专利名称：一种基于信息融合的离心式空气压缩机故障诊断方法
技术领域：
本发明涉及故障诊断领域，特别是一种基于信息融合的空气压缩机故障诊断方法。
背景技术：
随着国民经济的发展，空气压缩机在社会生产中已被广泛的应用于冶金、采矿业、 机械制造业、石油化工、国防工业、交通部门等行业，为国民经济的发展做出了很大的贡献， 已成为某些行业不可缺少的关键设备。然而，虽然目前部分压缩机实时状态监测与智能故障诊断系统已经在企业中得到了普及和应用，但是，由于多数系统都只针对大型压缩机组， 对大多数单个压缩机还没有成形的状态监测和诊断系统。目前应用于空气压缩机这类复杂工业设备的故障诊断方法，主要有以下几种1.基于模糊理论的故障诊断，这种方法模糊诊断知识获取困难，尤其是故障与征兆的模糊关系较难确定，学习能力差，容易发生漏诊或误诊。此外，模糊语言变量是用模糊数(即隶属度)表示的，如何实现语言变量与模糊数之间的转换，是实现上的一个难点。2.基于实例的故障诊断方法，实例推理的关键问题是能搜集到诊断实例是有限的，不可能覆盖所有解空间，搜索时可能会漏掉最优解，当出现异常征兆时，由于找不到最佳匹配，可能造成误诊或漏诊。另外，还存在实例之间的一致性维护问题。3.故障诊断专家系统，按照其机理可以分为以下两类(1)基于规则的诊断专家系统。此方法存在较大的局限性，随着诊断对象复杂程度的增加，基于规则的诊断系统的缺陷暴露更加明显，如知识集不完备、对诊断对象的依赖性强、对没有考虑到的情况或新的诊断对象，系统容易陷入困境。(2)基于模型知识的诊断专家系统，其搜索空间大，推理速度慢。4.基于神经网络的故障诊断，按其理论基础可以分为以下两种类型(1)基于模式识别的神经网络方法对来自不同状态的信息逐一训练以获得某种映射关系，而且网络可连续学习。当环境改变，这种映射关系可以自适应，以求对对象的进一步逼近。(2)故障预测的神经网络这种网络只代表了一类可通过代数方程描述的静态映射，只适用于静态预测。动态神经网络是一个对动态时序建模的过程。综上所述，各种故障诊断方法在针对于某一具体的诊断对象时，由于各自的特性和设计上的不足，往往会表现出各种局限性，使诊断难以达到预期的效果，因此，发明一种能够准确诊断空压机故障的方法势在必行。

发明内容
针对上述情况，为了解决现有技术的缺陷，本发明的目的就在于提供一种基于信息融合的离心式空气压缩机故障诊断方法，可以有效避免多传感器检测时检测数据混乱、故障类型与故障表现形式在建立对应关系时存在主观片面性、解决复杂系统数学模型建立困难、诊断精度不高的问题。本发明解决技术问题采用的技术方案是，一种基于信息融合的离心式空气压缩机故障诊断方法，具体步骤如下1)对离心式空气压缩机进行故障分析，归纳出离心式空气压缩机故障类型及其故障表现形式，采集空气压缩机故障状态下和正常工作状态下的样本数据，并通过采集的样本数据建立空气压缩机故障状态下和正常工作状态下的主元模型；2)步骤1)建立的主元模型对采集的空气压缩机的样本数据分别进行处理并得到样本数据的主成份值；3)对步骤2)得出的空气压缩机的一个状态下的主成份值进行主元贡献率分析， 当前K个主成份的主元累积贡献率大于或等于85%时，该状态下的主元模型的主元数目是 K ； 4)对步骤2)得出的空气压缩机剩余的每个状态下的主成份值均进行步骤3)的分析，得出每个状态下的主元模型的主元数目，并选取最大的主元数目作为所有模型的共同主元数目m ；5)采集空气压缩机故障状态下和正常工作状态下的样本数据并对样本数据进行归一化处理，通过步骤1)建立的所有主元模型对归一化处理后的每个状态下的样本数据进行分析，最后求出每个样本相对于每一个主元模型的主成份向量，截取主成份向量中的与步骤4)得出的共同主元数目m相同的前m个元素构造样本的降维特征向量，得出每个状态下样本相对于每一种主元模型的特征向量；6)采用径向基函数神经网络为D-S证据理论的判别来构造基本概率分配函数，并用步骤5)得出的每个状态下样本的特征向量作为神经网络的输入，以输入样本特征向量所对应各运行状态的逻辑值为网络输出向量来训练径向基函数神经网络；7)对空气压缩机进行故障检测，采集空气压缩机的状态数据，并用步骤1)构建的主元模型对空气压缩机的状态数据进行分析，得到各个主元模型对应的特征向量，并作为步骤6)训练好的神经网络的输入量输入，得到神经网络的输出向量；8)将步骤7)得出的输出向量进行归一化处理，得到每个主元模型下的检测数据对应的各种空气压缩机状态的信任度，并通过D-S组合规则的融合处理将各主元模型下的状态信任度向量融合为一个总体状态信任度集合{πι(10，πι(10， ，πι(1 Ρ)}，其中mGO为输入数据表现为空气压缩机第i种运行状态的信任度；9)根据步骤8)得出的总体状态信任度集合中找出如下关系的状态信任度，m(t) = max\m’ Jii [ θ}m (ks) = max {m (Iii)，且 ks 乒 kj(1)如果
权利要求
1. 一种基于信息融合的离心式空气压缩机故障诊断方法，其特征在于，其具体步骤如下1)对离心式空气压缩机进行故障分析，归纳出离心式空气压缩机故障类型及其故障表现形式，采集空气压缩机故障状态下和正常工作状态下的样本数据，并通过采集的样本数据建立空气压缩机故障状态下和正常工作状态下的主元模型；2)步骤1)建立的主元模型对采集的空气压缩机的样本数据分别进行处理并得到样本数据的主成份值；3)对步骤2)得出的空气压缩机的一个状态下的主成份值进行主元贡献率分析，当前K 个主成份的主元累积贡献率大于或等于85%时，该状态下的主元模型的主元数目是K ；4)对步骤2)得出的空气压缩机剩余的每个状态下的主成份值均进行步骤3)的分析， 得出每个状态下的主元模型的主元数目，并选取最大的主元数目作为所有模型的共同主元数目m ；5)采集空气压缩机故障状态下和正常工作状态下的样本数据并对样本数据进行归一化处理，通过步骤1)建立的所有主元模型对归一化处理后的每个状态下的样本数据进行分析，最后求出每个样本相对于每一个主元模型的主成份向量，截取主成份向量中的与步骤4)得出的共同主元数目m相同的前m个元素构造样本的降维特征向量，得出每个状态下样本相对于每一种主元模型的特征向量；6)采用径向基函数神经网络为D-S证据理论的判别来构造基本概率分配函数，并用步骤5)得出的每个状态下样本的特征向量作为神经网络的输入，以输入样本特征向量所对应各运行状态的逻辑值为网络输出向量来训练径向基函数神经网络；7)对空气压缩机进行故障检测，采集空气压缩机的状态数据，并用步骤1)构建的主元模型对空气压缩机的状态数据进行分析，得到各个主元模型对应的特征向量，并作为步骤 6)训练好的神经网络的输入量输入，得到神经网络的输出向量；8)将步骤7)得出的输出向量进行归一化处理，得到每个主元模型下的检测数据对应的各种空气压缩机状态的信任度，并通过D-S组合规则的融合处理将各主元模型下的状态信任度向量融合为一个总体状态信任度集合{πι(10，πι(10， ，πι(1 Ρ)}，其中mGO为输入数据表现为空气压缩机第i种运行状态的信任度；9)根据步骤8)得出的总体状态信任度集合中找出如下关系的状态信任度，m(ks) = max {m (Iii),且 ks 兴 kj(1)如果m{kt)-m{ks)>^l^ ^)<ξ2 (2) m{k)>m{ )则kt所对应的状态即为空气压缩机故障状态的判决结果，其中ξ” ξ 2为预先设定的门限， = {k0, ki; L，kP}为D-S证据理论的识别框架，，Ici表示空气压缩机的第i种运行状态。
2.根据权利要求1所述的一种基于信息融合的离心式空气压缩机故障诊断方法，其特征在于，所说的离心式空气压缩机故障状态包括各级转子不平衡、油压不足、油温过低、轴承油路泻露或堵塞、空气冷却器水侧变脏或堵塞、各级冷却器组件供水不足、进口空气过滤器脏或堵塞、油路泄露或堵塞、油箱油位过低、各级冷却器堵塞、压缩机传动装置不在一条直线上、各级气缸露气、润滑油不足、过载。
全文摘要
一种基于信息融合的离心式空气压缩机故障诊断方法涉及故障诊断领域，其以D-S证据理论信息融合为框架，以PCA分析技术作为故障信息提取的方法，通过建立每种运行状态的PCA模型为D-S证据理论提供不同的证据类型，最后以D-S组合规则将各证据下的分析结果融合处理，得到最后的判决结果。本发明综合所有故障具有的故障表现形式的信息同时处理，通过建立主元模型提取针对于每种故障发生时空气压缩机所表现出来的主要故障信息，避免在确定故障表现形式上存在主观片面性，通过PCA分析提取主元信息达到对检测数据降维的作用，简化数据计算，提高诊断效率；通过D-S组合规则的信息融合能综合全面的信息，实现高精确度的故障分离和判别。
文档编号G01D21/00GK102175282SQ20111002574
公开日2011年9月7日 申请日期2011年1月24日 优先权日2011年1月24日
发明者初明, 姜长泓, 许世勇, 谢慕君, 陈月岩 申请人:长春工业大学