本发明专利技术公开了一种数据驱动的转子系统典型故障诊断方法，采用统计学方法和小波包分解对振动信号进行特征提取，利用特征筛选算法进行特征评估，筛选得到敏感特征集；采用迁移学习方法，将训练集和实时测试数据映射到核希尔伯特空间；采用最近邻分类器对故障特征进行自动分类。应用来自不同的石化企业透平机械的转子不平衡、轴系不对中、油膜涡动、碰摩等典型故障案例数据进行了模型的训练与验证工作。并与其他相关方法进行了比较，结果表明，所提方法具有较好的泛化性与诊断准确率。这一探索将促进转子系统智能故障诊断方法的工程应用。进转子系统智能故障诊断方法的工程应用。进转子系统智能故障诊断方法的工程应用。
【技术实现步骤摘要】
一种数据驱动的转子系统典型故障诊断方法
[0001]本专利技术涉及一种数据驱动的转子系统典型故障诊断方法，属于转子系统典型故障识别领域
技术介绍
[0002]随着国内旋转机械设备不断向先进智能化方向迈进，如何提高智能故障诊断的决策水平，是目前我们最新面临的挑战。故障识别是智能故障诊断中最关键的一步，它能准确、有效地挖掘出丰富的设备故障信息，找出不同类别的样本群在特征空间中的分布区域和边界，为后续的决策知识库构建提供最重要的参考和指导。
[0003]转子系统是旋转设备的核心部件，对转子系统开展状态监测与故障诊断，是保证旋转机械装备安全平稳运行的重要手段。近年来，随着旋转机械智能化及预测性维修发展需求，全面感知设备运行状态将会产生海量数据。依靠专家经验知识难以满足如今复杂机械的诊断与维护需求，因此如何高效的从机械大数据中挖掘信息并准确的判断设备健康状况是具有重要的工程价值。
[0004]现有转子系统故障模式识别方法存在的主要问题：(1)基于每一台典型设备构建一种不同的故障模式识别方法，成本过高，而且很难收集到一台设备所有类型的故障信息；(2)当前研究大多是针对模拟信号或实验室数据开展的离线验证，当模型在线应用时，将会产生海量数据，模型的适用性以及计算处理速度都会面临考验。许多基于神经网络深度学习的故障模式识别方法超参数较多调优困难，状态监测系统还依赖于大量的外部专家的经验知识，还未能真正做到故障模式的自动识别；(3)在工程实际中，各类旋转设备型号、转速以及工况均不相同。当前研究的验证方法大多基于训练数据和测试数据来自同一设备工况的前提，而这个前提在大型旋转机械的实际诊断情况中难以满足。
技术实现思路
[0005]本专利技术提出了一种基于时域、时频域的多维敏感故障特征参数和在线特征迁移的转子系统故障诊断方法。该方法由离线训练模式和在线监测模式组成，离线模式输入数据为转子典型故障案例数据，得到故障案例知识库。在线模式输入为未经过预处理的实时监测数据，输出是故障模式识别结果。应用来自不同石化企业的透平机械的转子不平衡、轴系不对中、油膜涡动、碰摩等典型故障案例数据进行了模型的训练与验证工作。并与其他相关方法进行了比较，结果表明，所提方法具有较好的泛化性与诊断准确率。这一探索将促进转子系统智能故障诊断方法的工程应用。
[0006]本专利技术的目的在于克服现有技术不足，提出一种数据驱动的转子系统典型故障诊断方法。基于时域、时频域的多维敏感特征和在线特征迁移的转子系统故障诊断方法。首先，采用统计学方法和小波包分解对振动信号进行特征提取，利用特征筛选算法进行特征评估，筛选得到敏感特征集；然后，采用迁移学习方法，将训练集和实时测试数据映射到核希尔伯特空间；最后，采用最近邻分类器对故障特征进行自动分类。
[0007]所述的迁移成分分析(TCA)的迁移学习方法，还可以采用光谱特征对齐(SFA)、迁移核学习(TKL)、测点线流式核(GFK)中的任一方法。
[0008]所述采用的最近邻分类器故障分类器，还可以采用支持向量机(SVM)、k最近邻分类器(kNN)、Softmax分类器中的任一分类器。
[0009]所述的离线训练工作模式包括信号预处理、特征提取及故障识别知识库的构建。具体步骤如下：
[0010]Step1：多维特征提取，对采集的转子振动信号进行归一化预处理，然后提取时域特征向量和11个时频域特征向量，通过信息融合，构造得到24维原始故障特征集。时域特征包括：峰峰值、均值、绝对平均值、方根幅值、方差、标准差、RMS、峭度、波形因子、峰值因子、脉冲因子、裕度因子、偏度。时频域信号的故障特征提取主要采用基于小波包变换的频带分析技术。将振动信号分解特定层数得到感兴趣的频带范围，从而提取相应频带范围内的信息。各子频带能量为该尺度下小波包分解系数的平方和，并计算小波包能量熵作为时频域特征。计算公式如下：
[0011][0012][0013][0014]式中，d
i,j
(k)表示各子频带重构系数，P
i
表示相对能量，i代表分解层数，j代表该层的频带数，N代表原始信号长度。为满足转子故障频率分析所需，选择32个子频带中的前10量相对值以及小波包能量熵作为时频域特征。
[0015]Step 2：敏感特征选择
[0016]使用特征评估方法，计算各特征向量的权重系数，基于规则选择权值较大的特征参数，共同构成m维敏感特征集(源域特征)。在线实时数据也同样进行归一化操作，提取相同的m维敏感特征(目标域特征)。
[0017]特征筛选方法计算公式如下：
[0018][0019]式中：W(A)为特征A的权值，diff(A，R
s
，H
j
)表示样本R
s
和H
j
在特征A上的距离，R
s
表示在训练集中随机选择的样本，H
j
为与R
s
同类的k个最近邻样本中的第j个样本，M
j
为与R
s
异类的k个最近邻样本中的第j个样本，P(C)表示C类样本出现的概率。
[0020]Step3：在线特征迁移
[0021]将提取的源域特征和目标域特征映射到再生核希尔伯特空间中。在此空间用MMD度量源域数据与目标域数据之间的最大均值距离，输出映射后的特征数据用于模式识别。
[0022]对于源域和目标域数据分布不同或者相似的，即P(X
s
)≠P(X
t
)，首先将源域和目标域数据一起映射到一个高维的再生核希尔伯特空间。在此空间中，使跨域数据的分布距离
最小化，同时最大程度的保留各自原有属性。特征的分布差异通过最大均值差异(MMD，maximum mean discrepancy)来衡量，公式如下：
[0023][0024]其中，||
·
||
H
表示再生核希尔伯特空间(RKHS)，Φ表示X
‑
H的映射函数。之后将学习到的特征X
new_S
,X
new_T
输入到传统机器学习理论构建的领域共享分类器中进行分类。
[0025]Step4：故障模式识别
[0026]将迁移后的已标记源域数据数据输入分类器中，得到训练模型。将映射后的目标域特征输入到模型中，输出识别结果。
[0027]在工程应用问题研究中，不存在通用的、普适的算法模型解决所有问题。转子故障诊断的人工智能实现，必须是基于真实、有效的数据开展相关问题的研究，才能够具有工程应用的推广价值。针对旋转机械转子典型故障诊断问题，本专利技术构建了一种基于故障机理与数据驱动相结合的故障诊断模型。提出了一种基于多维敏感特征和在线特征迁移相结合的故障诊断方法。利用筛选提取的人工特征能够很好的表征故障信息，受设备、工况影响较小。应用加权k最近邻(WkNN)分类器与特征迁移学习方法相结合，减少了不同设备故障数据集之间的空间分布本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数据驱动的转子系统典型故障诊断方法，该方法基于时域、时频域的多维敏感特征和在线特征迁移的转子系统故障诊断方法；其特征在于：首先，采用统计学方法和小波包分解对振动信号进行特征提取，利用特征筛选算法进行特征评估，筛选得到敏感特征集；然后，采用迁移学习方法，将训练集和实时测试数据映射到核希尔伯特空间；最后，采用最近邻分类器对故障特征进行自动分类。2.根据权利要求1所述的一种数据驱动的转子系统典型故障诊断方法，其特征在于：迁移成分分析的迁移学习方法，还能够采用光谱特征对齐、迁移核学习、测点线流式核中的任一方法。3.根据权利要求1所述的一种数据驱动的转子系统典型故障诊断方法，其特征在于：所述采用的最近邻分类器故障分类器，还能够采用支持向量机、k最近邻分类器、Softmax分类器中的任一分类器。4.根据权利要求1所述的一种数据驱动的转子系统典型故障诊断方法，其特征在于：所述的离线训练工作模式包括信号预处理、特征提取及故障识别知识库的构建；具体步骤如下：Step1：多维特征提取，对采集的转子振动信号进行归一化预处理，然后提取时域特征向量和11个时频域特征向量，通过信息融合，构造得到24维原始故障特征集；时域特征包括：峰峰值、均值、绝对平均值、方根幅值、方差、标准差、RMS、峭度、波形因子、峰值因子、脉冲因子、裕度因子、偏度；时频域信号的故障特征提取采用基于小波包变换的频带分析技术；将振动信号分解特定层数得到感兴趣的频带范围，从而提取相应频带范围内的信息；各子频带能量为该尺度下小波包分解系数的平方和，并计算小波包能量熵作为时频域特征；计算公式如下：计算公式如下：计算公式如下：式中，d
i,j
(k)表示各子频带重构系数，P
i
表示相对能量，i代表分解层数，j代表该层的频带数，N代表原始信号长度；为满足转子故障频率分析所需，选择32个子频带中的前10量相对值以及小波包能量熵作为时频域特征；S...
【专利技术属性】
技术研发人员：王帅，王庆锋，肖扬，刘晓金，张田雨，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：
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。