[发明专利]一种特征融合转换的大型设备工况诊断预测方法

说明书

本发明公开了一种特征融合转换的大型设备工况诊断预测方法，其包括采集设备各工况的振动信号，建立振动信号的原始振动加速度数据集；对原始振动加速度数据集进行降噪处理，并计算得到时域参数；基于降噪后的振动加速度进行EMD经验模态分解，并计算得到频域参数；通过时域参数和频域参数构建得到训练样本数据集；构建GBDT模型，并将训练样本数据集输入GBDT模型进行训练；提取训练后的GBDT模型中的叶子节点编号集合；对叶子节点编号集合进行One‑hot编码处理，得到稀疏矩阵；将稀疏矩阵输入因子分解机中，得到预测结果。本发明能够降低噪声干扰，得到更高的故障分辨率。

技术领域

本发明涉及大型设备故障诊断与预测领域，具体涉及一种特征融合转换的大型设备工况诊断预测方法。

背景技术

大型复杂装备具有高维度、非线性、早期故障难以识别等特点。其中大型机械设备的工作环境复杂而且恶劣，在长期工作老化严重，故障频发。为保证生产工作的有序高效进行，最大化发挥大型设备的使用价值，需要行之有效的故障检测与诊断方法，因此对设备进行状态评估与故障预测有着广阔的应用场景。

从修复性维护到预测性维护，是当前大型设备维护策略的发展趋势，预测性维护的技术体系涵盖状态监测、故障诊断、状态预测、维修决策等4个方面，状态监测技术是利用温度、压力、振动、超声波等不同类型传感器获取设备的多种运行状态信息。其中，振动传感器广泛应用于判断机械设备的非平稳运动现象。通过温度、振动、超声波等多传感器数据之间的协同工作及功能互补，可实现更精确的状态监测。故障诊断涉及的方法包括时域信号诊断、频域信号诊断等。

针对大型设备状态监测产生的海量数据，传统的人工分类筛选数据的方式效率低、可视化程度低，且以风力发电机为代表的设备状态监测数据具有高维、多特征、噪声大等特点，需要找到一种合理的方法，在剔除非相关因素的同时，尽量减少原指标包含信息的损失，以达到对所收集数据进行全面分析的目的。基于数据驱动的诊断方法能减少对物理模型的依赖，通过对历史数据的特征自动挖掘，实现工况与故障的有效诊断与预测。

发明内容

针对现有技术中的上述不足，本发明提供的一种特征融合转换的大型设备工况诊断预测方法解决了现有技术中数据噪声大和故障分辨率低的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种特征融合转换的大型设备工况诊断预测方法，其包括以下步骤：

S1、采集设备各工况的振动信号，并建立振动信号的原始振动加速度数据集；

S2、对原始振动加速度数据集进行降噪处理，得到降噪后的振动加速度；

S3、基于降噪后的振动加速度，计算得到时域参数；

S4、基于降噪后的振动加速度进行EMD经验模态分解，得到分解后的分量；

S5、通过分解后的分量，计算得到频域参数；

S6、通过时域参数和频域参数构建得到训练样本数据集；

S7、构建GBDT模型，并将训练样本数据集输入GBDT模型进行训练，得到训练后的GBDT模型；

S8、提取训练后的GBDT模型中的叶子节点编号集合；

S9、对叶子节点编号集合进行One-hot编码处理，得到稀疏矩阵；

S10、将稀疏矩阵输入因子分解机中，得到预测结果。

进一步地，步骤S2的具体方法为：

S2-1、根据公式：