基于主成分分析与支持向量机的往复压缩机故障诊断方法技术

本发明专利技术公开基于主成分分析与支持向量机的往复压缩机故障诊断方法，包括如下步骤：1)采集数据；2)故障特征提取；3)基于主成分分析的故障特征选择；4)获得支持向量机结构模型；5)通过支持向量机结构模型对待检测故障敏感特征向量进行判断输出往复压缩机故障数据所属的类别给出诊断结果，该方法能够快速处理小样本和非线性故障分类问题，具有高效、准确率高，能够适用于往复压缩机实际工作场景的优点。

【技术实现步骤摘要】
基于主成分分析与支持向量机的往复压缩机故障诊断方法
本专利技术属于设备故障诊断领域，涉及针对往复压缩机的故障诊断方法，具体为一种基于主成分分析与支持向量机的往复压缩机故障诊断方法。
技术介绍
往复压缩机广泛应用于采油、采气、炼油、化工企业等流程工业企业，是上述企业生产装置的关键设备。往复压缩机由于具有功率大、压力高、结构复杂、易损件多、激励源多等特点，极易产生故障。机组振动信号具有非线性、非平稳的特点。典型故障有：拉缸、活塞杆断裂、阀片损坏断裂、撞缸等。上述故障恶化易导致着火、爆炸等恶性事故，威胁企业安全稳定生产。如何实现往复压缩机典型故障的自动诊断成为当下企业设备管理人员和科研人员关注的热点。在往复压缩机故障诊断的研究中，越来越多的研究人员将各种人工智能算法运用于故障分类研究。目前，将神经网络用于对往复压缩机的故障分类，能很好地实现故障分类，且具有较好的故障分类效果及分类速度。由于神经网络是基于大样本的，当样本较少时神经网络就无法实现分类；除此之外，神经网络具有计算速度较慢、难以找到全局最优解、极易出现“过学习”等不足之处，尤其在小样本文档来自技高网...

【技术保护点】
1.基于主成分分析与支持向量机的往复压缩机故障诊断方法，其特征在于,包括如下步骤：/n1)采集数据：通过在线监测单元中的传感器对检测往复压缩机进行采集输出往复压缩机典型故障信号；/n2)故障特征提取：通过神经网络单元对采集的往复压缩机故障信号提取出往复压缩机型故障信号中的时域信号特征参数与频域信号特征参数构成特征矩X，按公式Y＝(X-X

【技术特征摘要】
1.基于主成分分析与支持向量机的往复压缩机故障诊断方法，其特征在于,包括如下步骤：
1)采集数据：通过在线监测单元中的传感器对检测往复压缩机进行采集输出往复压缩机典型故障信号；
2)故障特征提取：通过神经网络单元对采集的往复压缩机故障信号提取出往复压缩机型故障信号中的时域信号特征参数与频域信号特征参数构成特征矩X，按公式Y＝(X-Xmin)/(Xmax-Xmin)进行归一化处理；
3)基于主成分分析的故障特征选择：利用主成分分析方法对往复压缩机典型故障信号特征参数进行降维处理获得故障敏感特征向量；
4)获得支持向量机结构模型，将所述故障敏感特征向量输入支持向量机中，采用“一对一”组合模式的支持向量机进行训练和测试，获得支持向量机结构模型；
5)通过支持向量机结构模型对待检测故障敏感特征向量进行判断输出往复压缩机故障数据所属的类别给出诊断结果。


2.根据权利要求1所述的基于主成分分析与支持向量机的往复压缩机故障诊断方法，其特征在于：所述步骤2)中频域信号特征参数包括：
采用小波包对往复压缩机典型故障信号分解将各频带内的能量值作为频域信号特征参数；
对采集往复压缩机实际故障进行分析，获得样本数据的采样频率为：
fs＝10240HZ<...

【专利技术属性】
技术研发人员：李进，王庆国，肖宇，叶剑，杨在江，
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