提出了基于多維高斯貝葉斯模型的設(shè)備故障智能診斷流程,包括數(shù)據(jù)的篩選與結(jié)構(gòu)化分析、數(shù)據(jù)的降維、模型的構(gòu)建、診斷結(jié)果的檢驗與分析等。研究表明采用主成分分析方法進(jìn)行降維時,不同的診斷對象在降維參數(shù)的選擇方面存在較大差別,診斷效果因診斷對象和樣本數(shù)量的不同而有所差異。利用公開發(fā)表的超聲波流量計數(shù)據(jù)庫對流程進(jìn)行驗證。結(jié)果顯示:針對B型流量計進(jìn)行280次、C型流量計進(jìn)行550次智能故障診斷,故障狀態(tài)的首選正確識別率分別達(dá)到99.3%和95.1%,較k-最近鄰（KNN）聚類分析算法有一定的優(yōu)勢。 

【文章來源】：計量學(xué)報. 2020,41(12)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

基于多維高斯貝葉斯的智能診斷算法流程

超聲波流量計是一種以速度差法為原理的非接觸測量儀表，測量準(zhǔn)確度高，廣泛應(yīng)用于石油、化工、冶金、電力、給排水等領(lǐng)域。實際使用中超聲波流量計存在空氣侵入、蠟沉積等故障，需要定期進(jìn)行校準(zhǔn)。在英國的石化等流程行業(yè)中超聲波流量計使用量大，但校準(zhǔn)成本高昂[17]。為避免設(shè)備過度檢驗與校準(zhǔn)，英國研究機(jī)構(gòu)采集了流量計相關(guān)參數(shù)并建立了設(shè)備健康數(shù)據(jù)庫，擬采用機(jī)器學(xué)習(xí)方法開展流量計健康診斷。本文使用的超聲波流量計故障診斷數(shù)據(jù)庫(Ultrasonic flowmeter diagnostics Data Set,http://archive.ics.uci.edu/ml/datasets/Ultrasonic+flowmeter+diagnostics)是由英國考文垂大學(xué)(Coventry University)和國家工程實驗室(National Engineering Laboratory,TUV-NEL)采集，數(shù)據(jù)庫由加州大學(xué)歐文分校提供[18]。該數(shù)據(jù)庫收錄了4類流量計共540個樣本，4類樣本中，B型流量計的樣本數(shù)92個，故障分類包括無故障(Healthy)、氣體侵入(Gas injection)及蠟沉積(Waxing),C型流量計的樣本數(shù)181個，故障分類除上述3種外，還包括安裝影響(Installation effects)故障模式。2個子數(shù)據(jù)庫中檢測的項目分別如表1、表2所示。

為分析數(shù)據(jù)特征及降維深度對診斷結(jié)果的影響，采用不同的PCA降維策略，對B型和C型流量計進(jìn)行診斷分析，得到結(jié)果如圖3所示。圖中可以發(fā)現(xiàn)B型流量計和C型流量計的診斷結(jié)果存在較大區(qū)別。對B型流量計采用PCA降維后，降維時特征值保留比例由0.4上升至0.9時，本文算法的診斷識別率98.5%附近波動，總體較佳但進(jìn)一步增加特征值的保留比例會使維數(shù)增加過多，反而使識別率有所降低。而對于KNN算法，提高PCA降維特征值保留比例時，正確識別率會發(fā)生顯著下降。C型流量計樣本數(shù)量相對較多，當(dāng)特征值保留比例由0.9上升至0.999時，本文算法計算得到的識別率顯著增加，特征值保留比例達(dá)到99.9%時全部55個待檢樣本共550次診斷的故障識別率為96.9%，這一數(shù)據(jù)明顯高于KNN聚類分析75.3%的診斷結(jié)果。4 結(jié)論

【參考文獻(xiàn)】：
期刊論文
[1]基于局部均值分解與快速獨立成分分析的潛水泵故障診斷[J]. 田立勇,張一轍.  計量學(xué)報. 2020(05)
[2]基于多維高斯貝葉斯的機(jī)械設(shè)備失效/故障智能診斷及參數(shù)影響分析[J]. 朱建新,陳學(xué)東,呂寶林,王溢芳,喬松,陳嘉宏.  機(jī)械工程學(xué)報. 2020(04)
[3]基于分類優(yōu)化貝葉斯結(jié)構(gòu)算法的篦冷機(jī)參數(shù)狀態(tài)分析及其算法收斂性分析[J]. 劉浩然,孫美婷,王海羽,張力悅,范瑞星,劉彬.  計量學(xué)報. 2019(04)
[4]雙轉(zhuǎn)子-支承-機(jī)匣耦合系統(tǒng)碰摩振動響應(yīng)分析及試驗驗證[J]. 秦海勤,張耀濤,徐可君.  機(jī)械工程學(xué)報. 2019(19)
[5]基于改進(jìn)耦合增強(qiáng)隨機(jī)共振的滾動軸承故障診斷[J]. 張金鳳,李繼猛,楊瑩,李雪,劉德玉.  計量學(xué)報. 2019(03)
[6]基于最大熵區(qū)間分析的測量不確定度評定[J]. 姚成乾.  計量學(xué)報. 2019(01)
[7]基于貝葉斯網(wǎng)絡(luò)的水電機(jī)組振動故障診斷研究[J]. 劉東,王昕,黃建熒,張曉靜,肖志懷.  水力發(fā)電學(xué)報. 2019(02)
[8]一種基于數(shù)據(jù)驅(qū)動和貝葉斯理論的機(jī)械系統(tǒng)剩余壽命預(yù)測方法[J]. 趙申坤,姜潮,龍湘云.  機(jī)械工程學(xué)報. 2018(12)
[9]基于非線性耦合雙穩(wěn)態(tài)隨機(jī)共振的軸承微弱故障信號增強(qiáng)檢測方法研究[J]. 時培明,孫鵬,袁丹真.  計量學(xué)報. 2018(03)
[10]壓縮機(jī)供液泵葉片失效分析[J]. 秦炎鋒,魏中坤,關(guān)凱書.  流體機(jī)械. 2014(10)



本文編號：3547313