专利名称：

发明

一种基于PHM技术的风机组状态监测与故障诊断方法

申请公布号：

CN117668452A

申请公布日：

2024-03-08

申请号：

2023115988535

申请日：

2023-11-24

申请人：

中国舰船研究设计中心,

地址：

430064 湖北省武汉市武昌区张之洞路268号

发明人：

刘子昂,周凌,张杰,王晓彬,陈泽濛,

分类号：

G06F18/10(2023.01);F04D27/00(2006.01);G06F18/213(2023.01);G06F18/2411(2023.01);G06F18/25(2023.01);G06N3/04(2023.01);

专利代理机构：

湖北武汉永嘉专利代理有限公司 42102

代理人：

胡建平

最终专利权人：

摘要：

本发明提供了一种基于PHM技术的风机组状态监测与故障诊断方法，通过SVM算法领域和数据融合，实现了基于PHM的离心式风机组状态监测及故障诊断的功能；将基于传感器的维护转变成为基于智能系统的维护，实现了智能维修，降低了维修成本，提高了维修效率。本发明利用风机的检测参数对系统进行状态监测，基于Copula数据融合与正常行为模型进行监测状态，故障检出率高、预警时间长，具有较强的实用意义。本发明利用EEMD对信号进行降噪与平稳化重构，在此基础上对重构信号进行时域特征提取；利用SVM建模及其参数优化方法以及交叉验证‑网格寻优法优化SVM模型的参数，建立基于SVM的故障诊断模型以完成对系统的故障诊断。

权利要求书：

1.一种基于PHM技术的风机组状态监测与故障诊断方法，其特征在于：包括以下步骤：S1：建立风机组PHM系统体系架构，管理风机组的包括监测参数的相关信息；S2：根据风机组的监测参数建立基于Copula函数的数据融合模型，采用NAR神经网络建立基于数据融合的风机组正常行为模型，构建基于Copula‑NAR网络的状态监测算法模型监测系统的状态；S3：根据EEMD对信号进行降噪与平稳化重构以提取信号特征；利用交叉验证‑网格寻优法，构建基于SVM模式识别的故障诊断模型对系统进行故障诊断。2.根据权利要求1所述的一种基于PHM技术的风机组状态监测与故障诊断方法，其特征在于：所述的步骤S2中，建立基于Copula函数的数据融合模型的具体步骤为：采用核密度估计法对Copula函数的参数θ进行参数估计：设pi为第i个监测信号样本，n为样本数，h为宽度，K(·)为核函数；设概率密度函数为f(p)，则核密度估计为：利用边缘分布将随机变量映射到[0，1]上，获得服从标准均匀分布的随机变量；利用参数估计法估计Copula函数的参数值，得到Copula模型；根据基于二元频率直方图的定性分析法对Copula函数进行初选择，利用Copula函数法与SED值的定量分析法进行定量化评价，选择最优模型。3.根据权利要求2所述的一种基于PHM技术的风机组状态监测与故障诊断方法，其特征在于：所述的步骤S2中，核函数采用高斯核函数、零中心对称或单峰概率密度函数。4.根据权利要求2所述的一种基于PHM技术的风机组状态监测与故障诊断方法，其特征在于：所述的步骤S2中，采用NAR神经网络建立基于数据融合的风机组正常行为模型的具体步骤为：设f为非线性映射，y(t),y(t‑1),…,y(t‑ny)为监测信号的历史时间序列，为预测值；则NAR神经网络表示为：设m为输入数据个数，n为隐含层神经元个数，xi为第i个输入信号，wij为第i个输出时延信号和第j个隐含层之间的连接权值；aj为第j个隐含层神经元阈值；则NAR神经网络的隐含层神经元的输出模型为：设wj为隐含层第j个神经元与输出层神经元之间的连接权值；NAR神经网络的输出层神经元的输出模型为：5.根据权利要求4所述的一种基于PHM技术的风机组状态监测与故障诊断方法，其特征在于：所述的步骤S2中，构建基于Copula‑NAR网络的状态监测算法模型的具体步骤为：在风机组监测的运行状态下，多元变量的监测态观测量时序综合集为：在正常行为模型上，对监测态融合观测时序集进行观测；设Dobf(t‑k+1),Dobf(t‑k+2),…,Dobf(t)为t个观测数据前，观测长度为k的监测态融合观测时序集的子集；Dobf(t+1)和分别为第t+1个监测态融合观测时序集的观测值和预测值；获取观测预测值和观测真实值之间的实时监测残差值eobf(t+1)，若残差值偏离统计学规律，则判定为出现异常信号：如检测值服从正常行为的正常态数据空间，那么该值在正常行为模型中的预测值与真实观测值的实施监测残差值eobf(t+1)属于正常态预测残差样本空间Xenormf，则有：eobf(t+1)∈Xenormf；实施监测残差值eobf(t+1)服从Xenormf所服从的正态分布：eobf(t+1)～N(μ,σ)；在3σ大概率事件准则下有：eobf(t+1)∈[μ‑3σ,μ+3σ]。6.根据权利要求5所述的一种基于PHM技术的风机组状态监测与故障诊断方法，其特征在于：所述的步骤S2中，判定信号异常的具体步骤为：基于残差滑动时间窗判定信号异常，残差滑动时间窗为具有定长L的滑动时窗；在该时窗内，统计满足的预测值个数Nobnorm，定义信号异常比为：设cthr为根据先验残差序列确定的噪声剔除阈值，取最大Nobnorm对应的信号异常比；则建立如下优化的异常信号判定准则：7.根据权利要求1所述的一种基于PHM技术的风机组状态监测与故障诊断方法，其特征在于：所述的步骤S3中，根据EEMD对信号进行降噪与平稳化重构以提取信号特征的具体步骤为：对风机组的原始信号进行降噪与平稳化重构，利用EEMD方法分解原监测信号得到p个IMF分量，设rj为第j个IMF分量与原信号的相关系数，根据如下相关系数计算公式求得p个IMF分量与原信号的相关系数rj(j＝1,2,…,p)：从大到小排列p个相关系数rj，并记为对应的IMF分量的排列；根据分解结果确定总相关阈值λrg，取λrg>95％；根据累计相关度rsum大于总相关阈值λrg确定前m个IMF分量：利用选取的m个IMF分量重构信号，得到重构信号：x(t)n＝IMF1+IMF2+…+IMFm；提取反映故障特征的特征量构建信号特征矩阵Dm×n。8.根据权利要求7所述的一种基于PHM技术的风机组状态监测与故障诊断方法，其特征在于：所述的步骤S3中，构建基于SVM模式识别的故障诊断模型的具体步骤为：对信号特征矩阵Dm×n进行数据归一化处理，作为SVM的输入向量建立故障诊断模型；根据与输入向量的对应关系对风机组的n个故障类型进行标签化处理，将输出标签依次按正整数大小编码；选择RBF核函数，利用CV‑网格寻优算法优化参数；利用最优参数训练故障诊断模型，迭代终止条件为均方差满足一定要求或者训练步数满足一定要求。9.根据权利要求8所述的一种基于PHM技术的风机组状态监测与故障诊断方法，其特征在于：所述的步骤S3中，还包括步骤为：将实际工况故障信号输入训练好的故障诊断模型，确定具体故障类型。10.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求9中任意一项所述的一种基于PHM技术的风机组状态监测与故障诊断方法。

主视图

日期	最新法律状态	描述
2024-03-26	实质审查的生效	实质审查的生效 IPC(主分类):G06F18/10 专利申请号:2023115988535 申请日:20231124
2024-03-08	公开	公开