基于改进粒子滤波的离心泵故障诊断方法、系统和介质技术方案

本发明专利技术涉及一种基于改进粒子滤波的离心泵故障诊断方法、系统和介质，包括建立标准对照叶轮模型，利用所述标准对照叶轮模型获取待检测离心泵叶轮的原始故障信号；利用改进的粒子滤波方法对所述原始故障信号进行滤波，得到目标故障信号；利用主元分析法对所述目标故障信号进行时域分析，提取多个时域特征变量，并利用所述主元分析法对所有时域特征变量进行降维处理，得到目标检测信号；构建BP神经网络识别模型，并利用所述BP神经网络识别模型对所述目标检测信号进行故障识别，得到故障识别结果。本发明专利技术有效避免了传统粒子滤波算法的粒子贫乏和易陷入局部极值的问题，提高了收敛速度和精度，有效提高离心泵叶轮故障诊断的效率和准确率。

【技术实现步骤摘要】
基于改进粒子滤波的离心泵故障诊断方法、系统和介质
本专利技术涉及离心泵故障诊断
，尤其涉及一种基于改进粒子滤波的离心泵故障诊断方法、系统和介质。
技术介绍
随着科学技术的飞速发展，设备故障诊断技术逐渐成熟，其作为一门新兴边缘学科，在综合工程领域已蓬勃发展。作为保证设备安全运行的一种基本措施，故障诊断能够有效的预报设备的早期故障发展水平，判断出故障形成的原因，分析诱因并提出对策建议，对现存隐患进行处理，以避免或减少事故的发生。离心泵是应用非常广泛的通用机械，而且泵正朝着重载化、高速化、轻型化的方向发展。这使得泵的工作强度不断提高，工作条件也越来越严酷，泵各类故障的发生率不断增长。由泵故障所引起的事故往往是灾难性的，会造成巨大的损失。因此，保证其安全可靠的运行显得尤为重要。在旋转机械中，设备状态信息隐藏在转子振动信号中，包含了设备各种异常或故障的信息，而振动参数是提取故障特征的重要指标。离心泵工作环境恶劣，叶轮发生故障时常常伴有异常的振动和噪声。要想通过振动信号来准确的识别出故障类型，需要对信号进行有效的去噪处理，以排除噪声对故障特征的干扰。常用的去噪方法有小波分析、经验模态分解、独立分量分析等。这些算法在工业应用中都要面临复杂的参数优化选择的问题。粒子滤波算法是一种处理非线性信号的有效算法。该算法在故障诊断、导航定位、无线通讯、机器人定位、视觉跟踪等诸多领域应用广泛，然而传统的粒子滤波算法极易陷入局部极值，收敛速度和精度有限，导致离心泵叶轮的故障诊断效率不高，准确率不够。专利技术内容本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于改进粒子滤波的离心泵故障方法、系统和介质，能够有效避免了传统粒子滤波算法的粒子贫乏和易陷入局部极值的问题，提高了收敛速度和精度，有效提高离心泵叶轮故障诊断的效率和准确率。本专利技术解决上述技术问题的技术方案如下：基于改进粒子滤波的离心泵故障诊断方法，包括以下步骤：步骤1：建立标准对照叶轮模型，利用所述标准对照叶轮模型获取待检测离心泵叶轮的原始故障信号；步骤2：利用改进的粒子滤波方法对所述原始故障信号进行滤波，得到目标故障信号；步骤3：利用主元分析法对所述目标故障信号进行时域分析，提取多个时域特征变量，并利用所述主元分析法对所有时域特征变量进行降维处理，得到目标检测信号；步骤4：构建BP神经网络识别模型，并利用所述BP神经网络识别模型对所述目标检测信号进行故障识别，得到故障识别结果；其中，所述步骤2具体包括：步骤21：将所述原始故障信号作为粒子群，对所述粒子群进行初始化，得到初始粒子群样本分布；步骤22：对所述初始粒子群样本分布进行优化，得到优化粒子群样本分布；步骤23：获取所述优化粒子群样本分布的重要性权值集合，并根据所述重要性权值集合对所述优化粒子群样本分布进行重采样，得到目标粒子群样本分布和与所述目标粒子群样本分布对应的目标重要性权值集合；步骤24：根据所述目标粒子群样本分布和所述目标重要性权值集合进行全局搜索，得到所述目标故障信号。依据本专利技术的另一方面，还提供了一种基于改进粒子滤波的离心泵故障诊断系统，包括信号获取模块、滤波模块、降维模块和识别模块；所述信号获取模块，用于建立标准对照叶轮模型，利用所述标准对照叶轮模型获取待检测离心泵叶轮的原始故障信号；所述滤波模块，用于利用改进的粒子滤波方法对所述原始故障信号进行滤波，得到目标故障信号；所述降维模块，用于利用主元分析法对所述目标故障信号进行时域分析，提取多个时域特征变量，并利用所述主元分析法对所有时域特征变量进行降维处理，得到目标检测信号；所述识别模块，用于构建BP神经网络识别模型，并利用所述BP神经网络识别模型对所述目标检测信号进行故障识别，得到故障识别结果；所述滤波模块具体用于：将所述原始故障信号作为粒子群，对所述粒子群进行初始化，得到初始粒子群样本分布；对所述初始粒子群样本分布进行优化，得到优化粒子群样本分布；获取所述优化粒子群样本分布的重要性权值集合，并根据所述重要性权值集合对所述优化粒子群样本分布进行重采样，得到目标粒子群样本分布和与所述目标粒子群样本分布对应的目标重要性权值集合；根据所述目标粒子群样本分布和所述目标重要性权值集合进行全局搜索，得到所述目标故障信号。依据本专利技术的另一方面，提供了一种基于改进粒子滤波的离心泵故障诊断系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本专利技术的一种基于改进粒子滤波的离心泵故障诊断方法中的步骤。依据本专利技术的另一方面，提供了一种计算机存储介质，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现本专利技术的一种基于改进粒子滤波的离心泵故障诊断方法中的步骤。本专利技术的基于改进粒子滤波的离心泵故障诊断方法、系统和介质的有益效果是：通过建立标准对照叶轮模型，便于将故障的叶轮与该标准对照叶轮模型进行对比，获取到原始故障信号；在去噪滤波的过程中引入改进的粒子滤波方法，对初始粒子群样本分布进行优化，并利用重要性权值集合对优化后的粒子群样本分布进行重采样，有效地避免了传统的粒子滤波算法的粒子贫乏和易陷入局部极值的问题，以及采样后期样本单一的问题，优化了传统的粒子滤波算法中的采样过程，提高了收敛速度和精度，利用改进的粒子滤波方法对原始故障信号进行去噪滤波处理，提高了滤波的精度和效率，得到的目标故障信号便于后续的分析，进而提高故障识别的精度和效率；利用主元分析法进行时域特征值的提取和降维，大大降低了特征变量的个数，降低了后续BP神经网络的训练和测试的负担，进一步提高了故障识别效率，最后用BP神经网络对故障进行识别，有效提高了整个离心泵叶轮故障的识别效果。附图说明图1为本专利技术实施例一中一种基于改进粒子滤波的离心泵故障诊断方法的流程示意图；图2为本专利技术实施例一中得到目标故障信号的流程示意图；图3为本专利技术实施例一中采用的泥浆泵的尺寸示意图；图4为本专利技术实施例一中正常叶轮的原始信号图和三种故障叶轮的原始故障信号图；图5为本专利技术实施例一中在2000rmp转速下采用NPSO-PF滤波方法得到的四种叶轮的降噪信号图；图6为本专利技术实施例一中在2000rmp转速下采用PSO-PF滤波方法得到四种叶轮的降噪信号图；图7为本专利技术实施例一中在2000rmp转速下采用PF滤波方法得到四种叶轮的降噪信号图；图8为本专利技术实施例一中利用改进的粒子滤波方法进行滤波的完整流程示意图；图9为本专利技术实施例一中得到目标检测信号的流程示意图；图10为本专利技术实施例一中一种故障叶轮计算得到的主元贡献率的结果示意图；图11为本专利技术实施例一中得到故障识别结果的流程示意图；图12-1至图12-4为本专利技术实施例一中经NPSO-PF滤波后的四折交叉验证的四次验证结果示意图；图13为本发本文档来自技高网...

【技术保护点】
1.基于改进粒子滤波的离心泵故障诊断方法，其特征在于，包括以下步骤：/n步骤1：建立标准对照叶轮模型，利用所述标准对照叶轮模型获取待检测离心泵叶轮的原始故障信号；/n步骤2：利用改进的粒子滤波方法对所述原始故障信号进行滤波，得到目标故障信号；/n步骤3：利用主元分析法对所述目标故障信号进行时域分析，提取多个时域特征变量，并利用所述主元分析法对所有时域特征变量进行降维处理，得到目标检测信号；/n步骤4：构建BP神经网络识别模型，并利用所述BP神经网络识别模型对所述目标检测信号进行故障识别，得到故障识别结果；/n其中，所述步骤2具体包括：/n步骤21：将所述原始故障信号作为粒子群，对所述粒子群进行初始化，得到初始粒子群样本分布；/n步骤22：对所述初始粒子群样本分布进行优化，得到优化粒子群样本分布；/n步骤23：获取所述优化粒子群样本分布的重要性权值集合，并根据所述重要性权值集合对所述优化粒子群样本分布进行重采样，得到目标粒子群样本分布和与所述目标粒子群样本分布对应的目标重要性权值集合；/n步骤24：根据所述目标粒子群样本分布和所述目标重要性权值集合进行全局搜索，得到所述目标故障信号。/n

【技术特征摘要】
1.基于改进粒子滤波的离心泵故障诊断方法，其特征在于，包括以下步骤：
步骤1：建立标准对照叶轮模型，利用所述标准对照叶轮模型获取待检测离心泵叶轮的原始故障信号；
步骤2：利用改进的粒子滤波方法对所述原始故障信号进行滤波，得到目标故障信号；
步骤3：利用主元分析法对所述目标故障信号进行时域分析，提取多个时域特征变量，并利用所述主元分析法对所有时域特征变量进行降维处理，得到目标检测信号；
步骤4：构建BP神经网络识别模型，并利用所述BP神经网络识别模型对所述目标检测信号进行故障识别，得到故障识别结果；
其中，所述步骤2具体包括：
步骤21：将所述原始故障信号作为粒子群，对所述粒子群进行初始化，得到初始粒子群样本分布；
步骤22：对所述初始粒子群样本分布进行优化，得到优化粒子群样本分布；
步骤23：获取所述优化粒子群样本分布的重要性权值集合，并根据所述重要性权值集合对所述优化粒子群样本分布进行重采样，得到目标粒子群样本分布和与所述目标粒子群样本分布对应的目标重要性权值集合；
步骤24：根据所述目标粒子群样本分布和所述目标重要性权值集合进行全局搜索，得到所述目标故障信号。


2.根据权利要求1所述的基于改进粒子滤波的离心泵故障诊断方法，其特征在于，所述步骤21具体包括：
步骤211：将所述原始故障信号作为所述粒子群，设置所述粒子群的初始化参数；
其中，所述初始化参数包括粒子群数目、学习因子、最大迭代次数、控制系数、最大惯性系数、最小惯性系数、预设变异率以及每个粒子的初始位置和初始速度；
步骤212：根据所述初始化参数对所述粒子群进行初始化，得到所述初始粒子群样本分布；
所述初始粒子群样本分布为：



其中，为所述初始粒子群样本分布，为所述初始粒子群样本分布中的第i个样本点，N为所述粒子群数目。


3.根据权利要求2所述的基于改进粒子滤波的离心泵故障诊断方法，其特征在于，所述步骤22具体包括：
步骤221：根据所述最大迭代次数和所述控制系数计算得到变异控制函数；
所述变异控制函数为：



其中，y(epoch)为所述变异控制函数，epoch为当前迭代次数，epochmax为所述最大迭代次数，α和β均为所述控制系数；
步骤222：根据所述控制变异函数、所述最大惯性系数和所述最小惯性系数计算得到动态惯性系数；
计算所述动态惯性系数的公式具体为：
w＝wmin+(wmax-wmin)·y(epoch)；
其中，w为所述动态惯性系数，wmin为所述最小惯性系数，wmax为所述最大惯性系数；
步骤223：根据所述变异控制函数和所述预设变异率计算得到变异率，并根据所述变异率计算得到变异粒子数目，根据所述变异粒子数目和所述变异控制函数对所述初始粒子群样本分布中的所述粒子群进行变异操作，得到变异粒子群；
计算所述变异率的公式具体为：
u＝m·y(epoch)；
计算所述变异粒子数目的公式具体为：
M＝N·u；
其中，u为所述变异率，m为所述预设变异率，M为所述变异粒子数目；
对所述粒子群中的第i个粒子进行变异操作的公式具体为：
X′ij＝Xij+r1·y(epoch)；
其中，Xij为所述粒子群中第i个粒子的第j个元素的位置，Xi′j为所述粒子群中第i个粒子的第j个元素进行变异操作后所对应的变异粒子的位置，r1为随机数；
步骤224：获取所述变异粒子群的适应度值，并根据所述适应度值得到所述变异粒子群在每次迭代中的个体最优值和全局最优值；
计算所述适应度值的公式具体为：



其中，fit为所述适应度值，Rt为观测噪声方差，Ynew为当前观测值，Ypred为预测观测值；
步骤225：根据所述个体最优值、所述全局最优值、所述动态惯性系数、所述学习因子和所述最大迭代次数对所述变异粒子群进行更新，得到所述优化粒子群样本分布；
对所述变异粒子群进行更新的公式包括：



其中，Vi′k+1为所述变异粒子群中第i个粒子在第k+1次迭代更新后的速度，Vi′k为所述变异粒子群中第i个粒子在第k次迭代更新后的速度，Pi′k为第k次迭代的个体最优值，为第k次迭代的全局最优值，为所述变异粒子群中第i个粒子在第k+1次迭代更新后的位置，为所述变异粒子群中第i个粒子在第k次迭代更新后的位置，r2为介于0到1的随机数，c1和c2均为所述学习因子。


4.根据权利要求3所述的基于改进粒子滤波的离心泵故障诊断方法，其特征在于，所述步骤23具体包括：
步骤231：根据所述优化粒子群样本分布得到重要性密度函数，并根据所述重要性密度函数计算所述优化粒子群样本分布中每个粒子一一对应的...

【专利技术属性】
技术研发人员：陈汉新，王琪，柯耀，苗育茁，黄浪，方璐，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：湖北;42