CN111860599A - 一种对机泵故障进行诊断方法 - Google Patents
一种对机泵故障进行诊断方法 Download PDFInfo
- Publication number
- CN111860599A CN111860599A CN202010563986.9A CN202010563986A CN111860599A CN 111860599 A CN111860599 A CN 111860599A CN 202010563986 A CN202010563986 A CN 202010563986A CN 111860599 A CN111860599 A CN 111860599A
- Authority
- CN
- China
- Prior art keywords
- parameters
- signal
- multidimensional
- characteristic parameters
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000035939 shock Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (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 And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种对机泵故障进行诊断方法，包括：获得泵设备的特征参数；将所述特征参数组成多维参数矩阵；提取所述多维参数矩阵中的信号多维参数；利用KNN算法处理所述信号多维参数，从而判断所述信号多维参数的类型进行设备状态的识别；本发明提供的一种基于多维参数和KNN的故障诊断方法，能够很好地实现测试数据的诊断故障分类效果，因此在后续的故障诊断工作中，可以用该方法对机泵的实时数据进行分析，从而对机泵设备进行定性的故障诊断。
Description
技术领域
本发明涉及设备故障诊断领域，具体地说，特别涉及一种基于多维参数和KNN的故障诊断方法。
背景技术
在获得泵设备的热力性能、振动及噪声信号等参数后，将这些参数综合考虑，形成一个多维参数矩阵，采用将降维方法对上述参数特征进行降维，可以获得特征分布图，从图中可以看出设备在同一状态下，其参数特征集中在某一个空间中，但不同状态下区分度比较高。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种基于多维参数和KNN的故障诊断方法。所述技术方案如下：
一方面，提供了一种基于多维参数和KNN的故障诊断方法，包括：
获得泵设备的特征参数；
将所述特征参数组成多维参数矩阵；
提取所述多维参数矩阵中的信号多维参数；
利用KNN算法处理所述信号多维参数，从而判断所述信号多维参数的类型进行设备状态的识别。
进一步地，所述特征参数包括：时域特征、频域特征、热力性能、热力性能参数及噪声信号参数。
进一步地，所述提取所述多维参数矩阵中的信号多维参数的包括：
提取时域特征；提取频域特征；提取热力性能参数及噪声信号参数。
进一步地，所述提取所述多维参数矩阵中的信号多维参数具体为：
采用降维方法对所述多维参数矩阵特征进行降维，获得所述泵设备正常和故障下的特征分布。
进一步地，所述利用KNN算法处理所述信号多维参数，从而判断所述信号多维参数的类型进行设备状态的识别的步骤具体为：
利用KNN算法可以识别数据距离某一特征远近的特点，从而判断数据的类型进行设备状态的识别。
本发明实施例提供的技术方案带来的有益效果是：
本发明提供的一种基于多维参数和KNN的故障诊断方法，能够很好地实现测试数据的诊断故障分类效果，因此在后续的故障诊断工作中，可以用该方法对机泵的实时数据进行分析，从而对机泵设备进行定性的故障诊断。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种对机泵故障进行诊断方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明提供了一种基于多维参数和KNN的故障诊断方法，参见图1，包括：
S100：获得泵设备的特征参数；
S200：将所述特征参数组成多维参数矩阵；
S300：提取所述多维参数矩阵中的信号多维参数；
S400：利用KNN算法处理所述信号多维参数，从而判断所述信号多维参数的类型进行设备状态的识别。
本实施例中，kNN(k-NearestNeighbor，邻近算法)，或者说K最近邻分类算法属于数据挖掘分类技术中的一种。所谓K最近邻，就是K个最近的邻居的意思，即每个样本都可以用它最接近的K个邻居来代表。
KNN算法的核心思想是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也会被判别为属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法可以有效地进行分类，可以对数据进行定性和定量诊断的作用。
进一步地，所述特征参数包括：时域特征、频域特征、热力性能、热力性能参数及噪声信号参数。
进一步地，所述提取所述多维参数矩阵中的信号多维参数的包括：
提取时域特征；提取频域特征；提取热力性能参数及噪声信号参数。
具体地，信号多维参数的提取包括如下：
(1)时域特征提取
对时域信号进行统计分析得出的各类特征参数为信号的时域特征参数。目前故障诊断中常用的时域特征参数包括有量纲参数和无量纲参数，其中有量纲参数主要有峭度、均方根值、最大值、最小值、峰峰值、标准差、整流平均值等，无量纲参数主要有波型因子、脉冲因子、峭度因子等。其中均方根值能体现信号能量大小，对设备零部件中表面裂纹等故障产生的振动波形敏感；峭度因子和脉冲因子则对冲击类故障敏感；当设备中的轴承先早期表面损伤时，峰峰值变化明显；时域特征参数体现了振动信号包含的多种与故障密切相关的信息，这些特征参数表达了设备运行状态信息，因此可作为区分设备运行状态的依据。
(2)频域特征提取
频域分析是最常用旋转机械故障诊断方法之一，对信号进行频域分析得到的特征参数即称为频域特征参数。对信号时域波形进行傅里叶变换得到幅值谱，提取幅值谱中的频域特征，充分挖掘信号中所隐含的相关信息。目前常用频域特征主要有重心频率、均方频率、均方根频率、频率标准差等，此外还增加了幅值谱总能量特征。以频域特征参数作为故障诊断的依据，可以弥补时域特征参数中信息量包含不足的缺点，提高故障诊断的正确率。
(3)热力性能参数及噪声信号参数提取
设备在运行中时，其性能参数与其运行状态也有着密切的关系，如泵中各部位的压力、温度等性能参数，其数值的波动情况直接表明了设备的运行工况。在进行变负荷设备的故障诊断中，需要考虑到设备的性能参数的影响，因此报告中将设备的性能参数作为了信号中的特征参数，以实现变工况下的故障诊断。此外，设备运行过程中，其噪声信号的大小与设备是否正常关系重大，因此需要将噪声信号考虑在内进行参数的提取。
进一步地，所述提取所述多维参数矩阵中的信号多维参数具体为：
采用降维方法对所述多维参数矩阵特征进行降维，获得所述泵设备正常和故障下的特征分布。
进一步地，所述利用KNN算法处理所述信号多维参数，从而判断所述信号多维参数的类型进行设备状态的识别的步骤具体为：
利用KNN算法可以识别数据距离某一特征远近的特点，从而判断数据的类型进行设备状态的识别。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种对机泵故障进行诊断方法，其特征在于，包括：
通过对机泵设备监控获得特征参数；
将所述特征参数组成多维参数矩阵；
对所述多维参数矩阵特征进行降维处理获得所述机泵设备正常和故障下的特征分布中的信号多维参数；
利用KNN算法处理所述信号多维参数，从而判断所述信号多维参数的类型进行设备状态的识别。
2.如权利要求1所述的一种对机泵故障进行诊断方法，其特征在于，所述信号多维参数提取包括如下内容：
(1)时域特征提取
对时域信号进行统计分析得出的各类特征参数为信号的时域特征参数；其中：均方根值能体现信号能量大小，对设备零部件中表面裂纹等故障产生的振动波形敏感；峭度因子和脉冲因子则对冲击类故障敏感；当设备中的轴承先早期表面损伤时，峰峰值变化明显；
(2)频域特征提取
对信号进行频域分析得到的特征参数即称为频域特征参数：对信号时域波形进行傅里叶变换得到幅值谱，提取幅值谱中的频域特征，充分挖掘信号中所隐含的相关信息；
(3)热力性能参数及噪声信号参数提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010563986.9A CN111860599A (zh) | 2020-06-19 | 2020-06-19 | 一种对机泵故障进行诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010563986.9A CN111860599A (zh) | 2020-06-19 | 2020-06-19 | 一种对机泵故障进行诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111860599A true CN111860599A (zh) | 2020-10-30 |
Family
ID=72987709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010563986.9A Pending CN111860599A (zh) | 2020-06-19 | 2020-06-19 | 一种对机泵故障进行诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860599A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104931263A (zh) * | 2015-06-18 | 2015-09-23 | 东南大学 | 一种基于符号化概率有限状态机的轴承故障诊断方法 |
| CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
| CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
| EP3483584A1 (en) * | 2016-10-06 | 2019-05-15 | Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) | Rotating machine abnormality detection device and method, and rotating machine |
| CN109871862A (zh) * | 2018-12-28 | 2019-06-11 | 北京航天测控技术有限公司 | 一种基于合成少数类过采样和深度学习的故障预测方法 |
| CN111060337A (zh) * | 2019-12-05 | 2020-04-24 | 杭州哲达科技股份有限公司 | 一种基于专家***的运转设备实时故障诊断方法 |
-
2020
- 2020-06-19 CN CN202010563986.9A patent/CN111860599A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104931263A (zh) * | 2015-06-18 | 2015-09-23 | 东南大学 | 一种基于符号化概率有限状态机的轴承故障诊断方法 |
| CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
| EP3483584A1 (en) * | 2016-10-06 | 2019-05-15 | Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) | Rotating machine abnormality detection device and method, and rotating machine |
| CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
| CN109871862A (zh) * | 2018-12-28 | 2019-06-11 | 北京航天测控技术有限公司 | 一种基于合成少数类过采样和深度学习的故障预测方法 |
| CN111060337A (zh) * | 2019-12-05 | 2020-04-24 | 杭州哲达科技股份有限公司 | 一种基于专家***的运转设备实时故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gowid et al. | A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems | |
| CN113927371A (zh) | 一种基于多传感器特征融合的刀具磨损预测方法 | |
| CN107350900B (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
| CN111521687B (zh) | 一种基于声发射信号分析的拉索断丝判别方法及*** | |
| CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
| CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
| CN109190598A (zh) | 一种基于ses-lof的旋转机械监测数据噪点检测方法 | |
| CN115220396B (zh) | 一种数控机床智能监控方法及*** | |
| CN113532848A (zh) | 一种行星齿轮箱故障诊断*** | |
| Shi et al. | Generalized variable-step multiscale lempel-ziv complexity: A feature extraction tool for bearing fault diagnosis | |
| CN113075512A (zh) | 基于声检测的变压器放电故障诊断方法和*** | |
| Saini et al. | Predictive monitoring of incipient faults in rotating machinery: a systematic review from data acquisition to artificial intelligence | |
| Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
| CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
| CN114417924A (zh) | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 | |
| Fang et al. | Reciprocating compressors intelligent fault diagnosis under multiple operating conditions based on adaptive variable scale morphological filter | |
| CN116717461B (zh) | 一种真空泵运行状态的智能监测方法及*** | |
| CN111860599A (zh) | 一种对机泵故障进行诊断方法 | |
| Jobi-Taiwo et al. | Mahalanobis-Taguchi system for multiclass classification of steel plates fault | |
| CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和*** | |
| CN116699400A (zh) | 一种发电机转子短路故障监测***、方法及可读存储介质 | |
| CN115600402A (zh) | 压裂设备寿命与施工工艺参数关系模型的构建方法及*** | |
| Lv et al. | Variable-Bandwidth Self-Convergent Variational Mode Decomposition and Its Application to Fault Diagnosis of Rolling Bearing | |
| CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
| Agrawal et al. | Induction motor bearing fault classification using WPT, PCA and DSVM |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |