一种基于短时傅里叶变换的空压机故障诊断方法和系统技术方案

本发明专利技术公开了一种基于短时傅里叶变换的空压机故障诊断方法和系统，方法包括：采集空压机的振动信号数据，并对振动信号数据采用短时傅里叶变换算法进行时频分析；采用主成分分析算法对所述短时傅里叶变换分析得到空压机振动信号时频进行降维转换，得到数据集；将所述数据集划分为训练集和测试集，利用卷积神经网络模型训练所述训练集，得到最优空压机故障检测模型和对应超参数；进一步得到最优空压机故障检测模型，输出空压机故障预测结果。利用短时傅里叶变换(STFT)对空压机震动信号进行分析，并利用主成分分析法将获取的高维频谱转化到低维的特征空间，利用所述主成分分析法得出的少量的多元变量可以更好的揭示非线性、非平稳数据特征。平稳数据特征。平稳数据特征。

【技术实现步骤摘要】
一种基于短时傅里叶变换的空压机故障诊断方法和系统


[0001]本专利技术涉及空压机
，特别涉及一种基于短时傅里叶变换的空压机故障诊断方法和系统

技术介绍

[0002]目前在空压机的状态监测与故障诊断过程中，考虑到检测变量数目庞大且变量之间存在高相关性、故障类型多且故障表现形式的多样性和重叠性的特点，很难采用传统建模的方式构建数学模型。另外，随着实时历史数据库在炼化企业系统中的应用，存储了空压机等关键设备在不同工况下的海量监测数据，针对空压机振动数据，可以利用快速傅里叶变换(FFT)、小波变换(WT)、经验模态分解(EMD)等现有技术，然而现有技术存在如下技术问题：传统空压机故障诊断方法依赖人工经验，手动提取特征，诊断率不高。空压机设备的故障诊断建立在有效的诊断模型上，虽然取得了一定的效果，但考虑到空压机实际工况中，传感器采集的数据是非线性、非平稳的信号数据，若采用传统网络算法人工选取特征数据会有不确定性并且复杂度极高，难以达到期望的效果。

技术实现思路

[0003]本专利技术其中一个专利技术目的在于提供一种基于短时傅里叶变换的空压机故障诊断方法和系统，所述方法和系统利用短时傅里叶变换(STFT)对空压机震动信号进行分析，并利用主成分分析法将获取的高维频谱转化到低维的特征空间，利用所述主成分分析法得出的少量的多元变量可以更好的揭示非线性、非平稳数据特征，避免人工特征提取带来的特征缺失和特征提取复杂度太高的问题。
[0004]本专利技术另一个专利技术目的在于提供一种基于短时傅里叶变换的空压机故障诊断方法和系统，所述方法和系统利用卷积神经网络模型(CNN)针对非线性、非平稳性和故障类型多的震动特点可以实现自适应的提取特征，从而提高所述空压机故障检测的准确率。
[0005]本专利技术另一个专利技术目的在于提供一种基于短时傅里叶变换的空压机故障诊断方法和系统，所述方法和系统通过所述卷积神经网络模型(CNN)对经过主成分分析法转换得到的二维时频特征进行自适应学习，利用训练集和测试集确定模型参数实现空压机故障诊断，相比于传统的机器学习模型，本专利技术卷积神经网络模型结合具有隐含多元特征的二维视频具有更好的泛化能力和更好的空压机故障判断准确率。
[0006]为了实现至少一个上述专利技术目的，本专利技术进一步提供一种基于短时傅里叶变换的空压机故障诊断方法，所述方法包括：
[0007]采集空压机的振动信号数据，并对所述振动信号数据采用短时傅里叶变换算法进行时频分析；
[0008]采用主成分分析算法对所述短时傅里叶变换分析得到空压机振动信号时频进行降维转换，得到样本集；
[0009]将所述样本集划分为训练集和测试集，利用卷积神经网络模型训练所述训练集，
得到最优空压机故障检测模型和对应超参数；
[0010]利用测试集测试得到最优空压机故障检测模型，输出空压机故障预测结果。
[0011]根据本专利技术其中一个较佳实施例，所述采集空压机的振动信号数据包括正常数据和异常数据，所述正常数据和异常数据构成原始数据，对所述原始数据进行数据预处理，其中所述数据预处理的方法包括：将原始数据进行Z
‑
score标准化处理，得到服从正态分布的第一数据集。
[0012]根据本专利技术另一个较佳实施例，所述数据预处理的方法还包括：设置固定时间步长的时间窗口，通过所述时间窗口按照时间顺序切割经过标准化处理的所述第一数据集，切割后得到多个固定时长样本信号。
[0013]根据本专利技术再一个较佳实施例，在完成所述样本信号集后，采用所述短时傅里叶算法对所述样本信号进行时频分析，得到样本信号的时频谱，用于构建样本集，其中所述短时傅里叶算法包括：
[0014][0015]其中f(t)为时域信号；*表示复共轭；g(t
‑
τ)为中心位于τ时刻的时间窗口，t为时间，e为自然常数，w为角频率，j为虚单位。
[0016]根据本专利技术另一个较佳实施例，所述主成分分析算法包括：将所述原始数据设置变量数据和观测量数据，其中配置变量数据的个数为m，观测量数据为n，X为样本信号时频谱数据集，则X∈R
m
×
n
；进一步计算所述样本信号时频谱数据集的协方差矩阵：T表示转置矩阵；进一步对所述协方差的特征值进行分解，得到特征值和特征向量。
[0017]根据本专利技术再一个较佳实施例，进一步从所述协方差中分解得到的特征值中提取最大的r个特征值，以及r个最大特征值对应的特征向量(P1，P2，P3…
P
r
)，将所述所有的特征向进行Z
‑
score标准化处理，得到标准化的特征向量矩阵P。
[0018]根据本专利技术另一个较佳实施例，根据所述标准化的特征向量矩阵P，进一步计算新的样本集，其中原样本集中样本为x
i
，新样本计算方法为：y
i
＝P
T
x
i
；
[0019]其中yi表示新样本，其中新样本集合为D＝(y1，y2，y3...y
m
)。
[0020]根据本专利技术再一个较佳实施例，所述最优空压机故障检测模型和对应的超参数的获取方法包括：
[0021]构建卷积神经网络依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第三卷积层、第二池化层、全连接层和输出层；通过第一卷积层设置的卷积核对输入层的二维特征图进行卷积计算，并对卷积结果进行激活后在所述第一池化层进行固定尺寸和步长的池化操作，第一池化层输出池化结果到的第二卷积层进行卷积，将所述第二卷积层卷积结果输入到第三卷积层进行卷积计算，其中第二卷积层和第三卷积层的卷积核个数是第一卷积层的2倍，将第三卷积层卷积结果输入到第二池化层后利用Flatten将池化的多维结果一维化，输出一维数据到全连接层，并利用激活函数对全连接层输出结果进行分类，利用随机梯度下降法对模型的参数进行更新得到最优的空压机故障检测模型和对应的超参数。
[0022]为了实现至少一个上述专利技术目的，本专利技术进一步提供一种基于短时傅里叶变换的空压机故障诊断系统，所述系统执行上述一种基于短时傅里叶变换的空压机故障诊断方法。
[0023]本专利技术进一步提供他一种计算机可读存储介质，所述计算机可读存储介质保存计算机程序，所述计算程序可被处理器执行上述一种基于短时傅里叶变换的空压机故障诊断方法。
附图说明
[0024]图1显示的是本专利技术一种基于短时傅里叶变换的空压机故障诊断方法的流程示意图。
[0025]图2显示的是本专利技术中空压机诊断的模型训练和测试方法流程示意图。
[0026]图3显示的是本专利技术中卷积神经网络模型训练示意图。
具体实施方式
[0027]以下描述用于揭露本专利技术以使本领域技术人员能够实现本专利技术。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本专利技术的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于短时傅里叶变换的空压机故障诊断方法，其特征在于，所述方法包括：采集空压机的振动信号数据，并对所述振动信号数据采用短时傅里叶变换算法进行时频分析；采用主成分分析算法对所述短时傅里叶变换分析得到空压机振动信号时频进行降维转换，得到样本集；将所述样本集划分为训练集和测试集，利用卷积神经网络模型训练所述训练集，得到最优空压机故障检测模型和对应超参数；利用测试集测试得到最优空压机故障检测模型，输出空压机故障预测结果。2.根据权利要求1所述的一种基于短时傅里叶变换的空压机故障诊断方法，其特征在于，所述采集空压机的振动信号数据包括正常数据和异常数据，所述正常数据和异常数据构成原始数据，对所述原始数据进行数据预处理，其中所述数据预处理的方法包括：将原始数据进行Z
‑
score标准化处理，得到服从正态分布的第一数据集。3.根据权利要求2所述的一种基于短时傅里叶变换的空压机故障诊断方法，其特征在于，所述数据预处理的方法还包括：设置固定时间步长的时间窗口，通过所述时间窗口按照时间顺序切割经过标准化处理的所述第一数据集，切割后得到多个固定时长样本信号。4.根据权利要求3所述的一种基于短时傅里叶变换的空压机故障诊断方法，其特征在于，在完成所述多个固定时长样本信号获取后，采用所述短时傅里叶算法对所述样本信号进行时频分析，得到样本信号的时频谱，用于构建样本集，其中所述短时傅里叶算法包括：其中f(t)为时域信号；*表示复共轭；g(t－τ)为中心位于τ时刻的时间窗口，t为时间，e为自然常数，w为角频率，j为虚单位。5.根据权利要求4所述的一种基于短时傅里叶变换的空压机故障诊断方法，其特征在于，所述主成分分析算法包括：将所述原始数据设置变量数据和观测量数据，其中配置变量数据的个数为m，观测量数据为n，X为样本信号时频谱数据集，则X∈R
m
×
n
；进一步计算所述样本信号时频谱数据集的协方差矩阵：T表示转置矩阵；进一步对所述协方差的特征值进行分解，得到特征值和特征向量。6.根据权利要求5所述的一种基于短时傅里叶变换的空压机故障诊断方法，其特征在于，进一步从所述...

【专利技术属性】
技术研发人员：吴平，周嘉伟，叶和军，刘亮，史乃进，彭江，
申请(专利权)人：杭州展德软件技术有限公司，
类型：发明
国别省市：