[发明专利]一种基于CTMA-DL算法的动设备故障类型在线诊断方法

说明书

本发明属于设备故障诊断领域，涉及一种基于CTMA‑DL算法的动设备故障类型在线诊断方法。该方法利用J判据寻找到各类故障的关键表征参数，对模板库进行初始化；又采用同类参数压缩降低模板库的维度；同时，通过调整允许偏离半径的动态偏离系数和0‑1化动态阈值构成了用于待匹配模板建模的双闭环修正系统，建立精确的待匹配参数模板；最后通过计算待诊断数据与模板库的匹配度，来诊断动设备的故障类型。本发明所设计的CTMA‑DL算法可以有效的降低动设备故障诊断中模板库的维度，提高待匹配模板的精度，从而提高模板匹配速度，实现设备故障的在线诊断效率。

技术领域

本发明涉及一种应用于动设备(如：压缩机、透平、泵等设备)故障诊断的处理方法，更具体的说，本发明涉及一种能够对动设备是否发生故障及故障类型进行准确诊断的方法。

背景技术

动设备的结构复杂、零部件多，机构之间联系紧密，某一部分发生故障，往往会引起整台设备的瘫痪，导致整个装置停工，造成很大的经济损失。因此，对动设备故障进行准确及时的诊断具有非常重要的实际意义。动设备发生故障时产生大量的冲击、摩擦以及运行速度的不稳定、负荷的变化，振动激励较多，导致非平稳信号的产生，并且信号中所包含的不同零部件的故障特征频率分布在不同的频带范围内。另外当某一零部件产生故障时，其振动信号常常被其它振动信号和大量的随机噪声所淹没，特别是早期故障时故障特征信息很微弱，并且故障原因与故障表现形式之间没有很清楚的对应关系，造成故障诊断难度偏大。

模板匹配算法是故障诊断中的常用方法。然而，由于动设备运行过程中工况复杂、数据的实时波动频繁、波动性大等特点，无法严格掌握各监控参数的正常工作范围，导致利用传统模板匹配技术无法准确建立模板库。同时，由于动设备的监控参数种类多样，存在同一参数有多个监测点的情况，导致传统的模板匹配算法建立的模板库维度高，不利于动设备故障在线快速诊断。为了解决匹配模板准确建立及降低模板库维度的难题，本发明利用模板匹配的思想，基于时间序列数据样本，设计了一种动设备故障类型的在线诊断方法，即双闭环模板压缩匹配算法(Compressed Template Matching Algorithm with Double-loop，简称CTMA-DL)，该方法通过J判据关键特征参数识别和同类参数压缩的方法降低故障库模板维度；通过调整允许工作范围的动态偏离系数和0-1化动态阈值构成双闭环修正系统，准确计算动设备数据的待匹配模板。

发明内容

本发明设计了一种基于CTMA-DL算法的动设备故障种类型在线诊断方法，实现匹配模板的准确建立，降低模板库维度，提高诊断效率。

所述的基于CTMA-DL算法的动设备故障类型在线诊断方法应用的数据条件为：

具有动设备多部位压力、温度、振动等参数的时间序列样本数据；

存在一个监测部位设置多个检测点的情况；

样本数据按照固定的采样频率实时采集，并具有一定的连续采集时长；

样本数据应包含故障发生情况下的运行数据和正常工作情况下的运行数据；

建立模板库所用时段的样本数据所对应的故障类型已知。

本发明设计了一种基于CTMA-DL算法的动设备故障类型在线诊断方法，该方法包括以下步骤：

步骤1：数据预处理，对样本数据进行数据清洗、异常数据剔除、数据转换等处理，获得较高质量的数据样本X。

步骤2：利用J判据计算各故障类型的关键表征参数集X_f，并初始化模板库，具体方法为：

(1)利用J判据计算各故障类型的关键表征参数集X_f。设共N个时间序列样本数据，每个时间序列的样本数据中含有m个参数，每个参数有n个采样点，N个样本分属于c类故障，每类故障含有N_i个样本数据。

则第j个参数的类内均值矢量为：