CN117076869B - 旋转机械时频域融合故障诊断方法及系统 - Google Patents
旋转机械时频域融合故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117076869B CN117076869B CN202311330460.6A CN202311330460A CN117076869B CN 117076869 B CN117076869 B CN 117076869B CN 202311330460 A CN202311330460 A CN 202311330460A CN 117076869 B CN117076869 B CN 117076869B
- Authority
- CN
- China
- Prior art keywords
- fault
- detector
- time
- frequency domain
- fault diagnosis
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000004927 fusion Effects 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 230000036039 immunity Effects 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 22
- 230000006870 function Effects 0.000 description 17
- 238000004590 computer program Methods 0.000 description 16
- 230000006872 improvement Effects 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 11
- 238000005259 measurement Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- SJQBHPJLLIJASD-UHFFFAOYSA-N 3,3',4',5-tetrachlorosalicylanilide Chemical compound OC1=C(Cl)C=C(Cl)C=C1C(=O)NC1=CC=C(Cl)C(Cl)=C1 SJQBHPJLLIJASD-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 208000032765 Device extrusion Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013377 clone selection method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003348 petrochemical agent Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- 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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例提供的旋转机械时频域融合故障诊断方法及系统,通过对实时振动信号提取时频域的多种实时信号特征,实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,采用人工免疫模型计算得到每一实时信号特征的初步故障诊断结果,实现故障快速诊断,利用时频域检测技术检测得到候选故障诊断结果,利用D‑S证据理论对所有候选故障诊断结果融合,实现故障诊断的准确性。
Description
技术领域
本发明涉及机械设备领域,尤其涉及一种旋转机械时频域融合故障诊断方法及系统。
背景技术
旋转机械泛指主要依靠旋转动作来实现特定功能的设备或装置。在工业生产和工程技术领域,旋转机械广泛存在,大到航空发动机,小到微机电陀螺,都具有旋转机械属性。旋转机械在电力、石化、冶金和航空、航天等不同领域都有着十分广泛的应用,例如,汽轮机、燃气轮机、离心式和轴流式压缩机等。但是,旋转机械在使用过程中常会因为不平衡、不对中、轴弯曲以及关键部件的磨损老化等各种异常情况而发生故障,影响工业生产安全或诱发重大工程事故,甚至导致灾难性事故。
为防范旋转机械故障及其带来的危害或损失,国际国内在设备故障诊断理论、方法、技术和应用方面,进行了大量的探索和研究。旋转机械故障诊断理论与技术,从早期的基于物理冗余的故障诊断、基于解析冗余的故障诊断到近年来倍受关注的基于知识冗余的故障诊断和数据驱动的故障诊断,已经形成多种不同的诊断方法与技术体系,旋转机械故障诊断方法主要分为特征提取、特征选择与模式分类三个步骤。
但是,旋转机械有着不同于其他类型机械或装备的特殊性,长期处于高温、高压和高腐蚀的环境工作,故障具有典型的非线性、非加性、多因素耦合特征,故障信号容易被环境扰动和噪声淹没呈微小或微弱故障征兆、部分故障征兆时有时无时强时弱呈间歇性征兆,尤其是多诱因复合故障,长期以来一直是困扰旋转机械故障诊断的难点。且现有的分类模型如神经网络模型,具有很高的算法复杂度,而在现场的监测中,常常需要对成百上千台设备进行实时在线的监测与诊断,复杂的分类模型很难实现快速的诊断。
发明内容
本发明实施例提供一种旋转机械时频域融合故障诊断方法及系统,能够对实时振动信号提取多种实时信号特征,采用人工免疫模型计算得到每一实时信号特征的初步故障诊断结果,实现故障快速诊断,利用时频域检测器和D-S证据理论进行故障诊断,实现故障诊断的准确性。
为了实现上述目的,本发明实施例提供了一种旋转机械时频域融合故障诊断方法,包括:
采集旋转机械的实时振动信号;
根据所述实时振动信号提取若干种实时信号特征;其中,所述实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,每一所述实时信号特征各对应有一个正常空间;
当存在至少一个所述实时信号特征没有落在自身对应的正常空间内时,将每一所述实时信号特征输入预先训练好的人工免疫检测模型进行故障诊断,以确定与每一所述实时信号特征对应的初步故障诊断结果;
当所述初步故障诊断结果不一致时,采用预设的若干时频域检测器对所述实时信号特征进行故障检测,得到每一所述时频域检测器对应的候选故障诊断结果;
当存在一个所述候选故障诊断结果的置信度大于预设置信度阈值时,筛选出所述置信度大于所述预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;
当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果。
作为上述方案的改进,所述互无量纲特征包括互波形特征、互脉冲特征、互裕度特征和互峰值特征中的至少一种,所述无量纲特征包括峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
作为上述方案的改进,还包括:
当所述初步故障诊断结果一致时,利用专家系统对所述实时信号特征进行故障诊断,获取专家故障诊断结果;
获取所述实时振动信号的振动烈度,并采用行业标准分别对所述振动烈度和所述实时信号特征进行故障诊断,获得行业故障诊断结果;其中,所述行业标准包括国际工业标准、国内工业标准和企业工业标准;
根据所述行业故障诊断结果和所述专家故障诊断结果,对所述初步故障诊断结果进行优化,以得到最终故障诊断结果。
作为上述方案的改进,还包括:
利用专家系统对所述实时信号特征进行故障诊断,获取专家故障诊断结果;
获取所述实时振动信号的振动烈度,并采用行业标准分别对所述振动烈度和所述实时信号特征进行故障诊断,获得行业故障诊断结果;其中,所述行业标准包括国际工业标准、国内工业标准和企业工业标准;
根据所述行业故障诊断结果和所述专家故障诊断结果,对所述目标故障诊断结果进行优化,以得到最终故障诊断结果。
作为上述方案的改进,所述人工免疫检测模型通过以下方式构建:
获取所述旋转机械的已知故障振动信号,并提取每一所述已知故障振动信号的若干故障信号特征,根据故障类型对所述已知故障振动信号进行分类;
从所有故障信号特征中筛选出第a种所述故障类型的第b种所述特征类型的故障指标,以用于计算得到第a种所述故障类型的第b种所述特征类型的故障空间串;
将所述故障空间串划分为若干段异常数据串;
针对每一异常数据串进行变异,搜索得到与正常空间串不匹配的检测器以作为候选检测器;其中,所述正常空间串为第a种所述故障类型的第b种所述特征类型的正常信号特征的空间串,所述正常信号特征是根据所述旋转机械的正常振动信号计算得到的,每一所述候选检测器各对应有若干串;
将所述候选检测器的所有串与所述正常空间串进行匹配运算,使得所述候选检测器在阴性选择机制下成熟,得到成熟检测器;
根据除第a种所述故障类型外的其他故障类型的第b种所述特征类型的故障信号特征,对所述成熟检测器进行验证以确定优秀检测器;其中,所述优秀检测器为仅与一种所述故障类型匹配的检测器;
将每一所述故障类型关联的优秀检测器进行组合,得到人工免疫检测模型。
作为上述方案的改进,还包括:
当所述最终故障诊断结果与每一所述优秀检测器关联的故障类型都不匹配时,根据所述最终故障诊断结果对应的实时信号特征得到待用故障空间串;
将所述待用故障空间串划分得到若干段待用异常数据串;
针对每一所述待用异常数据串进行变异,搜索得到与所述正常空间串不匹配的检测器以作为待用候选检测器;
将所述待用候选检测器的所有串与所述正常空间串进行匹配运算,使得所述候选检测器在阴性选择机制下成熟,得到待用成熟检测器;
从所述待用成熟检测器中筛选出待用优秀检测器,并添加到所述人工免疫检测模型。
作为上述方案的改进,所述人工免疫检测模型通过以下方式构建:
获取所述旋转机械的正常振动信号,并提取每一所述正常振动信号的若干正常信号特征;
根据第b种特征类型的正常信号特征确定第b种所述特征类型的正常空间串;b为大于等于1小于等于所述特征类型的总数的整数;
将所述正常空间串划分为若干段正常数据串;
将所述正常数据串进行变异,搜索得到与所述正常空间串不匹配的检测器以作为候选检测器;其中,每一所述候选检测器各对应有若干串;
将所述候选检测器的所有串与所述正常空间串进行匹配运算,使得所述候选检测器在阴性选择机制下成熟,得到成熟检测器;
将所述成熟检测器与每一故障类型的第b种所述特征类型的故障信号特征进行匹配运算,以确定优秀检测器;其中,所述优秀检测器为仅与一种所述故障类型匹配的检测器;
将每一所述故障类型关联的优秀检测器进行组合,得到人工免疫检测模型。
作为上述方案的改进,所述时频域检测器包括互无量纲检测器、非高斯早期检测器、强噪声稀疏检测器、小波增强检测器、T2间歇检测器、随机时变间歇检测器、蠕滑超限检测器、滑动变元检测器、重构负荷检测器、跨域跃迁NN检测器、布尔定位检测器和SVM检测器中的至少两种。
作为上述方案的改进,当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果,包括:
根据所述旋转机械的历史故障集确定所述旋转机械的每一种故障类型的出现概率,以用于为每一所述时频域检测器中的每一种故障类型赋予基准权重参数;
基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,并将所述检验正确率设置为第i个所述时频域检测器对于第j种所述故障类型的修正权重参数;其中,i为大于等于1且小于等于所述时频域检测器总数的整数,j为大于等于1且小于等于所述故障类型总数的整数;
根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重;其中,所述基础权重分别与所述基准权重参数、所述修正权重参数呈正相关关系;
当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,基于所述时频域检测器的基础权重,利用D-S证据理论对所有所述候选故障诊断结果进行融合,以得到目标故障诊断结果。
作为上述方案的改进,所述检验正确率为查全率;所述基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,包括:
基于所述历史故障集对于第i个所述时频域检测器的训练结果,统计第一数量和第二数量;其中,所述第一数量是真实故障类型为第j种所述故障类型且预测故障类型为第j种所述故障类型的样本数量,所述第二数量是所述真实故障类型为第j种所述故障类型且所述预测故障类型不为第j种所述故障类型的样本数量;
将所述第一数量除以所述第一数量和所述第二数量之和,得到第i个所述时频域检测器对于第j种所述故障类型的查全率。
作为上述方案的改进,所述根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
将第i个所述时频域检测器对于第j种所述故障类型的查全率作为修正权重参数;
将所述修正权重参数乘以第一系数后再乘以第j种所述故障类型的基准权重参数,得到第i个所述时频域检测器对于第j种所述故障类型的综合权重值;其中,所述第一系数大于1且小于2;
从第i个所述时频域检测器的所有所述故障类型的综合权重值中选出最大值;
将第i个所述时频域检测器对于第j种所述故障类型的综合权重值除以所述最大值,得到为第i个所述时频域检测器对于第j种所述故障类型的基础权重。
作为上述方案的改进,所述检验正确率为查准率;所述基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,包括:
基于所述历史故障集对于第i个所述时频域检测器的训练结果,统计第一数量和第三数量;其中,所述第一数量是真实故障类型为第j种所述故障类型且预测故障类型为第j种所述故障类型的样本数量,所述第三数量是所述真实故障类型不为第j种所述故障类型且所述预测故障类型为第j种所述故障类型的样本数量;
将所述第一数量除以所述第一数量和所述第三数量之和,得到第i个所述时频域检测器对于第j种所述故障类型的查准率。
作为上述方案的改进,所述根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
将第i个所述时频域检测器对于第j种所述故障类型的查准率作为修正权重参数;
将所述修正权重参数乘以第二系数后再乘以第j种所述故障类型的基准权重参数,得到第i个所述时频域检测器对于第j种所述故障类型的综合权重值;其中,所述第二系数大于1且小于2;
从第i个所述时频域检测器的所有所述故障类型的综合权重值中选出最大值;
将第i个所述时频域检测器对于第j种所述故障类型的综合权重值除以所述最大值,得到为第i个所述时频域检测器对于第j种所述故障类型的基础权重。
作为上述方案的改进,所述检验正确率包括查全率和查准率;
所述基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,并将所述检验正确率设置为第i个所述时频域检测器对于第j种所述故障类型的修正权重参数,包括:
基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的查全率和查准率,并将所述查全率设置为第i个所述时频域检测器对于第j种所述故障类型的第一修正系数,将所述查准率设置为第i个所述时频域检测器对于第j种所述故障类型的第二修正系数;
所述根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
根据所述基准权重参数、所述第一修正系数和第二修正系数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重;其中,所述基础权重分别与所述基准权重参数、所述第一修正系数、第二修正系数呈正相关关系。
作为上述方案的改进,所述根据所述基准权重参数、所述第一修正系数和第二修正系数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
将第i个所述时频域检测器对于第j种所述故障类型的所述第一修正系数和所述第二修正系数相加后乘以第j种所述故障类型的基准权重参数,得到第i个所述时频域检测器对于第j种所述故障类型的综合权重值;
从第i个所述时频域检测器的所有所述故障类型的综合权重值中选出最大值;
将第i个所述时频域检测器对于第j种所述故障类型的综合权重值除以所述最大值,得到为第i个所述时频域检测器对于第j种所述故障类型的基础权重。
作为上述方案的改进,所述基于所述时频域检测器的基础权重,利用D-S证据理论对所有所述候选故障诊断结果进行融合,以得到目标故障诊断结果,包括:
根据所述候选故障诊断结果构建互斥的完备集合以作为辨识框架;
根据所述候选故障诊断结果确定所有类别的故障类型的概率,结合所述时频域检测器的基础权重,计算得到每一类别的故障类型的基本概率;
将所述基本概率代入预设的冲突系数计算公式,计算得到冲突系数;
基于D-S证据理论的融合规则,根据所述冲突系数和所述基本概率计算得到目标故障诊断结果。
为了实现上述目的,本发明实施例还提供了一种旋转机械时频域融合故障诊断系统,包括:
信号采集装置,用于采集旋转机械的实时振动信号;
故障诊断装置,用于:
根据所述实时振动信号提取若干种实时信号特征;其中,所述实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,每一所述实时信号特征各对应有一个正常空间;
当存在至少一个所述实时信号特征没有落在自身对应的正常空间内时,将每一所述实时信号特征输入预先训练好的人工免疫检测模型进行故障诊断,以确定与每一所述实时信号特征对应的初步故障诊断结果;
当所述初步故障诊断结果不一致时,采用预设的若干时频域检测器对所述实时信号特征进行故障检测,得到每一所述时频域检测器对应的候选故障诊断结果;
当存在一个所述候选故障诊断结果的置信度大于预设置信度阈值时,筛选出所述置信度大于所述预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;
当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果。
与现有技术相比,本发明实施例提供的旋转机械时频域融合故障诊断方法及系统,首先采集旋转机械的实时振动信号;接着,根据所述实时振动信号提取若干种实时信号特征;其中,所述实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,每一所述实时信号特征各对应有一个正常空间;当存在至少一个所述实时信号特征没有落在自身对应的正常空间内时,将每一所述实时信号特征输入预先训练好的人工免疫检测模型进行故障诊断,以确定与每一所述实时信号特征对应的初步故障诊断结果;当所述初步故障诊断结果不一致时,采用预设的若干时频域检测器对所述实时信号特征进行故障检测,得到每一所述时频域检测器对应的候选故障诊断结果;当存在一个所述候选故障诊断结果的置信度大于预设置信度阈值时,筛选出所述置信度大于所述预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果。本发明实施例通过对实时振动信号提取多种实时信号特征,采用人工免疫模型计算得到每一实时信号特征的初步故障诊断结果,实现故障快速诊断,利用时频域检测器和D-S证据理论进行故障诊断,实现故障诊断的准确性。
附图说明
图1是本发明一实施例提供的一种旋转机械时频域融合故障诊断方法的流程图;
图2是本发明一实施例提供的一种旋转机械时频域融合故障诊断系统的系统框图;
图3是本发明一实施例提供的三轴加速度传感器安装位置图;
图4是本发明一实施例提供的优秀检测器的产生流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,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作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。
参见图1,是本发明一实施例提供的一种旋转机械时频域融合故障诊断方法的流程图。所述方法包括步骤S11~S16:
S11、采集旋转机械的实时振动信号;
S12、根据所述实时振动信号提取若干种实时信号特征;其中,所述实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,每一所述实时信号特征各对应有一个正常空间;可以理解的是,每一种正常的实时信号特征的数值会稳定在一定的数值范围内,因此对应有一个正常空间(该空间本质上是一个数值范围)。
S13、当存在至少一个所述实时信号特征没有落在自身对应的正常空间内时,将每一所述实时信号特征输入预先训练好的人工免疫检测模型进行故障诊断,以确定与每一所述实时信号特征对应的初步故障诊断结果;
S14、当所述初步故障诊断结果不一致时,采用预设的若干时频域检测器对所述实时信号特征进行故障检测,得到每一所述时频域检测器对应的候选故障诊断结果;如图2所示,得到N个候选故障诊断结果。
S15、当存在一个所述候选故障诊断结果的置信度大于预设置信度阈值时,筛选出所述置信度大于所述预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;示例性的,候选故障诊断结果的置信度的计算方式为:统计每一种候选故障诊断结果的占比,以作为对应的置信度。比如,置信度的第一种计算方式:假设时频域检测器包括第一时频域检测器和第二时频域检测器,实时信号特征包括第一实时信号特征和第二实时信号特征,将第一实时信号特征经对应的时频域检测器检测(比如第一时频域检测器),输出若干故障类型以及与每一故障类型对应的故障发生概率(比如第一故障类型的发生概率为80%,第二故障类型的发生概率为20%,由于第一故障类型的发生概率大于70%(预设的判断阈值),所以该实时信号特征的候选故障诊断结果为发生第一故障类型),将第二实时信号特征经对应的时频域检测器检测(比如第二时频域检测器),输出若干故障类型以及与每一故障类型对应的故障发生概率(比如第一故障类型的发生概率为90%,第二故障类型的发生概率为10%),那么综合计算得到第一故障类型的发生概率(置信度)为:所有第一故障类型发生概率相加,再除以所有故障类型发生概率,得到第一故障类型的发生概率(比如(80%+90%)/200%=85%),同理可得其他故障类型的置信度。置信度的第二种计算方式,将所有候选故障诊断结果按故障类型进行分类,计算每一种候选故障诊断结果的数量,再分别除以所有候选故障诊断结果的总数,得到每一种候选故障诊断结果的占比(置信度)。
S16、当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果。
示例性的,旋转机械时频域融合故障诊断方法的具体工作流程如下:
(1)、通过信号采集装置采集旋转机械关键部位的实时振动信号。
需要注意的是,设备平稳运行时才开始采集,采集数据后进行如下预处理:第一、对于处于特定分布区域或范围之外的数据即定义为异常或噪声的离群点,删除;第二、针对缺失值,会基于变量的分布特性和变量的重要性进行填补或删除,若变量的缺失率较高(大于80%),覆盖率较低,且重要性较低,可以直接将变量删除;若缺失率较低(小于80%)且重要性较低,则根据数据分布的情况用均值进行填充。
(2)、运用频域统计分析、小波包分析、经验模式分解等多种信号处理技术进行时频域特征指标的提取,得到多种类型的实时信号特征,实时信号特征包括无量纲特征、互无量纲特征、小波特征(小波阈值)变元和霍特林统计量(T2统计量)等。对实时信号特征进行降维处理,如PCA降维处理,将量纲以及无量纲参数结合起来形成的参数数组存在维数高、计算量大的问题,数据降维不仅可以减少计算量还具备过滤噪声的作用,且降维处理后的数据更简洁明了。
(3)、采用人工免疫检测模型对实时信号特征进行检测,人工免疫检测模型包括多个优秀检测器,每一优秀检测器仅可用于检测一个故障类型的故障,实现故障的快速诊断。
(4)、若人工免疫检测模型的故障检测结果可信,则直接采用该结果作为故障诊断结果,否则,采用现有技术的若干个时频域检测器对所述实时信号特征进行故障检测,得到每一时频域检测器对应的候选故障诊断结果;可以理解的是,若是人工检测模型检测出的初步故障诊断结果包括多种故障类型,说明初步故障诊断结果不一致,不可信;若是初步故障诊断结果只包含一个故障类型,说明初步故障诊断结果一致,可信。
(5)、筛选出置信度大于预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;当所有所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,采用D-S证据理论对所有所述候选故障诊断结果进行融合,对多种时频域检测器进行集成诊断实现对旋转机械故障的实时在线准确诊断。示例性的,假设诊断出的某一种故障类型的概率达到80%,那么以该故障类型作为故障诊断结果,实现对旋转机械故障的实时在线准确诊断。
具体地,参见图2所示的旋转机械时频域融合故障诊断系统的系统框图,所述旋转机械时频域融合故障诊断方法应用于旋转机械时频域融合故障诊断系统。旋转机械时频域融合故障诊断系统分为PC端时频域融合智能在线故障诊断系统、手持振动检测仪、无线振动传感器振动监测系统,以下对各个系统进行简单介绍。
一、PC端时频域融合智能在线故障诊断系统。
该系统由信号采集装置和PC端软件构成,主要用于诊断大型旋转机械,如汽轮机机组、烟气轮机组和橡胶装置挤压脱水机及膨胀干燥机。通过信号采集装置进行振动信号的采集和预处理,服务器进行数据存储和管理、数据上传和发布;通过远程网络将采集到的企业用户工业现场大型设备在线实测数据传输到远程故障诊断中心,然后利用旋转机械时频域融合故障诊断方法进行数据处理,进一步分析工业现场设备工作状态、发展趋势和复合故障的特征,实现工业现场设备状态趋势预测和复合故障诊断的实验验证及应用研究。信号采集装置主要由数据采集卡、直流电源适配器、信号调理模块、速度传感器和信号前置处理箱组成。
速度传感器安装简单,对安装表面不敏感,用于中频测量,非常适合旋转机械的振动测量和监测,可有效检测转子不平衡、油膜振动和滚动轴承故障等。由于弹簧共振的影响,其具有频率上限和较低的共振频率。安装位置:安装在旋转机械轴承盖的水平和垂直方向,为了使系统得到真实有效的振动数据,设置采集频率为8kHz。
数据采集过程:速度传感器将旋转机械振动产生的物理量转化为微弱的电信号,然后传输给信号调理模块,信号调理模块将接收到的微弱信号进行放大,又将放大后的信号提供给信号滤波模块过滤掉高频信号,之后再把信号传输给数据采集卡,数据采集卡采集和处理数据并且上传至PC端处理。
二、手持振动分析仪。
采用加速度传感器和触摸屏构成手持振动分析仪。该采集装置主要包含了智能三轴加速度传感器、直流电源适配器、RS485通讯模块、触摸屏(带有触摸功能的终端)。该系统主要用于监测中小型旋转机械,如中小型风扇、中小型马达、中小型泵和小型空气压缩机等,并可快速诊断出设备存在的故障。
智能三轴加速度传感器安装较为简单,其可检测大范围的频率振动,包括短时冲击,对于检测转子不平衡、转子不对中、轴弯曲、丢失或损坏零件、组件共振等具有很好的效果,是滚动轴承和齿轮故障检测的优秀传感器。它的使用寿命也很长。安装位置:传感器的安装面与被测面固定必须紧密、平整、稳定;传感器轴线(轴线A)与被测量轴线(轴线B)必须平行,两轴线尽量不能产生夹角,如图3所示。由于手持振动分析仪主要用于在线快速检测旋转机械的故障,因此采集频率为2kHz即可满足在线故障诊断功能。
数据采集过程:触摸屏作为上位机,智能三轴加速度传感器内含数据处理器作为下位机,智能三轴加速度传感器将旋转机械振动产生的物理量转化为电信号,然后经过内部处理器处理将电信号转换为模拟信号通过RS485模块送至触摸屏上位机,上位机中的故障诊断装置可对送来的振动信号进行在线分析,可快速诊断出故障结果。
三、无线振动传感器振动监测系统。
采用信号采集装置和服务器构成无线振动传感器振动监测系统。该信号采集装置主要包含了无线振动传感器、通讯转发器和电源。该系统可适用于大部分旋转机械振动监测,由于无线振动传感器的振动数据可通过通讯转发器上传至服务器,利用服务器的旋转机械时频域融合故障诊断方法进行数据处理,进一步分析工业现场设备工作状态、发展趋势和复合故障的特征,实现工业现场设备状态趋势预测和复合故障诊断的实验验证及应用研究。
在一种优选的实施方式中,所述互无量纲特征包括互波形指标、互脉冲指标、互裕度指标和互峰值指标中的至少一种,所述无量纲特征包括峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
示例性的,实时信号特征包括以下几种:
(1)时域特征,主要分为有量纲和无量纲两种,有量纲有均方根值、绝对均值、均值等,无量纲有峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子等。
(2)互无量纲特征指标
互无量纲指标是在传统无量纲指标基础上,根据信号分离思想构造出具有强诊断能力的故障诊断指标,克服传统无量纲指标对振动信号,特别是对故障特征信号检测不够灵敏,精确度低和可靠性欠佳等难题。
1)、在设备的正常运转时期,使用传感器(可以包括多种传感器)采集石化大机组旋转机械正常运行无故障信号,设抽样频率fs采集的无故障振动信号s0(t)(t=0,1,...,T'-1),并将其归一化处理后得到标准振动信号s(t);同时,对标准振动信号s(t)做快速傅里叶变换得到标准振动频域信号S(k)(k=0,1,...,K'-1);
2)、采集石化大机组旋转机械故障信号,设抽样频率fs采集的故障信号z(t)(t=0,1,...,T'-1);并将其进行快速傅里叶变换获得频域信号Z(k)(k=0,1,...,K'-1);
3)设无故障的频域信号S(k)取复共轭为S(k)*,将故障的频域信号Z(k)与S(k)*相乘得到Y(k)(k=0,1,...,K'-1),再对Y(k)做快速傅里叶逆变换得到两个信号Z(k)与S(k)*的相关函数A(t)(t=0,1,…,T'-1);t=0,1,…,T-1中取相关函数A(t)的模|A(t)|,|A(t)|最大值为振动信号和标准振动信号的延迟时间τ,τ=argmax|A(t)|;则故障信号z(t)与延迟后的无故障标准振动信号s(t-τ)的相关系数c,c=E[z(t)s(t-τ)];E[]表示期望,该式子可以理解为通过对随机过程在不同时刻的值s(t-τ)进行加权求和(权重由z(t)给出),来计算在时刻t的期望值c。因此,c可以看作是s(t-τ)在t时刻的平均值,权重z(t)可以决定不同时刻的值对c的贡献程度。
4)设石化大机组旋转机械振动信号和噪声的混合信号y(t)=z(t)-cs(t-τ),求得互无量纲特征。
其中最具有代表性的五个互无量纲指标分别为:互无量纲波形指标(互波形特征)、互无量纲峰值指标(互峰值特征)、 互无量纲脉冲指标(互脉冲特征)、互无量纲峭度指标和互无量纲裕度指标(互裕度特征)。
(3)、多尺度无量纲指标
多尺度无量纲指标是一种综合考虑不同尺度和维度的指标,用于描述复杂系统的特征。它的目的是消除指标之间的尺度差异和单位差异,使得不同指标可以进行比较和分析,同时综合反映系统的多个方面。
提取多尺度无量纲指标的方式可以通过以下步骤实现:
1)数据收集:收集设备不同尺度下的振动数据。
2)标准化:对原始振动数据进行标准化处理。
3)无量纲特征指标提取:通过无量纲特征提取方法将标准化后数据转化为无量纲形式。
4)加权求和:根据无量纲特征指标重要性进行加权求和,得到一个综合的多尺度无量纲指标。
(4)、小波阈值
小波阈值是小波分析中的重要概念,其提取方式如下:
1)对原始数据进行小波分解,得到不同尺度的小波系数。
2)根据一定的阈值准则,将小于一定阈值的小波系数设为0,将大于一定阈值的小波系数保留。
3)对处理后的小波系数进行小波重构,得到去噪后的数据。
(5)、变元
变元统计分析:
变元是原始数据矩阵经过变换得到的向量,变元之间各自不相关,其统计特性反映了过程的某些特点。如变元的方差即标准化后数据的协方差矩阵的特征值。通过监控变元的统计特性可以反映工况的变化。考虑原始数据矩阵X'∈Rh×q,其中:h代表独立测量的次数;q代表传感器的个数。将原始过程数据进行标准化处理(零均值和单位标准差)之后,样本协方差由下式计算:
;
对S'进行奇异值分解,得到负载矩阵P(S'的特征值向量构成的矩阵),则原始过程数据矩阵可进行如下变换:
T=X'P;
式中P∈Rq×q是负载矩阵;T∈Rh×q是得分矩阵(T的每一列代表相应的变换组件(Transformed Component,TC))。
由于变元统计分析(Transformed Component Statistical Analysis,TCSA)是基于滑动时间窗口的算法,需要在每个窗口内计算TC,并计算其统计特性,设滑动时间窗口的长度为w,X(k')代表一个窗口长度内的过程测量值:
;
式中,A1=k'-w+1;A2=k'-w+2。k'表示滑动时间窗口内的最后一个时间点的索引。滑动时间窗口的长度为w,而X(k')则代表在这个窗口内的过程测量值。通过将k'视为窗口的右边界,可以根据这个索引来确定时间窗口的范围,从而在窗口内对过程测量值进行计算和统计特性的分析。
创建数据矩阵Xsum=[Xnormal;X(k')],式中Xnormal∈Rw×q是正常工况下的测量数据矩阵。进而计算标准化后的Xsum的协方差矩阵,对其进行SVD分解,得到矩阵T,并计算其各项统计量(均值,方差,偏度,峰度),构建统计量矩阵:
;
式中,mean是均值,var是方差,skewness是偏度,kurtosis是斜度;
检测指标可由下式计算:
;
式中,diag表示提取矩阵对角元素;std表示标准差;
当统计量仅使用方差并且取2范数时,检测指标退化为:
;
即转化为对协方差矩阵特征值的监控。
(6)T2统计量
T2统计量的提取方法通常包括以下步骤:
1)数据收集:收集多变量数据集,包含多个变量的观测值。
2)计算数据集的均值和协方差矩阵:对多变量数据集计算均值向量和协方差矩阵。均值向量表示数据集在每个变量上的平均值,协方差矩阵表示变量之间的相关性。
3)计算数据点与均值之间的差异向量:对于每个数据点(样本),计算其与数据集均值之间的差异向量。差异向量可以通过将数据点的值减去均值向量得到。
4)计算马哈拉诺比斯距离:使用协方差矩阵和差异向量,计算数据点相对于数据集的马哈拉诺比斯距离。马哈拉诺比斯距离考虑了变量之间的相关性,能够量化数据点相对于数据集的偏离程度。
马哈拉诺比斯距离的计算公式为:D^2 = (x'-μ)^T*Σ^(-1)*(x'-μ);
其中,D^2为马哈拉诺比斯距离的平方,x'为数据点的差异向量,μ为数据集的均值向量,Σ为数据集的协方差矩阵。
5)计算T2统计量:基于马哈拉诺比斯距离,计算数据点的T2统计量。T2统计量的计算公式为:T2 = D^2*(l-1)/p。
其中,T2为T2统计量,D^2为马哈拉诺比斯距离的平方,l为数据集的样本数,p为数据集的变量数。
在一种优选的实施方式中,还包括:
利用专家系统对所述实时信号特征进行故障诊断,获取专家故障诊断结果;
获取所述实时振动信号的振动烈度,并采用行业标准分别对所述振动烈度和所述实时信号特征进行故障诊断,获得行业故障诊断结果;其中,所述行业标准包括国际工业标准、国内工业标准和企业工业标准;
根据所述行业故障诊断结果和所述专家故障诊断结果,对所述目标故障诊断结果进行优化,以得到最终故障诊断结果。
示例性的,结合图2,采用专家系统(人工规则库)对实时信号特征进行故障诊断,采用行业标准(国际、国内、企业工业标准,如ISO2372)对旋转机械实时在线监测数据(实时振动信号)的振动烈度和时频域特征(实时信号特征)进行故障诊断,将各个诊断结果(专家故障诊断结果、行业故障诊断结果和目标故障诊断结果)进行融合,得到最终故障诊断结果。其中,对于专家系统:由于基于无量纲指标的故障诊断方法,在设备安装的早期数据量比较缺乏,难以有效的进行故障诊断,因此专家系统用以早期的辅助故障诊断,专家系统的建立需要依托石化企业专业技术人员的经验知识以及历史记录的统计分析确定故障诊断的规则;在振动检测数据获取后,通过频域分析方法,建立相应的频谱,根据专家规则实现故障的判断。对于振动烈度:通过传感器采集的数据,计算振动烈度,依据国际、国内或企业的标准,直接判定设备的状态,如果振动烈度超出了标准规定的限制,则报警,提醒故障发生。
在一种优选的实施方式中,还包括:当所述初步故障诊断结果一致时,利用专家系统对所述实时信号特征进行故障诊断,获取专家故障诊断结果;
获取所述实时振动信号的振动烈度,并采用行业标准分别对所述振动烈度和所述实时信号特征进行故障诊断,获得行业故障诊断结果;其中,所述行业标准包括国际工业标准、国内工业标准和企业工业标准;
根据所述行业故障诊断结果和所述专家故障诊断结果,对所述初步故障诊断结果进行优化,以得到最终故障诊断结果。
可以理解的是,在初步故障诊断结果一致时,直接采用专家系统和行业标准对该初步诊断结果进行进一步评估,确定最终故障诊断结果,可以提高故障诊断的准确性。
在一种优选的实施方式中,所述人工免疫检测模型通过以下方式构建:
获取所述旋转机械的已知故障振动信号,并提取每一所述已知故障振动信号的若干故障信号特征,根据故障类型对所述已知故障振动信号进行分类;
从所有故障信号特征中筛选出第a种所述故障类型的第b种所述特征类型的故障指标,以用于计算得到第a种所述故障类型的第b种所述特征类型的故障空间串;可以理解的是,a的取值范围为:大于等于1且小于等于已知故障振动信号分类得到的类别数;b为取值范围取决于故障信号特征的类别数;
将所述故障空间串划分为若干段异常数据串;
针对每一异常数据串进行变异,搜索得到与正常空间串不匹配的检测器以作为候选检测器;其中,所述正常空间串为第a种所述故障类型的第b种所述特征类型的正常信号特征的空间串,所述正常信号特征是根据所述旋转机械的正常振动信号计算得到的,每一所述候选检测器各对应有若干串;
将所述候选检测器的所有串与所述正常空间串进行匹配运算,使得所述候选检测器在阴性选择机制下成熟,得到成熟检测器;
根据除第a种所述故障类型外的其他故障类型的第b种所述特征类型的故障信号特征,对所述成熟检测器进行验证以确定优秀检测器;其中,所述优秀检测器为仅与一种所述故障类型匹配的检测器;
将每一所述故障类型关联的优秀检测器进行组合,得到人工免疫检测模型。
示例性的,在本实施方式中,候选检测器的生成原理为:直接在非己空间串对己知(或先验)故障串(故障空间串)按连续匹配位r位数分为两串异常数据串,先对前面(后面)一串进行每一位、每两位、…、至所有位的变异,得到第一组与自己空间串(对应的正常空间串)不匹配的检测器;再对后面(前面)一串进行每一位、每两位、…、所有位的变异,得到第二组自己空间串不匹配的检测器,将得到的检测器作为候选检测器。
优秀检测器的具体产生原理如下:
1 、初始化:
(1)按照不同故障类型确定某一特征参数(故障指标)对应不同故障敏感的数值范围。
(2)根据故障特征参数要求的数值精度确定数据编码的位数 n1′。
(3)按r连续位部分匹配的思想,确定连续匹配位数r。连续匹配的位数取值区间大约为:r≥(1/2~2/3)n1′。
2、将机组正常状态下的特征参数范围,编码后定义为自己空间数据串S自己;将故障特征参数范围,编码后定义为非己空间数据模式串N非己(故障空间串)。
3、采用生物遗传中变异的机制,以及体现免疫系统克隆选择的原理,基于非己空间变异搜索检测器,得到成熟检测器。
4、对成熟检测器R进行约简、聚类,得到独有故障数据模式的优秀检测器。按匹配情况对检测器集R进行约简、聚类,形成优秀检测器集R′,即R′=(R1′,R2′,…Ra′,…,Rg′)。其中优秀检测器集中的每一优秀检测器只与一类故障模式独有空间相匹配,而与其它任何故障模式独有空间不匹配,其中,g为优秀检测器的总数。
5、将约简后的优秀检测器集R′与待检测数据模式串S*相匹配来检测S*的变化,如果某个检测器与S*匹配,该检测器被激活,则认为S*已产生异常变化。检查被激活的检测器对应R′中的哪类故障模式,从而诊断出设备发生了何种故障。改进算法中的Ra′能检测出第a 类故障不同于其它故障的独有特征。
在一种优选的实施方式中,还包括:
当所述最终故障诊断结果与每一所述优秀检测器关联的故障类型都不匹配时,根据所述最终故障诊断结果对应的实时信号特征得到待用故障空间串;
将所述待用故障空间串划分得到若干段待用异常数据串;
针对每一所述待用异常数据串进行变异,搜索得到与所述正常空间串不匹配的检测器以作为待用候选检测器;
将所述待用候选检测器的所有串与所述正常空间串进行匹配运算,使得所述候选检测器在阴性选择机制下成熟,得到待用成熟检测器;
从所述待用成熟检测器中筛选出待用优秀检测器,并添加到所述人工免疫检测模型。
具体地,为了解决出现新的故障时模型失效的问题,在遇到新型故障时,不需要将原有故障数据和新型故障数据合并对原有检测器进行重新训练,只需针对新型故障数据建立新的优秀检测器集合,与原有集合融合,利用阴性选择检测器融合的方式解决旋转机械新故障的诊断问题。
在一种优选的实施方式中,所述人工免疫检测模型通过以下方式构建:
获取所述旋转机械的正常振动信号,并提取每一所述正常振动信号的若干正常信号特征;
根据第b种特征类型的正常信号特征确定第b种所述特征类型的正常空间串;b为大于等于1小于等于所述特征类型的总数的整数;
将所述正常空间串划分为若干段正常数据串;
将所述正常数据串进行变异,搜索得到与所述正常空间串不匹配的检测器以作为候选检测器;其中,每一所述候选检测器各对应有若干串;
将所述候选检测器的所有串与所述正常空间串进行匹配运算,使得所述候选检测器在阴性选择机制下成熟,得到成熟检测器;
将所述成熟检测器与每一故障类型的第b种所述特征类型的故障信号特征进行匹配运算,以确定优秀检测器;其中,所述优秀检测器为仅与一种所述故障类型匹配的检测器;
将每一所述故障类型关联的优秀检测器进行组合,得到人工免疫检测模型。
具体地,人工免疫检测模型的构建思路如下:
(1)确定机组(旋转机械)在正常运行状态下的被检测量范围,并根据检测精度确定编码位数;
(2)通过对自己空间进行编码后,得到自己空间的有限个二进制码段(自己空间串/正常空间串);
(3)根据部分匹配的规则,确定连续匹配的位数r,r通常为(1/2)n2′~(2/3)n2′,n2′是自己空间中二进制串的位数长度;
(4)利用变异搜索方法,得到与自己空间串不匹配的检测器集。
(5)若检测器只与某一种故障模式的独有特征空间相匹配,则保留该检测器,它只能检测一种故障;若检测器与故障模式空间两个以上故障模式匹配,取消这类检测器;另外,还应删除那些与任何故障模式都不匹配的检测器。依据匹配情况对检测器集进行约简及聚类,获得新的检测器集M'(优秀检测器),即M'=(M1',M2',…Ma',…,Mg')。其中Ma'只与第a种故障模式(故障类型)独有特征空间匹配,其中,g为优秀检测器的总数;
(6)不断地将实时采集的运行数据S运行与训练好的检测器集M'相进行比较,若匹配,则说明S运行已发生变化。然后检查被激活检测器与M'中的哪一类故障相对应,从而可诊断出设备到底发生了何种故障。在本算法中,Ma'能检测出第a类故障中区别于其它类故障的独有特征。
值得说明的是,本发明实施方式的候选检测器的生成方式与上一实施方式的候选检测器的生成方式不同。示例性的,人工免疫检测模型的构建过程包括从候选检测器的产生,再得到成熟检测器,最后确定优秀检测器,比如,构建用于第b种特征类型的实时信号特征的故障检测的人工免疫检测模型:获取旋转机械的正常运行数据,并提取每一正常运行数据的第b种特征类型的正常指标;根据提取的正常指标确定自己空间串(正常空间串),将自己空间串按r位数大小进行划分,得到三段,先在中间段采用同时变异的形式,得到第一组与自己空间串不匹配的检测器,再分别对首段进行每一位、每两位、至所有位的完全变异,得到第二组自己空间串不匹配的检测器;最后,对后面段进行每一位、每两位、至所有位的完全变异,得到第三组与自己空间串不匹配的检测器,这些检测器作为候选检测器;接着,将候选检测器的所有串与正常空间串进行匹配运算,使得候选检测器在阴性选择机制下成熟,得到成熟检测器,其中,成熟检测器与正常空间串不匹配;然后将成熟检测器与第b种特征类型的故障指标进行匹配运算,筛选出只能与一种故障类型匹配的检测器以作为优秀检测器。将所有优秀检测器进行组合得到优秀检测器集,以作为人工免疫检测模型。
本实施方式通过扩增了正常运行数据(正常振动信号)的数据串,使得模型对正常运行数据的识别能力和迁移能力有了很大的提升,提高选出的优秀筛选器对不同工况下的正常运行数据的识别能力,降低检测器对故障的误判可能,具体的优秀检测器的产生流程可参见图4。
可以理解的是,在进行故障检测时,将待检测的数据输入优秀检测器集,如果存在某一优秀检测器与该数据匹配,根据匹配的优秀检测器可确定旋转机械发生了何种故障。
在一种优选的实施方式中,所述时频域检测器包括互无量纲检测器、非高斯早期检测器、强噪声稀疏检测器、小波增强检测器、T2间歇检测器、随机时变间歇检测器、蠕滑超限检测器、滑动变元检测器、重构负荷检测器、跨域跃迁NN检测器、布尔定位检测器和SVM检测器中的至少两种。
可以理解的,这些时频域检测器都是现有技术的时频域检测手段,其中,有一些时频域检测器可以检测多种类型的实时信号特征,比如SVM检测器,而有一些时频域检测器只能检测特定类型的实时信号特征,比如互无量纲检测器。在实际应用中,可以根据实际情况设置对应的时频域检测器,在后续的应用中,可以根据需求随时添加新的时频域检测器。
在一种优选的实施方式中,所述当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果,包括:
根据所述旋转机械的历史故障集确定所述旋转机械的每一种故障类型的出现概率,以用于为每一所述时频域检测器中的每一种故障类型赋予基准权重参数;可以理解的是,此处的故障类型指的是旋转机械存在的且时频域检测器能够检测出的故障类型,一般情况下,时频域检测器可以检测出所有现有的已知故障;
基于所述历史故障集对于第i个时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,并将所述检验正确率设置为第i个所述时频域检测器对于第j种所述故障类型的修正权重参数;其中,i为大于等于1且小于等于所述时频域检测器总数的整数,j为大于等于1且小于等于所述故障类型总数的整数;
根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重;其中,所述基础权重分别与所述基准权重参数、所述修正权重参数呈正相关关系;
当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,基于所述时频域检测器的基础权重,利用D-S证据理论对所有所述候选故障诊断结果进行融合,以得到目标故障诊断结果。可以理解的是,不同的时频域检测器对于每一种故障类型的检测灵敏度不同,那么在进行D-S证据理论融合之前,针对每一候选故障诊断结果,根据其对应的故障类型和时频域检测器,对该候选故障诊断结果赋予对应的基础权重,提高后续故障融合计算的准确性。
具体地,在一级诊断(人工免疫模型的故障诊断阶段)无法确定故障类型时,利用时频域检测技术(多个时频域检测器)进行故障检测,若是在这一步骤能够明确故障类型,则可以结束当前的诊断,若是无法明确故障类型,则利用D-S证据理论对所有频域检测器的检测结果进行融合,得到最终的故障诊断结果,在进行融合时,需要考虑时频域检测器的基础权重。
在一种实施方式中,所述检验正确率为查全率;所述基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,包括:
基于所述历史故障集对于第i个所述时频域检测器的训练结果,统计第一数量和第二数量;其中,所述第一数量是真实故障类型为第j种所述故障类型且预测故障类型为第j种所述故障类型的样本数量,所述第二数量是所述真实故障类型为第j种所述故障类型且所述预测故障类型不为第j种所述故障类型的样本数量;
将所述第一数量除以所述第一数量和所述第二数量之和,得到第i个所述时频域检测器对于第j种所述故障类型的查全率。
在一种实施方式中,所述根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
将第i个所述时频域检测器对于第j种所述故障类型的查全率作为修正权重参数;
将所述修正权重参数乘以第一系数后再乘以第j种所述故障类型的基准权重参数,得到第i个所述时频域检测器对于第j种所述故障类型的综合权重值;其中,所述第一系数大于1且小于2;
从第i个所述时频域检测器的所有所述故障类型的综合权重值中选出最大值;
将第i个所述时频域检测器对于第j种所述故障类型的综合权重值除以所述最大值,得到为第i个所述时频域检测器对于第j种所述故障类型的基础权重。
在一种实施方式中,所述检验正确率为查准率;所述基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,包括:
基于所述历史故障集对于第i个所述时频域检测器的训练结果,统计第一数量和第三数量;其中,所述第一数量是真实故障类型为第j种所述故障类型且预测故障类型为第j种所述故障类型的样本数量,所述第三数量是所述真实故障类型不为第j种所述故障类型且所述预测故障类型为第j种所述故障类型的样本数量;
将所述第一数量除以所述第一数量和所述第三数量之和,得到第i个所述时频域检测器对于第j种所述故障类型的查准率。
在一种实施方式中,所述根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
将第i个所述时频域检测器对于第j种所述故障类型的查准率作为修正权重参数;
将所述修正权重参数乘以第二系数后再乘以第j种所述故障类型的基准权重参数,得到第i个所述时频域检测器对于第j种所述故障类型的综合权重值;其中,所述第二系数大于1且小于2;
从第i个所述时频域检测器的所有所述故障类型的综合权重值中选出最大值;
将第i个所述时频域检测器对于第j种所述故障类型的综合权重值除以所述最大值,得到为第i个所述时频域检测器对于第j种所述故障类型的基础权重。
值得说明的是,第一系数和第二系数的具体数值可根据实际情况设置,第一系数和第二系数可以相同,也可以不同。
值得说明的是,所述校验正确率为查全率和查准率中的至少一种。
在一种实施方式中,所述检验正确率包括查全率和查准率;
所述基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,并将所述检验正确率设置为第i个所述时频域检测器对于第j种所述故障类型的修正权重参数,包括:
基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的查全率和查准率,并将所述查全率设置为第i个所述时频域检测器对于第j种所述故障类型的第一修正系数,将所述查准率设置为第i个所述时频域检测器对于第j种所述故障类型的第二修正系数;
所述根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
根据所述基准权重参数、所述第一修正系数和第二修正系数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重;其中,所述基础权重分别与所述基准权重参数、所述第一修正系数、第二修正系数呈正相关关系。通过上述方式计算每一时频域检测器对于每一种故障类型的基础权重。
进一步地,所述根据所述基准权重参数、所述第一修正系数和第二修正系数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
将第i个所述时频域检测器对于第j种所述故障类型的所述第一修正系数和所述第二修正系数相加后乘以第j种所述故障类型的基准权重参数,得到第i个所述时频域检测器对于第j种所述故障类型的综合权重值;
从第i个所述时频域检测器的所有所述故障类型的综合权重值中选出最大值;
将第i个所述时频域检测器对于第j种所述故障类型的综合权重值除以所述最大值,得到为第i个所述时频域检测器对于第j种所述故障类型的基础权重。
示例性的,设系统具有的时频域检测器为T1,T2,…,Ti,…Ts,可诊断的故障类型F1,F2,…, Ft,对于某台机械设备M,其时频域检测器的初始权重设置方法为:
Step1:根据设备M具有的零部件可能会发生的故障,从系统可诊断的故障类型集中选出设备可能会发生且系统可以诊断的故障类型f1,f2,…,fj,…fc。
Step 2:根据设备M出现相关故障的可能性,分别对各类故障类型设置第一权重参数,例如故障类型fj设置第一权重参数Aj(基准权重参数)。第一权重参数的默认值为0.5。出现相关故障的可能性越大,参数值设置越大,最大值设置为1;出现相关故障的可能性越小,参数值设置越小,最小值设置为0。
Step3:根据各类故障类型历史数据对于时频域检测器的训练结果,将时频域检测器对对应故障类型的查准率P1设置为第二权重参数(第二修正系数),比如将时频域检测器Ti对fj的查准率P1设置为第二权重参数Bij。其中,Ti表示第i个时频域检测器,fj表示第j个故障类型。如无相关训练数据,第二权重参数的默认值为0.5。
Step4:根据各类故障类型历史数据对于检测器的训练结果,将时频域检测器对对应故障类型的查全率R1设置为第三权重参数(第一修正系数),比如将时频域检测器Ti对fj的查全率R1设置为第三权重参数Cij。如无相关训练数据,第三权重参数的默认值为0.5。
Step5:令Xij=Aj*(Bij+Cij),并查找Xij的最大值Xmax。
Step6:设置时频域检测器T1,T2,…,Ti,…对各类故障类型f1,f2,…,fj,…的基础权重Wij为:Wij=Xij/Xmax。
进一步地,以验证结果作为反馈来进行检测器参数权重调整。设故障类型x被误诊断为故障类型y,则:
Step1:第一权重参数Ax=Ax+0.1;如果Ax>1,则Ax=1。Ax表示故障类型x的第一权重参数。
Step2:如果第一权重参数Ay>0.5,则Ay=Ay-0.1。Ay表示故障类型y的第一权重参数。
Step3:将误诊实例加入历史数据集后,重新计算时频域检测器T1,T2,…,Ti,…对各类故障类型f1,f2,…,fj,…的查准率P1,并将其设置为新的第二权重参数Bij。
Step 4:将误诊实例加入历史数据集后,重新计算时频域检测器T1,T2,…,Ti,…对各类故障类型f1,f2,…,fj,…的查全率R1,并将其设置为新的第三权重参数Cij。
Step 5:根据更新后的第一、第二、第三权重参数,重新计算Xij=Aj*(Bij+Cij),并查找新的Xij的最大值Xmax。
Step 6:将时频域检测器T1,T2,…,Ti,…对各类故障类型f1,f2,…,fj的参数权重Wij调整为:Wij=Xij/Xmax。
在本实施方式中,通过综合考虑机械设备发生某类故障的可能性、各时频域检测器对各类故障的查准率、各时频域检测器对各类故障的查全率来设置相关权重参数。将相关权重参数进行数值化、归一化处,以便更快捷准确地更新相关权重参数。根据误诊情况更新机械设备发生某类故障的可能性,并将误诊实例加入历史数据集后重新计算各时频域检测器对各类故障的查准率和查全率,从而更全面地实现权重参数的自适应调整。
在一种优选的实施方式中,所述基于所述时频域检测器的基础权重,利用D-S证据理论对所有所述候选故障诊断结果进行融合,以得到目标故障诊断结果,包括:
根据所述候选故障诊断结果构建互斥的完备集合以作为辨识框架;
根据所述候选故障诊断结果确定所有类别的故障类型的概率,结合所述时频域检测器的基础权重,计算得到每一类别的故障类型的基本概率;
将所述基本概率代入预设的冲突系数计算公式,计算得到冲突系数;
基于D-S证据理论的融合规则,根据所述冲突系数和所述基本概率计算得到目标故障诊断结果。
具体地,证据理论(Dempster-Shafer Evidence Theory)是一种用于处理不确定性和推理的数学理论。它是由Glenn Shafer在1980年代早期发展的,起初是作为一种决策理论,后来在人工智能和专家系统等领域得到了广泛应用。
证据理论提供了一种描述和处理不确定性的框架,可以在面对缺乏确定性信息或存在冲突证据时进行推理和决策。它的核心概念是基于证据的信任度分配,即通过给定的证据对可能的事件进行概率分配。
证据理论由辨识框架Θ、基本概率分配函数、基本信任分配函数、合成规则四部分构成。辨识框架是指分类模型的所有分类情况组成的穷举组合,,且所有组合都是相互排斥的。假设A为辨识框架的一个子集、/>为辨识框架Θ的幂集,基本概率分配函数m(Basic Probability Assignment Function,BPAF)则需满足以下条件:
;(1)
其中若m(A)>0,则称A为m的焦元。
基本信任分配函数Bel(Basic Belief Assignment Function,BBAF)表示对事件发生的信任总和与其必然性,若函数Bel满足映射,且满足,则称函数Bel为信任函数。若函数Pl满足映射/>,且满足,则称函数Pl为似然函数(Plausibility function)。D-S证据理论的合成规则可以组合不同证据源的证据即不同分类模型对特征数据的分类结果得到一个组合的新结果。假设/>是n个独立的基本概率分配,合成规则如下(D-S证据理论的融合规则):
;(2)
其中K表示冲突系数,K越接近1则表示证据体之间的冲突严重,越接近0则表示越一致。
;(3)
假设故障可能的类型有故障A’、故障B’、故障C’、......、故障N’。则故障的辨识框架为,通过时频域检测器后的诊断结果代表各故障的基本概率分配函数即各故障发生的概率,也满足公式(1)。其诊断流程如图2中时频域检测部分所示,如果某种时频域检测器的诊断结果有很高置信度,则直接得到已知的易区分故障类型,否则就使用证据理论对多种时频域检测技术的检测结果进行融合,融合过程基本步骤如下:
收集各故障诊断检测器的诊断结果即各种类别的故障类型的基本概率分配函数记为。利用每一时频域检测器对于每一类别的故障类型的基础权重进行概率调整,得到每一类别的故障类型的基本概率。
通过公式(3)计算K值(冲突系数)。
通过公式(2)融合各诊断结果成新的融合结果。
与现有技术相比,本发明实施例提供的旋转机械时频域融合故障诊断方法,首先采集旋转机械的实时振动信号;接着,根据所述实时振动信号提取若干种实时信号特征;其中,所述实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,每一所述实时信号特征各对应有一个正常空间;当存在至少一个所述实时信号特征没有落在自身对应的正常空间内时,将每一所述实时信号特征输入预先训练好的人工免疫检测模型进行故障诊断,以确定与每一所述实时信号特征对应的初步故障诊断结果;当所述初步故障诊断结果不一致时,采用预设的若干时频域检测器对所述实时信号特征进行故障检测,得到每一所述时频域检测器对应的候选故障诊断结果;当存在一个所述候选故障诊断结果的置信度大于预设置信度阈值时,筛选出所述置信度大于所述预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果。本发明实施例通过对实时振动信号提取多种实时信号特征,采用人工免疫模型计算得到每一实时信号特征的初步故障诊断结果,实现故障快速诊断,利用时频域检测器和D-S证据理论进行故障诊断,实现故障诊断的准确性。
本发明实施例还提供一种旋转机械时频域融合故障诊断系统,包括:
信号采集装置,用于采集旋转机械的实时振动信号;
故障诊断装置,用于:
根据所述实时振动信号提取若干种实时信号特征;其中,所述实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,每一所述实时信号特征各对应有一个正常空间;
当存在至少一个所述实时信号特征没有落在自身对应的正常空间内时,将每一所述实时信号特征输入预先训练好的人工免疫检测模型进行故障诊断,以确定与每一所述实时信号特征对应的初步故障诊断结果;
当所述初步故障诊断结果不一致时,采用预设的若干时频域检测器对所述实时信号特征进行故障检测,得到每一所述时频域检测器对应的候选故障诊断结果;
当存在一个所述候选故障诊断结果的置信度大于预设置信度阈值时,筛选出所述置信度大于所述预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;
当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果。
值得说明的是,本发明实施例提供的旋转机械时频域融合故障诊断系统的具体工作流程与上述实施例所述的旋转机械时频域融合故障诊断方法的流程相同,在此不作赘述。
与现有技术相比,本发明实施例提供的旋转机械时频域融合故障诊断系统,首先采集旋转机械的实时振动信号;接着,根据所述实时振动信号提取若干种实时信号特征;其中,所述实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,每一所述实时信号特征各对应有一个正常空间;当存在至少一个所述实时信号特征没有落在自身对应的正常空间内时,将每一所述实时信号特征输入预先训练好的人工免疫检测模型进行故障诊断,以确定与每一所述实时信号特征对应的初步故障诊断结果;当所述初步故障诊断结果不一致时,采用预设的若干时频域检测器对所述实时信号特征进行故障检测,得到每一所述时频域检测器对应的候选故障诊断结果;当存在一个所述候选故障诊断结果的置信度大于预设置信度阈值时,筛选出所述置信度大于所述预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果。本发明实施例通过对实时振动信号提取多种实时信号特征,采用人工免疫模型计算得到每一实时信号特征的初步故障诊断结果,实现故障快速诊断,利用时频域检测器和D-S证据理论进行故障诊断,实现故障诊断的准确性。
本发明实施例还提供一种旋转机械时频域融合故障诊断设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述旋转机械时频域融合故障诊断方法实施例中的步骤,例如图1中所述的步骤S11~S16;或者,所述处理器执行所述计算机程序时实现上述各系统实施例中各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述旋转机械时频域融合故障诊断设备中的执行过程。
所述旋转机械时频域融合故障诊断设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述旋转机械时频域融合故障诊断设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述旋转机械时频域融合故障诊断设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processang Unat,CPU),还可以是其他通用处理器、数字信号处理器 (Dagatal Sagnal Processor,DSP)、专用集成电路(Applacataon Specafac Antegrated Carcuat,ASAC)、现场可编程门阵列 (Faeld-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述旋转机械时频域融合故障诊断设备的控制中心,利用各种接口和线路连接整个旋转机械时频域融合故障诊断设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述旋转机械时频域融合故障诊断设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据空调控制器的运行所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MedaaCard, SMC),安全数字(Secure Dagatal, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述旋转机械时频域融合故障诊断设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (14)
1.一种旋转机械时频域融合故障诊断方法,其特征在于,包括:
采集旋转机械的实时振动信号;
根据所述实时振动信号提取若干种实时信号特征;其中,所述实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,每一所述实时信号特征各对应有一个正常空间;
当存在至少一个所述实时信号特征没有落在自身对应的正常空间内时,将每一所述实时信号特征输入预先训练好的人工免疫检测模型进行故障诊断,以确定与每一所述实时信号特征对应的初步故障诊断结果;
当所述初步故障诊断结果不一致时,采用预设的若干时频域检测器对所述实时信号特征进行故障检测,得到每一所述时频域检测器对应的候选故障诊断结果;
当存在一个所述候选故障诊断结果的置信度大于预设置信度阈值时,筛选出所述置信度大于所述预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;
当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果;
所述当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果,包括:
根据所述旋转机械的历史故障集确定所述旋转机械的每一种故障类型的出现概率,以用于为每一所述时频域检测器中的每一种所述故障类型赋予基准权重参数;
基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,并将所述检验正确率设置为第i个所述时频域检测器对于第j种所述故障类型的修正权重参数;其中,i为大于等于1且小于等于所述时频域检测器总数的整数,j为大于等于1且小于等于所述故障类型总数的整数;
根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重;其中,所述基础权重分别与所述基准权重参数、所述修正权重参数呈正相关关系;
当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,基于所述时频域检测器的基础权重,利用D-S证据理论对所有所述候选故障诊断结果进行融合,以得到目标故障诊断结果;
所述时频域检测器包括互无量纲检测器、非高斯早期检测器、强噪声稀疏检测器、小波增强检测器、T2间歇检测器、随机时变间歇检测器、蠕滑超限检测器、滑动变元检测器、重构负荷检测器、跨域跃迁NN检测器、布尔定位检测器和SVM检测器中的至少两种;
所述基于所述时频域检测器的基础权重,利用D-S证据理论对所有所述候选故障诊断结果进行融合,以得到目标故障诊断结果,包括:
根据所述候选故障诊断结果构建互斥的完备集合以作为辨识框架;
根据所述候选故障诊断结果确定所有类别的故障类型的概率,结合所述时频域检测器的基础权重,计算得到每一类别的故障类型的基本概率;
将所述基本概率代入预设的冲突系数计算公式,计算得到冲突系数;
基于D-S证据理论的融合规则,根据所述冲突系数和所述基本概率计算得到目标故障诊断结果。
2.如权利要求1所述的旋转机械时频域融合故障诊断方法,其特征在于,所述互无量纲特征包括互波形特征、互脉冲特征、互裕度特征和互峰值特征中的至少一种,所述无量纲特征包括峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
3.如权利要求2所述的旋转机械时频域融合故障诊断方法,其特征在于,还包括:
当所述初步故障诊断结果一致时,利用专家系统对所述实时信号特征进行故障诊断,获取专家故障诊断结果;
获取所述实时振动信号的振动烈度,并采用行业标准分别对所述振动烈度和所述实时信号特征进行故障诊断,获得行业故障诊断结果;其中,所述行业标准包括国际工业标准、国内工业标准和企业工业标准;
根据所述行业故障诊断结果和所述专家故障诊断结果,对所述初步故障诊断结果进行优化,以得到最终故障诊断结果。
4.如权利要求2所述的旋转机械时频域融合故障诊断方法,其特征在于,还包括:
利用专家系统对所述实时信号特征进行故障诊断,获取专家故障诊断结果;
获取所述实时振动信号的振动烈度,并采用行业标准分别对所述振动烈度和所述实时信号特征进行故障诊断,获得行业故障诊断结果;其中,所述行业标准包括国际工业标准、国内工业标准和企业工业标准;
根据所述行业故障诊断结果和所述专家故障诊断结果,对所述目标故障诊断结果进行优化,以得到最终故障诊断结果。
5.如权利要求4所述的旋转机械时频域融合故障诊断方法,其特征在于,所述人工免疫检测模型通过以下方式构建:
获取所述旋转机械的已知故障振动信号,并提取每一所述已知故障振动信号的若干故障信号特征,根据故障类型对所述已知故障振动信号进行分类;
从所有故障信号特征中筛选出第a种所述故障类型的第b种特征类型的故障指标,以用于计算得到第a种所述故障类型的第b种所述特征类型的故障空间串;
将所述故障空间串划分为若干段异常数据串;
针对每一异常数据串进行变异,搜索得到与正常空间串不匹配的检测器以作为候选检测器;其中,所述正常空间串为第a种所述故障类型的第b种所述特征类型的正常信号特征的空间串,所述正常信号特征是根据所述旋转机械的正常振动信号计算得到的,每一所述候选检测器各对应有若干串;
将所述候选检测器的所有串与所述正常空间串进行匹配运算,使得所述候选检测器在阴性选择机制下成熟,得到成熟检测器;
根据除第a种所述故障类型外的其他故障类型的第b种所述特征类型的故障信号特征,对所述成熟检测器进行验证以确定优秀检测器;其中,所述优秀检测器为仅与一种所述故障类型匹配的检测器;
将每一所述故障类型关联的优秀检测器进行组合,得到人工免疫检测模型。
6.如权利要求5所述的旋转机械时频域融合故障诊断方法,其特征在于,还包括:
当所述最终故障诊断结果与每一所述优秀检测器关联的故障类型都不匹配时,根据所述最终故障诊断结果对应的实时信号特征得到待用故障空间串;
将所述待用故障空间串划分得到若干段待用异常数据串;
针对每一所述待用异常数据串进行变异,搜索得到与所述正常空间串不匹配的检测器以作为待用候选检测器;
将所述待用候选检测器的所有串与所述正常空间串进行匹配运算,使得所述候选检测器在阴性选择机制下成熟,得到待用成熟检测器;
从所述待用成熟检测器中筛选出待用优秀检测器,并添加到所述人工免疫检测模型。
7.如权利要求1所述的旋转机械时频域融合故障诊断方法,其特征在于,所述人工免疫检测模型通过以下方式构建:
获取所述旋转机械的正常振动信号,并提取每一所述正常振动信号的若干正常信号特征;
根据第b种特征类型的正常信号特征确定第b种所述特征类型的正常空间串;b为大于等于1小于等于所述特征类型的总数的整数;
将所述正常空间串划分为若干段正常数据串;
将所述正常数据串进行变异,搜索得到与所述正常空间串不匹配的检测器以作为候选检测器;其中,每一所述候选检测器各对应有若干串;
将所述候选检测器的所有串与所述正常空间串进行匹配运算,使得所述候选检测器在阴性选择机制下成熟,得到成熟检测器;
将所述成熟检测器与每一故障类型的第b种所述特征类型的故障信号特征进行匹配运算,以确定优秀检测器;其中,所述优秀检测器为仅与一种所述故障类型匹配的检测器;
将每一所述故障类型关联的优秀检测器进行组合,得到人工免疫检测模型。
8.如权利要求1所述的旋转机械时频域融合故障诊断方法,其特征在于,所述检验正确率为查全率;所述基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,包括:
基于所述历史故障集对于第i个所述时频域检测器的训练结果,统计第一数量和第二数量;其中,所述第一数量是真实故障类型为第j种所述故障类型且预测故障类型为第j种所述故障类型的样本数量,所述第二数量是所述真实故障类型为第j种所述故障类型且所述预测故障类型不为第j种所述故障类型的样本数量;
将所述第一数量除以所述第一数量和所述第二数量之和,得到第i个所述时频域检测器对于第j种所述故障类型的查全率。
9.如权利要求8所述的旋转机械时频域融合故障诊断方法,其特征在于,所述根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
将第i个所述时频域检测器对于第j种所述故障类型的查全率作为修正权重参数;
将所述修正权重参数乘以第一系数后再乘以第j种所述故障类型的基准权重参数,得到第i个所述时频域检测器对于第j种所述故障类型的综合权重值;其中,所述第一系数大于1且小于2;
从第i个所述时频域检测器的所有所述故障类型的综合权重值中选出最大值;
将第i个所述时频域检测器对于第j种所述故障类型的综合权重值除以所述最大值,得到为第i个所述时频域检测器对于第j种所述故障类型的基础权重。
10.如权利要求1所述的旋转机械时频域融合故障诊断方法,其特征在于,所述检验正确率为查准率;所述基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,包括:
基于所述历史故障集对于第i个所述时频域检测器的训练结果,统计第一数量和第三数量;其中,所述第一数量是真实故障类型为第j种所述故障类型且预测故障类型为第j种所述故障类型的样本数量,所述第三数量是所述真实故障类型不为第j种所述故障类型且所述预测故障类型为第j种所述故障类型的样本数量;
将所述第一数量除以所述第一数量和所述第三数量之和,得到第i个所述时频域检测器对于第j种所述故障类型的查准率。
11.如权利要求10所述的旋转机械时频域融合故障诊断方法,其特征在于,所述根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
将第i个所述时频域检测器对于第j种所述故障类型的查准率作为修正权重参数;
将所述修正权重参数乘以第二系数后再乘以第j种所述故障类型的基准权重参数,得到第i个所述时频域检测器对于第j种所述故障类型的综合权重值;其中,所述第二系数大于1且小于2;
从第i个所述时频域检测器的所有所述故障类型的综合权重值中选出最大值;
将第i个所述时频域检测器对于第j种所述故障类型的综合权重值除以所述最大值,得到为第i个所述时频域检测器对于第j种所述故障类型的基础权重。
12.如权利要求1所述的旋转机械时频域融合故障诊断方法,其特征在于,所述检验正确率包括查全率和查准率;
所述基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,并将所述检验正确率设置为第i个所述时频域检测器对于第j种所述故障类型的修正权重参数,包括:
基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的查全率和查准率,并将所述查全率设置为第i个所述时频域检测器对于第j种所述故障类型的第一修正系数,将所述查准率设置为第i个所述时频域检测器对于第j种所述故障类型的第二修正系数;
所述根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
根据所述基准权重参数、所述第一修正系数和第二修正系数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重;其中,所述基础权重分别与所述基准权重参数、所述第一修正系数、第二修正系数呈正相关关系。
13.如权利要求12所述的旋转机械时频域融合故障诊断方法,其特征在于,所述根据所述基准权重参数、所述第一修正系数和第二修正系数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重,包括:
将第i个所述时频域检测器对于第j种所述故障类型的所述第一修正系数和所述第二修正系数相加后乘以第j种所述故障类型的基准权重参数,得到第i个所述时频域检测器对于第j种所述故障类型的综合权重值;
从第i个所述时频域检测器的所有所述故障类型的综合权重值中选出最大值;
将第i个所述时频域检测器对于第j种所述故障类型的综合权重值除以所述最大值,得到为第i个所述时频域检测器对于第j种所述故障类型的基础权重。
14.一种旋转机械时频域融合故障诊断系统,其特征在于,包括:
信号采集装置,用于采集旋转机械的实时振动信号;
故障诊断装置,用于:
根据所述实时振动信号提取若干种实时信号特征;其中,所述实时信号特征至少包括无量纲特征、互无量纲特征、小波特征和霍特林统计量,每一所述实时信号特征各对应有一个正常空间;
当存在至少一个所述实时信号特征没有落在自身对应的正常空间内时,将每一所述实时信号特征输入预先训练好的人工免疫检测模型进行故障诊断,以确定与每一所述实时信号特征对应的初步故障诊断结果;
当所述初步故障诊断结果不一致时,采用预设的若干时频域检测器对所述实时信号特征进行故障检测,得到每一所述时频域检测器对应的候选故障诊断结果;
当存在一个所述候选故障诊断结果的置信度大于预设置信度阈值时,筛选出所述置信度大于所述预设置信度阈值的候选故障诊断结果以作为目标故障诊断结果;
当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果;
所述当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,利用D-S证据理论对所述候选故障诊断结果进行融合,以得到目标故障诊断结果,包括:
根据所述旋转机械的历史故障集确定所述旋转机械的每一种故障类型的出现概率,以用于为每一所述时频域检测器中的每一种所述故障类型赋予基准权重参数;
基于所述历史故障集对于第i个所述时频域检测器的训练结果,获取第i个所述时频域检测器对于第j种所述故障类型的检验正确率,并将所述检验正确率设置为第i个所述时频域检测器对于第j种所述故障类型的修正权重参数;其中,i为大于等于1且小于等于所述时频域检测器总数的整数,j为大于等于1且小于等于所述故障类型总数的整数;
根据所述修正权重参数和所述基准权重参数综合计算第i个所述时频域检测器对于第j种所述故障类型的基础权重;其中,所述基础权重分别与所述基准权重参数、所述修正权重参数呈正相关关系;
当每一所述候选故障诊断结果的置信度均小于等于所述预设置信度阈值时,基于所述时频域检测器的基础权重,利用D-S证据理论对所有所述候选故障诊断结果进行融合,以得到目标故障诊断结果;
所述时频域检测器包括互无量纲检测器、非高斯早期检测器、强噪声稀疏检测器、小波增强检测器、T2间歇检测器、随机时变间歇检测器、蠕滑超限检测器、滑动变元检测器、重构负荷检测器、跨域跃迁NN检测器、布尔定位检测器和SVM检测器中的至少两种;
所述基于所述时频域检测器的基础权重,利用D-S证据理论对所有所述候选故障诊断结果进行融合,以得到目标故障诊断结果,包括:
根据所述候选故障诊断结果构建互斥的完备集合以作为辨识框架;
根据所述候选故障诊断结果确定所有类别的故障类型的概率,结合所述时频域检测器的基础权重,计算得到每一类别的故障类型的基本概率;
将所述基本概率代入预设的冲突系数计算公式,计算得到冲突系数;
基于D-S证据理论的融合规则,根据所述冲突系数和所述基本概率计算得到目标故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330460.6A CN117076869B (zh) | 2023-10-16 | 2023-10-16 | 旋转机械时频域融合故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330460.6A CN117076869B (zh) | 2023-10-16 | 2023-10-16 | 旋转机械时频域融合故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076869A CN117076869A (zh) | 2023-11-17 |
CN117076869B true CN117076869B (zh) | 2024-01-26 |
Family
ID=88702878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311330460.6A Active CN117076869B (zh) | 2023-10-16 | 2023-10-16 | 旋转机械时频域融合故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076869B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076870B (zh) * | 2023-10-16 | 2024-01-12 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103335617A (zh) * | 2013-06-19 | 2013-10-02 | 清华大学 | 一种基于振动信号的铁路钢轨几何形变检测方法 |
CN103678881A (zh) * | 2013-11-22 | 2014-03-26 | 张清华 | 一种基于人工免疫与证据理论相结合的复合故障诊断方法 |
CN105426655A (zh) * | 2015-10-28 | 2016-03-23 | 广东石油化工学院 | 一种基于无量纲指标的旋转机械故障诊断方法 |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN109934206A (zh) * | 2019-04-08 | 2019-06-25 | 中国矿业大学(北京) | 一种非平稳工况下的旋转机械故障诊断方法 |
CN112101210A (zh) * | 2020-09-15 | 2020-12-18 | 贵州电网有限责任公司 | 一种基于多源信息融合的低压配电网故障诊断方法 |
CN115130748A (zh) * | 2022-06-27 | 2022-09-30 | 广东技术师范大学 | 一种建筑电气系统故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297141A (zh) * | 2019-07-01 | 2019-10-01 | 武汉大学 | 基于多层评估模型的故障定位方法及系统 |
-
2023
- 2023-10-16 CN CN202311330460.6A patent/CN117076869B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103335617A (zh) * | 2013-06-19 | 2013-10-02 | 清华大学 | 一种基于振动信号的铁路钢轨几何形变检测方法 |
CN103678881A (zh) * | 2013-11-22 | 2014-03-26 | 张清华 | 一种基于人工免疫与证据理论相结合的复合故障诊断方法 |
CN105426655A (zh) * | 2015-10-28 | 2016-03-23 | 广东石油化工学院 | 一种基于无量纲指标的旋转机械故障诊断方法 |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN109934206A (zh) * | 2019-04-08 | 2019-06-25 | 中国矿业大学(北京) | 一种非平稳工况下的旋转机械故障诊断方法 |
CN112101210A (zh) * | 2020-09-15 | 2020-12-18 | 贵州电网有限责任公司 | 一种基于多源信息融合的低压配电网故障诊断方法 |
CN115130748A (zh) * | 2022-06-27 | 2022-09-30 | 广东技术师范大学 | 一种建筑电气系统故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Combining the Multi-Genetic Algorithm and Support Vector Machine for Fault Diagnosis of Bearings;Jianbin Xiong;hindawi;第1-14页 * |
Fault Diagnosis for Rotating Machinery Based on Artificial Immune Algorithm and Evidence Theory;Guoxi Sun;IEEEXplore;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117076869A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | A novel intelligent method for bearing fault diagnosis based on affinity propagation clustering and adaptive feature selection | |
Javed | A robust and reliable data-driven prognostics approach based on extreme learning machine and fuzzy clustering | |
Zhang et al. | Degradation modeling and maintenance decisions based on Bayesian belief networks | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN110083593B (zh) | 电站运行参数清洗及修复方法、修复系统 | |
Yang et al. | Refined composite multivariate multiscale symbolic dynamic entropy and its application to fault diagnosis of rotating machine | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
Joung et al. | Development and application of a method for real time motor fault detection | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
Zhang et al. | A data-driven prognostics framework for tool remaining useful life estimation in tool condition monitoring | |
Zhang et al. | Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm | |
CN117609869A (zh) | 减速机智能化故障诊断与自学习方法及系统 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
Zhou et al. | Degradation State Recognition of Rolling Bearing Based on K‐Means and CNN Algorithm | |
Wang et al. | An artificial immune and incremental learning inspired novel framework for performance pattern identification of complex electromechanical systems | |
CN117251817A (zh) | 雷达故障检测方法、装置、设备和存储介质 | |
Mishra et al. | Hybrid models for rotating machinery diagnosis and prognosis: estimation of remaining useful life | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN116170200A (zh) | 电力监控系统时间序列异常检测方法、系统、设备及存储介质 | |
Yu et al. | Novelty class detection in machine learning-based condition diagnosis | |
Febriansyah et al. | Outlier detection and decision tree for wireless sensor network fault diagnosis |
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 |