一种基于模糊支持向量机的空压机故障诊断方法与流程

本发明属于信息与控制技术领域，涉及到自动化技术，特别是涉及一种基于模糊支持向量机的空压机故障诊断方法。

背景技术：

现代化设备对安全性和可靠性提出越来越高的要求，大型工业设备的故障，一旦发生就会造成极大的事故和危害，故障诊断技术就显得尤为重要。故障诊断在保证设备安全可靠与运行的同时，还能够带来巨大的经济效应和社会效应，能够及时地、准确地、高效地辅导工业现场生产，帮助尽早的发现故障，解决故障。空气压缩机，作为成套空分装置的一个重要设备，它的工作性能直接影响制约着空分产品的产量和质量，目前对于空压机，主要通过dcs系统对其运行过程进行监测记录参数，以及对空压机振动信号的处理监测，缺少对空压机系统的整体运行故障诊断。

技术实现要素：

本发明主要解决了现有技术无法对空压机系统的整体运行故障进行检测的问题，提供了一种具有简洁性、高效性、稳定性、准确性基于模糊支持向量机的空压机故障诊断方法。

本发明解决其技术问题所采用的技术方案是,一种基于模糊支持向量机的空压机故障诊断方法，包括以下步骤：

s1：获取空压机运行时的具体参数数据；

s2：对空压机的运行故障进行分类，收集记录空压机故障时的具体参数数据；

s3：对应不同类别的故障，建立相应的支持向量机模型，通过向量机进行二分类，从而判断该类故障是否发生；

s4：搭建模糊专家系统；

s5：将支持向量机模型与模糊专家系统进行串联连接，获取空压机运行参数，先通过支持向量机模型进行大回路故障诊断，获得运行故障类型，再将其诊断结果结合运行参数输入至模糊专家系统，实现对空压机的故障诊断。

本发明对空压机运行过程中常见故障进行总结分类，由这些故障数据分别对各个故障类型建立训练相应的支持向量机模型，再建立模糊专家系统用于诊断故障原因。将要判断的空压机运行参数首先送至支持向量机模型，判断故障类型，再将判断结果结合运行参数作为模糊专家系统的输入，最终完成对空压机的故障诊断，本发明将支持向量机与模糊专家系统相结合，简化了模糊专家系统的规则库，具有简洁性、高效性、稳定性和准确性的优点。

作为上述方案的一种优选方案，所述具体参数数据包括空压机一级轴振动、二级轴振动、三级轴振动、润滑油温、润滑油压、主电机轴承温度、主电机电流、排气压力、排气流量、环境温度和空气进预冷机温度。

作为上述方案的一种优选方案，所述步骤s2中将空压机的运行故障划分为机械故障、油路故障和气路故障。

作为上述方案的一种优选方案，所述支持向量机模块的核函数采用rbf高斯函数

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，σ为函数的宽度参数,控制函数的径向作用范围。

作为上述方案的一种优选方案，所述支持向量机的惩罚参数c和核函数的参数g通过网格交叉验证获得。

作为上述方案的一种优选方案，所述搭建模糊专家系统包括以下步骤：

s61：为空压机运行时的具体参数数据和支持向量机运行得到的故障类别设置相应的模糊集和隶属度函数，获得故障征兆模糊向量

x＝(μx1,μx2,…,μxm)

μxi(i＝1,2,…,m)为对象具有征兆xi的隶属度，xi表示可能出现的征兆；

s62：为空压机运行故障设置相应的模糊集和隶属度函数，获得故障原因模糊向量

y＝(μy1,μy2,…,μyn)

μyi(i＝1,2,…,n)为对象具有故障yi的隶属度,yi表示可能出现的故障原因；

s63：根据故障征兆模糊向量与故障原因模糊向量的关系式

y＝x°r′

获得模糊关系矩阵r′，“°”表示模糊算子。

作为上述方案的一种优选方案，所述模糊算子采用“min-max”模糊算子。

作为上述方案的一种优选方案，所述模糊关系矩阵r′通过以下步骤获得：

s81：建立模糊规则库；

s82：采用mamdani型模糊推理

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；

s83：结合关系式

y＝x°r′

得到

s84：分别求出矩阵ri后,得到模糊关系矩阵r′

r′＝r1∪r2∪…∪ri

式中i＝1,2,…,k，k为模糊规则库中规则数目。

作为上述方案的一种优选方案，所述步骤s5中通过模糊专家系统得到模糊结果集y1,对模糊结果集y1进行清晰化得到y1′,y1′与设定的阈值y1比较，当y1′大于阈值y1时判断故障发生，反之则未发生。

作为上述方案的一种优选方案，所述模糊结果集y1采用面积重心法进行清晰化。

支持向量机

附图说明

图1为本发明的一种流程示意图。

图2为本发明中搭建模糊专家系统的一种流程示意图。

图3为实施例2中选取的数据表。

图4为实施例2中对第一组数据的机械故障诊断结果图。

图5为实施例2中对第一组数据的油路故障诊断结果图。

图6为实施例2中对第一组数据的气路故障诊断结果图。

图7为实施例2中对第一组数据的模糊专家系统诊断结果图。

图8为实施例2中对第二组数据的模糊专家系统诊断结果图。

具体实施方式

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的说明。

实施例1：

一种基于模糊支持向量机的空压机故障诊断方法，如图1所示，包括以下步骤：

s1：获取空压机运行时的具体参数数据，具体参数数据包括空压机一级轴振动、二级轴振动、三级轴振动、润滑油温、润滑油压、主电机轴承温度、主电机电流、排气压力、排气流量、环境温度和空气进预冷机温度，这些参数可以向空压机供应商获取和在实际生产过程中获取；

s2：对空压机的运行故障进行分类，将运行故障划分为机械故障、油路故障和气路故障，同时收集记录空压机发生故障时的具体参数数据；

s3：对应不同类别的故障，建立相应的支持向量机模型，建立支持向量机模型时，支持向量机模块的核函数采用rbf高斯函数

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，σ为函数的宽度参数,控制函数的径向作用范围，通过向量机进行二分类，其中机械故障的二分类结果为0或1，油路故障的二分类结果为0或2，气路故障的结果为0或3，二分类结果为0则表示未发生故障，二分类结果非0则表示发生故障，支持向量机的惩罚参数c和核函数的参数g通过网格交叉验证获得；

s4：搭建模糊专家系统，如图2所示，具体包括以下步骤：

s41：为空压机运行时的具体参数数据和支持向量机运行得到的故障类别设置相应的模糊集和隶属度函数，获得故障征兆模糊向量

x＝(μx1,μx2,…,μxm)

μxi(i＝1,2,…,m)为对象具有征兆xi的隶属度，xi表示可能出现的征兆，本实施例中m的取值为12；

s42：为空压机运行故障设置相应的模糊集和隶属度函数，获得故障原因模糊向量

y＝(μy1,μy2,…,μyn)

μyi(i＝1,2,…,n)为对象具有故障yi的隶属度,yi表示可能出现的故障原因，本实施例中n的取值为10，代表空压机的10种故障原因包括一级、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和喘振；

s43：根据故障征兆模糊向量与故障原因模糊向量的关系式

y＝x°r′

获得模糊关系矩阵r′，“°”表示模糊算子，本实施例中模糊算子采用“min-max”模糊算子

其中“v”是并的符号，它表示对所有y值取最大值或极大值，是二项积的符号，“μ”表示相应隶属度；

模糊关系矩阵r′通过以下步骤获得：

s431：建立模糊规则库；

s432：采用mamdani型模糊推理

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；

s433：结合关系式

y＝x°r′

得到

s84：分别求出矩阵ri后,得到模糊关系矩阵r′

r′＝r1∪r2∪…∪ri

式中i＝1,2,…,k，k为模糊规则库中规则数目。

s5：将支持向量机模型与模糊专家系统进行串联连接，获取空压机运行参数，先通过支持向量机模型进行大回路故障诊断，获得运行故障类型，再将其诊断结果结合运行参数输入至模糊专家系统，得到模糊结果集y1，采用面积重心法对模糊结果集y1进行清晰化得到y1′，y1′与设定的阈值y1比较，当y1′大于阈值y1时判断故障发生，反之则未发生。面积重心法公式如下

其中，z0为清晰值，a和b为清晰值的论域的下限值和上限值，μc′(z)为z的隶属度函数。

实施例2：

本实施例利用实际生产过程中的空压机故障数据对实施例1中的方法进行验证，分别取两组空压机故障运行时的数据：第一组为油温过高引起的轴承温度过高，第二组吸气温度过高引起的排气流量过低，数据如图3所示。

利用第一组数据进行故障诊断，首先假设第一组数据无任何故障，即设置其机械故障、油路故障、气路故障标签均为0，标签0表示正常，标签非0则表示出现故障。将参数数据和标签分别带入相应的已搭建测试好的支持向量机模型中，作为测试样本，来进行大回路故障检测，机械故障诊断结果如图4所示，表示未发生机械故障，油路故障诊断结果如图5所示，二分类结果为2，表示发生油路故障，气路故障诊断结果如图6所示，表示未发生气路故障，将大回路故障检测结果2和空压机11项运行参数输入到模糊专家系统中，得到诊断结果如图7所示，由图可知，y5的输出为0.85，其余输出均为0.5，y1到y10个一种表示故障原因，依次对应为一级轴振动过大、二级轴振动过大、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和喘振，y5代表油温过高引起的轴承温度过高，其输出大于阈值0.5，因此判断该组数据的空压机的故障原因为油温过高引起的轴承温度过高，与实际空压机故障原因相同。

同理，对第二组数据进行验证，结果如图8所示，y8的输出为0.85大于阈值0.5，而y8代表的是吸气温度过高引起的排气流量过低，检测结果与实际情况相同。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。