船舶推进系统旋转机械故障诊断方法及系统

摘要

本发明涉及一种船舶推进系统旋转机械故障诊断方法及装置，解决了现有技术中缺乏非线性特征提取方法，不能对旋转机械故障精准诊断的问题。该方法包括：获取船舶推进系统旋转机械的传感器的样本数据组，所述样本数据组包括：已知样本数据和未知待测样本数据；所述已知样本数据的故障类型已知，为所述已知样本数据添加故障类型标签，对所述样本数据组进行高维数据处理，得到高维特征数据组；利用所述已知样本数据的高维特征数据计算各类所述故障类型的平均类内散度；利用各类所述故障类型的平均类内散度，对样本数据进行降维处理，得到低维特征数据；将所述低维特征数据输入分类器中，实现对旋转机械的未知待测样本数据的故障判断及故障分类。

说明书

技术领域

本发明涉及船舶推进系统技术领域，尤其涉及一种船舶推进系统旋转机械故障诊断方法及系统。

背景技术

近年来，船舶机械设备变得越来越复杂和精密，需要足够的安全和可靠。然而，在实际操作中，船舶推进系统旋转机械(如汽轮机、燃气轮机、离心式压缩机、离心泵、旋转轴承等等)可能会出现各种各样的故障，这些故障可能会损害性能，甚至导致非常严重的灾难性事件。因此，研究可靠的故障诊断方法来预防旋转机械的故障是非常重要的。

目前，线性方法在旋转机械故障诊断和过程监控领域取得了良好的应用效果，但由于系统运行状态不稳定或者噪声影响，会产生非线性故障特征或者非高斯数据，利用线性方法提取数据特征的方式未必奏效。对流形进行降维的时候，流形上的局部小区域可以视为平面，所以一个点才能用周围的近邻点近似线性表示，这个小区域越小，那么这种近似的误差就越小。但是，实际工程中，有的故障涵盖范围较广，有的范围较窄，如果某种故障类型涵盖的范围广，那么这种近似误差就会比其他故障类型的近似误差大，这会使算法倾向于将这种大范围故障类型错误归类。

因此，现有技术中缺乏一种非线性特征提取方法，不能对船舶推进系统旋转机械故障精准诊断的方法及系统。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种船舶推进系统旋转机械故障诊断方法及系统，用以解决现有现有技术中缺乏非线性特征提取方法，不能对船舶推进系统旋转机械故障精准诊断的问题。

一方面，本发明实施例提供了一种船舶推进系统旋转机械故障诊断方法，包括：

获取船舶推进系统旋转机械的传感器的样本数据组，所述样本数据组包括：已知样本数据和未知待测样本数据；所述已知样本数据的故障类型已知，为所述已知样本数据添加故障类型标签，对所述样本数据组进行高维数据处理，得到高维特征数据组；

利用所述已知样本数据的高维特征数据计算各类所述故障类型的平均类内散度；

利用各类所述故障类型的平均类内散度，对样本数据进行降维处理，得到低维特征数据；将所述低维特征数据输入分类器中进行未知待测样本数据的故障判断及故障分类。

进一步地，所述高维特征数据组的数据包括时域特征参数和频域特征参数；所述样本数据组为X(i)＝{x

进一步地，所述故障类型的平均类内散度

其中，

进一步地，所述得到低维特征数据，包括：

设置所述高维特征数据的k个近邻及将降至的低维维数m；

根据所述高维特征数据的k个近邻进行线性重构，得到线性重构权值w

利用各类所述故障类型的平均类内散度

进一步地，所述线性重构权值w

C

其中，p

进一步地，所述求解最小嵌入代价函数的最优值，表达为：

s.t.ZZ

M＝(S-W)

其中，

通过MZ

进一步地，将所述样本数据的m维低维特征数据及已知样本数据的故障类型标签作为KNN分类器的输入，进行未知待测样本数据的故障判断及故障分类。

另一方面，本发明实施例提供了一种船舶推进系统旋转机械故障诊断装置，包括：

高维数据获取模块，用于获取船舶推进系统旋转机械的传感器的样本数据组，所述样本数据组包括：已知样本数据和未知待测样本数据；所述已知样本数据的故障类型已知，为所述已知样本数据添加故障类型标签，对所述样本数据组进行高维数据处理，得到高维特征数据组；

参数计算模块，用于利用所述已知样本数据的高维特征数据计算各类所述故障类型的平均类内散度；

故障分类模块，用于利用各类所述故障类型的平均类内散度，对测试数据进行降维处理，得到低维特征数据；将所述低维特征数据输入分类器中进行未知待测样本数据的故障判断及故障分类。

进一步地，所述故障分类模块包括降维处理单元，所述降维处理单元包括：

参数设置子单元，用于设置所述高维特征数据的k个近邻及将降至的低维维数m；

线性重构子单元，用于根据所述高维特征数据的k个近邻进行线性重构，得到线性重构权值w

低维数据获取子单元，用于利用各类所述故障类型的平均类内散度

进一步地，所述故障分类模块还包括故障分类单元；所述故障分类单元，用于将所述样本数据的m维低维特征数据及已知样本数据的故障类型标签作为KNN分类器的输入，进行未知待测样本数据的故障判断及故障分类。

与现有技术相比，本发明至少可实现如下有益效果之一：

1、该方法通过获取船舶推进系统旋转机械的传感器的已知测试样本数据组和故障类型标签，为后期进行分类器的训练提供了数据支撑和依据，也有利于提高分类器的精度；

2、对已知测试样本进行高维处理，得到的高维特征数据及对应的故障类型标签的平均类内散度能够全面反映旋转机械运行状况，使后续的分类器得到的故障分类能更全面的反映旋转机械运行状况；

3、对高维特征数据进行降维处理，使用流行学习方法降维可以有效解决工程实际中由于系统运行状态不稳定或者噪声影响，产生非线性故障特征或者非高斯数据，导致利用线性方法难以处理的问题；

4、在进行降维处理过程中，使用平均类内散度参数平方分之一的系数对误差进行加权，针对不同故障类型定义范围有明显差别的故障检测问题，为抵消不同类故障的分散程度带来的“不平等故障范围”的误差，能使分类器分类的准确率更高；

5、利用低维特征数据进行故障分类，可以提高系统的处理效率，同时低维特征数据有效的提取了数据的特征参数，可以提高系统故障分类的准确率。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本申请一个实施例所示的船舶推进系统旋转机械故障诊断方法的流程图；

图2为本申请一个实施例所示的高维特征数据进行降维处理流程图；

图3为本申请另一个实施例所示的船舶推进系统旋转机械故障诊断结构示意图；

图4为本申请另一个实施例所示的ISOMAP无监督非线性降维方法故障诊断仿真数据图；

图5为本申请另一个实施例所示的LLE无监督非线性降维方法故障诊断仿真数据图；

图6为本申请另一个实施例所示的PCA线性降维方法故障诊断仿真数据图；

图7为本申请另一个实施例所示的SSLLE半监督非线性降维方法故障诊断仿真数据图；

附图标记：

10-高维数据获取模块；20-分类器训练模块；30-故障分类模块。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明的一个具体实施例，公开了一种船舶推进系统旋转机械故障诊断方法，如图1所示。

S10、获取船舶推进系统旋转机械的传感器的样本数据组，所述样本数据组包括：已知样本数据和未知待测样本数据；所述已知样本数据的故障类型已知，为所述已知样本数据添加故障类型标签，对所述样本数据组进行高维数据处理，得到高维特征数据组；

具体地，所述样本数据组X(i)＝{x

具体地，对所述样本数据组进行高维数据处理，得到高维特征数据组P(i)＝{p

表1高维数据参数

具体地

具体地，由于参数具有不同的尺寸和大小，为了均匀地表示高维数据参数，需要对表1数据进行归一化，归一化处理得到高维特征数据

S20、利用所述已知样本数据的高维特征数据计算各类所述故障类型的平均类内散度；具体地，表达为：

其中，

其中，我们获取到已知样本数据及其对应的故障类型，依据实际工程经验和已知的信息标签的点在所有点中是近似均匀分布的。但是，因为有的故障涵盖范围较广，有的故障涵盖范围较窄，我们在对流形进行降维的时候，使用LLE的基本假设是流形上的局部小区域可以视为平面，所以一个点才能用周围的近邻点近似线性表示，这个小区域越小，那么这种近似的误差就越小。如果某种故障类型涵盖的范围广，那么这种近似误差就会比其他故障类型的近似误差大，这会使算法倾向于将这种大范围故障类型错误归类，因此，构建每一类故障类型的类内均值和平均类内散度，即计算每一类故障类型的涵盖范围，以使各类故障范围数据可视化，方便后续计算中使用。

S30、利用各类所述故障类型的平均类内散度，对样本数据进行降维处理，得到低维特征数据；将所述低维特征数据输入分类器中进行未知待测样本数据的故障判断及故障分类；

具体地，经高维数据处理得到的26维高维特征参数构成了能够全面反映旋转机械运行状况的高维特征集；然而，由于每个高维特征参数之间存在一定的相关性，因此提取的特征参数在很大程度上是冗余的。如果直接使用26个高维特征参数作为分类器的输入，不仅计算量过大，而且难以充分利用有用信息。而旋转机械通常在非平稳状态下运行，对负载非常敏感，所提取的26维高维数据往往是非高斯非线性分布。

本实施例中采用半监督局部线性嵌入(SSLLE)的流形学习方法进行降维，以得到低维特征数据。具体地，如图2所示，低维特征数据可以通过如下子步骤获得：

S301、设置所述高维特征数据的k个近邻及将降至的低维维数m；

具体地，降维处理过程中，高维特征数据的近邻点个数k值依据经验选取，可根据所有含故障类型标签的数据最后分类的正确率，找出一个最优情况下的k值。降维的低维维数m值人为选取，需要根据实际情况进行取舍可以在有故障类型标签的数据上先进行测试，选取一个合适的m值，因此，k值和m值都需要依据经验和实际情况相结合确定。

S302、根据所述高维特征数据的k个近邻进行线性重构，得到线性重构权值w

C

其中，p

S303、利用各类所述故障类型的平均类内散度和所述线性重构权值w

具体地，所述求解最小嵌入代价函数的最优值，表达为：

s.t.ZZ

M＝(S-W)

其中，

具体地，由于工程实际中故障涵盖范围不同，为了抵消这种故障类型自身固有属性带来的“不平等”，在工程实际中引入了权重，根据线性插值的余项计算公式，对曲线进行线性近似，其近似误差正比于这段曲线在坐标轴上投影的长度的平方，所以本实施例中为了抵消这种来自于“故障范围”的误差，用平均类内散度参数平方分之一的系数对误差进行加权，针对不同故障类型定义范围有明显差别的故障检测问题，这种带权重的形式的准确率更高。

通过MZ

具体地，将所述样本数据的m维低维特征数据及已知样本数据的故障类型标签作为KNN分类器的输入，进行未知待测样本数据的故障判断及故障分类；具体地，KNN分类器在分类过程中无需估计参数，将未知待测样本数据的低维特征数据的k个近邻中已知样本数据的大多数故障类别作为未知待测样本数据的故障类别。

本发明的另一个具体实施例，公开了一种船舶推进系统旋转机械故障诊断装置，其特征在于，包括：

高维数据获取模块10，用于获取船舶推进系统旋转机械的传感器的样本数据组，所述样本数据组包括：已知样本数据和未知待测样本数据；所述已知样本数据的故障类型已知，为所述已知样本数据添加故障类型标签，对所述样本数据组进行高维数据处理，得到高维特征数据组；

参数计算模块20，用于利用所述已知样本数据的高维特征数据计算各类所述故障类型的平均类内散度；

故障分类模块30，用于利用各类所述故障类型的平均类内散度，对测试数据进行降维处理，得到低维特征数据；将所述低维特征数据输入分类器中进行未知待测样本数据的故障判断及故障分类。

具体地，故障分类模块30包括降维处理单元301和故障分类单元302；

具体地，所述降维处理单元301包括：

参数设置子单元，用于设置所述高维特征数据的k个近邻及将降至的低维维数m；

线性重构子单元，用于根据所述高维特征数据的k个近邻进行线性重构，得到线性重构权值w

低维数据获取子单元，用于利用各类所述故障类型的平均类内散度

具体地，所述故障分类单元302，用于将所述样本数据的m维低维特征数据及已知样本数据的故障类型标签作为KNN分类器的输入，进行未知待测样本数据的故障判断及故障分类。

本发明的另一个具体实施例，样本数据来源于实船主机轴系振动信号采集结果，数据经过归一化，无单位，坐标轴直接以xyz命名，如图4-7分别为ISOMAP无监督非线性降维方法、LLE无监督非线性降维方法、PCA线性降维方法和本申请的SSLLE半监督非线性降维方法进行的KNN分类的仿真数据图，四种方法对故障模式分类的精度如表2所示，由表2及图4-图7可知经SSLLE半监督非线性降维方法得到的分类器的故障诊断精度明显高于其他降维方法得到的分类器的故障诊断精度。

表2相应方法对故障模式分类的精度

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。