基于支持向量机的单体离心泵故障诊断

主办方：可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：http://www.elsevier.com/locate/jestch工程科学与技术，国际期刊17（2014）152e157全文基于支持向量机的单体离心泵故障诊断V. Muralidharana，*，V.Sugumaranb，V.英迪拉c机械系 工程、 B.S. Abdur 印度泰米尔纳德邦拉赫曼大学b印度泰米尔纳德邦VIT大学金奈校区机械和建筑科学学院c印度Puducherry Kalitheerthalkuppam PKAC数学系我的天啊N F O文章历史记录：收到日期：2014年2月1日收到日期：2014年2014年4月24日接受2014年5月29日在线发布保留字：单块离心泵SVM算法故障诊断连续小波变换A B S T R A C T单块离心泵用于各种关键工程应用。为了减少不必要的故障，对此类机器部件的连续监控变得至关重要。首先，基于振动的方法被广泛用于执行状态监测任务。特别是模糊逻辑，支持向量机（SVM）和人工神经网络的连续监测和故障诊断。本文探讨了支持向量机算法在故障诊断和状态监测领域中的应用。计算了不同族和不同层次的连续小波变换。计算的转换系数形成用于离心泵部件的良好和故障状态分类的特征集。计算并比较了不同连续小波族在不同层次上的分类精度，从而找到了用于离心泵故障诊断的最佳小波。Copyright© 2014，Karabuk University.制作和主办：Elsevier B.V.All rights reserved.1. 介绍由于离心泵在许多关键应用中发挥着至关重要的作用，因此此类机械部件的持续可用性变得绝对必要。泵是污水处理厂、食品工业、农业、石油天然气工业、纸浆工业等的关键元件。在整体式离心泵中，轴承和叶轮的性能直接影响泵的性能。轴承故障、叶轮缺陷和汽蚀是引起噪声、振动等严重问题的主要原因。气蚀会导致更不理想的影响，如水力性能恶化（水头容量和效率下降）、点蚀、腐蚀和结构振动导致泵损坏。振动信号在离心泵的状态监测中有着广泛的应用。通过比较正常工况和故障工况下单体离心泵运行信号的相似性，实现故障检测。在这项研究中考虑的故障是轴承故障（BF），叶轮故障（IF），轴承和叶轮故障（BFIF）和气蚀（CAV）。在常规的状态监测中，振动分析是用快速傅立叶变换（FFT）进行的与*通讯作者。电子邮件地址：gmail.com（V. Muralidharan）。由Karabuk大学负责进行同行审查借助于地震或压电传感器，可以测量振动水平。对于包含多个元件的复杂系统，计算特征故障频率是困难的。即使特征频率是可用的，振动信号本质上是高度非平稳的，并且基于FFT的方法可能不适合于这样的过程。 在机器学习方法中，数据采集系统用于捕获振动信号。可以使用分类器从振动信号中提取和分类相关特征。故障分类的逐步程序如图所示。 1.总部Wang等人，（2007）提出了一种基于频域征兆参数的离心泵故障诊断方法，利用小波变换（特征提取）、粗糙集（规则生成）和模糊神经网络（分类）进行故障检测和早期故障类型判别[1]。V. Muralidharan和V. Sugumaran（2012年）报告了单块离心泵的朴素贝叶斯和贝叶斯网络算法的比较性能。本文主要讨论贝叶斯算法作为分类器的可扩展性[2]。诉Muralidharan，V. Sugumaran和N.R.Sakthivel（2011）提出了SVM分类器在分解小波特征和分类性能方面的应用本研究涉及使用离散小波变换的信号分解[3，10]。Kemal Polat和Salih Gunes（2009）提出了一种新的基于 J 48算法和one-against-all方法的混合分类系统，用于分类包括皮肤病学、图像分割在内的多类问题http://dx.doi.org/10.1016/j.jestch.2014.04.0052215-0986/Copyright© 2014，Karabuk University.制作和主办：Elsevier B.V.All rights reserved.诉Muralidharan等人 /Engineering Science and Technology，an International Journal 17（2014）152e157153图1. 单体离心泵故障诊断系统流程图。和淋巴造影最初，J48算法已被用于皮肤病学、图像分割和淋巴造影数据集，分别达到84.48%、88.79%和80.11%的分类准确率基于J48 算法和 one-against-all 方法的方法 对上述数据集分别 获得了96.71% ， 95.18% 和 87.95%[4] 。 Muralidharan 和 Sugumaran（2013）报告了使用J48算法进行小波选择的系统方法。然而，基于SVM的方法具有非常强的数学背景，与其他算法相比，可以给出更可靠的结果[5，11]。孔繁森和陈汝恒（2004）提出了一种基于小波变换、模糊逻辑和神经网络的三缸泵组合诊断系统。所开发的诊断系统由四个部分组成。第一部分是小波变换的多分辨率分析。第二部分是特征变量的渐近谱估计。第三部分研究了特征变量模糊化在不完全信息模糊推理模拟中的应用。第四部分是模糊特征变量训练的三缸泵故障诊断神经网络[6，12]。Jiangping Wang和Hangtao Hu（2006）使用模糊逻辑原理作为分类器，从泵的振动信号中提取特征[7，9]。Javier Sanz等人，（2007）提出了一种从振动分析中监测旋转机械状态的技术，该技术将小波变换处理瞬态信号的能力与自联想神经网络以无监督模式提取数据集特征的能力相结合。使用具有非故障信号小波变换系数的训练和确认网络作为检 测 故 障 信 号 的 新 颖 性 或 异 常 的 方 法 [8 ， 13 ， 14] 。 此 外 ，V.Muralidharan和V.Sugumaran（2012）已经说明了使用小波的特征提取和使用J48算法的故障诊断问题的分类。 在上述所有论文中，研究人员都报告了很高的分类准确性。然而，使用贝叶斯算法和J48算法需要大量的领域专业知识和计算时间，而小波特征的提取和SVM分类器的数学证明和大量基准复杂数据集的验证。因此，本文阐述了基于支持向量机的连续小波特征分类的故障诊断的单体离心泵的应用。本文其余部分的组织如下。 在第二节中，描述了实验装置和实验过程，然后在第3节中给出了从时域信号中提取特征。然后SVM分类器和结果的实验分别在第4节和第5节中讨论。最后，结论在第6节中给出，后面是参考文献。2. 实验研究研究中考虑的不同故障条件是轴承故障、叶轮故障、轴承和叶轮一起故障以及气穴。本文主要研究了支持向量机算法在单体离心泵故障诊断中2.1. 实验程序振动信号是在2880 rpm的恒转速下从正常工作的整体离心泵测量的。从安装在泵入口处的加速度计上采集振动信号。对于泵的所有条件，采样频率为24 kHz，采样长度为1024。对每种单体离心泵工况进行了250次试验，并将振动信号存储在数据文件中。在本研究中，模拟了以下故障(i) 空化(ii) 轴承故障(iii) 叶轮故障(iv) 轴承和叶轮一起故障2.2.实验结果对故障逐一介绍，并采集泵的特性和振动信号。作为实验的结果，代表性的时域图在图1中给出。 2.3. 特征提取通过对实验获得的振动信号进行分析，可以利用时域信号进行故障诊断。连续小波变换（CWT）提供了时频域数据的物理特征，得到了广泛的应用。振动信号的小波分析产生不同的描述参数。相当广泛的一套参数被选为研究的基础。提取了一组统计参数和直方图特征。从特征池中选择最好的特征进行分类。下面解释小波变换。在本文中，连续小波变换的不同版本的不同的小波族已被认为是不同的水平。本研究考虑的家族列表如下：1. Daubechies小波（db 1，db2，db 3，db 4，db 5，db 6，db7，db 8，db 9，-db 10）。2. 大肠杆菌（coif1，coif2，coif3，coif4，coif5）。3. 双正交小波（bior1.1，bior1.3，bior1.5，bior2.2，bior2.4，-bior2.6，bior2.8，bior3.5，bior3.7，bior3.9，bior4.4，bior5.5，bior6.8）.4. 逆双正交小波（rbio1.1，rbio1.3，rbio1.5，rbio2.2，-rbio2.4，rbio2.6，rbio2.8，rbio3.1，rbio3.3，rbio3.5，rbio3.7，rbio3.9，r-bio 4. 4，-rbio5.5，rbio6.8）。5. Symlets（sym2、sym3、sym4、sym5、sym6、sym7、sym8）。6. Meyer小波7. 莫莱特8. 高斯小波（gaus 1，gaus 2，gaus 3，gaus 4，gaus 5，gaus 6，-gaus 7，gaus 8）。154诉Muralidharan等人 /Engineering Science and Technology，an International Journal 17（2014）152e157振幅振幅

下载后可阅读完整内容，剩余1页未读，立即下载