一种对机泵故障进行诊断方法技术

本发明专利技术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；本发明专利技术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。

【技术实现步骤摘要】
一种对机泵故障进行诊断方法
本专利技术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。
技术介绍
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。
技术实现思路
为了解决现有技术的问题，本专利技术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。本专利技术实施例提供的技术方案带来的有益效果是：本专利技术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专利技术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专利技术的一些实施例，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是本专利技术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专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。本专利技术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。以上仅为本专利技术的较佳实施例，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种对机泵故障进行诊断方法，其特征在于，包括：/n通过对机泵设备监控获得特征参数；/n将所述特征参数组成多维参数矩阵；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：李进，王庆国，
申请(专利权)人：中海油能源发展装备技术有限公司，
类型：发明
国别省市：天津;12