英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
机械系统和信号处理93(2017)51-65
关键字: 状态监测往复式压缩机分类 半监督神经网络 极端学习机
基于半监督振动的压缩机分类与状态监测
摘要：对安装在制冷设备中的往复式压缩机进行了半监督振动分类和状态监测。用该方法处理Pr，是工业状况监测的重点。而以前的类别定义往往无法从当地专家那里获得或者很难获得。该方法将特征提取和主组件技术相结合， 对初始类代表的提取进行了本构分析和统计分析，并比较了各种分类方法的性能，包括判别分析(DA)、乌拉尔网络(NN)、支持向量机(SVM)和极值学习机器(ELM)等。通过实例分析，说明了该方法在工业振动测量中的应用，制冷器具生产过程中压缩机的回收。本文对常用的分类器进行了定性分析，验证了分类器的良好性能。几种非线性分类器的NCE，如果模型参数选取得当，则利用贝叶斯正则化、支持向量机和elm训练的神经网络可以获得很好的分类性能，分类器具。该方法可有效地应用于压缩机的工业状态监测。
1.介绍
机器和产品状态监测(CM)是现代工业生产成功的重要组成部分。为了制造无故障产品，各种非破坏性产品，基于时间序列分析的状态监测方法可以应用在生产过程中。振动信号分析[1，2]仍然是最有用和最流行的方法之一， 而耗氧物质以及其他基于声发射和声发射的方法[3，4]。振动信号分析通常需要并结合特征提取和分类方法。许多特征码对于各种类型的振动信号，人们都知道，这些方法包括统计和谱方法，波-let[5，6]，心理声学特征[7]，维格纳-维尔分布(Wigner-vile Distributi)。 在威格纳-卑劣分布[8]，经验模态分解[9]，混沌振动[10]等。分类方法包括各种统计方法、基于神经和模糊逻辑的方法[11，12]和其他现代方法。 机器学习方法，例如支持向量机[13，14]和最近的深度学习方法[15]。对自然计算这一总标题下的许多方法作了概括性的概述，包括神经网络，模糊逻辑，支持向量机等方法，适用于机械系统的研究[16]。
本文讨论了一种基于振动的制冷设备往复式压缩机状态监测与故障检测方法。DS.Yang等人已经提出了往复式压缩机不同部件的各种状态监测方法[17]应用神经网络(自组织特征映射和学习矢量量化)和支持向量， 或基于从振动和噪声信号中提取的小波特征对往复式压缩机的状态进行分类的机器。结果表明，该方法具有较好的可靠性和灵活性。 安装有故障的压缩机，Elhaj等[18]介绍了一种利用曲轴瞬时角速度和气缸来监测往复式压缩机及其阀的状况的方法。 r压力波形实验研究证实了数值模拟的结果。PotocˇNik等人[19]提出了一种在组合过程中对弹簧故障进行检测的方法，其原因是压缩机阀体在支承弹簧上的位置不正确定位。该方法结合了对操作SY执行的力测量的分析, 基于自适应决策策略的茎和静态分析。秦等人[20]提出了一种基于基寻踪去噪的压缩机阀故障检测方案。通过波形匹配提取，并通过支持向量机进行分类。这些作者的核心思想是确定振动信号的基本模型并选择合适的P 阵列化波形以匹配信号。该方法能较好地识别压缩机阀故障，具有较高的可靠性和可靠性.Lin[21]开发了一种基于振动的自动故障检测ap，再动压缩机分类程序。他们根据时频分析提取的特征和概率，应用遗传算法对过程进行优化并应用概率神经网络进行分类。Wang等人[22]描述了一种利用声发射信号与模拟阀耦合的往复压缩机阀故障诊断方法并考虑了该方法的可行性。 可方便地区分各种阀门状况。Pichler等人[23]提出了一种在变载荷下检测往复式压缩机阀裂纹或断裂的新方法。该方法基于振动测量数据的谱图表示，根据故障状态显示典型的拍子。
文献中描述的现有方法大多是基于监督学习的，在适当的样本集中，代表正常和错误操作的类别是可用的。诸如此类，在工业环境中很难找到像以前的类定义不可用的情况。状态监测数据的标注用于有监督的故障诊断和预后，由于使用实地知识而代价高昂，而未贴标签的数据包含关于正常情况或错误的重要信息，而这些信息不能通过监督学习加以探讨[24]。因此，可以应用统计方法、无监督学习或各种半监督方法[25-27]。
本文提出了一种半监督的往复式压缩机状态监测与故障检测方法，该方法仅用于对往复式压缩机的特征进行统计评价。 提取初始类成员，然后应用更高级的分类方法来定义类边界。本文对Vario进行了比较分析，美国最先进的分类方法，包括判别分析(DA)、神经网络(NN)和支持向量机(SVM)，还包括一种新技术，即极端学习。 五机(榆树)本文讨论了高级非线性分类器在应用中遇到的各种实际问题，并对比较各种先进分类器的一般逻辑提出了挑战。 为了找到最佳的CED分类器。本文所表达的观点是，许多现代机器学习分类器提供了足够的表达能力来建模几乎任何困难的分类问题。因此，一个更合适的问题是这些分类器是否应用得当。本文总结的比较定性结果说明了这一困境，并总结了应用所述方法的最佳方法。
本文的主要工作如下：(1)提出了一种新的半监督方法，提出了往复式压缩机的工业状态监测方法；(2)解决了多种特征选择方法的独特结合，ii的统计提取，TiAl类代表，主成分分析，以及各种高级分类器的应用；(3)对各种先进分类器进行了广泛的定性比较分析。 关于有效的工业状态监测应用的分析方法(包括极端学习机器)。该方法与工业应用密切相关，并在一个由20，000台压缩机振动测量的案例研究中演示了在冰箱设备的工业生产过程中获得的振动测量结果。
本文的结构如下：下一节描述了所提出的求解方法。第三章介绍了基于振动的状态监测系统，用于振动测量的数据采集。第4节描述了提取统计和光谱特征，以及应用特征来定义初始类。压缩机的SE在第5节中作了解释。第六节介绍了本研究中采用的各种分类方法，而第七节则介绍了分类过程，并对分类过程进行了总结，分类结果。第8节和第9节分别给出了讨论和结论.
2.解决方案
本研究考虑基于工业振动的状态监测问题，其中有大量的振动测量数据，但与每一项数据相关的类别信息是有标记的。 不提供测量。这种情况在工业环境中比较常见，因为在工业环境中没有以前的类别定义，而且很难从当地专家那里获得。可能的产品缺陷、故障或异常操作都是事先不知道的，所以机器学习方法的目的是分析异常操作的数据，提取异常操作的案例。这些案例一旦发现，将由工业专家进行分析，从而形成反馈循环，确定了所提出的状态监测策略。在我们基于振动测量的方法中，目标一方面是检测辐射噪声过高的空压器噪音级别(这对终端客户来说是不愉快的)，另一方面检测具有异常行为(可能的缺陷)的空压器。在拟议的战略中，缺乏结构知识不可能的缺陷由获取的数据库的非常大的大小和使用数据驱动的机器学习方法来弥补。在我们的解决方案方法中，我们在下面遵循了所描述的步骤:
-
- 数据采集，包括工业数据采集系统的设计和安装，用于在线测量安装在制冷设备中的往复式压缩机的振动。
- 基于统计和光谱方法的特征提取，提供了被测压缩机的初始信息。
- 提取特征的主要成分分析，以便减少数据的维度。
- 根据提取的特征提取初始类别，并在选定的主成分空间中表示数据。
- 分类方法，包括线性方法和广泛选择的非线性方法的应用，以估计正常压缩机和压缩机之间的类边界，h各种类型的断层。
- 对结果进行定性评估，在对分类结果进行图形分析的基础上，深入了解应用的分类方法的运作情况，并为以下方面提供解决方案 决策策略在实际工业环境中的实施。
3.数据获取
研制了一种用于制冷设备往复式压缩机自动在线检测的振动状态监测系统。完整的系统、机架和控制监视器，以及电子和气动元件，如图1所示.自2015年以来，在正常的工业生产过程中获得了20，000多个振动测量数据。系统TEM旨在执行以下操作：
- 制冷设备的精确定位，
- 传感器头在压缩机上的位置，
- 测量压缩机的振动信号，
- 测量数据的分析和存储。
由于生产线上有各种压缩机型号，因此研制了一种特殊的自定义柔性传感器头，用于将加速度计自动调整到各种压缩机类型。传感器头，如图2所示，配备了一个高度敏感的加速度计：PCB 352B。对于每台压缩机，用采样频率测量振动的持续时间为2s，NCY为25.6千赫。在测量过程中，经过大约10分钟的热身时间后，压缩机被认为在一个恒定的速度下处于稳态状态。所有压缩机工作在类似的操作条件，并定位于橡胶基安装平台上的制冷设备，这些设备提供
图1. 工业数据采集与状态监测系统。
图2.定制的挠性传感器头(左)及其在压缩机测量过程中的位置(右)。
良好的机械隔离压缩机，防止干扰振动测量。因此，这些因素在描述 压缩机故障。对不同类型压缩机的分析表明，在振动水平上存在一些微小的差异，但初步实验证实了振动水平的缺陷。根据工业标准，TS或发射过多的噪声显著高于任何类型的常规压缩机所发射的水平。
图2示出了在振动测量期间，挠性传感器头(左)及其在压缩机上的位置(右)。所有的测量都是在没有任何关于QU的标签信息的情况下进行的，测量压气机的高度。因此，必须根据对测量结果的分析来提取这些信息。由此产生的数据库由20，000个未标记的vi组成振动信号。
4.特征抽出
为了为后续的分类任务定义特征，采用了两阶段特征提取。第一阶段是统计和光谱特征的提取，而第二阶段采用主成分分析，对特征进行压缩，进一步降低维数。因此，特征提取的结果提供了一个从将时域振动信号转化为一组特征，这些特征表征了每一次测量。
4.1统计和光谱特征的提取
从振动信号中提取各种统计特征[28-30]以及基于谱分析的特征[31]，为特征提供信息描述。关于和分类任务，精确的最优特性是事先不知道的，因此我们的方法结合了不同的特性，并应用了数据压缩(主组件分析)和cla。 解决这一问题的方法。对于每次测量，在第一个特征提取阶段，从振动信号中提取下列统计特征和光谱特征：
-
-
- 10个统计特征：Z1：log M1(信号的对数平均值)Z2，Z3，Z4：log M2，log M4，log M6(对数矩Mi)，Z5：峰度，Z6：var M2(M2的对数方差，跨100 ms段计算)，Z7，z8，z9，z10：perc 75，perc 90，perc 95，perc 98(信号绝对值的百分位数)
- 17个光谱特征(分量PI，i=1，.17.用威尔士法估算的功率谱密度)：Z11，.，z27：P1(0 Hz)，P2(800 Hz)，P3(1600 Hz)，P17(12，800 Hz)。
-
大多数特征以对数形式表示，从而规范了特征的分布。振动信号的平均值约为零，因此第一个特征(Z1)。 根据振动信号的绝对值进行计算，以获取有用的信息。压缩机的高振动水平对应于高发射噪声水平(即sh)。 OUD由状态监视系统检测)，以便选择特征Z1作为初始类指示符(另见第5节)。这是因为它代表了振动的基本指标——声级，这也是指示的声音噪音水平。光谱特征被计算为等距频带内的光谱密度估计，
集中在{0赫兹，800赫兹，1600赫兹，。，12，800 Hz}为了提取光谱信息和减少光谱信息，选择了这些光谱密度估计的参数作为折衷的光谱成分。这组27个提取的特征(Z1，.。，z27)在第二次特征提取中对每台压缩机进行了进一步的压缩。分阶段进行主成分分析。
4.2主元件分析，主成分分析
采用主成分分析的方法来降低由提取的特征组成的数据集的维数，同时尽可能保留da中的变化量。 Ta组[32]，这是通过将初始变量转换为一组新的变量(主成分(Pc)来实现的，这些变量是不相关的，其排序方式是：第一个f 电子元件保留了原始变量的大部分变化。在此阶段，首先将提取的特征重新标度为零均值和方差为1，然后再将27个标准集重新标度。 D特征转化为27个主成分。95%以上的变异性仅在前三个主成分中保留，因此只有这些成分被保留用于后续的a。 透析器。图3示出了包含95%可变性的前三个主成分的组成。
5.初始类信息的提取
现有的数据库只包含在制冷设备生产过程中在线获取的未贴标签的振动信号。不同品质压缩机的分类 因此必须从数据中推断出来。在该方法中，采用特征Z1提取初始类信息。选择这个特殊的专长并不重要， 由于它仅用于提取类的初始代表，而不是作为最终的状态监视解决方案。特征z1是振动水平的基本指标，因此与状态监测有关。我们采用半监督方法进行分类，具体如下：
根据单个选择的特征Z1，统计定义了以下三类初始压缩机：
第1类：普通压缩机，
第2类：噪音压缩机，
第3类：非操作压缩机。
初始类别(1，2，3)的统计定义是：接受Z1中位200个样本作为正常(1类)，Z1上区的少数外列值(2级)，以及100个样本(2类)，从而确定初始类别(1，2，3)。 最小Z1值为非操作值(3级)。图4示出了具有标记的初始类(1，2，3)成员的20 000个样本的特征z1的值。接下来，在主成分空间中绘制初始类(图5)，其中显示了定义的类(1，2，3)的簇，还有一个新的4类集群(Deno)。 丁临时不稳定操作：
第4类：不稳定压缩机。在PCA投影中，由于聚类的良好分辨率，选择了PC1和PC3两个组分。在图5中，所有可用的样本都是以灰色点作图，而实验室则是这样做的。 最
全文共22278字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[2086]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
