一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷方法及設(shè)備的制作方法
【專利摘要】本發(fā)明提供一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的方法及設(shè)備，所述方法包括：采集壓縮機(jī)的振動信號以及振動信號對應(yīng)的時域特征指標(biāo)；利用小波包分解能量特征提取方法提取振動信號的能量特征值；根據(jù)能量特征值以及振動信號對應(yīng)的時域特征指標(biāo)組成待診斷特征向量；對初步分類自組織競爭網(wǎng)絡(luò)模型、精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；將待診斷特征向量帶入訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型，得到初步模式；根據(jù)初步模式獲取對應(yīng)的訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型；根據(jù)訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對初步分類后的待診斷特征向量進(jìn)行精確識別，得到所述振動信號的故障類型。有效的提高儲氣庫注采壓縮機(jī)組變工況條件下的故障診斷精度。
【專利說明】一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷方法及設(shè)備
【技術(shù)領(lǐng)域】
[0001]本發(fā)明關(guān)于天然氣儲存設(shè)備【技術(shù)領(lǐng)域】，特別是關(guān)于儲氣庫安全工程【技術(shù)領(lǐng)域】技術(shù)，具體的講是一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的方法及設(shè)備。
【背景技術(shù)】
[0002]隨著儲氣庫建設(shè)和投入使用數(shù)量的不斷增加，越來越多的專家學(xué)者開始關(guān)注儲氣庫的安全運(yùn)行，研究儲氣庫注采壓縮機(jī)組故障診斷方法，并開發(fā)出一些壓縮機(jī)組狀態(tài)監(jiān)測與故障診斷軟硬件系統(tǒng)。由于儲氣庫在注采氣過程中儲氣庫內(nèi)壓力是不斷變化的，另外根據(jù)需要的注采氣量的不同，儲氣庫來氣壓力和流量也是變化的，這導(dǎo)致儲氣庫注采壓縮機(jī)的進(jìn)出口壓力和工作流量也是在不斷變化的。而現(xiàn)有的儲氣庫壓縮機(jī)組故障診斷方法模型基本上都是根據(jù)單一工況建立的，對特定工況下的壓縮機(jī)組故障識別精度較高，但對于其他工況下的壓縮機(jī)組故障識別精度則比較低。
[0003]此外，為了提高診斷方法的故障識別精度，往往需要大量的樣本數(shù)據(jù)對建立的診斷模型進(jìn)行訓(xùn)練，但大量的樣本數(shù)據(jù)必定會導(dǎo)致訓(xùn)練時間的增加，降低了診斷方法的快速性。
[0004]因此，為了提高故障診斷方法不同工況下的故障識別精度，縮短診斷模型訓(xùn)練的時間，智能儲氣庫注采壓縮機(jī)組故障診斷方法是本領(lǐng)域亟待解決的難題，且需滿足:
[0005](I)診斷方法能夠適應(yīng)不同工況條件，對不同工況下的儲氣庫注采壓縮機(jī)組故障都能得到較高的識別精度；
[0006](2)對大樣本數(shù)據(jù)具有較快的訓(xùn)練速度，防止因樣本數(shù)據(jù)的增加導(dǎo)致診斷模型訓(xùn)練時間的明顯增加。

【發(fā)明內(nèi)容】

[0007]為了克服現(xiàn)有技術(shù)存在的上述問題，本發(fā)明提供了一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的方法及設(shè)備，通過將自組織競爭網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)合理組合，建立一個多網(wǎng)絡(luò)組合式壓縮機(jī)故障診斷方法，有效的提高儲氣庫注采壓縮機(jī)組變工況條件下的故障診斷精度，以及縮短診斷模型的訓(xùn)練時間。
[0008]本發(fā)明的目的之一是，提供一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的方法，包括:采集壓縮機(jī)的振動信號以及所述振動信號對應(yīng)的時域特征指標(biāo)；利用小波包分解能量特征提取方法提取所述振動信號的能量特征值；根據(jù)所述的能量特征值以及所述振動信號對應(yīng)的時域特征指標(biāo)組成待診斷特征向量；對初步分類自組織競爭網(wǎng)絡(luò)模型、精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；將所述的待診斷特征向量帶入訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型，得到初步模式；根據(jù)所述的初步模式獲取對應(yīng)的訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型；根據(jù)訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對初步分類后的待診斷特征向量進(jìn)行精確識別，得到所述振動信號的故障類型。
[0009]本發(fā)明的目的之一是，提供了一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的設(shè)備，包括:振動信號采集裝置，用于采集壓縮機(jī)的振動信號以及所述振動信號對應(yīng)的時域特征指標(biāo)；能量特征值提取裝置，用于利用小波包分解能量特征提取方法提取所述振動信號的能量特征值；待診斷特征向量確定裝置，用于根據(jù)所述的能量特征值以及所述振動信號對應(yīng)的時域特征指標(biāo)組成待診斷特征向量；模型訓(xùn)練裝置，用于對初步分類自組織競爭網(wǎng)絡(luò)模型、精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；初步模式確定裝置，用于將所述的待診斷特征向量帶入訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型，得到初步模式；模型獲取裝置，用于根據(jù)所述的初步模式獲取對應(yīng)的訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型；精確識別裝置，用于根據(jù)訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對初步分類后的待診斷特征向量進(jìn)行精確識別，得到所述振動信號的故障類型。
[0010]本發(fā)明的有益效果在于，提供了一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的方法及設(shè)備，與現(xiàn)有技術(shù)相比，(I)相對于單一診斷方法，通過將多個診斷網(wǎng)絡(luò)組合后，故障識別精度明顯提高，解決了單一方法診斷精度低的問題；(2)組合后的網(wǎng)絡(luò)具有了自組織競爭網(wǎng)絡(luò)方法的自適應(yīng)診斷能力和概率神經(jīng)網(wǎng)絡(luò)方法的快速診斷能力的優(yōu)點(diǎn)，實(shí)現(xiàn)了診斷方法對于儲氣庫注采變工況下的壓縮機(jī)組故障的準(zhǔn)確快速識別，解決了對儲氣庫注采變工況下壓縮機(jī)組故障快速精確識別的難題。
[0011]為讓本發(fā)明的上述和其他目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附圖式，作詳細(xì)說明如下。
【專利附圖】

【附圖說明】
[0012]為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0013]圖1為本發(fā)明實(shí)施例提供的一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的方法的流程圖；
[0014]圖2為圖1中的步驟S102的具體流程圖；
[0015]圖3為圖1中的步驟S104的具體流程圖；
[0016]圖4為圖3中的步驟S302的具體流程圖；
[0017]圖5為圖1中的步驟S107的具體流程圖；
[0018]圖6為圖5中的步驟S507的具體流程圖；
[0019]圖7為本發(fā)明實(shí)施例提供的一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的設(shè)備的結(jié)構(gòu)框圖；
[0020]圖8為本發(fā)明提供的一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的設(shè)備中能量特征值提取裝置200的結(jié)構(gòu)框圖；
[0021]圖9為本發(fā)明提供的一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的設(shè)備中模型訓(xùn)練裝置400的結(jié)構(gòu)框圖；
[0022]圖10為本發(fā)明提供的一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的設(shè)備中能量特征值提取模塊402的結(jié)構(gòu)框圖；
[0023]圖11為本發(fā)明提供的一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的設(shè)備中精確識別裝置700的結(jié)構(gòu)框圖；
[0024]圖12為本發(fā)明提供的一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的設(shè)備中故障類型確定模塊707的結(jié)構(gòu)框圖；
[0025]圖13為測試數(shù)據(jù)樣本經(jīng)過織競爭網(wǎng)絡(luò)模型分類的結(jié)果示意圖；
[0026]圖14為測試數(shù)據(jù)經(jīng)過本發(fā)明的方法診斷模型后的分類結(jié)果示意圖。
【具體實(shí)施方式】
[0027]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0028]本發(fā)明的目的在于彌補(bǔ)目前國內(nèi)對儲氣庫注采壓縮機(jī)組變工況條件下故障診斷方法的不足，提出一種快速、合理、有效的適用于變工況條件下的儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷方法，通過將自組織競爭網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)合理的組合，建立一個多網(wǎng)絡(luò)組合式壓縮機(jī)故障診斷方法，有效的提高儲氣庫注采壓縮機(jī)組變工況條件下的故障診斷精度，以及縮短診斷模型的訓(xùn)練時間。
[0029]為了提高故障診斷方法不同工況下的故障識別精度，縮短診斷模型訓(xùn)練的時間，智能儲氣庫注采壓縮機(jī)組故障診斷方法需滿足:
[0030](I)診斷方法能夠適應(yīng)不同工況條件，對不同工況下的儲氣庫注采壓縮機(jī)組故障都能得到較高的識別精度；
[0031](2)對大樣本數(shù)據(jù)具有較快的訓(xùn)練速度，防止因樣本數(shù)據(jù)的增加導(dǎo)致診斷模型訓(xùn)練時間的明顯增加。
[0032]基于此，本發(fā)明提出的一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的方法，圖1為該方法的具體流程圖，由圖1可知，所述的方法包括:
[0033]SlOl:采集壓縮機(jī)的振動信號以及所述振動信號對應(yīng)的時域特征指標(biāo)，時域特征指標(biāo)諸如擇峰峰值Xpp、絕對均值Xabs、有效值Xniis、脈沖指標(biāo)1、峭度指標(biāo)Kv。
[0034]S102:利用小波包分解能量特征提取方法提取所述振動信號的能量特征值。圖2為步驟S102的具體流程圖，由圖2可知，該步驟具體包括:
[0035]S201:對所述的振動信號進(jìn)行n層小波包分解，得到2n個等間隔頻帶的信號，所述的n為正整數(shù)；
[0036]S202:依次確定每個頻帶上的信號的能量；
[0037]S203:根據(jù)所述信號的頻帶大小組成一個能量向量；
[0038]S204:對所述的能量向量進(jìn)行歸一化處理，得到2"個能量特征值。
[0039]由圖1可知，所述的方法還包括:
[0040]S103:根據(jù)所述的能量特征值以及所述振動信號對應(yīng)的時域特征指標(biāo)組成待診斷特征向量；
[0041]S104:對初步分類自組織競爭網(wǎng)絡(luò)模型、精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，圖3為步驟S104的具體流程圖，本發(fā)明在分析了現(xiàn)有的自組織競爭網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)算法在故障診斷方面的優(yōu)缺點(diǎn)的基礎(chǔ)上，關(guān)注兩種診斷方法的內(nèi)在關(guān)聯(lián)性、組合后網(wǎng)絡(luò)的基本原理和參數(shù)選擇規(guī)律，以便達(dá)到最好的故障識別精度和診斷速度。模型的建立包括:基于自組織競爭網(wǎng)絡(luò)方法的初步分類模型的建立；在初步聚類的基礎(chǔ)上，基于改進(jìn)后的概率神經(jīng)網(wǎng)絡(luò)方法的對應(yīng)精確分類模型的建立。建立完模型之后需要對該兩類模型進(jìn)行訓(xùn)練，由圖3可知，該步驟具體包括:
[0042]S301:獲取數(shù)據(jù)庫中存儲的壓縮機(jī)的已知故障振動信號以及時域特征指標(biāo)；
[0043]S302:利用小波包分解能量特征提取方法提取所述已知故障振動信號的能量特征值，圖4為步驟S302的具體流程圖，由圖4可知，該步驟具體包括:
[0044]S401:對所述的已知故障振動信號進(jìn)行n層小波包分解，得到2"個等間隔頻帶的信號，所述的n為正整數(shù)；
[0045]S402:依次確定每個頻帶上的信號的能量；
[0046]S403:根據(jù)所述信號的頻帶大小組成一個能量向量；
[0047]S404:對所述的能量向量進(jìn)行歸一化處理，得到2"個能量特征值。
[0048]由圖3可知，步驟S104還包括:
[0049]S303:根據(jù)所述的能量特征值以及所述的時域特征指標(biāo)組成訓(xùn)練樣本；
[0050]S304:根據(jù)所述的訓(xùn)練樣本訓(xùn)練所述的初步分類自組織競爭網(wǎng)絡(luò)模型，得到訓(xùn)練后的初步分類自組織競爭`網(wǎng)絡(luò)模型；
[0051]S305:根據(jù)訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型得到m個模式，所述的m為已知故障類型數(shù)，其為正整數(shù)；
[0052]S306:把所述訓(xùn)練樣本按照所述m個模式進(jìn)行分組，得到m個樣本；
[0053]S307:根據(jù)所述的m個樣本訓(xùn)練所述m個樣本對應(yīng)的m個精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的m個精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，所述的樣本與所述的精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練一一對應(yīng)。
[0054]由圖1可知，所述的方法還包括:
[0055]S105:將所述的待診斷特征向量帶入訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型，得到初步模式，此處的初步模式為m個模式中的一個。
[0056]S106:根據(jù)所述的初步模式獲取對應(yīng)的訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型。m
個模式對應(yīng)m個樣本，樣本與精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練--對應(yīng)，因此可根據(jù)
初步模式獲取到對應(yīng)的唯一的訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型。
[0057]S107:根據(jù)訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對初步分類后的待診斷特征向量進(jìn)行精確識別，得到所述振動信號的故障類型。圖5為步驟S107的具體流程圖，由圖5可知，該步驟具體包括:
[0058]S501:根據(jù)巴爾森Parzen方法得到概率密度函數(shù)估計式，如下所示:
[0059]Ja(X)/2rs o2
{In) o m TTTid_
[0060]其中，P為所述待診斷特征向量的維數(shù)，X為P維待診斷特征向量，fA(X)為P維待診斷特征向量X屬于故障模式A的概率密度估計值，m為已知故障類型數(shù)，Xai SP維故障模式A的第i模式向量，i為模式號，5為平滑參數(shù)。
[0061]S502:獲取所述訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的多個故障模式以及多個故障模式對應(yīng)的訓(xùn)練樣本數(shù)。在具體的實(shí)施方式中，假設(shè)精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)2個故障模式A、B，對應(yīng)的訓(xùn)練樣本數(shù)分別為Na、Nb。
[0062]S503:根據(jù)所述的概率密度函數(shù)估計式分別計算所述待診斷特征向量在每個故障模式下的概率密度函數(shù)估計值。在具體的實(shí)施方式中，假設(shè)精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)2個故障模式A、B，則待診斷特征向量在故障模式A下的概率密度函數(shù)估計值為fA，在故障模式B下的概率密度函數(shù)估計值為fB。
[0063]S504:獲取所述精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本總數(shù)，諸如用N表示；S505:根據(jù)所述的訓(xùn)練樣本總數(shù)、訓(xùn)練樣本數(shù)確定多個故障模式對應(yīng)的先驗(yàn)概率。設(shè)hA、hB分別為故障模式的A、B的先驗(yàn)概率，則hA=NA/N、hB=NB/N。
[0064]S506:獲取所述的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的多個故障模式的代價因子。在具體的實(shí)施方式中，假設(shè)精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)2個故障模式A、B，則Ia為將本屬于故障模式A的故障特征樣本X錯誤地劃分到故障模式B的代價因子，Ib為將本屬于故障模式B的故障特征樣本X錯誤地劃分到故障模式A的代價因子。
[0065]S507:根據(jù)所述待診斷特征向量在每個故障模式下的概率密度函數(shù)估計值、先驗(yàn)概率以及代價因子確定所述振動信號的故障類型。圖6為步驟S507的具體流程圖，由圖6可知，該步驟具體包括:
[0066]S601:依次將先驗(yàn)概率、代價因子以及所述的概率密度函數(shù)估計值相乘，得到所述待診斷特征向量在每個故障模式下的乘積。在具體的實(shí)施方式中，假設(shè)精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)2個故障模式A、B，則待診斷特征向量在故障模式A下的乘積為hAlAfA(X)，待診斷特征向量在故障模式B下的乘積為hBlBfB(X)。
[0067]S602:從所述待診斷特征向量在每個故障模式下的乘積中獲取最大的乘積。在具體的實(shí)施方式中，假設(shè)精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)2個故障模式A、B，則乘積分別為hAlAfA(X)、hBlBfB(X)。若 hAlAfA(X)>hBlBfB ⑴，則 hAlAfA(X)為最大的乘積。
[0068]S603:所述最大的乘積對應(yīng)的故障模式即為所述振動信號的故障類型。
[0069]若hAlAfA(X) >hBlBfB(X)，則hAlAfA(X)為最大的乘積。故障模式A即為振動信號的故障類型。反之，若hAlAfA(X)〈hBlBfB(X)，則故障模式B即為振動信號的故障類型。
[0070]如上所述即為本發(fā)明提供的一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的方法，通過振動信號特征向量的提取，以及基于自組織競爭網(wǎng)絡(luò)的初步分類模型和基于改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的精確分類模型的建立，將自組織競爭網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)合理的組合在一起，建立一個適用于儲氣庫壓縮機(jī)注采壓縮機(jī)組自適應(yīng)故障診斷新方法，實(shí)現(xiàn)壓縮機(jī)故障的真確、快速識別，保障儲氣庫的安全運(yùn)行。
[0071]本發(fā)明還提供了一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的設(shè)備，圖7為本該設(shè)備的結(jié)構(gòu)框圖，由圖7可知，所述的設(shè)備包括:
[0072]振動信號采集裝置100，用于采集壓縮機(jī)的振動信號以及所述振動信號對應(yīng)的時域特征指標(biāo)，時域特征指標(biāo)諸如擇峰峰值Xpp、絕對均值Xabs、有效值Xniis、脈沖指標(biāo)1、峭度指標(biāo)Kv。
[0073]能量特征值提取裝置200，用于利用小波包分解能量特征提取方法提取所述振動信號的能量特征值，圖8為能量特征值提取裝置200的結(jié)構(gòu)框圖，由圖8可知，能量特征值提取裝置200具體包括:
[0074]小波包分解模塊201，用于對所述的振動信號進(jìn)行n層小波包分解，得到2n個等間隔頻帶的信號，所述的n為正整數(shù)；
[0075]能量確定模塊202，用于依次確定每個頻帶上的信號的能量；
[0076]能量向量組成模塊203，用于根據(jù)所述信號的頻帶大小組成一個能量向量；
[0077]歸一化處理模塊204，用于對所述的能量向量進(jìn)行歸一化處理，得到2n個能量特征值。
[0078]由圖7可知，所述的設(shè)備還包括:
[0079]待診斷特征向量確定裝置300，用于根據(jù)所述的能量特征值以及所述振動信號對應(yīng)的時域特征指標(biāo)組成待診斷特征向量；
[0080]模型訓(xùn)練裝置400，用于對初步分類自組織競爭網(wǎng)絡(luò)模型、精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，圖9為模型訓(xùn)練裝置400的結(jié)構(gòu)框圖，本發(fā)明在分析了現(xiàn)有的自組織競爭網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)算法在故障診斷方面的優(yōu)缺點(diǎn)的基礎(chǔ)上，關(guān)注兩種診斷方法的內(nèi)在關(guān)聯(lián)性、組合后網(wǎng)絡(luò)的基本原理和參數(shù)選擇規(guī)律，以便達(dá)到最好的故障識別精度和診斷速度。模型的建立包括:基于自組織競爭網(wǎng)絡(luò)方法的初步分類模型的建立；在初步聚類的基礎(chǔ)上，基于改進(jìn)后的概率神經(jīng)網(wǎng)絡(luò)方法的對應(yīng)精確分類模型的建立。建立完模型之后需要對該兩類模型進(jìn)行訓(xùn)練，由圖9可知，模型訓(xùn)練裝置400具體包括:
[0081]已知故障振動信號獲取模塊401，用于獲取數(shù)據(jù)庫中存儲的壓縮機(jī)的已知故障振動信號以及時域特征指標(biāo)；
[0082]能量特征值提取模塊402，用于利用小波包分解能量特征提取方法提取所述已知故障振動信號的能量特征值，圖10為能量特征值提取模塊402的具體結(jié)構(gòu)框圖，由圖10可知，能量特征值提取模塊402具體包括:
[0083]波包分解單元4021，用于對所述的已知故障振動信號進(jìn)行n層小波包分解，得到2n個等間隔頻帶的信號，所述的n為正整數(shù)；
[0084]能量確定單元4022，用于依次確定每個頻帶上的信號的能量；
[0085]能量向量組成單元4023，用于根據(jù)所述信號的頻帶大小組成一個能量向量；
[0086]歸一化處理單元4024，用于對所述的能量向量進(jìn)行歸一化處理，得到2"個能量特征值。
[0087]由圖9可知，模型訓(xùn)練裝置400還包括:
[0088]訓(xùn)練樣本確定模塊403，用于根據(jù)所述的能量特征值以及所述的時域特征指標(biāo)組成訓(xùn)練樣本；
[0089]初步模型訓(xùn)練模塊404，用于根據(jù)所述的訓(xùn)練樣本訓(xùn)練所述的初步分類自組織競爭網(wǎng)絡(luò)模型，得到訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型；
[0090]模式確定模塊405，用于根據(jù)訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型得到m個模式，所述的m為已知故障類型數(shù)，其為正整數(shù)；
[0091]分組模塊406，用于把所述訓(xùn)練樣本按照所述m個模式進(jìn)行分組，得到m個樣本；
[0092]精確模型訓(xùn)練模塊407，用于根據(jù)所述的m個樣本訓(xùn)練所述m個樣本對應(yīng)的m個精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的m個精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，所述的樣本與所述的精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練一一對應(yīng)。
[0093]由圖7可知，所述的設(shè)備還包括:
[0094]初步模式確定裝置500，用于將所述的待診斷特征向量帶入訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型，得到初步模式，此處的初步模式為m個模式中的一個。
[0095]模型獲取裝置600，用于根據(jù)所述的初步模式獲取對應(yīng)的訓(xùn)練后的精確分類概率
神經(jīng)網(wǎng)絡(luò)模型。m個模式對應(yīng)m個樣本，樣本與精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練--對
應(yīng)，因此可根據(jù)初步模式獲取到對應(yīng)的唯一的訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型。
[0096]精確識別裝置700，用于根據(jù)訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對初步分類后的待診斷特征向量進(jìn)行精確識別，得到所述振動信號的故障類型。圖11為精確識別裝置700的結(jié)構(gòu)框圖，由圖11可知，精確識別裝置700具體包括:
[0097]概率密度函數(shù)估計式確定模塊701，用于根據(jù)巴爾森方法得到概率密度函數(shù)估計式，如下所示:
【權(quán)利要求】
1.一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的方法，其特征是，所述的方法具體包括: 采集壓縮機(jī)的振動信號以及所述振動信號對應(yīng)的時域特征指標(biāo)； 利用小波包分解能量特征提取方法提取所述振動信號的能量特征值； 根據(jù)所述的能量特征值以及所述振動信號對應(yīng)的時域特征指標(biāo)組成待診斷特征向量; 對初步分類自組織競爭網(wǎng)絡(luò)模型、精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； 將所述的待診斷特征向量帶入訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型，得到初步模式； 根據(jù)所述的初步模式獲取對應(yīng)的訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型； 根據(jù)訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對初步分類后的待診斷特征向量進(jìn)行精確識別，得到所述振動信號的故障類型。
2.根據(jù)權(quán)利要求1所述的方法，其特征是，所述的利用小波包分解能量特征提取方法提取所述振動信號的能量特征值具體包括: 對所述的振動信號進(jìn)行η層小波包分解，得到2η個等間隔頻帶的信號，所述的η為正整數(shù)；` 依次確定每個頻帶上的信號的能量； 根據(jù)所述信號的頻帶大小組成一個能量向量； 對所述的能量向量進(jìn)行歸一化處理，得到2"個能量特征值。
3.根據(jù)權(quán)利要求2所述的方法，其特征是，所述的對初步分類自組織競爭網(wǎng)絡(luò)模型、精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練具體包括: 獲取數(shù)據(jù)庫中存儲的壓縮機(jī)的已知故障振動信號以及時域特征指標(biāo)； 利用小波包分解能量特征提取方法提取所述已知故障振動信號的能量特征值； 根據(jù)所述的能量特征值以及所述的時域特征指標(biāo)組成訓(xùn)練樣本； 根據(jù)所述的訓(xùn)練樣本訓(xùn)練所述的初步分類自組織競爭網(wǎng)絡(luò)模型，得到訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型； 根據(jù)訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型得到m個模式，所述的m為已知故障類型數(shù)，其為正整數(shù)； 把所述訓(xùn)練樣本按照所述m個模式進(jìn)行分組，得到m個樣本； 根據(jù)所述的m個樣本訓(xùn)練所述m個樣本對應(yīng)的m個精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的m個精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，所述的樣本與所述的精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練一一對應(yīng)。
4.根據(jù)權(quán)利要求3所述的方法，其特征是，所述的利用小波包分解能量特征提取方法提取所述已知故障振動信號的能量特征值具體包括: 對所述的已知故障振動信號進(jìn)行η層小波包分解，得到2η個等間隔頻帶的信號，所述的η為正整數(shù)； 依次確定每個頻帶上的信號的能量； 根據(jù)所述信號的頻帶大小組成一個能量向量； 對所述的能量向量進(jìn)行歸一化處理，得到2"個能量特征值。
5.根據(jù)權(quán)利要求4所述的方法，其特征是，根據(jù)訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對初步分類后的待診斷特征向量進(jìn)行精確識別，得到所述振動信號的故障類型具體包括: 根據(jù)巴爾森方法得到概率密度函數(shù)估計式； 獲取所述訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的多個故障模式以及多個故障模式對應(yīng)的訓(xùn)練樣本數(shù)； 根據(jù)所述的概率密度函數(shù)估計式分別計算所述待診斷特征向量在每個故障模式下的概率密度函數(shù)估計值； 獲取所述精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本總數(shù)； 根據(jù)所述的訓(xùn)練樣本總數(shù)、訓(xùn)練樣本數(shù)確定多個故障模式對應(yīng)的先驗(yàn)概率； 獲取所述的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的多個故障模式的代價因子； 根據(jù)所述待診斷特征向量在每個故障模式下的概率密度函數(shù)估計值、先驗(yàn)概率以及代價因子確定所述振動信號的故障類型。
6.根據(jù)權(quán)利要求5所述的方法，其特征是，所述的概率密度函數(shù)估計式為:
7.根據(jù)權(quán)利要求5所述的方法，其特征是，根據(jù)所述待診斷特征向量在每個故障模式下的概率密度函數(shù)估計值、先驗(yàn)概率以及代價因子確定所述振動信號的故障類型具體包括: 依次將先驗(yàn)概率、代價因子以及所述的概率密度函數(shù)估計值相乘，得到所述待診斷特征向量在每個故障模式下的乘積； 從所述待診斷特征向量在每個故障模式下的乘積中獲取最大的乘積； 所述最大的乘積對應(yīng)的故障模式即為所述振動信號的故障類型。
8.一種儲氣庫注采壓縮機(jī)組自適應(yīng)故障診斷的設(shè)備，其特征是，所述的設(shè)備具體包括: 振動信號采集裝置，用于采集壓縮機(jī)的振動信號以及所述振動信號對應(yīng)的時域特征指標(biāo)； 能量特征值提取裝置，用于利用小波包分解能量特征提取方法提取所述振動信號的能量特征值； 待診斷特征向量確定裝置，用于根據(jù)所述的能量特征值以及所述振動信號對應(yīng)的時域特征指標(biāo)組成待診斷特征向量； 模型訓(xùn)練裝置，用于對初步分類自組織競爭網(wǎng)絡(luò)模型、精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； 初步模式確定裝置，用于將所述的待診斷特征向量帶入訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型，得到初步模式； 模型獲取裝置，用于根據(jù)所述的初步模式獲取對應(yīng)的訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型；精確識別裝置，用于根據(jù)訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對初步分類后的待診斷特征向量進(jìn)行精確識別，得到所述振動信號的故障類型。
9.根據(jù)權(quán)利要求8所述的設(shè)備，其特征是，所述的能量特征值提取裝置具體包括: 小波包分解模塊，用于對所述的振動信號進(jìn)行η層小波包分解，得到2η個等間隔頻帶的信號，所述的η為正整數(shù)； 能量確定模塊，用于依次確定每個頻帶上的信號的能量； 能量向量組成模塊，用于根據(jù)所述信號的頻帶大小組成一個能量向量； 歸一化處理模塊，用于對所述的能量向量進(jìn)行歸一化處理，得到2"個能量特征值。
10.根據(jù)權(quán)利要求9所述的設(shè)備，其特征是，所述的模型訓(xùn)練裝置具體包括: 已知故障振動信號獲取模塊，用于獲取數(shù)據(jù)庫中存儲的壓縮機(jī)的已知故障振動信號以及時域特征指標(biāo)； 能量特征值提取模塊，用于利用小波包分解能量特征提取方法提取所述已知故障振動信號的能量特征值； 訓(xùn)練樣本確定模塊 ，用于根據(jù)所述的能量特征值以及所述的時域特征指標(biāo)組成訓(xùn)練樣 本； 初步模型訓(xùn)練模塊，用于根據(jù)所述的訓(xùn)練樣本訓(xùn)練所述的初步分類自組織競爭網(wǎng)絡(luò)模型，得到訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型； 模式確定模塊，用于根據(jù)訓(xùn)練后的初步分類自組織競爭網(wǎng)絡(luò)模型得到m個模式，所述的m為已知故障類型數(shù)，其為正整數(shù)； 分組模塊，用于把所述訓(xùn)練樣本按照所述m個模式進(jìn)行分組，得到m個樣本； 精確模型訓(xùn)練模塊，用于根據(jù)所述的m個樣本訓(xùn)練所述m個樣本對應(yīng)的m個精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的m個精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，所述的樣本與所述的精確分類概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練一一對應(yīng)。
11.根據(jù)權(quán)利要求10所述的設(shè)備，其特征是，所述的能量特征值提取模塊具體包括: 波包分解單元，用于對所述的已知故障振動信號進(jìn)行η層小波包分解，得到2n個等間隔頻帶的信號，所述的η為正整數(shù)； 能量確定單元，用于依次確定每個頻帶上的信號的能量； 能量向量組成單元，用于根據(jù)所述信號的頻帶大小組成一個能量向量； 歸一化處理單元，用于對所述的能量向量進(jìn)行歸一化處理，得到2"個能量特征值。
12.根據(jù)權(quán)利要求11所述的設(shè)備，其特征是，所述的精確識別裝置具體包括: 概率密度函數(shù)估計式確定模塊，用于根據(jù)巴爾森方法得到概率密度函數(shù)估計式； 故障模式獲取模塊，用于獲取所述訓(xùn)練后的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的多個故障模式以及多個故障模式對應(yīng)的訓(xùn)練樣本數(shù)； 概率密度函數(shù)估計值確定模塊，用于根據(jù)所述的概率密度函數(shù)估計式分別計算所述待診斷特征向量在每個故障模式下的概率密度函數(shù)估計值； 訓(xùn)練樣本數(shù)獲取模塊，用于 獲取所述精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本總數(shù)； 先驗(yàn)概率確定模塊，用于根據(jù)所述的訓(xùn)練樣本總數(shù)、訓(xùn)練樣本數(shù)確定多個故障模式對應(yīng)的先驗(yàn)概率；代價因子獲取模塊，用于獲取所述的精確分類概率神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的多個故障模式的代價因子； 故障類型確定模塊，用于根據(jù)所述待診斷特征向量在每個故障模式下的概率密度函數(shù)估計值、先驗(yàn)概率以及代價因子確定所述振動信號的故障類型。
13.根據(jù)權(quán)利要求12所述的設(shè)備，其特征是，所述的概率密度函數(shù)估計式為:
14.根據(jù)權(quán)利要求12所述的設(shè)備，其特征是，所述的故障類型確定模塊具體包括: 乘積確定單元，用于依次將先驗(yàn)概率、代價因子以及所述的概率密度函數(shù)估計值相乘，得到所述待診斷特征向量在每個故障模式下的乘積； 最大乘積確定單元，用于從所述待診斷特征向量在每個故障模式下的乘積中獲取最大的乘積； 故障類型確定單元，用于所述最大的乘積對應(yīng)的故障模式即為所述振動信號的故障類型。
【文檔編號】F04B51/00GK103603794SQ201310585600
【公開日】2014年2月26日 申請日期:2013年11月19日 優(yōu)先權(quán)日:2013年11月19日
【發(fā)明者】張來斌, 胡瑾秋, 梁偉, 李文強(qiáng), 王安琪 申請人:中國石油天然氣集團(tuán)公司, 中國石油大學(xué)(北京)