[發(fā)明專利]一種面向泵站主設(shè)備的智能故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810023720.8
• 申請(qǐng)日: 2018-01-10
• 公開（公告）號(hào): CN108241873B
• 公開（公告）日: 2019-03-05
• 發(fā)明（設(shè)計(jì)）人: 雷曉輝;田雨;楊遷;聞昕;鄭艷俠;王超
• 申請(qǐng)（專利權(quán)）人: 中國(guó)水利水電科學(xué)研究院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 北京市盛峰律師事務(wù)所 11337
• 代理人: 于國(guó)富

1.一種面向泵站主設(shè)備的智能故障診斷方法，其特征在于，所述方法包括：

S1，采集待測(cè)泵站主設(shè)備的待測(cè)關(guān)鍵部位在工作狀態(tài)時(shí)的數(shù)據(jù)信號(hào)，將數(shù)據(jù)信號(hào)作為待測(cè)試樣本；

S2，將所述待測(cè)試樣本輸入到VMD-gcForest診斷模型中，依次進(jìn)行模態(tài)函數(shù)頻譜圖的繪制和多粒度級(jí)聯(lián)森林診斷，得到所述待測(cè)試樣本對(duì)應(yīng)的工作狀態(tài)標(biāo)簽，根據(jù)所述工作狀態(tài)標(biāo)簽得到所述待測(cè)關(guān)鍵部位的工作狀態(tài)；

所述VMD-gcForest診斷模型包括變分模態(tài)分解模塊和多粒度級(jí)聯(lián)森林診斷模型；

變分模態(tài)分解模塊中集成變分模態(tài)分解方法；

所述多粒度級(jí)聯(lián)森林診斷模型的構(gòu)建方法為：

S01，獲取泵站主設(shè)備的多個(gè)關(guān)鍵部位處于正常工作工況和多種故障狀態(tài)工況的數(shù)據(jù)信號(hào)，建立有工作狀態(tài)標(biāo)簽的樣本數(shù)據(jù)集；所述工作狀態(tài)標(biāo)簽包括故障類型標(biāo)簽和正常工作狀態(tài)標(biāo)簽；

S02，將所述樣本數(shù)據(jù)集中的數(shù)據(jù)信號(hào)經(jīng)過多粒度掃描階段實(shí)現(xiàn)特征轉(zhuǎn)換，再經(jīng)過級(jí)聯(lián)森林結(jié)構(gòu)進(jìn)行有監(jiān)督的逐級(jí)訓(xùn)練，得到多粒度級(jí)聯(lián)森林診斷模型；

所述VMD-gcForest診斷模型的建立具體為：

A1，在泵站主設(shè)備的多個(gè)關(guān)鍵部位處設(shè)置振動(dòng)測(cè)點(diǎn)，用加速度傳感器采集每個(gè)振動(dòng)測(cè)點(diǎn)在多種工況下的振動(dòng)數(shù)據(jù)信號(hào)，得到每種工況下的振動(dòng)數(shù)據(jù)信號(hào)組；

所述關(guān)鍵部位包括水泵基礎(chǔ)構(gòu)件、軸承支架和電機(jī)基礎(chǔ)構(gòu)件；

所述多種工況包括泵站主設(shè)備開機(jī)的過渡過程、主設(shè)備開機(jī)停機(jī)的過渡過程、不同流量下的運(yùn)行工況、不同水位下的運(yùn)行工況和不同功率下的運(yùn)行工況；

A2，采用變分模態(tài)分解方法對(duì)每種工況下的振動(dòng)數(shù)據(jù)信號(hào)組中的任意一個(gè)振動(dòng)數(shù)據(jù)信號(hào)進(jìn)行迭代處理，得到該振動(dòng)數(shù)據(jù)信號(hào)的K個(gè)模態(tài)函數(shù)，計(jì)算每個(gè)模態(tài)函數(shù)得到估計(jì)帶寬，繪出K個(gè)模態(tài)函數(shù)的估計(jì)帶寬之和最小時(shí)K個(gè)模態(tài)函數(shù)的頻譜圖；

A3，將A2中得到的K個(gè)模態(tài)函數(shù)頻譜圖作為輸入，帶入到多粒度級(jí)聯(lián)森林診斷模型中，進(jìn)行特征轉(zhuǎn)換及逐級(jí)特征診斷，最終得到該振動(dòng)數(shù)據(jù)信號(hào)對(duì)應(yīng)的故障類型。

2.根據(jù)權(quán)利要求1所述面向泵站主設(shè)備的智能故障診斷方法，其特征在于，所述待測(cè)試樣本輸入到VMD-gcForest診斷模型進(jìn)行多粒度級(jí)聯(lián)森林診斷為：待測(cè)試樣本經(jīng)過VMD得到的K個(gè)模態(tài)函數(shù)頻譜圖作為輸入，輸入到多粒度級(jí)聯(lián)森林診斷模型進(jìn)行多粒度級(jí)聯(lián)森林診斷，具體為：

ⅰ，待測(cè)試樣本經(jīng)過VMD得到的K個(gè)模態(tài)函數(shù)頻譜圖進(jìn)行二維多粒度掃描實(shí)現(xiàn)特征轉(zhuǎn)換；

ⅱ，將步驟ⅰ中得到的轉(zhuǎn)換后的特征向量輸入到級(jí)聯(lián)森林結(jié)構(gòu)中，實(shí)現(xiàn)逐層特征學(xué)習(xí)和故障分類。

3.根據(jù)權(quán)利要求2所述面向泵站主設(shè)備的智能故障診斷方法，其特征在于，步驟ⅰ，具體為：

ⅰ-1，獲取每個(gè)經(jīng)過VMD的模態(tài)函數(shù)的[Y₁，Y₂]維特征的振動(dòng)信號(hào)，其中，Y₁，Y₂分別表示每個(gè)模態(tài)函數(shù)的頻率和幅值；

ⅰ-2，采用m種不同大小的滑動(dòng)特征窗口掃描K個(gè)[Y₁，Y₂]維特征的振動(dòng)信號(hào)，生成相應(yīng)維度的訓(xùn)練樣本；

以大小為的二維滑動(dòng)窗口為例，滑動(dòng)步長(zhǎng)記為則該窗口掃描任意一個(gè)[Y₁，Y₂]維特征的振動(dòng)信號(hào)，生成該[Y₁，Y₂]維特征的振動(dòng)信號(hào)的訓(xùn)練實(shí)例個(gè)數(shù)n_w為：

ⅰ-3，構(gòu)建兩種隨機(jī)森林模型

深度隨機(jī)森林包含標(biāo)準(zhǔn)隨機(jī)森林和完全隨機(jī)森林，標(biāo)準(zhǔn)隨機(jī)森林內(nèi)部的決策樹通過Gini準(zhǔn)則和隨機(jī)特征抽取的方式進(jìn)行構(gòu)建，完全隨機(jī)森林采用所有特征并按Gini準(zhǔn)則進(jìn)行構(gòu)建；

在多粒度掃描階段，步驟i-2生成的訓(xùn)練實(shí)例通過兩種隨機(jī)森林得到的輸出作為多粒度掃描階段的特征提取結(jié)果，記為多粒度掃描特征提取向量；

在級(jí)聯(lián)分類階段，多粒度掃描特征提取向量作為輸入代入各層深度隨機(jī)森林的模型，每層模型的分類結(jié)果，與多粒度掃描特征提取向量融合，作為下一層深度隨機(jī)森林模型的輸入繼續(xù)計(jì)算，直到收斂準(zhǔn)則滿足條件，即交叉驗(yàn)證率不再增長(zhǎng)，進(jìn)入ⅰ-4；

ⅰ-4，最終結(jié)果輸出

輸出最后一層級(jí)聯(lián)森林中模型結(jié)果，采用投票法進(jìn)行各個(gè)故障分類的概率值計(jì)算，取最大概率作為最終故障診斷的分類結(jié)果。