基于SVDD及ARIMA融...型的给水泵退化状态监测方法_吴宇震.pdf
《基于SVDD及ARIMA融...型的给水泵退化状态监测方法_吴宇震.pdf》由会员分享,可在线阅读,更多相关《基于SVDD及ARIMA融...型的给水泵退化状态监测方法_吴宇震.pdf(6页珍藏版)》请在咨信网上搜索。
1、第39卷第3期2023年6月Electro-Mechanical Engineering创新与探索DOI:10.19659/j.issn.10085300.2023.03.013基于SVDD及ARIMA融合模型的给水泵退化状态监测方法*吴宇震1,刘金旭1,尹钰华2,刘志亮2,孙吉磊2,左明健2(1.山东港口渤海湾港集团有限公司,山东 潍坊 261061;2.青岛明思为科技有限公司,山东 青岛 266041)摘要:给水泵的退化状态监测对相关工业生产的有序运行具有重要意义。文中提出了一种给水泵退化状态监测方法,通过评估设备的健康状况和性能对设备退化趋势进行预测。该方法包括数据采集、特征提取、安全域
2、构建、退化表征、退化过程建模和退化趋势预测6个步骤。该方法使用最易获取的健康数据作为训练集来构建安全域模型,然后利用超空间中更好的特征提取能力对退化过程进行表征和预测,最后使用异常数据测试预测模型的性能。文中使用一组真实的给水泵工业监测数据进行验证,并提出了一种退化趋势预测的评价方法。该方法通过5个量化指标从退化表征和预测性能两个维度对退化状态监测效果进行评估。实验结果表明,该方法不但较好地反映了给水泵的实际退化,而且实现了高精度的退化趋势预测,为给水泵智能运维提供了可靠的决策依据。关键词:退化状态监测;给水泵;支持向量数据描述;自回归差分移动平均中图分类号:TH3文献标识码:A文章编号:10
3、085300(2023)03005906Degradation Monitoring Method for Feed Water Pump Based onSupport Vector Data Description and Autoregressive IntegratedMoving Average ModelWU Yuzhen1,LIU Jinxu1,YIN Yuhua2,LIU Zhiliang2,SUN Jilei2,ZUO Mingjian2(1.Shandong Port Bohaiwan Port Group Co.,Ltd.,Weifang 261061,China;2.Q
4、ingdao Mingserve Technology Co.,Ltd.,Qingdao 266041,China)Abstract:The degradation monitoring of feed water pump is crucial to stable operation of relevant industrialproduction.This paper presents a method for monitoring the degradation of feed water pump,which evalu-ates the health and performance
5、of equipment to predict their degradation trend.The method includes sixsteps:data collection,feature extraction,safety region construction,degradation representation,degradationprocess modeling and degradation trend prediction.The proposed method uses the most accessible healthdata as training set t
6、o build a safety region model,then utilizes the advantage of better feature extractionability in hyperspace to represent and predict the degradation,and finally uses the anomalous data to test theperformance of the predictive model.This paper uses a set of real industrial monitoring data of feed wat
7、erpump for verification and proposes an evaluation method for degradation trend prediction.This method eval-uates the effect of degradation monitoring from two dimensions of degradation representation and predictionperformance through five quantitative indicators.The experimental results show that t
8、he proposed methodnot only reflects well the actual degradation of feed water pump,but also achieves accurate degradation trendprediction,which provides a reliable decision basis for the operation and maintenance of feed water pump.Key words:degradation monitoring;feed water pump;support vector data
9、 description;autoregressive inte-grated moving average引言状态监测技术始于工业机械设备的监测,并随着工业的进步而发展。现代的状态监测可称为智能状态监测,它通过大量的数据分析来评估设备和系统的健康状况及性能,进而对其进行预测,防止设备故障的发生。状态监测的目标是在问题发生之前发现问题,从*收稿日期:2023022059创新与探索2023年6月而缩短停机时间,减少维护成本,提高安全性和维修效率。目前,状态监测技术已广泛应用于工程机械、轨道交通、航空航天等领域12。机器学习是状态监测领域最热门的技术之一。支持向量数据描述(Support Vect
10、or Data Description,SVDD)是一种常用的统计学习方法,主要用于离群点检测和新奇点检测,其主要优势在于对高维数据的处理能力及对噪声和异常值的鲁棒性3。SVDD近年来被广泛应用于工业设备的状态监测,例如轨道车辆4、风力涡轮机5和航空发动机6。一些研究将SVDD方法应用于工业设备的退化状态监测,例如文献5将振动信号作为模型输入数据,将SVDD方法应用于风力涡轮机的退化状态监测,研究发现SVDD能够有效识别退化的开始并预测未来的退化趋势。文献7将温度和振动信号作为模型输入数据,将SVDD方法应用于齿轮箱的退化状态监测,研究发现SVDD能够准确识别和预测齿轮箱退化的初始点。此外,S
11、VDD还被应用于其他领域的状态监测,例如锂离子电池8、卫星9、桥梁10、电力变压器11、光伏系统12等。总之,SVDD已经得到了广泛的应用,可有效检测工业设备的异常与退化。给水泵在工业生产中具有重要作用,它通过提供流量和压力来满足生产过程中所需要的水和蒸汽。因此,给水泵的退化状态监测对保障工业生产的有序运行具有重要意义。本文提出了一种给水泵退化状态监测方法,利用SVDD方法对健康监测数据进行安全域建模,实现状态监测数据的特征级融合与退化表征,在此基础上运用自回归差分移动平均(AutoregressiveIntegrated Moving Average,ARIMA)模型对给水泵的退化表征进行建
12、模和趋势预测。此外,本文提出了一种退化趋势预测的评价方法,通过5个量化指标从退化表征和预测性能两个维度对退化状态监测效果进行评估。1方法本文提出的方法(图1)包括数据采集、特征提取、安全域构建、退化表征、退化过程建模和退化趋势预测6个步骤。考虑到实际工业数据中异常数据的稀缺性,该方法使用最易获取的健康数据作为训练集来构建安全域模型,提高了方法的可行性与普适性。安全域利用超空间中更好的特征提取能力对退化过程进行表征,进而构建退化过程模型并对退化趋势进行预测。1)数据采集2)特征提取3)安全域构建4)退化表征5)退化过程建模6)退化趋势预测健康数据异常数据异常数据特征健康数据特征健康数据安全域边界
13、支持向量模型定阶极大似然估计参数估计退化指标时间图 1方法流程1.1数据采集与特征提取数据采集是指获取装备实际运行中能够反映其健康状态的原始数据,包括电流、电压、振动、温度等。获取的数据集应包含健康数据和异常数据。健康数据集用于安全域模型的构建,异常数据集用于方法的测试与验证。异常数据应为具有连续时间标签的退化数据。特征提取是指从原始数据中提取出有用的、可以用于进一步分析和处理的信息的过程。在机器学习中,特征提取是一个非常重要的步骤,因为它可以帮助模型更好地理解和学习数据。本文在常用的统计学特征中进行筛选,然后分别获取健康数据和异常数据的相应特征值。1.2安全域构建及退化表征安全域是指装备正常
14、运行的范围,用于识别系统中可能表明故障或数据异常状态的参考点。通过将监控系统的运行特征与安全域进行比较,可以提前发现和诊断故障,从而在发生故障之前进行及时的维护或修理。SVDD是一种基于支持向量机的机器学习方法,它通过最小化数据点与超球体边界的距离来构建安全域13。SVDD适于解决单分类问题,本文将采用SVDD方法构建安全域模型。支持向量机利用超平面实现分类,而SVDD是在数据周围寻找封闭边界,即超球体。超球体由中心a60第39卷第3期吴宇震,等:基于SVDD及ARIMA融合模型的给水泵退化状态监测方法创新与探索和半径R确定。对于n维训练集xi|xiRn,SVDD模型旨在找到包含尽可能多的目标
15、数据的最小超球体,同时在特征空间中将大部分异常值排除在外。形式上,其模型F可以定义为以下最小值优化问题:F(R,a)=R2+Cii(1)式中:i为松弛变量,表示xi的误差估计;C为惩罚因子,用来控制允许异常值的数量。同时,模型必须服从以下约束:xi a26R2+i,(i,i0)(2)应用拉格朗日乘数法进行求解,将式(2)并入式(1),优化问题转化为拉格朗日函数L:L=R2+Cii(R2+ixia2)iii(3)式中,拉格朗日乘子i0,i0。分别对式(3)中的R、a及i求偏导,令偏导为0可得:|ii=1a=iixi06i6C(4)将式(4)代入式(3),优化问题转化为对偶问题:L=ii(xi,x
16、i)i,jij(xi,xj),06i6C(5)式中,(,)为核函数,它隐式地将数据映射到高维空间,在将样本空间中的非线性问题转化为高维空间中的线性可分问题的同时避免了高维空间中的计算复杂性问题。求解式(5)以获取最优的拉格朗日乘子,进而得到模型参数。其中,0 i C的样本位于超球体的边界上,用来构建边界,称为支持向量。i=0及i=C的样本分别位于超球体的内部和外部。在确定安全域模型之后,将异常数据映射到高维空间实现退化表征。假设测试集为zk|zkRn,对于任意样本zk,本文用核空间中样本到超球体中心的距离来表示退化指标D:D=(zk,zk)2ii(zk,xi)+i,jij(xi,xj)(6)机
17、械系统中存在各种噪声,可能干扰监测数据的准确性。同时,为了增强信号特征和消除数据的瞬间偏差,本文在获取退化表征指标后对其进行平滑预处理。1.3退化过程建模与退化趋势预测按照时序依次获取异常数据的时序退化指标,当满足预测所需的数据要求时,便可对退化过程进行建模。记平滑后的退化指标为Ds,本文采用经典时序分析方法ARIMA通过自相关性和偏差值对时间序列进行建模并实现未来数据的预测。ARIMA模型通常表示为ARIMA(p,d,q),p表示自回归项,d表示差分项,q表示移动平均项。时间序列ARIMA模型的数学表达式为14:(B)dDs=(B)t(7)式中:B为延迟算子;t为零平均值的白噪声时间序列,用
18、来表示每个时间段的估计残差;(B)为B的p阶多项式,描述了一个时间序列中某一时刻的值与之前时刻的值之间的关系;(B)为B的q阶多项式,描述了一个时间序列中某一时刻的误差与之前时刻的误差之间的关系;为差分算子,d表示差分的阶数,它们构成的差分部分描述了一个时间序列的非平稳性,即使时间序列平稳也可以进行差分,使得模型更加稳定。(B)的表达式为:(B)=1 1B pBp(8)式中,1,p为多项式系数。(B)的表达式为:(B)=1 1B qBq(9)式中,1,q为多项式系数。d的表达式为:d=(1 B)d(10)接下来对模型进行求解,主要包括模型定阶及参数求解。具体步骤如下:1)检验时间序列是否平稳。
19、如果时间序列不平稳,需要对其进行差分处理,使其变为平稳序列。2)模型定阶。通过自相关函数(AutocorrelationFunction,ACF)和偏自相关函数(Partial Autocorre-lation Function,PACF)图判断序列的自相关性和偏自相关性,确定阶数p和q。3)模型参数估计。根据p和q构建ARIMA模型,然后用极大似然估计方法对模型参数进行求解。4)模型检验。使用残差的自相关性和偏自相关性图检验模型的拟合效果。在完成模型求解之后,使用构建好的模型对未来数据进行预测。依次获取每个时刻的预测结果,实现61创新与探索2023年6月对退化趋势的预测。对预测值与实际值进行
20、比较,从而评估退化趋势预测结果。2实验验证将本文方法用于实际工业设备的退化状态监测。图2为一台用于某干熄焦厂的工业除氧给水泵的结构模型,由电机、联轴器、给水泵、混凝土刚性基础等部分组成。给水泵包含泵体、叶轮、导叶环、吸入管、出口管、泵轴承等部件。工作时,除盐水箱出水由吸入管引入泵体内,给水泵叶轮旋转,将水加速并转化为压力能和动能,实现加压。在导叶环的作用下,水的流向和流速得到调整。最后,水从出口管排出。排出的水经外部热力管廊送往热管换热器内换热,温度升至约70C后经除氧器除氧,用作锅炉给水。电机联轴器给水泵混凝土基座图 2实验除氧给水泵的结构模型2.1数据采集及特征提取机械旋转会产生振动,部件
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 SVDD ARIMA 水泵 退化 状态 监测 方法 吴宇震
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。