份有限公司 | 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 |
| CN112052890A (zh) * | 2020-08-28 | 2020-12-08 | 华北电力科学研究院有限责任公司 | 给水泵振动预测方法及装置 |
| CN115758216A (zh) * | 2022-11-17 | 2023-03-07 | 盐城工学院 | 一种轴承故障诊断方法 |
| CN115822943A (zh) * | 2022-11-18 | 2023-03-21 | 太原理工大学 | 液压泵泄漏故障诊断方法 |
| CN115688018A (zh) * | 2023-01-04 | 2023-02-03 | 湖南大学 | 一种多工况下轴承的状态监测与故障诊断方法 |
| CN116720130A (zh) * | 2023-07-14 | 2023-09-08 | 沈阳科网通信息技术有限公司 | 一种基于知识与数据融合的轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱少民: "核电厂主泵故障状态识别与预测方法研究", 《中国优秀博士学位论文全文数据库(工程科技Ⅱ辑)》, vol. 2022, no. 01, pages 1 - 158 * |
| 蔡江林;戚晓利;叶绪丹;郑近德;潘紫微;张兴权;: "一种基于经验模态分解和流形学习的滚动轴承故障诊断方法", 井冈山大学学报(自然科学版), no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116933170B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101614786B (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
| CN113962259B (zh) | 一种燃料电池系统多模式双层故障诊断方法 | |
| CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
| CN111523081A (zh) | 一种基于增强门控循环神经网络的航空发动机故障诊断方法 | |
| CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN111027594B (zh) | 一种基于字典表示的分步式异常检测方法 | |
| CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
| CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
| CN114881087A (zh) | 一种建筑机器人轴承性能退化评估方法 | |
| CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
| CN115688864A (zh) | 一种盾构机刀盘健康评估方法、系统、介质、设备及终端 | |
| CN115409335A (zh) | 基于深度学习考虑未知扰动类型的电力系统扰动识别方法 | |
| CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
| CN114819260A (zh) | 一种水文时间序列预测模型动态生成方法 | |
| CN110532629A (zh) | 一种多模态退化过程的剩余寿命预测方法 | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| CN116933170B (zh) | 一种机械密封故障分类方法 | |
| CN114117923A (zh) | 基于混沌特征空间的高压并联电抗器状态判断系统及方法 | |
| CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 | |
| CN114969638A (zh) | 一种基于模态当量标准化的桥梁性能异常预警方法 | |
| CN118517383B (zh) | 基于深度学习的风电机组运行风险智能检测方法及设备 | |
| CN113221949B (zh) | 一种影响新能源出力的多尺度天气过程分类方法和系统 | |
| CN117033973B (zh) | 一种变流器多工况开路故障诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |