CN111207067A - 一种基于模糊支持向量机的空压机故障诊断方法 - Google Patents
一种基于模糊支持向量机的空压机故障诊断方法 Download PDFInfo
- Publication number
- CN111207067A CN111207067A CN201910486348.9A CN201910486348A CN111207067A CN 111207067 A CN111207067 A CN 111207067A CN 201910486348 A CN201910486348 A CN 201910486348A CN 111207067 A CN111207067 A CN 111207067A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- air compressor
- vector machine
- support vector
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明为一种基于模糊支持向量机的空压机故障诊断方法,包括以下步骤:获取空压机运行时的具体参数数据;对空压机的运行故障进行分类,收集记录空压机故障时的具体参数数据;对应不同类别的故障,建立相应的支持向量机模型,通过向量机进行二分类,从而判断该类故障是否发生;搭建模糊专家***;将支持向量机模型与模糊专家***进行串联连接,获取空压机运行参数,先通过支持向量机模型进行大回路故障诊断,获得运行故障类型,再将其诊断结果结合运行参数输入至模糊专家***,实现对空压机的故障诊断。本发明的优点是:将支持向量机与模糊专家***相结合,简化了模糊专家***的规则库,具有简洁性、高效性、稳定性和准确性的优点。
Description
技术领域
本发明属于信息与控制技术领域,涉及到自动化技术,特别是涉及一种基于模糊支持向量机的空压机故障诊断方法。
背景技术
现代化设备对安全性和可靠性提出越来越高的要求,大型工业设备的故障,一旦发生就会造成极大的事故和危害,故障诊断技术就显得尤为重要。故障诊断在保证设备安全可靠与运行的同时,还能够带来巨大的经济效应和社会效应,能够及时地、准确地、高效地辅导工业现场生产,帮助尽早的发现故障,解决故障。空气压缩机,作为成套空分装置的一个重要设备,它的工作性能直接影响制约着空分产品的产量和质量,目前对于空压机,主要通过DCS***对其运行过程进行监测记录参数,以及对空压机振动信号的处理监测,缺少对空压机***的整体运行故障诊断。
发明内容
本发明主要解决了现有技术无法对空压机***的整体运行故障进行检测的问题,提供了一种具有简洁性、高效性、稳定性、准确性基于模糊支持向量机的空压机故障诊断方法。
本发明解决其技术问题所采用的技术方案是,一种基于模糊支持向量机的空压机故障诊断方法,包括以下步骤:
S1:获取空压机运行时的具体参数数据;
S2:对空压机的运行故障进行分类,收集记录空压机故障时的具体参数数据;
S3:对应不同类别的故障,建立相应的支持向量机模型,通过向量机进行二分类,从而判断该类故障是否发生;
S4:搭建模糊专家***;
S5:将支持向量机模型与模糊专家***进行串联连接,获取空压机运行参数,先通过支持向量机模型进行大回路故障诊断,获得运行故障类型,再将其诊断结果结合运行参数输入至模糊专家***,实现对空压机的故障诊断。
本发明对空压机运行过程中常见故障进行总结分类,由这些故障数据分别对各个故障类型建立训练相应的支持向量机模型,再建立模糊专家***用于诊断故障原因。将要判断的空压机运行参数首先送至支持向量机模型,判断故障类型,再将判断结果结合运行参数作为模糊专家***的输入,最终完成对空压机的故障诊断,本发明将支持向量机与模糊专家***相结合,简化了模糊专家***的规则库,具有简洁性、高效性、稳定性和准确性的优点。
作为上述方案的一种优选方案,所述具体参数数据包括空压机一级轴振动、二级轴振动、三级轴振动、润滑油温、润滑油压、主电机轴承温度、主电机电流、排气压力、排气流量、环境温度和空气进预冷机温度。
作为上述方案的一种优选方案,所述步骤S2中将空压机的运行故障划分为机械故障、油路故障和气路故障。
作为上述方案的一种优选方案,所述支持向量机模块的核函数采用RBF高斯函数
式中i=1,2,...n,j=1,2,...n,xi=[x1,x2,…,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间,xj=[x1,x2,…,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间,σ为函数的宽度参数,控制函数的径向作用范围。
作为上述方案的一种优选方案,所述支持向量机的惩罚参数c和核函数的参数g通过网格交叉验证获得。
作为上述方案的一种优选方案,所述搭建模糊专家***包括以下步骤:
S61:为空压机运行时的具体参数数据和支持向量机运行得到的故障类别设置相应的模糊集和隶属度函数,获得故障征兆模糊向量
X=(μx1,μx2,…,μxm)
μxi(i=1,2,…,m)为对象具有征兆xi的隶属度,xi表示可能出现的征兆;
S62:为空压机运行故障设置相应的模糊集和隶属度函数,获得故障原因模糊向量
Y=(μy1,μy2,…,μyn)
μyi(i=1,2,…,n)为对象具有故障yi的隶属度,yi表示可能出现的故障原因;
S63:根据故障征兆模糊向量与故障原因模糊向量的关系式
Y=X°R′
获得模糊关系矩阵R′,“°”表示模糊算子。
作为上述方案的一种优选方案,所述模糊算子采用“Min-Max”模糊算子。
作为上述方案的一种优选方案,所述模糊关系矩阵R′通过以下步骤获得:
S81:建立模糊规则库;
S82:采用Mamdani型模糊推理
式中Rc为运算规则,A为输入模糊子集,B为输出模糊子集,x和y分别对应A和B的变量,μA(x)和μB(y)为相应的隶属度函数;
S83:结合关系式
Y=X°R′
得到
S84:分别求出矩阵Ri后,得到模糊关系矩阵R′
R′=R1∪R2∪…∪Ri
式中i=1,2,…,k,k为模糊规则库中规则数目。
作为上述方案的一种优选方案,所述步骤S5中通过模糊专家***得到模糊结果集Y1,对模糊结果集Y1进行清晰化得到Y1′,Y1′与设定的阈值y1比较,当Y1′大于阈值y1时判断故障发生,反之则未发生。
作为上述方案的一种优选方案,所述模糊结果集Y1采用面积重心法进行清晰化。
支持向量机
附图说明
图1为本发明的一种流程示意图。
图2为本发明中搭建模糊专家***的一种流程示意图。
图3为实施例2中选取的数据表。
图4为实施例2中对第一组数据的机械故障诊断结果图。
图5为实施例2中对第一组数据的油路故障诊断结果图。
图6为实施例2中对第一组数据的气路故障诊断结果图。
图7为实施例2中对第一组数据的模糊专家***诊断结果图。
图8为实施例2中对第二组数据的模糊专家***诊断结果图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步的说明。
实施例1:
一种基于模糊支持向量机的空压机故障诊断方法,如图1所示,包括以下步骤:
S1:获取空压机运行时的具体参数数据,具体参数数据包括空压机一级轴振动、二级轴振动、三级轴振动、润滑油温、润滑油压、主电机轴承温度、主电机电流、排气压力、排气流量、环境温度和空气进预冷机温度,这些参数可以向空压机供应商获取和在实际生产过程中获取;
S2:对空压机的运行故障进行分类,将运行故障划分为机械故障、油路故障和气路故障,同时收集记录空压机发生故障时的具体参数数据;
S3:对应不同类别的故障,建立相应的支持向量机模型,建立支持向量机模型时,支持向量机模块的核函数采用RBF高斯函数
式中i=1,2,...n,j=1,2,...n,xi=[x1,x2,…,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间,xj=[x1,x2,…,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间,σ为函数的宽度参数,控制函数的径向作用范围,通过向量机进行二分类,其中机械故障的二分类结果为0或1,油路故障的二分类结果为0或2,气路故障的结果为0或3,二分类结果为0则表示未发生故障,二分类结果非0则表示发生故障,支持向量机的惩罚参数c和核函数的参数g通过网格交叉验证获得;
S4:搭建模糊专家***,如图2所示,具体包括以下步骤:
S41:为空压机运行时的具体参数数据和支持向量机运行得到的故障类别设置相应的模糊集和隶属度函数,获得故障征兆模糊向量
X=(μx1,μx2,…,μxm)
μxi(i=1,2,…,m)为对象具有征兆xi的隶属度,xi表示可能出现的征兆,本实施例中m的取值为12;
S42:为空压机运行故障设置相应的模糊集和隶属度函数,获得故障原因模糊向量
Y=(μy1,μy2,…,μyn)
μyi(i=1,2,…,n)为对象具有故障yi的隶属度,yi表示可能出现的故障原因,本实施例中n的取值为10,代表空压机的10种故障原因包括一级、二级、三级轴振动过大,油温过高引起的轴振动过大,油温过高引起的轴承温度过高,油压过低引起的轴承温度过高,电网波动引起的排气流量降低,吸气温度过高引起的排气流量过低,中间冷却器故障引起的排气流量过低和喘振;
S43:根据故障征兆模糊向量与故障原因模糊向量的关系式
Y=X°R′
获得模糊关系矩阵R′,“°”表示模糊算子,本实施例中模糊算子采用“Min-Max”模糊算子
模糊关系矩阵R′通过以下步骤获得:
S431:建立模糊规则库;
S432:采用Mamdani型模糊推理
式中Rc为运算规则,A为输入模糊子集,B为输出模糊子集,x和y分别对应A和B的变量,μA(x)和μB(y)为相应的隶属度函数;
S433:结合关系式
Y=X°R′
得到
S84:分别求出矩阵Ri后,得到模糊关系矩阵R′
R′=R1∪R2∪…∪Ri
式中i=1,2,…,k,k为模糊规则库中规则数目。
S5:将支持向量机模型与模糊专家***进行串联连接,获取空压机运行参数,先通过支持向量机模型进行大回路故障诊断,获得运行故障类型,再将其诊断结果结合运行参数输入至模糊专家***,得到模糊结果集Y1,采用面积重心法对模糊结果集Y1进行清晰化得到Y1′,Y1′与设定的阈值y1比较,当Y1′大于阈值y1时判断故障发生,反之则未发生。面积重心法公式如下
其中,z0为清晰值,a和b为清晰值的论域的下限值和上限值,μC′(z)为z的隶属度函数。
实施例2:
本实施例利用实际生产过程中的空压机故障数据对实施例1中的方法进行验证,分别取两组空压机故障运行时的数据:第一组为油温过高引起的轴承温度过高,第二组吸气温度过高引起的排气流量过低,数据如图3所示。
利用第一组数据进行故障诊断,首先假设第一组数据无任何故障,即设置其机械故障、油路故障、气路故障标签均为0,标签0表示正常,标签非0则表示出现故障。将参数数据和标签分别带入相应的已搭建测试好的支持向量机模型中,作为测试样本,来进行大回路故障检测,机械故障诊断结果如图4所示,表示未发生机械故障,油路故障诊断结果如图5所示,二分类结果为2,表示发生油路故障,气路故障诊断结果如图6所示,表示未发生气路故障,将大回路故障检测结果2和空压机11项运行参数输入到模糊专家***中,得到诊断结果如图7所示,由图可知,y5的输出为0.85,其余输出均为0.5,y1到y10个一种表示故障原因,依次对应为一级轴振动过大、二级轴振动过大、三级轴振动过大、油温过高引起的轴振动过大、油温过高引起的轴承温度过高、油压过低引起的轴承温度过高、电网波动引起的排气流量降低、吸气温度过高引起的排气流量过低、中间冷却器故障引起的排气流量过低和喘振,y5代表油温过高引起的轴承温度过高,其输出大于阈值0.5,因此判断该组数据的空压机的故障原因为油温过高引起的轴承温度过高,与实际空压机故障原因相同。
同理,对第二组数据进行验证,结果如图8所示,y8的输出为0.85大于阈值0.5,而y8代表的是吸气温度过高引起的排气流量过低,检测结果与实际情况相同。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于模糊支持向量机的空压机故障诊断方法,其特征是:包括以下步骤:
S1:获取空压机运行时的具体参数数据;
S2:对空压机的运行故障进行分类,收集记录空压机故障时的具体参数数据;
S3:对应不同类别的故障,建立相应的支持向量机模型,通过向量机进行二分类,从而判断该类故障是否发生;
S4:搭建模糊专家***;
S5:将支持向量机模型与模糊专家***进行串联连接,获取空压机运行参数,先通过支持向量机模型进行大回路故障诊断,获得运行故障类型,再将其诊断结果结合运行参数输入至模糊专家***,实现对空压机的故障诊断。
2.根据权利要求1所述的一种基于模糊支持向量机的空压机故障诊断方法,其特征是:所述具体参数数据包括空压机一级轴振动、二级轴振动、三级轴振动、润滑油温、润滑油压、主电机轴承温度、主电机电流、排气压力、排气流量、环境温度和空气进预冷机温度。
3.根据权利要求1所述的一种基于模糊支持向量机的空压机故障诊断方法,其特征是:所述步骤S2中将空压机的运行故障划分为机械故障、油路故障和气路故障。
5.根据权利要求1或4所述的一种基于模糊支持向量机的空压机故障诊断方法,其特征是:所述支持向量机的惩罚参数c和核函数的参数g通过网格交叉验证获得。
6.根据权利要求1所述的一种基于模糊支持向量机的空压机故障诊断方法,其特征是:所述搭建模糊专家***包括以下步骤:
S61:为空压机运行时的具体参数数据和支持向量机运行得到的故障类别设置相应的模糊集和隶属度函数,获得故障征兆模糊向量
X=(μx1,μx2,…,μxm)
μxi(i=1,2,…,m)为对象具有征兆xi的隶属度,xi表示可能出现的征兆;
S62:为空压机运行故障设置相应的模糊集和隶属度函数,获得故障原因模糊向量
Y=(μy1,μy2,…,μyn)
μyi(i=1,2,…,n)为对象具有故障yi的隶属度,yi表示可能出现的故障原因;
S63:根据故障征兆模糊向量与故障原因模糊向量的关系式
7.根据权利要求6所述的一种基于模糊支持向量机的空压机故障诊断方法,其特征是:所述模糊算子采用“Min-Max”模糊算子。
9.根据权利要求1所述的一种基于模糊支持向量机的空压机故障诊断方法,其特征是:所述步骤S5中通过模糊专家***得到模糊结果集Y1,对模糊结果集Y1进行清晰化得到Y1′,Y1′与设定的阈值y1比较,当Y1′大于阈值y1时判断故障发生,反之则未发生。
10.根据权利要求9所述的一种基于模糊支持向量机的空压机故障诊断方法,其特征是:所述模糊结果集Y1采用面积重心法进行清晰化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486348.9A CN111207067A (zh) | 2019-06-05 | 2019-06-05 | 一种基于模糊支持向量机的空压机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486348.9A CN111207067A (zh) | 2019-06-05 | 2019-06-05 | 一种基于模糊支持向量机的空压机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111207067A true CN111207067A (zh) | 2020-05-29 |
Family
ID=70783258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910486348.9A Pending CN111207067A (zh) | 2019-06-05 | 2019-06-05 | 一种基于模糊支持向量机的空压机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111207067A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112317109A (zh) * | 2020-09-27 | 2021-02-05 | 鞍钢集团矿业有限公司 | 圆锥破碎机故障预判方法 |
CN113279994A (zh) * | 2021-04-14 | 2021-08-20 | 杭州电子科技大学 | 一种基于支持向量机和二型模糊的离心式氮压机故障诊断方法 |
CN114165474A (zh) * | 2022-02-11 | 2022-03-11 | 蘑菇物联技术(深圳)有限公司 | 用于检测空压机故障状态的方法、设备和计算机存储介质 |
CN114323691A (zh) * | 2021-12-28 | 2022-04-12 | 中国科学院工程热物理研究所 | 一种压缩空气储能***气路故障诊断装置及方法 |
CN114326561A (zh) * | 2021-11-23 | 2022-04-12 | 国网浙江省电力有限公司嘉兴供电公司 | 一种空压机控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1015765B1 (en) * | 1997-09-16 | 2003-08-20 | Flow International Corporation | Apparatus and method for diagnosing the status of specific components in high-pressure fluid pumps |
CN105065277A (zh) * | 2009-05-18 | 2015-11-18 | 艾默生环境优化技术有限公司 | 压缩机及用于压缩机的诊断*** |
-
2019
- 2019-06-05 CN CN201910486348.9A patent/CN111207067A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1015765B1 (en) * | 1997-09-16 | 2003-08-20 | Flow International Corporation | Apparatus and method for diagnosing the status of specific components in high-pressure fluid pumps |
CN105065277A (zh) * | 2009-05-18 | 2015-11-18 | 艾默生环境优化技术有限公司 | 压缩机及用于压缩机的诊断*** |
Non-Patent Citations (4)
Title |
---|
张万君 等: ""基于模糊数学的炮射导弹制导装置故障诊断"", 《装甲兵工程学院学报》 * |
杜文礼 等: ""基于模糊诊断专家***的空压机故障诊断方法"", 《科技风》 * |
王禾军: ""基于支持向量机与模糊推理的智能信息融合方法研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
董海鹰: "《智能控制理论及应用》", 30 September 2016, 中国铁道出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112317109A (zh) * | 2020-09-27 | 2021-02-05 | 鞍钢集团矿业有限公司 | 圆锥破碎机故障预判方法 |
CN112317109B (zh) * | 2020-09-27 | 2022-02-18 | 鞍钢集团矿业有限公司 | 圆锥破碎机故障预判方法 |
CN113279994A (zh) * | 2021-04-14 | 2021-08-20 | 杭州电子科技大学 | 一种基于支持向量机和二型模糊的离心式氮压机故障诊断方法 |
CN114326561A (zh) * | 2021-11-23 | 2022-04-12 | 国网浙江省电力有限公司嘉兴供电公司 | 一种空压机控制方法 |
CN114323691A (zh) * | 2021-12-28 | 2022-04-12 | 中国科学院工程热物理研究所 | 一种压缩空气储能***气路故障诊断装置及方法 |
CN114323691B (zh) * | 2021-12-28 | 2023-06-23 | 中国科学院工程热物理研究所 | 一种压缩空气储能***气路故障诊断装置及方法 |
CN114165474A (zh) * | 2022-02-11 | 2022-03-11 | 蘑菇物联技术(深圳)有限公司 | 用于检测空压机故障状态的方法、设备和计算机存储介质 |
CN114165474B (zh) * | 2022-02-11 | 2022-05-06 | 蘑菇物联技术(深圳)有限公司 | 用于检测空压机故障状态的方法、设备和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111207067A (zh) | 一种基于模糊支持向量机的空压机故障诊断方法 | |
CN111985546B (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
CN108664010A (zh) | 发电机组故障数据预测方法、装置和计算机设备 | |
CN109753998A (zh) | 基于对抗式生成网络的故障检测方法及***、计算机程序 | |
CN109186973A (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN104267668A (zh) | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 | |
CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN109626161A (zh) | 一种电梯故障诊断方法 | |
CN112747924A (zh) | 一种基于注意力机制和残差神经网络的轴承寿命预测方法 | |
CN112860183A (zh) | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 | |
CN112949874A (zh) | 一种配电终端缺陷特征自诊断方法及*** | |
CN116720048A (zh) | 一种基于机器学习模型的电站辅机故障诊断方法和*** | |
CN114418146A (zh) | 基于规则引擎的机电设备故障诊断方法、***及终端 | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
Hu et al. | Fault diagnosis based on multi-scale redefined dimensionless indicators and density peak clustering with geodesic distances | |
CN113221946A (zh) | 一种机械设备故障种类的诊断方法 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN116955071A (zh) | 故障分类方法、装置、设备及存储介质 | |
CN110490218A (zh) | 一种基于两级dbn的滚动轴承故障自学习方法 | |
CN113279994B (zh) | 基于支持向量机和二型模糊的离心式氮压机故障诊断方法 | |
CN110874088B (zh) | 基于多维向量模型的船舶关键设备***的监测方法 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
CN113723592A (zh) | 一种基于风电齿轮箱监测***的故障诊断方法 | |
CN113610148A (zh) | 一种基于偏置加权AdaBoost的故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200529 |
|
RJ01 | Rejection of invention patent application after publication |