离心泵机械故障诊断方法、系统、电子设备及存储介质技术方案

本发明专利技术公开了一种离心泵机械故障诊断方法，其包括：基于训练数据和测试数据，构建时、频域高维特征空间；将时、频域高维特征空间进行降维，并得到低维流形平面分布；将降维后的训练数据及其故障类别输入支持向量机中进行训练；将降维后的测试数据输入训练后的支持向量机，得出故障类别。本发明专利技术还公开了一种离心泵机械故障诊断系统、电子设备及存储介质。本发明专利技术的通过对时、频域高维特征空间进行降维与可视化，实现了故障类别的智能诊断，准确率高，对操作人员的专业水平要求低。解决了单一的特征无法区分设备的故障状态，高维空间的特征无法进行有效的展示的问题。法进行有效的展示的问题。法进行有效的展示的问题。

【技术实现步骤摘要】
离心泵机械故障诊断方法、系统、电子设备及存储介质


[0001]本专利技术涉及机械设备故障诊断
，特别涉及一种离心泵机械故障诊断方法、系统、电子设备及存储介质。

技术介绍

[0002]炼化、采油、电力、冶金等行业中，运转着大量的离心泵，它对生产的稳定、可靠运行起着重要的作用。加强管理与维护，对保持离心泵良好运行,减少因设备事故带来的经济损失和人员伤亡具有非常重要的意义。大型炼化企业的关键旋转机械基本上已经安装了在线监测系统，这对设备的安全稳定运行起到了一定保障的作用。
[0003]传统故障诊断方法从设备的振动信号出发，通过频谱分析、包络谱分析判断是否出现故障特征频率。然而，旋转机械设备的振动信号存在激励源多、噪声大等问题，往往从信号本身建模具有一定的难度，尽管监测系统能利用状态数据进行故障预警和故障诊断，但仍需要分析人员具备专业的故障诊断知识。随着智能工厂理念的提出，智能故障诊断技术引起了国内外专家学者的关注与研究，有效的通过智能故障诊断方法直接给出诊断结论仍处于研究阶段。
[0004]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

[0005]本专利技术的目的之一在于，提供一种离心泵机械故障诊断方法、系统、电子设备及存储介质，从而减少现有诊断方法中对分析人员的专业知识的依赖。
[0006]为实现上述目的，根据本专利技术的第一方面，本专利技术提供了一种离心泵机械故障诊断方法，其包括：基于训练数据和测试数据，构建时、频域高维特征空间；将时、频域高维特征空间进行降维，并得到低维流形平面分布；将降维后的训练数据及其故障类别输入支持向量机中进行训练；将降维后的测试数据输入训练后的支持向量机，得出故障类别。
[0007]进一步，上述技术方案中，构建时、频域高维特征空间包括提取训练数据和测试数据的时域特征参数和频域特征参数。
[0008]进一步，上述技术方案中，时域特征参数包括整流平均值、方差、峰值、峰峰值、有效值、方根幅值、峭度、歪度、裕度因子、峰值因子、脉冲因子和波形因子。
[0009]进一步，上述技术方案中，频域特征参数包括频谱幅值样本均值、频谱幅值样本方差、频谱幅值偏度系数、频谱幅值峭度系数、平均频率、频率均方根值、频率方差、表征主频带位置、频率能量集中度、变异系数、频率偏度、频率峭度和标准化频谱均值。
[0010]进一步，上述技术方案中，采用t
‑
SNE算法将时、频域高维特征空间进行降维。
[0011]进一步，上述技术方案中，低维空间中的联合概率分布函数为：
[0012][0013]式中，y
i
、y
j
为低维空间中的任意点对，||y
l
‑
y
k
||为任意不同两点的距离；
[0014]时、频域高维特征空间中的概率分布函数为：
[0015][0016]式中，x
i
、x
j
为高维空间中的任意点对，||x
i
‑
x
k
||为任意不同两点的距离，σ
i
是高维空间中数据x
i
为中心的高斯方差，k为近邻点的个数；
[0017]采用KL散度描述时、频域高维特征空间数据分布于低维特征空间数据分布的差异(即KL散度损失值)，t
‑
SNE算法采用梯度下降法最小化代价函数：
[0018]进一步，上述技术方案中，根据输入数据与降维后的数据之间联合分布的KL散度损失值，确定降维的输出维度。
[0019]进一步，上述技术方案中，t
‑
SNE算法中的距离函数为欧氏距离、马氏距离、切比雪夫距离或余弦距离。
[0020]进一步，上述技术方案中，支持向量机选用径向基核函数，径向基核函数公式为：
[0021][0022]式中，r＝||x
‑
x
c
||，x
c
为核函数中心，σ为核函数带宽。
[0023]进一步，上述技术方案中，通过交叉验证法对核函数带宽和惩罚因子进行训练，得到最优参数。
[0024]进一步，上述技术方案中，将时、频域高维特征空间进行降维至二维或三维。
[0025]根据本专利技术的第二方面，本专利技术提供了一种离心泵机械故障诊断系统，其包括：数据获取模块，其用于获取训练数据及其故障类别和测试数据；空间转换模块，其用于构建时、频域高维特征空间、将时、频域高维特征空间进行降维，并得到低维流形平面分布；模型训练模块，其用于训练支持向量机；以及故障类别诊断模块，其用于根据训练后的支持向量机对降维后的测试数据进行故障类别诊断，并输出故障类别。
[0026]根据本专利技术的第三方面，本专利技术提供了一种电子设备，其包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如上述技术方案中任意一项的离心泵机械故障诊断方法。
[0027]根据本专利技术的第四方面，本专利技术提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上述技术方案中任意一项的离心泵机械故障诊断方法。
[0028]与现有技术相比，本专利技术具有如下一个或多个有益效果：
[0029]1.通过对时、频域高维特征空间进行降维与可视化，实现了故障类别的智能诊断，准确率高，对操作人员的专业水平要求低。解决了单一的特征无法区分设备的故障状态，高维空间的特征无法进行有效的展示的问题。
[0030]2.本专利技术能够有效展示训练数据与测试数据在时、频域高维特征空间的分布状况。
[0031]3.通过KL散度来决定是否更新训练数据，从而不断满足工程应用需求。
[0032]上述说明仅为本专利技术技术方案的概述，为了能够更清楚地了解本专利技术的技术手段并可依据说明书的内容予以实施，同时为了使本专利技术的上述和其他目的、技术特征以及优点更加易懂，以下列举一个或多个优选实施例，并配合附图详细说明如下。
附图说明
[0033]图1是根据本专利技术的一实施方式的离心泵机械故障诊断方法的流程图。
[0034]图2是根据本专利技术的实施例的执行离心泵机械故障诊断方法的电子设备的硬件结构示意图。
具体实施方式
[0035]下面结合附图，对本专利技术的具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。
[0036]除非另有其他明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其他元件或其他组成部分。
[0037]在本文中，为了描述的方便，可以使用空间相对术语，诸如“下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种离心泵机械故障诊断方法，其特征在于，包括：基于训练数据和测试数据，构建时、频域高维特征空间；将时、频域高维特征空间进行降维，并得到低维流形平面分布；将降维后的训练数据及其故障类别输入支持向量机中进行训练；将降维后的测试数据输入训练后的支持向量机，得出故障类别。2.根据权利要求1所述的离心泵机械故障诊断方法，其特征在于，构建时、频域高维特征空间包括提取训练数据和测试数据的时域特征参数和频域特征参数。3.根据权利要求2所述的离心泵机械故障诊断方法，其特征在于，时域特征参数包括整流平均值、方差、峰值、峰峰值、有效值、方根幅值、峭度、歪度、裕度因子、峰值因子、脉冲因子和波形因子。4.根据权利要求2所述的离心泵机械故障诊断方法，其特征在于，频域特征参数包括频谱幅值样本均值、频谱幅值样本方差、频谱幅值偏度系数、频谱幅值峭度系数、平均频率、频率均方根值、频率方差、表征主频带位置、频率能量集中度、变异系数、频率偏度、频率峭度和标准化频谱均值。5.根据权利要求2所述的离心泵机械故障诊断方法，其特征在于，采用t
‑
SNE算法将时、频域高维特征空间进行降维。6.根据权利要求5所述的离心泵机械故障诊断方法，其特征在于，低维空间中的联合概率分布函数为：式中，y
i
、y
j
为低维空间中的任意点对，||y
l
‑
y
k
||为任意不同两点的距离；时、频域高维特征空间中的概率分布函数为：式中，x
i
、x
j
为高维空间中的任意点对，||x
i
‑
x
k
||为任意不同两点的距离，σ
i
是高维空间中数据x
i
为中心的高斯方差，k为近邻点的个数；采用KL散度描述时、频域高维特征空间数据分布于低维特征空间数据...

【专利技术属性】
技术研发人员：陈文武，屈定荣，张伟亚，韩磊，邱枫，
申请(专利权)人：中石化安全工程研究院有限公司，
类型：发明
国别省市：