连采机远程实时故障预测及诊断方法与装置

摘要

连采机远程实时故障预测及诊断方法与装置，该方法包括以下步骤：采集数据、处理数据、生成检测器、免疫神经网络的学和训练、故障预测及故障诊断、显示输出结果。该装置包括上位机、数据通讯装置、下位机、现场传感变送装置。现场传感变送装置包括加速度、振动、流量、压力、温度传感器，其中数据通讯装置分别与上位机、下位机相连，下位机与现场传感变送装置相连。现场传感变送装置将传感器采集的信号发送到下位机，下位机定时将采集的信号进行A/D转换，然后通过数据通讯装置传送到上位机，从而进行故障预测及诊断。该方法与装置具有准确性高、需要样本数量少，既可诊断又可预测故障，有吸收利用新技术能力的特点。

主权项

1、一种连采机远程实时故障预测及诊断方法，该方法依赖于上位机、下位机、数据通讯装置和现场传感变送装置，上位机中嵌入了实现故障预测及诊断的功能软件，其特征在于该方法包括以下步骤：步骤一、采集数据采集加速度、振动、流量、压力、温度数据，并经过A/D转换；步骤二、处理数据对输入数据作归一化处理，使之范围在[0，1]之间，采用下式：$x_i^{\prime }=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}(\mathrm{HI}-\mathrm{LO})+\mathrm{LO}---\left(1\right)$其中x_i为归一化前第i个测量的数据，x_max为{x_i}，i＝1，2，…，n中的最大值；x_min为{x_i}，i＝1，2，…，n中的最小值，为归一化后的数据，HI＝0.9，LO＝0.1；步骤三、生成检测器，按以下步骤进行(1)定义自我串S为含有有限字符，长度为L的字符串的集合；自我串是把实数编码设备正常工作时的数据模式的L个标准表征设备状态的信息数据连接在一起作为正常模式串，且选取h串作为正常模式串$R_0^{\prime }=[X_1,X_2,···,X_h],$h＝1，2，…；对于某种故障模式i，i＝1，2，...，k，把实数编码的故障模式的L个标准的表征设备故障特征的信息数据连接在一起作为故障模式串，选取h串作为故障模式串$R_i^{\prime }=[X_{\mathrm{hi}+1},X_{\mathrm{hi}+2},···,X_{\mathrm{hi}+h}],$得到自我串$S=(R_0^{\prime },R_1^{\prime },···,R_k^{\prime });$(2)设定匹配阈值z通过分别取不同的匹配阈值z获得各检测器集，继而训练神经网络；通过神经网络训练过程的误差曲线和随机选择正常工况及各种故障模式获得的数据检验免疫神经网络的故障诊断情况，继而确定较优的匹配阈值z；采用欧式距离匹配原则表征亲和力大小，如式(2)所示，如果欧式距离d小于设定的阈值z，表明亲和力达到所需要求；$d=\sqrt{\underset{i=1}{\overset{L}{\Sigma }}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z---\left(2\right)$式中：d为欧式距离；ab_i为抗体的坐标；ag_i为抗原的坐标；z为匹配阈值；L为串的长度；(3)生成检测器集R_i随机生成检测器集D，对D中的每个检测器，与S中的正常模式串根据公式(2)进行亲和力计算，其中公式中的抗体和抗原分别为自我串S和随机生成的检测集D；若d小于设定的阈值z，说明亲和力够大，则放入检测器集R₀中，若不能够满足条件，继续与第一种故障模式串进行亲和力计算，如果d小于设定的阈值z，则放入检测器集R₁中，若不能匹配，将继续与下一种故障模式串进行亲和力计算，若d小于设定的阈值z，那么放入检测器集R₂中，若不能匹配，继续循环，直到与最后一种故障模式匹配；重复执行这个过程直到达到所需要的检测器数量M为止；(4)生成预测检测器集取匹配阈值为z+a，计算D中的检测器和第一种故障模式串的亲和力，如果d小于设定的阈值z+a且大于等于z，则放入检测器集中，若不能匹配，将继续与下一种故障模式串进行亲和力计算，若d小于设定的阈值z+a且大于等于z，那么放入检测器集中，若不能匹配，继续循环，直到与最后一种故障模式匹配，获得检测器集$R_a=(R_1^a,R_2^a,···,R_k^a);$重复执行整个过程直到达到所需要的检测器数量M为止；同理，取匹配阈值分别为z+2a、z+3a，a∈R，不同匹配阈值对应的各故障模式的检测器集分别为$R_{2a}=(R_1^{2a},R_2^{2a},···,R_k^{2a})$和$R_{3a}=(R_1^{3a},R_2^{3a},···,R_k^{3a});$不同匹配阈值检测器的亲和力计算由以下欧式公式控制：$z\le d=\sqrt{\underset{i=1}{\overset{L}{\Sigma }}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z+a---\left(3\right)$$z+a\le d=\sqrt{\underset{i=1}{\overset{L}{\Sigma }}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z+2a---\left(4\right)$$z+2a\le d=\sqrt{\underset{i=1}{\overset{L}{\Sigma }}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z+3a---\left(5\right)$式中：a为匹配阈值的调节量；z为匹配阈值；d为欧式距离；步骤四、免疫神经网络的学习和训练；将训练好的检测器集R₀作为训练神经网络的正常样本；将训练好的检测器集R₁、R_a、R_2a和R_3a作为训练神经网络的故障样本，其中i＝1，2，...，k，确定输出1为故障，0为正常；由于故障发生之前某些信号会发生变化，所以匹配阈值为z+a、z+2a、z+3a的检测器集对应的是将来可能发生的故障样本，其神经网络的输出的故障结果预示着设备即将要发生的故障，各个匹配阈值表示将要发生故障的可信度；步骤五、故障预测及故障诊断；将训练好的神经网络用于设备的故障预测及诊断，根据输出向量判断发生了何种故障；步骤六、显示输出结果。