一种基于全状态信息的机组故障快速诊断方法技术

一种基于全状态信息的机组故障快速诊断方法：用概率神经网络进行机组故障识别；对14类典型故障数据通过全息谱分析或时域统计分析获得所有14类故障的特征值，所有的特征值构成特征向量；将14类样本特征向量分别作为14类模式单元的权向量Wj；选取待诊断数据进行全息谱分析获取特征向量作为神经网络输入层的输入向量Xj，将输入样本数据与训练样本数据采用相同的参数；将每个模式单元的输入向量Xj与权向量Wj进行标量积运算；对同一故障模式所对应的模式单元的输出g(Zj)求和以估计该种故障的概率密度；将14类故障模式对应的14个累加层的输出fR(X)作为输入通过贝叶斯判定策略判定故障模式。本发明专利技术能够充分利用领域的专家经验，降低了对使用者自身经验的要求。

【技术实现步骤摘要】
【专利摘要】：用概率神经网络进行机组故障识别；对14类典型故障数据通过全息谱分析或时域统计分析获得所有14类故障的特征值，所有的特征值构成特征向量；将14类样本特征向量分别作为14类模式单元的权向量Wj；选取待诊断数据进行全息谱分析获取特征向量作为神经网络输入层的输入向量Xj，将输入样本数据与训练样本数据采用相同的参数；将每个模式单元的输入向量Xj与权向量Wj进行标量积运算；对同一故障模式所对应的模式单元的输出g(Zj)求和以估计该种故障的概率密度；将14类故障模式对应的14个累加层的输出fR(X)作为输入通过贝叶斯判定策略判定故障模式。本专利技术能够充分利用领域的专家经验，降低了对使用者自身经验的要求。【专利说明】
本专利技术涉及一种机组故障诊断方法。特别是涉及ー种基于全状态信息的机组故障快速诊断方法。
技术介绍
在旋转机械的众多诊断方法中，无论是时域分析、频谱分析，还是全息谱分析方法，都需要丰富的经验和专业知识，对操作者的技术水平要求都比较高。现有的状态监测和诊断系统也大都只是提供了ー些分析的手段，要得出结论还需要专业技术人员来分析。然而计算机和人工智能的发展为旋转机械的故障诊断提供了新的发展方向。将人工智能方法引入旋转机械故障诊断领域，使传统的诊断方法与人工智能技术相结合，能够充分利用领域的专家经验，提高诊断的智能化水平，实现快捷诊断。传统的智能诊断方法是采用基于符号推理的专家系统。但专家系统存在知识获取困难、推理机制具有局限性、组合爆炸等难以克服的问题，使其应用达不到期望的效果。人工神经网络(ANN)技术的出现为故障诊断智能化提供了全新的途径。人工神经网络是在现代神经生理学和心理学的研究基础上，用大量简单的处理单元广泛连接组成的复杂网络，用以模拟动物的大脑神经单元结构而建立的ー种非线性动力学网络系统。利用人工神经网络来实现大机组的智能分类系统，对神经网络的分类性能和学习速度提出了很高的要求。就工程应用领域来说，目前最广泛使用的神经网络是BP神经网络及其各种改进形式，BP网络是ー种典型的全局逼近网络，对每ー个输入输出数据对，网络的每ー个权值都需要进行调整，这导致BP网络在处理复杂问题时，存在局部极小及算法收敛速度慢等问题，严重限制了 BP网络的应用。径向基函数网络和概率神经网络的提出很好的解决了 BP算法收敛慢的问题，同时具有较高的分类精度，在模式识别与分类领域获得了广泛的应用。另外由于传统的依据全息谱图来进行状态评估方法过于依赖经验，传统的旋转机械的状态监测和故障诊断对于使用者自身经验的要求较高，这对于故障检测诊断技术的发展产生了限制。
技术实现思路
本专利技术所要解决的技术问题是，提供ー种利用概率神经网络使传统的诊断方法与人工智能技术相结合，能够充分利用领域的专家经验，降低了对使用者自身经验的要求的。本专利技术所采用的技术方案是:，包括如下步骤:I)用概率神经网络进行机组故障识别，所述神经网络的结构是一个四层的前向网络，包括输入层、模式层、累加层和输出层，首先获旋转机械14类常见故障的样本数据，SP故障转子同一截面上相互垂直的X通道和Y通道的振动信号的故障，进行训练样本数据，训练样本数据是采用已有的确定故障类型的机组数据，或采用可能故障类型的数值模拟数据来构造训练样本数据，为了考虑测量噪声的影响，产生训练样本的模拟数据中加入一定 的噪声；2)对14类典型故障数据通过全息谱分析或时域统计分析获得所有14类故障的特 征值，所有的特征值构成特征向量；3)将步骤2)得到的14类样本特征向量分别作为14类模式单元的权向量％ ；4)选取待诊断数据进行全息谱分析获取特征向量作为神经网络输入层的输入向 量将输入样本数据与训练样本数据采用相同的参数；5)将每个模式单兀的输入向量Xj与权向量Wj进行标量积运算，即Zj=Xj *Wj,然后 对A进行非线性运算；6)对同一故障模式所对应的模式单元的输出g(zp求和以估计该种故障的概率密 度，即mfR (X) =Σ>(ζ/);其中，R表示一种故障模式；7)将14类故障模式对应的14个累加层的输出fK(X)作为输入，其中，R表示一种 故障模式，进入判定单元即输出层，通过贝叶斯判定策略判定故障模式。步骤I)所述的旋转机械14类常见故障包括:工频故障、不对中、横向裂纹、动静碰 摩、旋转脱离、油膜涡动、传感器故障、交流干扰、低频激振、高频激振、喘振、流体激励、支座 松动和气封磨损。步骤2)所述的14类故障所对应的特征值如下:工频故障:工频全息椭圆大小及偏心率不对中:2X全息椭圆大小及偏心率，3X全息椭圆大小横向裂纹:1X全息椭圆大小，2X全息椭圆大小及偏心率动静碰摩:高倍频分量的全息椭圆大小和偏心率旋转脱离:0.7?0.86X倍频范围内的全息椭圆大小及相对于工频椭圆的进动方 向油膜涡动:0.4?0.52X频率范围内的全息椭圆大小及偏心率传感器故障:各个倍频椭圆的偏心率及偏斜角交流干扰:50Hz处全息椭圆的偏斜角及偏心率低频激振:低频区存在与工频无关的自激频率分量高频激振:高频区存在与转子工频无关、独立的自激分量喘振:低频滤波时域统计特征值流体激励:低频滤波时域统计特征值支座松动:低频滤波时域统计特征值气封磨损:低频滤波时域统计特征值。步骤4)中为了使概率神经网络获得准确的机组信息，选取旋转机械14类常见故 障的样本数据所对应的故障的特征值利用全息谱方法来获取振动信号的特征量。 步骤5)中所述的非线性运算，是采用g (Zj) =exp ,如果Xi和Wi都标准 化到单位长度，上式等价于S(Zj)=Mp ，其中，。为平滑参数，不同的 平滑参数σ值对fA(X)的影响不同，较小的σ值使得估计的母体密度函数对应于训练样本的位置具有不同的模式，较大的σ值，在各点间产生较大等级的内插，靠近训练样本的X 值，估计具有大约与给定样本相同的出现概率。需要根据不同的实际情况选择适当平滑值； T表示矩阵的转置。本专利技术的，利用概率神经网络使传统的诊断方法与人工智能技术相结合，根据全息谱能可靠综合地对反映机组的振动情况的特点，来获取振动信号的特征量，将常见故障样本数据进行全息谱获得的特征量作为权向量对神经网络进行训练，待诊断数据进行全息谱分析后的特征量作为网络输入，这样的神经网络训练速度快，同时又通过贝叶斯判定策略对机组故障类别进行合理判定，为旋转机械故障诊断的自动化和智能化指引了方向。本专利技术能够充分利用领域的专家经验，降低了对使用者自身经验的要求。【专利附图】【附图说明】 图1是概率神经网络构造网其中，a输入层；b模式层；c累加层；d输出层；图2是模式层节点示意图；图3是输出节点示意图；图4是旋转机械组合故障网络分类器。【具体实施方式】下面结合实施例和附图对本专利技术的做出详细说明。概率神经网络(Probabilistic neural network, PNN)是从多变量模式分类的 Bayes准则发展而来。图1为将输入样本分成两类的概率神经网络的构造，为四层的前向网络，包括:输入层、模式层、累加层和输出层。输入层仅仅是将输入样本完全不变地传给模式层的各个节点；每一个模式层节点，如图2所示，其功能是将输入节点传来的输入进行加权求和，然后经过一个非线性算子运算后，再传给累加层，这里非线性算子采用g本文档来自技高网...

【技术保护点】
一种基于全状态信息的机组故障快速诊断方法，其特征在于，包括如下步骤：1）用概率神经网络进行机组故障识别，所述神经网络的结构是一个四层的前向网络，包括输入层、模式层、累加层和输出层，首先获旋转机械14类常见故障的样本数据，即故障转子同一截面上相互垂直的X通道和Y通道的振动信号的故障，进行训练样本数据，训练样本数据是采用已有的确定故障类型的机组数据,或采用可能故障类型的数值模拟数据来构造训练样本数据,为了考虑测量噪声的影响，产生训练样本的模拟数据中加入一定的噪声；2）对14类典型故障数据通过全息谱分析或时域统计分析获得所有14类故障的特征值，所有的特征值构成特征向量；3）将步骤2）得到的14类样本特征向量分别作为14类模式单元的权向量Wj；4）选取待诊断数据进行全息谱分析获取特征向量作为神经网络输入层的输入向量Xj，将输入样本数据与训练样本数据采用相同的参数；5）将每个模式单元的输入向量Xj与权向量Wj进行标量积运算，即Zj=Xj·Wj，然后对Zj进行非线性运算；6）对同一故障模式所对应的模式单元的输出g(Zj)求和以估计该种故障的概率密度，即其中，R表示一种故障模式；7）将14类故障模式对应的14个累加层的输出fR(X)作为输入，其中，R表示一种故障模式，进入判定单元即输出层，通过贝叶斯判定策略判定故障模式。FDA0000402942320000011.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘春旺，温广瑞，李涛，屈世栋，侯振宇，廖与禾，冯世杰，高丽岩，臧廷朋，山崧，李杨，江铖，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：