VP倾斜仪故障诊断方法及装置制造方法及图纸

本说明书实施例提供了一种VP倾斜仪故障诊断方法及装置，其中，方法包括：对多个VP型倾斜仪原始故障数据进行预处理操作，并分别进行CEEMD分解得到若干个本征模态函数；计算各个本征模态函数的分布熵，并将4个重要网络参数作为GOA算法优化的未知变量；进行SOM模型的网络训练，得到训练集S

【技术实现步骤摘要】
VP倾斜仪故障诊断方法及装置


[0001]本文件涉及倾斜仪
，尤其涉及一种VP倾斜仪故障诊断方法及装置。

技术介绍

[0002]VP型倾斜仪是自主研发的一种新型宽频带垂直摆式地形变观测设备，已在多个地震台站(例如河北易县地震台、天津蓟县地震台、海南五指山形变台等)和测绘行业一些单位监测站点安装应用，取得了一定成效；但是，作为早期研发的电子传感设备，存在故障分析经验积累不足，故障异常记录较多，对观测环境极为敏感等弊端。而现有VP型倾斜仪故障分析诊断主要依赖人工判断并依照既定检修流程的传统方式，检测判断往往会出现摸棱两可，影响到仪器故障判断检修效率。
[0003]严重的倾斜仪设备故障与信号异常极易干扰倾斜固体潮地形变监测数据，如果未能及时对故障信号类型进行有效甄别并针对性地快速检修处理，可能会污染前兆观测记录数据，导致出现地震预警时间延迟、地震预报不精准等突出问题，因此，对台站倾斜仪故障快速精准诊断是前提、有十分必要的。目前地震台站部署的倾斜仪主要有VS型、DSQ型以及SSQ型等，虽然它们在观测原理、出厂年代以及仪器性能指标上略有差异，但是这些传统类型倾斜仪的运维和故障维修皆已具有较成熟的配套方案，可依赖于具有较丰富仪器故障分析处理经验的专业技术人员和仪器生产厂家的技术支撑，从而进行较合理的故障诊断与排除工作；而其他新型形变仪器(如VP型)，面对故障的精确诊断就存在明显的不足，缺乏丰富的仪器管理经验和较先进的故障诊断手段。
[0004]综上所述，现有技术中存在的缺陷如下：
[0005]1.传统的VP型倾斜仪故障诊断方法过于依赖人工经验和人工操作，来判断仪器故障的类型和病灶所在，极具主观性，容易出现误判和漏判等，且人工检修时间过长，流程过于繁琐；
[0006]2.部分地震台站人员甚至需要依赖以往的VS型倾斜仪故障分析来推测VP倾斜仪的故障原因，较缺乏针对性的方法体系来解决VP倾斜仪故障有效诊断的问题；
[0007]3.其他领域中的故障智能诊断技术或者传统神经网络模型存在一定缺陷，需要加以改进，以实现较稳定的、精准的诊断结果。

技术实现思路

[0008]本专利技术的目的在于提供一种VP倾斜仪故障诊断方法及装置，旨在解决现有技术中的上述问题。
[0009]本专利技术提供一种VP倾斜仪故障诊断方法，包括：
[0010]对多个VP型倾斜仪原始故障数据进行预处理操作，得到故障特征分析的输入向量X
i
，使用互补集合经验模态分解技术将第i个故障信号X
i
分解为6个本征模态函数和1个残余信号，并分别进行CEEMD分解得到若干个本征模态函数；计算各个本征模态函数的分布熵，得到该故障信号的CEEMD多尺度分布熵向量，并依次计算各个故障信号X
i
的CEEMD多尺度分
布熵值，从而组建本模型的输入矩阵S0；
[0011]将输入矩阵S0按照固定比例并以随机抽样的方式划分成训练集S
tr
和测试集S
te
，且将训练集S
tr
按固定比例随机分为优化过程中的训练集S
tr1
与测试集S
tr2
；将SOM神经网络模型的第一层竞争层维数、第二层竞争层维数、分类阶段步长以及调谐阶段领域距离这4个重要网络参数作为GOA算法优化的未知变量；
[0012]以训练集S
tr1
为对象进行SOM模型的网络训练，得到训练集S
tr1
中P个故障信号的SOM聚类标签值l
p
，并通过应用测试集S
tr2
来执行SOM模型的预测过程，得到测试集S
tr2
中Q个故障信号的SOM聚类标签值L
q
；
[0013]通过比对各个l
p
与L
q
值的匹配程度和真实标签值来确定SOM模型的预测效果；并根据预测效果确定是否满足GOA迭代停止条件并停止迭代，将得到的最优解各元素值替换SOM模型中的原参数值，得到新型的且可靠的GOA
‑
SOM诊断模型；
[0014]将所述GOA
‑
SOM诊断模型应用于测试集S
te
，得到最终的总体诊断结果。
[0015]本专利技术提供一种VP倾斜仪故障诊断装置，包括：
[0016]第一处理模块，用于对多个VP型倾斜仪原始故障数据进行预处理操作，得到故障特征分析的输入向量X
i
，使用互补集合经验模态分解技术将第i个故障信号X
i
分解为6个本征模态函数和1个残余信号，并分别进行CEEMD分解得到若干个本征模态函数；计算各个本征模态函数的分布熵，得到该故障信号的CEEMD多尺度分布熵向量，并依次计算各个故障信号X
i
的CEEMD多尺度分布熵值，从而组建本模型的输入矩阵S0；
[0017]第二处理模块，用于将输入矩阵S0按照固定比例并以随机抽样的方式划分成训练集S
tr
和测试集S
te
，且将训练集S
tr
按固定比例随机分为优化过程中的训练集S
tr1
与测试集S
tr2
；将SOM神经网络模型的第一层竞争层维数、第二层竞争层维数、分类阶段步长以及调谐阶段领域距离这4个重要网络参数作为GOA算法优化的未知变量；
[0018]第三处理模块，用于以训练集S
tr1
为对象进行SOM模型的网络训练，得到训练集S
tr1
中P个故障信号的SOM聚类标签值l
p
，并通过应用测试集S
tr2
来执行SOM模型的预测过程，得到测试集S
tr2
中Q个故障信号的SOM聚类标签值L
q
；
[0019]第四处理模块，用于通过比对各个l
p
与L
q
值的匹配程度和真实标签值来确定SOM模型的预测效果；并根据预测效果确定是否满足GOA迭代停止条件并停止迭代，将得到的最优解各元素值替换SOM模型中的原参数值，得到新型的且可靠的GOA
‑
SOM诊断模型；
[0020]诊断模块，用于将所述GOA
‑
SOM诊断模型应用于测试集S
te
，得到最终的总体诊断结果。
[0021]与现有技术相比，采用本专利技术实施例提出的VP倾斜仪故障诊断方法具有高度的智能性和自动识别能力，能有效规避人工诊断带来的不确定性和失误率，仅需要在诊断前将历史故障数据进行分类标记和预处理，即可使用改进的机器学习模型进行故障诊断操作。从实验的结果来看，本专利技术叙述的方法具有较高的故障诊断率和可靠性，改进后的方法也比传统机器学习模型更为精确，达到了实用性和创新性要求。
附图说明
[0022]为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种VP倾斜仪故障诊断方法，其特征在于，包括：对多个VP型倾斜仪原始故障数据进行预处理操作，得到故障特征分析的输入向量X
i
，使用互补集合经验模态分解技术将第i个故障信号X
i
分解为6个本征模态函数和1个残余信号，并分别进行CEEMD分解得到若干个本征模态函数；计算各个本征模态函数的分布熵，得到该故障信号的CEEMD多尺度分布熵向量，并依次计算各个故障信号X
i
的CEEMD多尺度分布熵值，从而组建本模型的输入矩阵S0；将输入矩阵S0按照固定比例并以随机抽样的方式划分成训练集S
tr
和测试集S
te
，且将训练集S
tr
按固定比例随机分为优化过程中的训练集S
tr1
与测试集S
tr2
；将SOM神经网络模型的第一层竞争层维数、第二层竞争层维数、分类阶段步长以及调谐阶段领域距离这4个重要网络参数作为GOA算法优化的未知变量；以训练集S
tr1
为对象进行SOM模型的网络训练，得到训练集S
tr1
中P个故障信号的SOM聚类标签值l
p
，并通过应用测试集S
tr2
来执行SOM模型的预测过程，得到测试集S
tr2
中Q个故障信号的SOM聚类标签值L
p
；通过比对各个l
p
与L
p
值的匹配程度和真实标签值来确定SOM模型的预测效果；并根据预测效果确定是否满足GOA迭代停止条件并停止迭代，将得到的最优解各元素值替换SOM模型中的原参数值，得到新型的且可靠的GOA
‑
SOM诊断模型；将所述GOA
‑
SOM诊断模型应用于测试集S
te
，得到最终的总体诊断结果。2.根据权利要求1所述的方法，其特征在于，对多个VP型倾斜仪原始故障数据进行预处理操作，得到故障特征分析的输入向量X
i
，使用互补集合经验模态分解技术将第i个故障信号X
i
分解为6个本征模态函数和1个残余信号，并线性重构为X
i
；计算各个本征模态函数的分布熵，得到该故障信号的CEEMD多尺度分布熵向量，并依次计算各个故障信号X
i
的CEEMD多尺度分布熵值，从而组建本模型的输入矩阵S0具体包括：步骤1，对N个VP型倾斜仪原始故障数据进行畸变点定位、统一长度截取、数据归一化的数据预处理操作，得到故障特征分析的输入向量X
i
i＝1,2,
…
,N，其长度为N；所述原始故障数据具体包括：包括电源故障、数采故障、环境干扰这3类数据；步骤2，使用互补集合经验模态分解CEEMD技术将第i个故障信号X
i
分解为6个本征模态函数IMF
i,j
，j＝1,2,
…
,6和1个残余信号R
i
，并线性重构为X
i
，即步骤3，计算各个IMF分量的分布熵，得到该故障信号的CEEMD多尺度分布熵向量，并重复步骤1和步骤2依次计算各个故障信号X
i
的CEEMD多尺度分布熵值，组建模型的输入矩阵S0。3.根据权利要求1所述的方法，其特征在于，以训练集S
tr1
为对象进行SOM模型的网络训练，得到训练集S
tr1
中P个故障信号的SOM聚类标签值l
p
，并通过应用测试集S
tr2
来执行SOM模型的预测过程，得到测试集S
tr2
中Q个故障信号的SOM聚类标签值L
q
具体包括：以训练集S
tr1
为对象进行SOM模型的网络训练，得到训练集S
tr1
中P个故障信号的SOM聚类标签值l
p
，p＝1,2,
…
,P，其中，标签值均为正整数，且同一故障类型的各个故障信号一般具有多个不同的标签值，将其中属于“电源故障”的标签值记为label
1,i
(i＝1,2,
…
,lb1)，将其中属于“数采故障”的标签值记为label
2,i
(i＝1,2,
…
,lb2)，将其中属于“环境干扰”的
标签值记为label
3,i
(i＝1,2,
…
,lb3)，其中lb1、lb2、lb3分别表示各个故障类型标签的数量，且lb1+lb2+lb3＝P；并通过应用测试集S
tr2
来执行SOM模型的预测过程，得到测试集S
tr2
中Q个故障信号的SOM聚类标签值L
q
，q＝1,2,
…
,Q。4.根据权利要求1所述的方法，其特征在于，通过比对各个l
p
与L
q
值的匹配程度和真实标签值来确定SOM模型的预测效果；并根据预测效果确定是否满足GOA迭代停止条件并停止迭代，将得到的最优解各元素值替换SOM模型中的原参数值，得到新型的且可靠的GOA
‑
SOM诊断模型具体包括：通过比对各个l
p
与L
q
值的匹配程度和真实标签值来确定SOM预测效果，即将L
q
值与l
p
值一一匹配，若标签值相同，且如果l
p
与L
q
所代表的故障信号真实属性也相同，则判定该次诊断正确；否则诊断错误，并针对该次诊断失败的标签值L
q
及其真实所属故障类型k，其中，k＝1或2或3，1表示“电源故障”，2表示“数采故障”，3表示“环境干扰”，设计第j个诊断错误标签L
q
的实际离群程度系数其中，J表示本轮故障诊断错误的总次数，w
j
初...

【专利技术属性】
技术研发人员：庞聪，肖驰，李忠亚，马武刚，廖成旺，李查玮，江勇，吴涛，
申请(专利权)人：湖北省地震局中国地震局地震研究所，
类型：发明
国别省市：