【技术实现步骤摘要】
一种压缩机齿轮故障样本扩充方法及系统
[0001]本专利技术涉及机械设备诊断
,尤其涉及一种压缩机齿轮故障样本扩充方法及系统。
技术介绍
[0002]压缩机齿轮作为一种将低压气体提升为高压气体的从动流体机械,以压缩
→
冷凝(放热)
→
膨胀
→
蒸发(吸热)的原理实现了制冷循环,是制冷系统的心脏,在气体压缩输送、设备制冷以及石油化工等行业中占有重要地位,是关键设备之一。压缩机齿轮作为压力系统中的核心部分,因长期在高速、重载等复杂多变的工况下运行,必然会出现损伤故障,轻则降低设备的稳定性和可靠性,重则造成重大经济损失或人员伤亡。因此,对压缩机齿轮进行故障诊断,对保证生产的正常运行,提高企业的经济效益都有重要的意义。
[0003]针对压缩机齿轮的故障诊断,理论上可以利用各种机器学习算法来实现。然而,实际中采集的故障样本是有限的,而且故障样本集往往高度不平衡,从根本上严重制约了各种机器学习模型在压缩机齿轮故障诊断中的性能。故障样本的不足导致训练出的智能诊断模型泛化能力弱,在工程应用中表现欠佳。因此,针对压缩机齿轮的故障智能诊断,迫切需要的是基于有限故障样本的有效扩充方法。
[0004]高斯云模型作为一种定性定量转换的双向认知模型,既可以利用数据集进行逆向云发生器的计算(反变换),建立高斯云模型以获取描述数据集的数字特征,又可以对所建云模型进行正向云发生器计算(正变换),快速生成大量的云滴来实现样本生成,从而实现数字特征表示的定性概念与定量的数据集合之间 ...
【技术保护点】
【技术特征摘要】
1.一种压缩机齿轮故障样本扩充方法,其特征在于,包括以下步骤:S1、对有限的压缩机齿轮原始故障信号进行集合经验模态分解EEMD处理,计算每个本征模态分量IMF信号的若干时域特征指标,以生成故障特征向量,并以此作为原始样本;S2、利用同故障类别的原始样本进行逆向云计算,建立多维的高斯云模型,且对所建高斯云模型进行正向云计算,生成若干用以表征故障特征向量的云滴并作为仿真样本;S3、将所有仿真样本输入VAE模型进行样本重构,以减小模型输出与原始样本之间的误差为目标,并基于反向传播算法迭代修正VAE模型参数,最终输出与原始样本极为相似的扩充样本,以建立完备的压缩机齿轮故障样本集。2.如权利要求1所述的压缩机齿轮故障样本扩充方法,其特征在于,所述步骤S1具体包括:设定采集了K种故障的压缩机齿轮振动信号,且每种故障下有L段原始信号;对K种故障的压缩机齿轮振动信号基于EEMD进行信号分解,以得到EEMD分解后最终的IMF子信号;计算每个IMF子信号的若干时域特征指标,以生成故障特征向量,并以此作为原始样本,形成原始故障样本集。3.如权利要求2所述的压缩机齿轮故障样本扩充方法,其特征在于,所述对K种故障的压缩机齿轮振动信号基于EEMD进行信号分解,以得到EEMD分解后最终的IMF子信号的步骤具体包括:(01)记第k种故障下的第l段原始信号为x(t),k=1,2,...,K,l=1,2,..L,设定EEMD的总体平均次数为M;(02)往原始信号x(t)里加一个具有标准正态分布的高斯白噪声序列n
i
(t),产生一个新的信号x
i
(t)=x(t)+n
i
(t);其中,x
i
(t)为第i次的附加噪声信号,且i=1,2,..M;(03)对所得含噪声的信号x
i
(t)进行EMD分解,得到IMF和的形式:式中,c
ij
(t)为第i次加入白噪声后分解得到的第j个IMF;r
ij
(t)为残余函数,代表信号的平均趋势;J是IMF的数量;(04)重复步骤(02)和步骤(03)进行M次,每次分解加入幅值不同的白噪声信号得到IMF的集合为:{c
1j
(t),...c
M,j
(t)|j=1,2...,J}(05)利用不相关序列的统计平均值为零的原理,将上述对应的IMF进行集合平均运算,得到EEMD分解后最终的IMF,即:式中,c
j
(t)为EEMD分解的第j个IMF。4.如权利要求3所述的压缩机齿轮故障样本扩充方法,其特征在于,所述计算每个IMF子信号的若干时域特征指标,以生成故障特征向量,并以此作为原始样本,形成原始故障样本集的步骤具体包括:
(11)计算EEMD中每个c
j
(t)在时域上的5个特征指标,且进一步合并成一个包含5个特征指标值的特征子向量以得到J个特征子向量;其中,5个特征指标包括斜度、峭度、波形指数、脉冲因子和峰值因子;为基于c
j
(t)得到的特征子向量;(12)将J个特征子向量依次排列,组合成一个包含5
×
J个特征值的向量:记为第k种故障的第l个原始样本;(13)将l在{1,2,...,L}中遍历,重复步骤(11)和步骤(12)进行L次,最终得到第K种故障的L个原始样本,形成一个故障特征矩阵V
k
;式中,V
k,l
为第k种故障的第l个原始样本,为原始样本V
k,l
中的第j个特征值;(14)将k在{1,2,...,K}中遍历,重复步骤(11)至步骤(13)进行K次,最终得到K种故障的K
×
L个原始样本,形成原始故障样本集V:V={V1,...V
k
,...,V
K
},式中,V
k
为第k种故障原始样本形成的故障特征矩阵。5.如权利要求4所述的压缩机齿轮故障样本扩充方法,其特征在于,所述步骤S2具体包括:(21)设定样本扩充数量为N;(22)逆向云发生器计算:1)针对第k种故障下的故障特征矩阵V
k
,选出所有的计算平均值样本一阶绝对中心样本二阶绝对中心2)计算熵值超熵值
(23)正向云发生器计算:1)生成以为期望值,为方差的一个高斯随机数作为第k种故障样本中第j个故障特征值的第i个仿真值;2)重复步骤1)进行N次,共生成N个仿真值其中,i=1,2,...,N;(24)将j在{1,2,
…
,5
·
J}中遍历,重复步骤(21)和步骤(23)进行5
·
J次,最终生成5
·
J
·
N个仿真的故障特征值组成第k种故障的仿真样本集V
′
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。