一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法技术

一种基于粒子群‑支持向量机的旋转机械设备运行工况预测方法，包括以下步骤：步骤1、采集振动速度信号，并计算振动烈度值作为训练样本集；步骤2、使用样本集结合改进的粒子群算法对支持向量回归机中的参数进行迭代寻优；步骤3、使用样本集和寻优得到的参数对支持向量回归机进行训练，得到支持向量机回归模型函数；步骤4、使用支持向量机回归模型函数预测未来一段时间的振动烈度值，得到预测集；步骤5、结合ISO2372设备振动标准，对预测集中的振动烈度进行分析，得到旋转机械设备在未来一段时间的运行状态。本发明专利技术可以对旋转机械设备的振动数据走势进行有效预测，最大限度保证设备的安全可靠运行。

【技术实现步骤摘要】
一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法
本专利技术涉及到一种基于粒子群-支持向量机(PSO-SVM)的旋转机械设备运行工况预测方法。技术背景随着旋转机械设备的老化，加上机械长久高负荷运转，从而给企业保障旋转机械设备安全高效运行带来了很大的压力，若出现突发性故障，不仅企业会受到巨大的经济损失，而且还会影响人民日常工作生活。如何准确的预测这些旋转机械设备的运行工况，并能根据预测的设备运行状态进行有效的设备维护，对于企业来说有着重要的现实意义。
技术实现思路
为了有效预测旋转机械设备的运行工况，降低突发性故障的产生，本专利技术提供了一种基于粒子群-支持向量机(PSO-SVM)的旋转机械设备运行工况预测方法，通过刚性安装在旋转机械设备固定底座上的振动传感器采集设备的振动速度信号，并使用支持向量回归机(SVR)对采集到的数据进行分析处理，有效预测旋转机械设备的运行工况。本专利技术所采用的技术方案是：一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法，包括以下步骤：步骤1、连续采集n组振动速度信号，计算每组振动速度信号的振动烈度值作为样本集，即S＝{(t1,d1),(t2,d2),…,(ti,di),…,(tn,dn)}，其中di为从ti-1时刻到ti时刻采集到的振动速度信号集合对应的振动烈度步骤2、使用改进的粒子群算法结合样本集S对支持向量回归机中的核参数g和惩罚因子C进行迭代寻优；得到最优的gopt和Copt；步骤3、使用样本集S和gopt、Copt，对支持向量回归机进行训练，得到支持向量机回归模型函数f(t)；步骤4、使用f(t)预测tn时刻之后连续的m个振动烈度，即Sp＝{(tn+1,dn+1),(tn+2,dn+2)，…,(tn+m,dn+m)}，预测过程为：(4.1)初始化集合迭代控制变量i＝1；(4.2)将t＝tn+i代入f(t)，得到tn+i的振动烈度值dn+i，将(tn+i,dn+i)添加到预测集Sp和样本集S中；(4.3)将i自身增加1，如果i>m，则执行步骤5，否则返回到步骤4.2；步骤5、根据ISO2372设备振动标准，对Sp进行分析，判断Sp中的振动烈度值被包含在哪种状态对应的振动烈度取值范围中，并给出旋转机械设备的运行状态。进一步，所述步骤5中，判断过程为：(5.1)根据旋转机械的功率和安装方式(刚性安装和弹性安装)判断当前旋转机械设备所属类别，类别包括以下四类：Ⅰ类为小型设备，如：小于15Kw的电动机；Ⅱ类为中型设备，如15Kw～75Kw的电动机；Ⅲ类为刚性安装的大型旋转原动机，如最高功率可达100Kw的电动机；Ⅳ类为柔性安装的大型旋转原动机，如最高功率可达100Kw的电动机；(5.2)根据当前旋转机械所属类别，对照ISO2372振动标准卡，找到四种状态对应的上下限值，这四种状态分别为：A状态：好，表示设备状态良好，可安全运行；B状态：满意，表示设备状态在可接受范围内，仍然可以正常运行；C状态：不满意，表示设备状态不乐观，应减少运行时间或停机进行检查；D状态：不允许，表示设备状态非常糟糕，要立刻发出故障警报，停机进行维修；四种状态对应的上下限值分别为：A状态：上下限值为：[0,]，j∈[Ⅰ类,Ⅱ类,Ⅲ类,Ⅳ类]；B状态：上下限值为：j∈[Ⅰ类,Ⅱ类,Ⅲ类,Ⅳ类]；C状态：上下限值为：j∈[Ⅰ类,Ⅱ类,Ⅲ类,Ⅳ类]；D状态：上下限值为：(+∞)，j∈[Ⅰ类,Ⅱ类,Ⅲ类,Ⅳ类]；(5.3)将Sp中振动烈度与四种状态的上下限值进行比较，如果振动烈度全部小于则给出旋转机械状态为A；如果有多于u，u∈[1,m]个振动烈度大于但是有少于r，r∈[1,m]个振动烈度大于则给出旋转机械状态为B；如果有多于u个振动烈度大于但是有少于r个振动烈度大于则给出旋转机械状态为C；如果有多于u个振动烈度大于则给出旋转机械状态为D；经过以上判断，得出旋转机械设备运行状态。再进一步，所述步骤1中，采集和计算过程如下：(1.1)设置振动速度信号采样周期为T秒，从t0时刻开始连续采集k个振动速度信号组成一组，累计采集n组，有Sv＝{(t1,s1),(t2,s2),…,(ti,si),…,(tn,sn)}，其中si表示从ti-1时刻到ti时刻采集到的振动速度信号集合，即si＝{v1,v2,…,vk}；(1.2)计算振动烈度：计算每组振动速度信号集合的振动烈度值，得到样本集为S＝{(t1,d1),(t2,d2),…,(ti,di),…,(tn,dn)}，di为si的振动烈度，振动烈度计算公式为：更进一步，所述步骤2中，利用改进的粒子群算法对支持向量机回归机中的核参数g和惩罚因子C进行迭代寻优，过程为：(2.1)初始化粒子群：在二维空间中初始化粒子群P＝{p1,p2,…,pi,…,pm}，其中pi粒子的位置为xi＝(xi1,xi2)，速度为vi＝(vi1,vi2)。粒子的初始位置为待优化的惩罚因子和核参数的取值范围中的随机数，取值范围分别为[Cmin,Cmax]、[gmin,gmax]；粒子的初始速度为待优化的惩罚因子和核参数的速度范围的随机数，速度范围分别为[-Cvmax，Cvmax]、[-gvmax,gvmax]；pi粒子的局部最优位置为Xi＝(Xi1,Xi2)，初始值Xi＝xi；粒子群的全局最优位置为Xg＝(Xg1,Xg2)，初始值Xg＝xi；全局最优位置对应的粒子速度为Vg＝(Vg1,Vg2)，初始值Vg＝xi。创建一个最佳替换粒子R，并让R的位置、R的局部最优位置和R的全局最优位置都等于Xg，R的速度等于Vg；(2.2)计算适应度：如果当前迭代次数t>G，G为总迭代次数，则执行步骤2.6，否则使用适应度函数计算每个粒子的适应度，如果pi粒子在当前位置的适应度优于其局部最优位置适应度，则将pi粒子的局部最优位置更新为pi粒子的当前位置；如果pi粒子在当前位置的适应度优于全局最优位置适应度，则将全局最优位置更新为pi粒子的当前位置，将全局最优位置对应的粒子速度更新为pi粒子的当前速度，上述的适应度函数采用均方根误差函数，其公式为：其中，n为测试样本数量，yi为实际测量值，yi*为模型预测值，均方根误差越小，适应度越好；(2.3)粒子群迭代更新：根据下述粒子群的位置和速度迭代公式进行迭代，更新每个粒子的位置和速度；(2.4)判断：如果t≥(a/b)G，a<b，且全局最优位置的适应度大于等于最佳替换粒子的适应度，则设置最佳替换粒子的位置等于Xg，最佳替换粒子的速度等于Vg，执行步骤2.5，否则返回到步骤2.2；(2.5)最佳替换粒子迭代更新：如果t>G，则执行步骤2.6，否则让R代替P，使用上述的粒子群位置和速度迭代公式进行迭代，得到粒子R’，若R’的适应度大于等于R的适应度，则让R的位置等于R’的位置，R的速度等于R’的速度，t＝t+1，重复本步骤，否则设置Xg等于R的位置，Vg等于R的速度，返回到步骤2.2；(2.6)输出最优值：如果全局最优位置的适应度大于等于R的适应度，则寻优结果为Xg，否则为R的位置。所述步骤1中，振动烈度是指物体振动速度的均方根值。目前，常使用位移、速度和加速度这三个标准来衡量物体的振动强度的大小，而通常情况下会采本文档来自技高网...

【技术保护点】
1.一种基于粒子群‑支持向量机的旋转机械设备运行工况预测方法，其特征在于，所述方法包括以下步骤：步骤1、连续采集n组振动速度信号，计算每组振动速度信号的振动烈度值作为样本集，即S＝{(t1,d1),(t2,d2),…,(ti,di),…,(tn,dn)}，其中di为从ti‑1时刻到ti时刻采集到的振动速度信号集合对应的振动烈度；步骤2、使用改进的粒子群算法结合样本集S对支持向量回归机中的核参数g和惩罚因子C进行迭代寻优；得到最优的gopt和Copt；步骤3、使用样本集S和gopt、Copt，对支持向量回归机进行训练，得到支持向量机回归模型函数f(t)；步骤4、使用f(t)预测tn时刻之后连续的m个振动烈度，即Sp＝{(tn+1,dn+1),(tn+2,dn+2)，…,(tn+m,dn+m)}，预测过程为：(4.1)初始化集合

【技术特征摘要】
1.一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法，其特征在于，所述方法包括以下步骤：步骤1、连续采集n组振动速度信号，计算每组振动速度信号的振动烈度值作为样本集，即S＝{(t1,d1),(t2,d2),…,(ti,di),…,(tn,dn)}，其中di为从ti-1时刻到ti时刻采集到的振动速度信号集合对应的振动烈度；步骤2、使用改进的粒子群算法结合样本集S对支持向量回归机中的核参数g和惩罚因子C进行迭代寻优；得到最优的gopt和Copt；步骤3、使用样本集S和gopt、Copt，对支持向量回归机进行训练，得到支持向量机回归模型函数f(t)；步骤4、使用f(t)预测tn时刻之后连续的m个振动烈度，即Sp＝{(tn+1,dn+1),(tn+2,dn+2)，…,(tn+m,dn+m)}，预测过程为：(4.1)初始化集合迭代控制变量i＝1；(4.2)将t＝tn+i代入f(t)，得到tn+i的振动烈度值dn+i，将(tn+i,dn+i)添加到预测集Sp和样本集S中；(4.3)将i自身增加1，如果i>m，则执行步骤5，否则返回到步骤4.2；步骤5、根据ISO2372设备振动标准，对Sp进行分析，判断Sp中的振动烈度值被包含在哪种状态对应的振动烈度取值范围中，并给出旋转机械设备的运行状态。2.如权利要求1所述的一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法，其特征在于，所述步骤5中，判断过程为：(5.1)根据旋转机械的功率和安装方式判断当前旋转机械设备所属类别，类别包括以下四类：Ⅰ类为小型设备，如：小于15Kw的电动机；Ⅱ类为中型设备，如15Kw～75Kw的电动机；Ⅲ类为刚性安装的大型旋转原动机；IV类为柔性安装的大型旋转原动机；(5.2)根据当前旋转机械所属类别，对照ISO2372振动标准卡，找到四种状态对应的上下限值，这四种状态分别为：A状态：好，表示设备状态良好，可安全运行；B状态：满意，表示设备状态在可接受范围内，仍然可以正常运行；C状态：不满意，表示设备状态不乐观，应减少运行时间或停机进行检查；D状态：不允许，表示设备状态非常糟糕，要立刻发出故障警报，停机进行维修；四种状态对应的上下限值分别为：A状态：上下限值为：j∈[Ⅰ类,Ⅱ类,Ⅲ类,IV类]；B状态：上下限值为：j∈[Ⅰ类,Ⅱ类,Ⅲ类,IV类]；C状态：上下限值为：j∈[Ⅰ类,Ⅱ类,Ⅲ类,IV类]；D状态：上下限值为：j∈[Ⅰ类,Ⅱ类,Ⅲ类,IV类]；(5.3)将Sp中振动烈度与四种状态的上下限值进行比较，如果振动烈度全部小于则给出旋转机械状态为A；如果有多于u，u∈[1,m]个振动烈度大于但是有少于r，r∈[1,m]个振动烈度大于则给出旋转机械状态为B；如果有多于u个振动烈度大于但是有少于r个振动烈度大于则给出旋转机械状态为C；如果有多于u个振动烈度大于则给出旋转机械状态为D；经过以上判断，得出旋转机械设备运行状态。3.如权利要求1或2所述的一种基于粒子群-支持向量机的旋转机械设备运行工况预测方法，其特征在于，所述步骤1中，采集和计算过程如下：(1.1)设置振动速度信号采样周期为T秒，从t0时刻开始连续采集k个振动速度信号组成一组，累计采集n组，有Sv＝{(t1,s1),(t2,s2),…,(ti,si),…,(tn,sn)}，其中si表示从ti-1时刻到ti时刻采集到的振动速度信号集合，即si＝{v1,v2,…...

【专利技术属性】
技术研发人员：潘建，吴攀峰，赵焕东，汤绍雄，奚家字，
申请(专利权)人：浙江工业大学之江学院，
类型：发明
国别省市：浙江,33