[0059] 下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
[0060] 实施例:一种基于支持向量机和二型模糊的离心式氮压机故障诊断方法,如图1所示,包括以下步骤:
[0061] S1:获取离心式氮压机在运行过程中的故障类型;故障类型包括机械系统故障、油路系统故障和气路系统故障。
[0062] S2:建立支持向量机,使用灰狼算法对支持向量机进行参数寻优;支持向量机的建立方法为:在样本空间中找到泛化能力最大的一个划分超平面,在保证两类样本无错误的分开的同时,使得两个类别的分类间隔最大,在样本空间中,划分超平面的方法为:
[0063] ωTx+b=0
[0064] 其中ω=(ω1;ω2;…;ωd)为法向量,决定了超平面的方向;b为截距常量,决定了超平面与原点之间的距离,x为输入的氮压机故障数据;则样本空间中任意点x到超平面(ω,b)的距离为:
[0065]
[0066] 支持向量机区分类别的最优化公式为:
[0067]
[0068] 式中,j=1,...,k;ωj为第j个样本的超平面法向量,C为惩罚因子,δ为松弛变量,其约束条件为:
[0069]
[0070]
[0071]
[0072] 式中,Φ:X→H的一个映射函数,x为输入的氮压机故障数据,H为希尔伯特空间,b为截距常量,yt表示t时刻学习目标为二元变量y={‑1,1}之一,核函数为RBF高斯函数:
[0073]
[0074] 式中i=1,2,...n,j=1,2,...n,xi=[x1,x2,…,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间,xj=[x1,x2,…,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间,γ为RBF核函数参数,定义了单个训练样本的影响大小,参数C在误分类样本和分界面简单性之间进行权衡。
[0075] 如图2所示,灰狼算法对支持向量机进行参数寻优的具体方法为:
[0076] S21:划分狼群等级,将狼群分为α、β、δ和ω四个等级,其中α狼为狼群头狼,负责狼群捕猎、栖息的决策,指挥下层所有β、δ、ω狼。β狼为头狼α的替补者,当狼群缺少α狼时接替它的职责。δ狼受α、β的调配,对底层ω狼有支配功能,负责侦察、狩猎等功能。ω狼等级最低,主要负责狼群内部琐碎事务,是狼群组成的基础;
[0077] S22:包围猎物:
[0078]
[0079] 其中D代表灰狼至猎物的距离,Xp(t)为猎物位置,X(t)为灰狼位置,随着迭代次数t的增加a从2线性减少至0,r1、r2是[0,1]内的随机值;
[0080] S23:捕猎
[0081]
[0082]
[0083] 其中,Dα、Dβ、Dδ分别代表ω狼依据α、β、δ狼位置所做的更新距离,A1、A2、A3和C1、C2、C3为随机扰动系数,计算得到与α、β、δ狼距离X1、X2、X3后,再更新自己位置;
[0084] S24:攻击和寻找猎物,通过适应度较高的α、β、δ狼定位猎物位置,ω狼通过比较相应的距离来靠近目标,当|A|>1时个体远离猎物,以此来增强GWO算法的全局搜索能力,|A|<1时攻击猎物,直到迭代结束时,算法结束,根据狼群位置得到最优C、γ参数。
[0085] S3:以灰狼算法优化的支持向量机为基础,使用改进的有向无环图支持向量机搭建系统级故障诊断模块;采用基于修正相似余弦度的改进有向无环图支持向量机(DAG‑SVM)算法搭建GWO‑SVM作为离心式氮压机故障诊断系统的系统级故障诊断模块,具体方法为:设在n维空间中存在这样一个k类的n维不均匀样本集W:
[0086]
[0087] 以k类样本集W为对象,进行故障诊断模块搭建,具体包括以下步骤:
[0088] S31:取出任意两个不同类别X、Y中的任意两个向量Xi、Yj,计算其区分度dcorr(Xi,Yj),同理,依次计算得到所有不同类别中样本的区分度;
[0089]
[0090] S32:利用步骤S31得到的结果,构建相应的类间区分度矩阵C;以类A、B为例,则类间区分度矩阵CA,B为:
[0091]
[0092] S33:利用步骤S32得到的结果,计算所有类间区分度矩阵C对应的平均类间区分度来表示类间的差别,夹角越大,余弦相似度corr越小,类间区分度dcorr越大,两类之间差异性越大,即越容易进行区分;以类A、B为例,则平均类间区分度 为:
[0093]
[0094] S34:利用步骤S33得到的结果,收集所有任意两类间平均类间区分度,按照从小到大的顺序对其进行排序,构建平均类间区分度数组φ;
[0095]
[0096] S35:在样本集中取出任意两个不同类别X、Y训练对应的二分类高斯核SVM模型,同时使用灰狼算法寻找最优参数对(C、γ),训练完成后保存支持向量机模型(共k·(k‑1)/2个);
[0097] S36:利用步骤S34的结果,将平均类间区分度 较高的分类器置于上层节点(优先级较高)位置,并结合有向无环图的结构,搭建GWO‑SVM模型。
[0098] S4:使用区间二型模糊搭建器件级故障诊断模块;使用区间二型模糊集代替传统的一型模糊集,搭建区间二型模糊推理系统作为离心式氮压机故障诊断系统的器件级故障诊断模块,将离心式氮压机运行时的参数及支持向量机系统运行所得到的故障类别作为区间二型模糊推理系统的输入,根据具体的参数类型设置相应的模糊集和隶属度函数,选择常见的离心式氮压机运行故障作为系统输出,包括一级、二级、三级轴振动过大,油温过高引起的轴振动过大,油温过高引起的轴承温度过高,油压过低引起的轴承温度过高,电网波动引起的排气流量降低,吸气温度过高引起的排气流量过低,中间冷却器故障引起的排气流量过低,喘振等问题,设诊断对象可能出现的征兆有m种,表示为x1,x2,…,xm;可能出现的故障原因为n种,表示为y1,y2,…,yn;故障征兆模糊向量为:
[0099] X=(μx1,μx2,…,μxm)
[0100] μxi(i=1,2,…,m)为对象具有征兆xi的隶属度
[0101] 故障原因模糊向量为:
[0102] Y=(μy1,μy2,…,μyn)
[0103] μyi(i=1,2,…,n)为对象具有故障yi的隶属度
[0104] 其中征兆X与Y具有模糊关系:
[0105] Y=X°R′
[0106] 式中R′为模糊关系矩阵,“°”表示模糊算子,采用“最大‑最小”方法,运用模糊规则,推理出近似模糊判断结论。在运用模糊逻辑进行推理模糊运算时,通常使用的方法是利用模糊关系来表示模糊条件语句,这样模糊推理的过程实际上就转变为模糊关系与模糊集合之间的合成和运算过程。其形式为:
[0107] IF x is A,THEN y is B
[0108] 其中,A为模糊条件,为模糊命题表示的模糊条件,也称模糊规则的前件,它既能是一个简单条件,也能是多个复合条件是用模糊命题表示的模糊结论,也称模糊规则的后件。
[0109] 在模糊逻辑中,模糊逻辑的规则本质是模糊蕴含关系,本发明采用Mamdani型模糊推理,其模糊蕴含关系为最小运算:
[0110]
[0111] 式中Rc为运算规则,A为输入模糊子集,B为输出模糊子集,x和y分别对应A和B的变量,μA(x)和μB(y)为相应的隶属度函数,可此可计算:
[0112]
[0113] 分别求出矩阵Ri后,得到模糊关系矩阵R′
[0114] R′=R1∪R2∪…∪Rii=1,2,…,k(规则数目)。
[0115] S5:将基于修正相似余弦度改进的有向无环图支持向量机与区间二型模糊推理系统进行串联连接,进行离心式氮压机故障诊断;首先获取离心式氮压机运行参数,先通过支持向量机系统进行系统级故障诊断,再将其诊断结果结合运行相应的参数进行器件级故障诊断。离心式氮压机监控变量经过隶属度函数模糊化后作为输入向量X,计算求出输出Y:
[0116] Y=X°R′
[0117] 得到模糊结果集Y,以上得到的结果为二型模糊量,而对于实际输出需要精确量,因此还需要对于结果进行清晰化,首先采用ekm算法进行降型,再采用加权平均法(面积重心法centroid)清晰化:
[0118]
[0119] i=1,2,…,k(规则数目)
[0120] 其中,a、b为自变量z的边界,μC′(z)表示对应的隶属度函数,获取到清晰值Yi′后,通过阈值原理来判断故障是否发生,即设置一个阈值y,若Yi′超过阈值y,则判断该故障发生,反之则未发生。
[0121] 下面结合具体案例进行分析,某空分工业现场,离心式氮压机主要运行参数为:氮压机一级轴振动、二级轴振动、三级轴振动、润滑油温、润滑油压、油滤压差、轴承温度驱动端、电机电流、排气压力、排气流量、环境温度。取十组离心式氮压机运行时的数据,样本数据如表1所示:
[0122] 表1故障样本数据
[0123] 序号 第一组 第二组 第三组一级轴振动(mil) 12.4 9.3 9.4
二级轴振动(mil) 11.7 10.6 10.3
三级轴振动(mil) 6.2 4.8 4.9
润滑油温(℃) 49.2 54.3 43.0
润滑油压(bar) 2.51 2.40 2.38
油滤压差(bar) 0.15 0.06 0.04
轴承温度驱动端(℃) 27.9 26.3 26.1
电机电流(A) 75.3 69.4 70.2
排气压力(kpa) 798 857 850
3
排气流量(m/h) 9223 9460 9350
环境温度(℃) 12.1 17.1 18.5
[0124] 首先将原始故障数据通过归一化处理以避免不同量纲对故障特征提取的影响,然后把处理后的数据送至支持向量机系统,进行系统级故障诊断,得到的结果如表2所示:
[0125] 表2系统故障
[0126]序号 系统级故障诊断结果
第一组 机械系统故障
第二组 油路系统故障
第三组 机械系统故障
[0127] 得到系统级故障诊断结果后,即可确定故障所属系统类型,然后将第一组、第三组样本数据传给机械区间二型模糊推理系统,将第二组样本数据传给油路区间二型模糊推理系统,进行器件级故障诊断,得到的结果如表3所示:
[0128] 表3故障诊断结果
[0129]
[0130] 从表3的结果可以看出,三组故障样本数据均判断成功,诊断结果正确。
[0131] 以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。