一种基于NARMAX-FRF和PCA的智能诊断与预测故障方法及系统与流程

本发明涉及离心泵故障检测领域，尤其涉及一种基于narmax-frf和pca的智能诊断与预测故障方法及系统。
背景技术：
：离心泵主要是利用机械能或其他能量使流体的位能、压力能和动能增加，从而完成流体的输送，可以使流体从低位区到高位区，或者从低压区到高压区，在化工行业中是必不可少的机械设备。具有较广的适用性能、尺寸小、质量轻，低成本、结构较简单、操作方便、故障少、寿命长、排出液体无脉动等优点，由于泵的结构简单、经久耐用因此被广泛用于农田灌溉、石油化工工程、水利工程、冶金和造船等。离心泵在工作过程中,即使非常轻微的一些机械缺陷或损伤都会引起整个系统的振动,例如,基座松动、叶片磨损、泵轴与传动轴的不平衡等，因此,利用振动进行故障监测诊断是目前应用最广泛的方法，由于离心泵速度变化过程的振动信号具有信息量大、非平稳、重复再现性不佳等特点,使得一些基于传统时域或频域的分析方法无法及时地反映出系统的运行状况，现有技术中，离心泵的故障检测因为振动信号繁多，样本抽取工作量大，且复杂，不具有代表性，在进行多故障状态识别时，难以，区分故障类别和位置，使得检测正确率不高。技术实现要素：本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于narmax-frf和pca的智能诊断与预测故障方法及系统，能有效区分故障类别和位置，有效提高正确率。本发明解决上述技术问题的技术方案如下：一种基于narmax-frf和pca的智能诊断与预测故障方法，包括以下步骤：s1:输入兰姆波信号至rfid模块,通过所述rfid模块获得试验样品的响应输出信号；s2:通过所述响应输出信号基于narmax-frf进行时域建模并进行频域特征提取；s3:根据提取的频域特征获得响应函数g1以及对应的响应函数g1的特征参数；s4：通过pca分析法模型对不同状态下的响应函数g1的特征参数进行故障预测。本发明的有益效果是，以往的工作主要集中在pec响应的时域或频域特征提取上，没有研究输入信号与输出响应之间的物理性质关系，通过基于narmax-frf进行时域建模，研究了输入信号和输出信号响应之间动态关系，获得频率响应函数g1及其特征参数后，可根据频率响应函数的变化来进行系统故障诊断和无损检测，再通过pca进行主元分析，筛选出表征缺陷的主要特征参数并进行故障预测，能有效区分故障类别和位置，有效提高正确率。所述s1具体为：对试验样品发射兰姆波信号，经过rfid读写器和数据采集系统分析后获得响应输出信号。所述s2包括：s201:根据所述响应输出信号建立非线性差分方程：y(t)＝f(y(t-1)，···，y(t-ny)，u(t-1)，···，u(t-nu)，ε(t-1)，..·，ε(t-nε))+ε(t)其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；s202:通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近如下所示：并改写为：再进行频域特征提取，其中，预测误差为:φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。采用上述进一步方案的有益效果是，材料缺陷被表示为结构动态行为的时域模型参数的未知输入或干扰，基于narmax-frf模型参数变量的缺陷表示可以在频率响应函中显示，基本原理是，可以通过基于narmax模型的时域模型来描述物理系统的动态过程，从而建立激励输入与系统响应之间的定量关系。结构系统物理特性的变量可以反映在时域模型中，这也可以通过系统的变化来表示。进一步，所述频率响应函数g1为：采用上述进一步方案的有益效果是：获得了频率响应函数g1，通过分析已识别系统非线性模型的频域特征，可根据频率响应函数的变化来进行系统故障诊断和无损检测。进一步，所述s4包括以下步骤：s401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的。令随机向量的协方差矩阵x＝[x1,x2,…,xm]t为s，其特征值为λ1≥λ2≥λ3…λm≥0；s402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：其中，λi为协方差的特征值，m为变量个数。s403:当发生故障时，spe或t2明显超过控制极限；当系统正常运行时，spe或t2都在控制范围内。采用上述进一步方案的有益效果是，采用pca对特征参数进行降维，提取主要表征缺陷的参数，再进行故障预测，有效降低运算量，增加处理速度。一种基于narmax-frf和pca的智能诊断与预测故障系统，包括:数据获取模块，用于根据输入兰姆波信号至rfid模块,通过所述rfid模块获得试验样品的响应输出信号；频域特征提取模块，用于根据所述响应输出信号基于narmax-frf进行时域建模并进行频域特征提取；特征参数获取模块，用于根据提取的频域特征获得响应函数g1以及对应的响应函数g1的特征参数；故障预测模块：用于通过pca模型对不同状态下的响应函数g1的特征参数进行故障检测预测。本发明的有益效果是，以往的工作主要集中在pec响应的时域或频域特征提取上，没有研究输入信号与输出响应之间的物理性质关系，通过基于narmax-frf进行时域建模，研究了输入信号和输出信号响应之间动态关系，获得频率响应函数g1及其特征参数后，可根据频率响应函数的变化来进行系统故障诊断和无损检测，再通过pca进行主元分析，筛选出表征缺陷的主要特征参数并进行故障预测，能有效区分故障类别和位置，有效提高正确率。进一步，所述数据获取模块获取数据的具体过程为：对试验样品发射兰姆波信号，经过rfid读写器和数据采集系统分析后获得响应输出信号。进一步，所述特征参数获取模块获取特征参数的的具体过程为：s201:根据所述响应输出信号建立非线性差分方程：y(t)＝f(y(t-1),k,y(t-ny),u(t-1),k,u(t-nu),ε(t-1),k,ε(t-nε))+ε(t)其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；s202:通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近如下所示：并改写为：再进行频域特征提取，其中，预测误差为:φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。采用上述进一步方案的有益效果是，材料缺陷被表示为结构动态行为的时域模型参数的未知输入或干扰，基于narmax-frf模型参数变量的缺陷表示可以在频率响应函中显示，基本原理是，可以通过基于narmax模型的时域模型来描述物理系统的动态过程，从而建立激励输入与系统响应之间的定量关系。结构系统物理特性的变量可以反映在时域模型中，这也可以通过系统的变化来表示。进一步，所述特征参数获取模块中频率响应函数g1为:采用上述进一步方案的有益效果是：获得了频率响应函数g1，通过分析已识别系统非线性模型的频域特征，可根据频率响应函数的变化来进行系统故障诊断和无损检测。进一步，所述故障预测模块进行故障预测的具体过程为：s401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的。令随机向量的协方差矩阵x＝[x1,x2,…,xm]t为s，其特征值为λ1≥λ2≥λ3…λm≥0；s402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：其中，λi为协方差的特征值，m为变量个数。s403:当发生故障时，spe或t2明显超过控制极限；当系统正常运行时，spe或t2都在控制范围内。采用上述进一步方案的有益效果是，采用pca对特征参数进行降维，提取主要表征缺陷的参数，再进行故障预测，有效降低运算量，增加处理速度。附图说明图1为本发明基于narmax-frf和pca的智能诊断与预测故障方法流程示意图；图2为本发明输入信号的波形图；图3为本发明通过frid模块后的输出信号波形图；图4为本发明各个样品的缺陷检测结果；图5为本发明基于narmax-frf和pca的智能诊断与预测故障系统的连接关系图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。实施例1一种基于narmax-frf和pca的智能诊断与预测故障方法，包括以下步骤：s1:输入兰姆波信号至rfid模块,通过所述rfid模块获得试验样品的响应输出信号；s2:通过所述响应输出信号基于narmax-frf进行时域建模并进行频域特征提取；s3:根据提取的频域特征获得响应函数g1以及对应的响应函数g1的特征参数；s4：通过pca分析法模型对不同状态下的响应函数g1的特征参数进行故障预测。以往的工作主要集中在pec响应的时域或频域特征提取上，没有研究输入信号与输出响应之间的物理性质关系，通过基于narmax-frf进行时域建模，研究了输入信号和输出信号响应之间动态关系，获得频率响应函数g1及其特征参数后，可根据频率响应函数的变化来进行系统故障诊断和无损检测，再通过pca进行主元分析，筛选出表征缺陷的主要特征参数并进行故障预测，能有效区分故障类别和位置，有效提高正确率。其中，narmax-frf模型表示系统输入与输出之间的非线性函数关系；pca(principalcomponentanalysis)主成分分析法；兰姆波是指，声波传播在当板较薄时，板的两个边界都会有影响，声波在两个自由边界上均会发生反射，叠加后就形成了lamb波，即兰姆度波。响应函数是指，在网络的输入端加上激励信号，则在网络的输出端便可获得相应的响应信号，该响应信号称为响应函数；特征参数有：幅频特性、相频特性、实频特性和虚频特性；频域特征是指，自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图，频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。所述s1具体为：如图2和图3所示，对试验样品发射兰姆波信号，经过rfid读写器和数据采集系统分析后获得响应输出信号。所述s2具体为：s201:根据所述响应输出信号建立非线性差分方程：y(t)＝f(y(t-1)，…，y(t-ny)，u(t-1)，…，u(t-nu)，ε(t-1)，…，ε(t-nε))+ε(t)其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；s202:通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近如下所示：将非线性差分方程改写为：再进行频域特征提取，其中，预测误差为:φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。材料缺陷被表示为结构动态行为的时域模型参数的未知输入或干扰，基于narmax-frf模型参数变量的缺陷表示可以在频率响应函中显示，基本原理是，可以通过基于narmax模型的时域模型来描述物理系统的动态过程，从而建立激励输入与系统响应之间的定量关系。结构系统物理特性的变量可以反映在时域模型中，这也可以通过系统的变化来表示。所述频率响应函数g1为：具体的，所述s4包括以下步骤：获得了频率响应函数g1，通过分析已识别系统非线性模型的频域特征，可根据频率响应函数的变化来进行系统故障诊断和无损检测。s401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的。令随机向量的协方差矩阵x＝[x1,x2,…,xm]t为s，其特征值为λ1≥λ2≥λ3…λm≥0；随机变量的线性组合x1,x2,l,xm如式(1)所示。其中，t1,t2,l,tk为主成分，主成分个数为a。第一个主元t是满足下列性质的线性组合:s.t.||w1||＝1第i个主成分t满足以下性质:is.t.||wi||＝1,cov(ti,tj)＝0,j＜is402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：其中，λi为协方差的特征值，m为变量个数。s403:当发生故障时，spe或t2明显超过控制极限；当系统正常运行时，spe或t2都在控制范围内。λi为协方差的特征值，m为变量个数。一般情况下，当前一个主元a的累积方差贡献率为0时。前面的主成分a可以用来解释原始数据的主要信息。对于采样数据xn×m＝[x1,x2,l,xn](xi∈rm,i＝1,2,3,l,n)，采样点的个数表示为n,m表示变量的个数。对采样数据xn×m进行归一化得到然后获得的特征值λi和特征向量pi。第一个a原则的得分向量的计算公式如下:计算剩余子空间的投影数据：进一步计算得到：spe指数是一种统计量，反映了样本向量在剩余空间中的投影变化；其中是置信度α的控制极限，当残差变量服从正态分布时，其中，残差是指：实际观察值与估计值(拟合值)之间的差，控制极限的计算公式如下：其中，为的协方差矩阵的特征值。cα是置信度α标准正态分布的阈值。统计霍特林t2度量的是主成分空间中一个变量的变化。其中,表示t2的控制限,置信区间是α。假设系统正常运行时，样本服从正态分布，则控制极限可由如下公式计算：在方程(15)fα(a,n-a)是自由度a，n-a和置信度α的f分布的临界值。spe统计指标主要反映正常过程变量之间的相关性变化的程度，说明过程异常状态。统计指标t2估计现有样本到主成分子空间原点的距离。将计算的统计数据spe和t2与获得的控制极限进行比较，以确定是否发生了故障。在本实施例中，使用的样本如表1所示。表1缺陷的形状曝光时间条件正方形30mm×30mm1个月未涂层正方形30mm×30mm1个月涂层正方形30mm×30mm3个月未涂层正方形30mm×30mm3个月涂层正方形30mm×30mm6个月未涂层正方形30mm×30mm6个月涂层正方形30mm×30mm10个月未涂层正方形30mm×30mm10个月涂层正方形30mm×30mm12个月未涂层正方形30mm×30mm12个月涂层如图4所示，不同暴露时间的腐蚀涂层样品在3125hz处g1的振幅是不同的，可用振幅表示缺陷深度，该方法可以有效区分故障类别和位置，提高正确率。实施例2如图5所示，在实施例1的基础上，一种基于narmax-frf和pca的智能诊断与预测故障系统，包括:数据获取模块，用于根据输入兰姆波信号至rfid模块,通过所述rfid模块获得试验样品的响应输出信号；频域特征提取模块，用于根据所述响应输出信号基于narmax-frf进行时域建模并进行频域特征提取；特征参数获取模块，用于根据提取的频域特征获得响应函数g1以及对应的响应函数g1的特征参数；故障预测模块：用于通过pca模型对不同状态下的响应函数g1的特征参数进行故障检测预测。所述数据获取模块获取数据的具体过程为：对试验样品发射兰姆波信号，经过rfid读写器和数据采集系统分析后获得响应输出信号。以往的工作主要集中在pec响应的时域或频域特征提取上，没有研究输入信号与输出响应之间的物理性质关系，通过基于narmax-frf进行时域建模，研究了输入信号和输出信号响应之间动态关系，获得频率响应函数g1及其特征参数后，可根据频率响应函数的变化来进行系统故障诊断和无损检测，再通过pca进行主元分析，筛选出表征缺陷的主要特征参数并进行故障预测，能有效区分故障类别和位置，有效提高正确率。所述特征参数获取模块获取特征参数的的具体过程为：s201：根据所述响应输出信号建立非线性差分方程：y(t)＝f(y(t-1)，k，y(t-ny)，u(t-1)，k，u(t-nu)，ε(t-1)，k，ε(t-nε))+ε(t)其中，y(t)、u(t)和ε(t)分别是输出、输入和预测误差，f(·)是未知的非线性函数；s202：通过用有限维参数向量θ对一组函数进行参数化，可将真实函数f的非线性逼近如下所示：并改写为：再进行频域特征提取，其中，预测误差为：φ(x(t))称为回归向量，输入参数x(t)包括滞后输出、输入和预测误差。材料缺陷被表示为结构动态行为的时域模型参数的未知输入或干扰，基于narmax-frf模型参数变量的缺陷表示可以在频率响应函中显示，基本原理是，可以通过基于narmax模型的时域模型来描述物理系统的动态过程，从而建立激励输入与系统响应之间的定量关系。结构系统物理特性的变量可以反映在时域模型中，这也可以通过系统的变化来表示。所述特征参数获取模块中频率响应函数g1为:获得了频率响应函数g1，通过分析已识别系统非线性模型的频域特征，可根据频率响应函数的变化来进行系统故障诊断和无损检测。所述故障预测模块进行故障预测的具体过程为：s401:用p(p<m)变量表示m个变量，并且p个变量之间是正交的。令随机向量的协方差矩阵x＝[x1,x2,…,xm]t为s，其特征值为λ1≥λ2≥λ3…λm≥0；s402：根据主成分方差对应的特征值与所有特征值之和的比值选择主元素个数，计算公式为：其中，λi为协方差的特征值，m为变量个数。s403:当发生故障时，spe或t2明显超过控制极限；当系统正常运行时，spe或t2都在控制范围内。在本实施例中，故障预测装置可包括中央处理单元(centralprocessingunit，cpu)，还可包括其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。故障预测装置的硬件装置还包括存储器。存储器可以是故障预测装置的内部存储单元，存储器也可以是故障预测装置的外部存储设备，例如处理器上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。存储器还可以既包括故障预测装置的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及处理器所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。λi为协方差的特征值，m为变量个数。一般情况下，当前一个主元a的累积方差贡献率为0时。前面的主成分a可以用来解释原始数据的主要信息。对于采样数据xn×m＝[x1,x2,l,xn](xi∈rm,i＝1,2,3,l,n)，采样点的个数表示为n,m表示变量的个数。对采样数据xn×m进行归一化得到然后获得的特征值λi和特征向量pi。第一个a原则的得分向量的计算公式如下:计算剩余子空间的投影数据：进一步计算得到：spe指数反映了样本向量在剩余空间中的投影变化；其中是置信度α的控制极限，当残差变量服从正态分布时，mudholkar和jackson给出了控制极限的计算公式如下：其中，为的协方差矩阵的特征值。cα是置信度α标准正态分布的阈值。统计霍特林t2度量的是主成分空间中一个变量的变化。其中,表示t2的控制限,置信区间是α。假设系统正常运行时，样本服从正态分布，则控制极限可由如下公式计算：在方程(15)fα(a,n-a)是自由度a，n-a和置信度α的f分布的临界值。spe统计指标主要反映正常过程变量之间的相关性变化的程度，说明过程异常状态。统计指标t2估计现有样本到主成分子空间原点的距离。将计算的统计数据spe和t2与获得的控制极限进行比较，以确定是否发生了故障。以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，即应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12