CN117076870B - 旋转机械故障诊断方法、装置、设备及存储介质 - Google Patents
旋转机械故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117076870B CN117076870B CN202311330462.5A CN202311330462A CN117076870B CN 117076870 B CN117076870 B CN 117076870B CN 202311330462 A CN202311330462 A CN 202311330462A CN 117076870 B CN117076870 B CN 117076870B
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- time
- fault type
- fault
- detector
- 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 149
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims description 53
- 238000012795 verification Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 14
- 230000006872 improvement Effects 0.000 description 9
- 238000005315 distribution function Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000013145 classification model 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
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007499 fusion processing Methods 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
- 239000003348 petrochemical agent Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 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)
Abstract
本发明实施例提供的旋转机械故障诊断方法、装置、设备及存储介质,通过对实时振动信号提取多种实时信号特征,利用时频域检测器进行初步故障诊断,并根据实际情况对各种时频域检测结果赋予权重,利用D‑S证据理论进行结果融合,提升故障诊断的准确性。
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故障诊断方法、装置、设备及存储介质。
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。现有技术中,采集旋转机械的实时振动信息,并提取各种类型的实时信号特征,如无量纲特性和有量纲特征等,利用多种时频域检测手段对实时信号特征进行故障检测,但是现有技术缺乏对各种时频域检测手段检测得到的故障诊断结果进行融合的方式,整体的故障诊断准确率较低。
发明内容
本发明实施例提供一种旋转机械故障诊断方法、装置、设备及存储介质,能够对实时振动信号提取多种实时信号特征,利用时频域检测器进行初步故障诊断,并根据实际情况对各种时频域检测结果赋予权重,利用D-S证据理论进行结果融合,提升故障诊断的准确性。
为了实现上述目的,本发明实施例提供了一种旋转机械故障诊断方法,包括:
获取旋转机械的实时振动信号,根据所述实时振动信号提取至少两种特征类型的实时信号特征;
将每一所述实时信号特征分别输入对应的时频域检测器,得到若干候选故障诊断结果;其中,所述时频域检测器根据历史信号特征预先训练得到,一个所述实时信号特征至少对应一个所述时频域检测器;
基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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;其中,所述基础权重与对应的故障类型的出现概率呈正相关关系。
作为上述方案的改进,所述基础权重通过以下方式预先设置:
根据所述旋转机械的历史故障集中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,并根据所述检验正确率设置第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。
作为上述方案的改进,所述检验正确率为查全率和查准率中的至少一种;
当所述检验正确率为查全率时,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,当所述检验正确率为查全率时,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,当所述检验正确率为查准率时,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,当所述检验正确率为查准率时,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,当所述检验正确率包括查全率和查准率时,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,并根据所述检验正确率设置第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:
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,还包括:
当第i个所述时频域检测器的候选故障诊断结果与所述目标故障诊断结果不一致时,判定第i个所述时频域检测器的候选故障诊断结果为错误诊断结果,并执行以下步骤:
增大第i个所述时频域检测器对于所述目标故障诊断结果对应的故障类型的基准权重参数;其中,所述基准权重参数大于等于0且小于等于1;
当第i个所述时频域检测器对于所述错误诊断结果对应的故障类型大于预设调整阈值时,减小第i个所述时频域检测器对于所述错误诊断结果对应的故障类型的基准权重参数;
将所述错误诊断结果的数据作为误诊实例加入历史数据集,重新计算第i个所述时频域检测器对于每一所述故障类型的查全率和查准率,以得到新的第一修正系数和第二修正系数;
根据更新后的基准权重参数、第一修正系数和第二修正系数,重新计算第i个所述时频域检测器对每一所述故障类型的基础权重。
作为上述方案的改进,所述基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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,结合每一所述时频域检测器中的针对每一种故障类型的基础权重,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。
作为上述方案的改进,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中的至少两种;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。
为了实现上述目的,本发明实施例提供了一种旋转机械故障诊断装置,包括:
特征提取模块,用于获取旋转机械的实时振动信号,根据所述实时振动信号提取至少两种特征类型的实时信号特征;
初步诊断模块,用于将每一所述实时信号特征分别输入对应的时频域检测器,得到若干候选故障诊断结果;其中,所述时频域检测器根据历史信号特征预先训练得到,一个所述实时信号特征至少对应一个所述时频域检测器;
融合诊断模块,用于基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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;其中,所述基础权重与对应的故障类型的出现概率呈正相关关系。
为了实现上述目的,本发明实施例提供了一种旋转机械故障诊断设备,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任一实施例所述的旋转机械故障诊断方法。
为了实现上述目的,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的旋转机械故障诊断方法。
与现有技术相比,本发明实施例提供的旋转机械故障诊断方法、装置、设备及存储介质,首先,通过根据获取的旋转机械的实时振动信号,以提取至少两种特征类型的实时信号特征;接着,将每一所述实时信号特征分别输入对应的时频域检测器,以得到若干候选故障诊断结果;其中,所述时频域检测器根据历史信号特征预先训练得到,一个所述实时信号特征至少对应一个所述时频域检测器;最后,基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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;其中,所述基础权重与对应的故障类型的出现概率呈正相关关系。本发明实施例通过能够对实时振动信号提取多种实时信号特征,利用时频域检测器进行初步故障诊断,并根据实际情况对各种时频域检测结果赋予权重,利用D-S证据理论进行故障诊断,提升故障诊断的准确性。
附图说明
图1是本发明一实施例提供的一种旋转机械故障诊断方法的流程图。
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故障诊断方法的流程图。所述方法包括步骤S11~S13:
S11、获取旋转机械的实时振动信号,根据所述实时振动信号提取至少两种特征类型的实时信号特征;
S12、将每一所述实时信号特征分别输入对应的时频域检测器,得到若干候选故障诊断结果;其中,所述时频域检测器根据历史信号特征预先训练得到,一个所述实时信号特征至少对应一个所述时频域检测器;
S13、基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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;其中,所述基础权重与对应的故障类型的出现概率呈正相关关系。
具体地,采集旋转机械的实时振动信号,并提取至少两种特征类型的实时信号特征,采用现有技术的多种时频域检测技术进行初步故障检测,得到若干个候选故障诊断结果;其中,每个时频域检测器对于各种故障类型预先设置有对应的基础权重,基于基础权重,利用D-S证据理论对所有候选故障诊断结果进行融合,得到目标故障诊断结果,提升故障诊断的准确性。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。
进一步地,在利用时频域检测技术(多个时频域检测器)进行故障检测之后,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,得到目标故障诊断结果,在进行融合时,需要考虑时频域检测器对于各种故障类型的基础权重。
具体地,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(比如70%)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,基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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;其中,所述基础权重与对应的故障类型的出现概率呈正相关关系。
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)。
在一种实施方式中,根据所述旋转机械的历史故障集中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,并根据所述检验正确率设置第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。
在一种实施方式中,所述检验正确率为查全率和查准率中的至少一种;当所述检验正确率为查全率时,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,当所述检验正确率为查全率时,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,当所述检验正确率为查准率时,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,当所述检验正确率为查准率时,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。
在一种实施方式中,当所述检验正确率包括查全率和查准率时,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,并根据所述检验正确率设置第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:
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。
在本实施方式中,通过综合考虑旋转机械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,提高了结果融合的准确性。
在一种实施方式中,还包括:
当第i个所述时频域检测器的候选故障诊断结果与所述目标故障诊断结果不一致时,判定第i个所述时频域检测器的候选故障诊断结果为错误诊断结果,并执行以下步骤:
增大第i个所述时频域检测器对于所述目标故障诊断结果对应的故障类型的基准权重参数;其中,所述基准权重参数大于等于0且小于等于1;
当第i个所述时频域检测器对于所述错误诊断结果对应的故障类型大于预设调整阈值时,减小第i个所述时频域检测器对于所述错误诊断结果对应的故障类型的基准权重参数;
将所述错误诊断结果的数据作为误诊实例加入历史数据集,重新计算第i个所述时频域检测器对于每一所述故障类型的查全率和查准率,以得到新的第一修正系数和第二修正系数;
根据更新后的基准权重参数、第一修正系数和第二修正系数,重新计算第i个所述时频域检测器对每一所述故障类型的基础权重。
示例性的,设***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,对于某台旋转机械M,其时频域检测器的初始的基础权重设置方法为:
Step1:根据旋转机械M具有的零部件可能会发生的故障,从***可诊断的故障类型集中选出设备可能会发生且***可以诊断的故障类型f1,f2,…,fj,…fc。
Step2:根据旋转机械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:设置各个时频域检测器对各类故障类型的基础权重为:Wij=Xij/Xmax。Wij表示时频域检测器Ti对于故障类型fj的基础权重。
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,重新计算各个时频域检测器对各类故障类型的查准率P1,并将其设置为新的第二权重参数Bij。
Step4:将误诊实例加入历史数据集后,重新计算各个时频域检测器对各类故障类型的查全率R1,并将其设置为新的第三权重参数Cij。
Step5: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。
Step6:将检测器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。
在一种实施方式中,所述基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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,结合每一所述时频域检测器中的针对每一种故障类型的基础权重,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***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)。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。
在一种实施方式中,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中的至少两种;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。
值得说明的是,实时信号特征包括时域特征和频域特征,具体的特性可以为均方根值、绝对均值、均值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、互无量纲特征、多尺度无量纲特征、小波阈值特征、T2统计量特征等等,一个时频域检测器可用于只检测一种特征类型的实时信号特征,也可以用于检测多种特征类型的实时信号特征,其具体情况根据实际情况设置,在此不作限定。可以理解的是,本实施方式中提到的具体的检测器为现有时频域检测技术,时频域检测器为故障诊断模型。以互无量纲检测器为例,其训练过程如下:获取若干已知互无量纲信号特征,并为每一互无量纲信号特征设置标签,构建训练集,其中,标签类型包括无故障、第一故障类型、第二故障类型,…,第N故障类型;根据训练集进行模型训练,得到互无量纲检测器。同理,其他时频域检测器利用以上的方式生成。
与现有技术相比,本发明实施例提供的旋转机械故障诊断方法,首先,通过根据获取的旋转机械的实时振动信号,以提取至少两种特征类型的实时信号特征;接着,将每一所述实时信号特征分别输入对应的时频域检测器,以得到若干候选故障诊断结果;其中,所述时频域检测器根据历史信号特征预先训练得到,一个所述实时信号特征至少对应一个所述时频域检测器;最后,基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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;其中,所述基础权重与对应的故障类型的出现概率呈正相关关系。本发明实施例通过能够对实时振动信号提取多种实时信号特征,利用时频域检测器进行初步故障诊断,并根据实际情况对各种时频域检测结果赋予权重,利用D-S证据理论进行故障诊断,提升故障诊断的准确性。
本发明实施例还提供一种旋转机械故障诊断装置,包括:
特征提取模块,用于获取旋转机械的实时振动信号,根据所述实时振动信号提取至少两种特征类型的实时信号特征;
初步诊断模块,用于将每一所述实时信号特征分别输入对应的时频域检测器,得到若干候选故障诊断结果;其中,所述时频域检测器根据历史信号特征预先训练得到,一个所述实时信号特征至少对应一个所述时频域检测器;
融合诊断模块,用于基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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;其中,所述基础权重与对应的故障类型的出现概率呈正相关关系。
值得说明的是,具体的所述旋转机械故障诊断装置的工作过程可参考上述实施例中所述旋转机械故障诊断方法的工作过程,在此不再赘述。
与现有技术相比,本发明实施例通过能够对实时振动信号提取多种实时信号特征,利用时频域检测器进行初步故障诊断,并根据实际情况对各种时频域检测结果赋予权重,利用D-S证据理论进行故障诊断,提升故障诊断的准确性。
本发明实施例还提供一种旋转机械故障诊断设备,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故障诊断方法实施例中的步骤,例如图1中所述的步骤S11~S13;或者,所述处理器执行所述计算机程序时实现上述各***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故障诊断设备中的执行过程。
所述旋转机械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***、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 Medaa Card, 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-Only Memory)、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 (12)
1.一种旋转机械故障诊断方法,其特征在于,包括:
获取旋转机械的实时振动信号,根据所述实时振动信号提取至少两种特征类型的实时信号特征;
将每一所述实时信号特征分别输入对应的时频域检测器,得到若干候选故障诊断结果;其中,所述时频域检测器根据历史信号特征预先训练得到,一个所述实时信号特征至少对应一个所述时频域检测器;
基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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;其中,所述基础权重与对应的故障类型的出现概率呈正相关关系;
所述基础权重通过以下方式预先设置:
根据所述旋转机械的历史故障集中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,并根据所述检验正确率设置第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。
2.如权利要求1所述的旋转机械故障诊断方法,其特征在于,所述检验正确率为查全率和查准率中的至少一种;
当所述检验正确率为查全率时,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。
3.如权利要求2所述的旋转机械故障诊断方法,其特征在于,当所述检验正确率为查全率时,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。
4.如权利要求2所述的旋转机械故障诊断方法,其特征在于,当所述检验正确率为查准率时,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。
5.如权利要求4所述的旋转机械故障诊断方法,其特征在于,当所述检验正确率为查准率时,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。
6.如权利要求2所述的旋转机械故障诊断方法,其特征在于,当所述检验正确率包括查全率和查准率时,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,并根据所述检验正确率设置第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:
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。
7.如权利要求1或6所述的旋转机械故障诊断方法,其特征在于,还包括:
当第i个所述时频域检测器的候选故障诊断结果与所述目标故障诊断结果不一致时,判定第i个所述时频域检测器的候选故障诊断结果为错误诊断结果,并执行以下步骤:
增大第i个所述时频域检测器对于所述目标故障诊断结果对应的故障类型的基准权重参数;其中,所述基准权重参数大于等于0且小于等于1;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;
当第i个所述时频域检测器对于所述错误诊断结果对应的故障类型大于预设调整阈值时,减小第i个所述时频域检测器对于所述错误诊断结果对应的故障类型的基准权重参数;
将所述错误诊断结果的数据作为误诊实例加入历史数据集,重新计算第i个所述时频域检测器对于每一所述故障类型的查全率和查准率,以得到新的第一修正系数和第二修正系数;
根据更新后的基准权重参数、第一修正系数和第二修正系数,重新计算第i个所述时频域检测器对每一所述故障类型的基础权重。
8.如权利要求7所述的旋转机械故障诊断方法,其特征在于,所述基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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,结合每一所述时频域检测器中的针对每一种故障类型的基础权重,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。
9.如权利要求7所述的旋转机械故障诊断方法,其特征在于,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中的至少两种;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。
10.一种旋转机械故障诊断装置,其特征在于,包括:
特征提取模块,用于获取旋转机械的实时振动信号,根据所述实时振动信号提取至少两种特征类型的实时信号特征;
初步诊断模块,用于将每一所述实时信号特征分别输入对应的时频域检测器,得到若干候选故障诊断结果;其中,所述时频域检测器根据历史信号特征预先训练得到,一个所述实时信号特征至少对应一个所述时频域检测器;
融合诊断模块,用于基于预先设置的每一所述时频域检测器中的针对每一种故障类型的基础权重,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;其中,所述基础权重与对应的故障类型的出现概率呈正相关关系;其中,所述基础权重通过以下方式预先设置:
根据所述旋转机械的历史故障集中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,并根据所述检验正确率设置第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。
11.一种旋转机械故障诊断设备,其特征在于,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权利要求1至9中任意一项所述的旋转机械故障诊断方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至9中任意一项所述的旋转机械故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330462.5A CN117076870B (zh) | 2023-10-16 | 2023-10-16 | 旋转机械故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330462.5A CN117076870B (zh) | 2023-10-16 | 2023-10-16 | 旋转机械故障诊断方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076870A CN117076870A (zh) | 2023-11-17 |
CN117076870B true CN117076870B (zh) | 2024-01-12 |
Family
ID=88717500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311330462.5A Active CN117076870B (zh) | 2023-10-16 | 2023-10-16 | 旋转机械故障诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076870B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165632A (zh) * | 2018-09-20 | 2019-01-08 | 上海电力学院 | 一种基于改进d-s证据理论的设备故障诊断方法 |
CN110617960A (zh) * | 2019-10-12 | 2019-12-27 | 华北电力大学 | 一种风电机组齿轮箱故障诊断方法及*** |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
KR20220096793A (ko) * | 2020-12-31 | 2022-07-07 | 한국수력원자력 주식회사 | 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템 |
CN115600136A (zh) * | 2022-10-28 | 2023-01-13 | 国网四川省电力公司电力科学研究院(Cn) | 一种基于多传感器的高压套管故障诊断方法、***及介质 |
CN117076869A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械时频域融合故障诊断方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10533920B2 (en) * | 2014-08-05 | 2020-01-14 | Acoem France | Automatic rotating-machine fault diagnosis with confidence level indication |
-
2023
- 2023-10-16 CN CN202311330462.5A patent/CN117076870B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165632A (zh) * | 2018-09-20 | 2019-01-08 | 上海电力学院 | 一种基于改进d-s证据理论的设备故障诊断方法 |
CN110617960A (zh) * | 2019-10-12 | 2019-12-27 | 华北电力大学 | 一种风电机组齿轮箱故障诊断方法及*** |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
KR20220096793A (ko) * | 2020-12-31 | 2022-07-07 | 한국수력원자력 주식회사 | 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템 |
CN115600136A (zh) * | 2022-10-28 | 2023-01-13 | 国网四川省电力公司电力科学研究院(Cn) | 一种基于多传感器的高压套管故障诊断方法、***及介质 |
CN117076869A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械时频域融合故障诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
基于加权的多无量纲指标信息融合故障诊断方法;覃爱淞 等;广东石油化工学院学报;第26卷(第03期);第89-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117076870A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11049030B2 (en) | Analysis apparatus, analysis method, and analysis program | |
JP6672132B2 (ja) | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 | |
KR102247181B1 (ko) | Xai에 기초하여 생성된 학습데이터를 이용한 이상행위탐지모델 생성방법 및 장치 | |
JP5858839B2 (ja) | 作業機械の異常診断装置 | |
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 | |
CN105871634A (zh) | 检测集群异常的方法及应用、管理集群的*** | |
US20210247753A1 (en) | State estimation device, system, and manufacturing method | |
Al-Haddad et al. | Improved UAV blade unbalance prediction based on machine learning and ReliefF supreme feature ranking method | |
CN117094184B (zh) | 基于内网平台的风险预测模型的建模方法、***及介质 | |
CN111400435B (zh) | 邮件告警收敛方法、装置、计算机设备及存储介质 | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及*** | |
CN116450482A (zh) | 一种用户异常监测方法、装置、电子设备及存储介质 | |
CN117076870B (zh) | 旋转机械故障诊断方法、装置、设备及存储介质 | |
CN111555899B (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
CN113424120A (zh) | 无需计量地捕获机器特别是机床的特性确定该特性的方法 | |
Vargas et al. | A hybrid feature learning approach based on convolutional kernels for ATM fault prediction using event-log data | |
US20230156043A1 (en) | System and method of supporting decision-making for security management | |
Alkhanafseh et al. | Advanced dual RNN architecture for electrical motor fault classification | |
CN116362489A (zh) | 一种基于大数据的建筑工地跨区域管理方法及*** | |
Gavrylenko et al. | Development of a method for identifying the state of a computer system using fuzzy cluster analysis | |
Krishna Veni et al. | Diagnosis of bearing fault in induction motor using Bayesian optimization-based ensemble classifier | |
Yu et al. | Novelty class detection in machine learning-based condition diagnosis | |
WO2020251059A1 (en) | Using normalizing flows to detect anomalous data points in time-series data | |
Li et al. | Trend prognosis of aero-engine abrupt failure based on affinity propagation clustering |
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 |