專利名稱：一種基于信息融合的離心式空氣壓縮機(jī)故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及故障診斷領(lǐng)域，特別是一種基于信息融合的空氣壓縮機(jī)故障診斷方法。
背景技術(shù)：
隨著國民經(jīng)濟(jì)的發(fā)展，空氣壓縮機(jī)在社會生產(chǎn)中已被廣泛的應(yīng)用于冶金、采礦業(yè)、 機(jī)械制造業(yè)、石油化工、國防工業(yè)、交通部門等行業(yè)，為國民經(jīng)濟(jì)的發(fā)展做出了很大的貢獻(xiàn)， 已成為某些行業(yè)不可缺少的關(guān)鍵設(shè)備。然而，雖然目前部分壓縮機(jī)實(shí)時狀態(tài)監(jiān)測與智能故障診斷系統(tǒng)已經(jīng)在企業(yè)中得到了普及和應(yīng)用，但是，由于多數(shù)系統(tǒng)都只針對大型壓縮機(jī)組， 對大多數(shù)單個壓縮機(jī)還沒有成形的狀態(tài)監(jiān)測和診斷系統(tǒng)。目前應(yīng)用于空氣壓縮機(jī)這類復(fù)雜工業(yè)設(shè)備的故障診斷方法，主要有以下幾種1.基于模糊理論的故障診斷，這種方法模糊診斷知識獲取困難，尤其是故障與征兆的模糊關(guān)系較難確定，學(xué)習(xí)能力差，容易發(fā)生漏診或誤診。此外，模糊語言變量是用模糊數(shù)(即隸屬度)表示的，如何實(shí)現(xiàn)語言變量與模糊數(shù)之間的轉(zhuǎn)換，是實(shí)現(xiàn)上的一個難點(diǎn)。2.基于實(shí)例的故障診斷方法，實(shí)例推理的關(guān)鍵問題是能搜集到診斷實(shí)例是有限的，不可能覆蓋所有解空間，搜索時可能會漏掉最優(yōu)解，當(dāng)出現(xiàn)異常征兆時，由于找不到最佳匹配，可能造成誤診或漏診。另外，還存在實(shí)例之間的一致性維護(hù)問題。3.故障診斷專家系統(tǒng)，按照其機(jī)理可以分為以下兩類(1)基于規(guī)則的診斷專家系統(tǒng)。此方法存在較大的局限性，隨著診斷對象復(fù)雜程度的增加，基于規(guī)則的診斷系統(tǒng)的缺陷暴露更加明顯，如知識集不完備、對診斷對象的依賴性強(qiáng)、對沒有考慮到的情況或新的診斷對象，系統(tǒng)容易陷入困境。(2)基于模型知識的診斷專家系統(tǒng)，其搜索空間大，推理速度慢。4.基于神經(jīng)網(wǎng)絡(luò)的故障診斷，按其理論基礎(chǔ)可以分為以下兩種類型(1)基于模式識別的神經(jīng)網(wǎng)絡(luò)方法對來自不同狀態(tài)的信息逐一訓(xùn)練以獲得某種映射關(guān)系，而且網(wǎng)絡(luò)可連續(xù)學(xué)習(xí)。當(dāng)環(huán)境改變，這種映射關(guān)系可以自適應(yīng)，以求對對象的進(jìn)一步逼近。(2)故障預(yù)測的神經(jīng)網(wǎng)絡(luò)這種網(wǎng)絡(luò)只代表了一類可通過代數(shù)方程描述的靜態(tài)映射，只適用于靜態(tài)預(yù)測。動態(tài)神經(jīng)網(wǎng)絡(luò)是一個對動態(tài)時序建模的過程。綜上所述，各種故障診斷方法在針對于某一具體的診斷對象時，由于各自的特性和設(shè)計上的不足，往往會表現(xiàn)出各種局限性，使診斷難以達(dá)到預(yù)期的效果，因此，發(fā)明一種能夠準(zhǔn)確診斷空壓機(jī)故障的方法勢在必行。

發(fā)明內(nèi)容
針對上述情況，為了解決現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的就在于提供一種基于信息融合的離心式空氣壓縮機(jī)故障診斷方法，可以有效避免多傳感器檢測時檢測數(shù)據(jù)混亂、故障類型與故障表現(xiàn)形式在建立對應(yīng)關(guān)系時存在主觀片面性、解決復(fù)雜系統(tǒng)數(shù)學(xué)模型建立困難、診斷精度不高的問題。本發(fā)明解決技術(shù)問題采用的技術(shù)方案是，一種基于信息融合的離心式空氣壓縮機(jī)故障診斷方法，具體步驟如下1)對離心式空氣壓縮機(jī)進(jìn)行故障分析，歸納出離心式空氣壓縮機(jī)故障類型及其故障表現(xiàn)形式，采集空氣壓縮機(jī)故障狀態(tài)下和正常工作狀態(tài)下的樣本數(shù)據(jù)，并通過采集的樣本數(shù)據(jù)建立空氣壓縮機(jī)故障狀態(tài)下和正常工作狀態(tài)下的主元模型；2)步驟1)建立的主元模型對采集的空氣壓縮機(jī)的樣本數(shù)據(jù)分別進(jìn)行處理并得到樣本數(shù)據(jù)的主成份值；3)對步驟2)得出的空氣壓縮機(jī)的一個狀態(tài)下的主成份值進(jìn)行主元貢獻(xiàn)率分析， 當(dāng)前K個主成份的主元累積貢獻(xiàn)率大于或等于85%時，該狀態(tài)下的主元模型的主元數(shù)目是 K ； 4)對步驟2)得出的空氣壓縮機(jī)剩余的每個狀態(tài)下的主成份值均進(jìn)行步驟3)的分析，得出每個狀態(tài)下的主元模型的主元數(shù)目，并選取最大的主元數(shù)目作為所有模型的共同主元數(shù)目m ；5)采集空氣壓縮機(jī)故障狀態(tài)下和正常工作狀態(tài)下的樣本數(shù)據(jù)并對樣本數(shù)據(jù)進(jìn)行歸一化處理，通過步驟1)建立的所有主元模型對歸一化處理后的每個狀態(tài)下的樣本數(shù)據(jù)進(jìn)行分析，最后求出每個樣本相對于每一個主元模型的主成份向量，截取主成份向量中的與步驟4)得出的共同主元數(shù)目m相同的前m個元素構(gòu)造樣本的降維特征向量，得出每個狀態(tài)下樣本相對于每一種主元模型的特征向量；6)采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)為D-S證據(jù)理論的判別來構(gòu)造基本概率分配函數(shù)，并用步驟5)得出的每個狀態(tài)下樣本的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，以輸入樣本特征向量所對應(yīng)各運(yùn)行狀態(tài)的邏輯值為網(wǎng)絡(luò)輸出向量來訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；7)對空氣壓縮機(jī)進(jìn)行故障檢測，采集空氣壓縮機(jī)的狀態(tài)數(shù)據(jù)，并用步驟1)構(gòu)建的主元模型對空氣壓縮機(jī)的狀態(tài)數(shù)據(jù)進(jìn)行分析，得到各個主元模型對應(yīng)的特征向量，并作為步驟6)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入量輸入，得到神經(jīng)網(wǎng)絡(luò)的輸出向量；8)將步驟7)得出的輸出向量進(jìn)行歸一化處理，得到每個主元模型下的檢測數(shù)據(jù)對應(yīng)的各種空氣壓縮機(jī)狀態(tài)的信任度，并通過D-S組合規(guī)則的融合處理將各主元模型下的狀態(tài)信任度向量融合為一個總體狀態(tài)信任度集合{πι(10，πι(10， ，πι(1 Ρ)}，其中mGO為輸入數(shù)據(jù)表現(xiàn)為空氣壓縮機(jī)第i種運(yùn)行狀態(tài)的信任度；9)根據(jù)步驟8)得出的總體狀態(tài)信任度集合中找出如下關(guān)系的狀態(tài)信任度，m(t) = max\m’ Jii [ θ}m (ks) = max {m (Iii)，且 ks 乒 kj(1)如果
權(quán)利要求
1. 一種基于信息融合的離心式空氣壓縮機(jī)故障診斷方法，其特征在于，其具體步驟如下1)對離心式空氣壓縮機(jī)進(jìn)行故障分析，歸納出離心式空氣壓縮機(jī)故障類型及其故障表現(xiàn)形式，采集空氣壓縮機(jī)故障狀態(tài)下和正常工作狀態(tài)下的樣本數(shù)據(jù)，并通過采集的樣本數(shù)據(jù)建立空氣壓縮機(jī)故障狀態(tài)下和正常工作狀態(tài)下的主元模型；2)步驟1)建立的主元模型對采集的空氣壓縮機(jī)的樣本數(shù)據(jù)分別進(jìn)行處理并得到樣本數(shù)據(jù)的主成份值；3)對步驟2)得出的空氣壓縮機(jī)的一個狀態(tài)下的主成份值進(jìn)行主元貢獻(xiàn)率分析，當(dāng)前K 個主成份的主元累積貢獻(xiàn)率大于或等于85%時，該狀態(tài)下的主元模型的主元數(shù)目是K ；4)對步驟2)得出的空氣壓縮機(jī)剩余的每個狀態(tài)下的主成份值均進(jìn)行步驟3)的分析， 得出每個狀態(tài)下的主元模型的主元數(shù)目，并選取最大的主元數(shù)目作為所有模型的共同主元數(shù)目m ；5)采集空氣壓縮機(jī)故障狀態(tài)下和正常工作狀態(tài)下的樣本數(shù)據(jù)并對樣本數(shù)據(jù)進(jìn)行歸一化處理，通過步驟1)建立的所有主元模型對歸一化處理后的每個狀態(tài)下的樣本數(shù)據(jù)進(jìn)行分析，最后求出每個樣本相對于每一個主元模型的主成份向量，截取主成份向量中的與步驟4)得出的共同主元數(shù)目m相同的前m個元素構(gòu)造樣本的降維特征向量，得出每個狀態(tài)下樣本相對于每一種主元模型的特征向量；6)采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)為D-S證據(jù)理論的判別來構(gòu)造基本概率分配函數(shù)，并用步驟5)得出的每個狀態(tài)下樣本的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，以輸入樣本特征向量所對應(yīng)各運(yùn)行狀態(tài)的邏輯值為網(wǎng)絡(luò)輸出向量來訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；7)對空氣壓縮機(jī)進(jìn)行故障檢測，采集空氣壓縮機(jī)的狀態(tài)數(shù)據(jù)，并用步驟1)構(gòu)建的主元模型對空氣壓縮機(jī)的狀態(tài)數(shù)據(jù)進(jìn)行分析，得到各個主元模型對應(yīng)的特征向量，并作為步驟 6)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入量輸入，得到神經(jīng)網(wǎng)絡(luò)的輸出向量；8)將步驟7)得出的輸出向量進(jìn)行歸一化處理，得到每個主元模型下的檢測數(shù)據(jù)對應(yīng)的各種空氣壓縮機(jī)狀態(tài)的信任度，并通過D-S組合規(guī)則的融合處理將各主元模型下的狀態(tài)信任度向量融合為一個總體狀態(tài)信任度集合{πι(10，πι(10， ，πι(1 Ρ)}，其中mGO為輸入數(shù)據(jù)表現(xiàn)為空氣壓縮機(jī)第i種運(yùn)行狀態(tài)的信任度；9)根據(jù)步驟8)得出的總體狀態(tài)信任度集合中找出如下關(guān)系的狀態(tài)信任度，m(ks) = max {m (Iii),且 ks 興 kj(1)如果m{kt)-m{ks)>^l^ ^)<ξ2 (2) m{k)>m{ )則kt所對應(yīng)的狀態(tài)即為空氣壓縮機(jī)故障狀態(tài)的判決結(jié)果，其中ξ” ξ 2為預(yù)先設(shè)定的門限， = {k0, ki; L，kP}為D-S證據(jù)理論的識別框架，，Ici表示空氣壓縮機(jī)的第i種運(yùn)行狀態(tài)。
2.根據(jù)權(quán)利要求1所述的一種基于信息融合的離心式空氣壓縮機(jī)故障診斷方法，其特征在于，所說的離心式空氣壓縮機(jī)故障狀態(tài)包括各級轉(zhuǎn)子不平衡、油壓不足、油溫過低、軸承油路瀉露或堵塞、空氣冷卻器水側(cè)變臟或堵塞、各級冷卻器組件供水不足、進(jìn)口空氣過濾器臟或堵塞、油路泄露或堵塞、油箱油位過低、各級冷卻器堵塞、壓縮機(jī)傳動裝置不在一條直線上、各級氣缸露氣、潤滑油不足、過載。
全文摘要
一種基于信息融合的離心式空氣壓縮機(jī)故障診斷方法涉及故障診斷領(lǐng)域，其以D-S證據(jù)理論信息融合為框架，以PCA分析技術(shù)作為故障信息提取的方法，通過建立每種運(yùn)行狀態(tài)的PCA模型為D-S證據(jù)理論提供不同的證據(jù)類型，最后以D-S組合規(guī)則將各證據(jù)下的分析結(jié)果融合處理，得到最后的判決結(jié)果。本發(fā)明綜合所有故障具有的故障表現(xiàn)形式的信息同時處理，通過建立主元模型提取針對于每種故障發(fā)生時空氣壓縮機(jī)所表現(xiàn)出來的主要故障信息，避免在確定故障表現(xiàn)形式上存在主觀片面性，通過PCA分析提取主元信息達(dá)到對檢測數(shù)據(jù)降維的作用，簡化數(shù)據(jù)計算，提高診斷效率；通過D-S組合規(guī)則的信息融合能綜合全面的信息，實(shí)現(xiàn)高精確度的故障分離和判別。
文檔編號G01D21/00GK102175282SQ20111002574
公開日2011年9月7日 申請日期2011年1月24日 優(yōu)先權(quán)日2011年1月24日
發(fā)明者初明, 姜長泓, 許世勇, 謝慕君, 陳月巖 申請人:長春工業(yè)大學(xué)